CN101266645A - 一种基于多分辨率分析的虹膜定位方法 - Google Patents

Abstract

本发明提供的一种基于多分辨率分析的虹膜定位方法，它首先通过二值化，数学形态学，灰度和最小块搜索等操作定位出瞳孔的粗略圆心(x_o，y_o)；然后在(x_o，y_o)附近的若干行上，搜索一定范围内的灰度梯度最大值的坐标作为瞳孔边界点的坐标，经过曲线拟合可以定位出瞳孔的精确圆心和半径；接着根据取瞳孔粗略圆心(x_o，y_o)附近的各行灰度序列在分辨率2^－5和2^－6下的细节分量，搜索局部最小值点的坐标，作为虹膜的外边缘边界点并进行曲线拟合得到虹膜外边缘的精确圆心和半径。采用本发明提出的基于多分辨率分析的方法，可以有效的进行虹膜图像的定位操作，避免了传统算法对眼睑和睫毛遮挡较为敏感的问题。

Description

一种基于多分辨率分析的虹膜定位方法

【技术领域】

本发明涉及于图像处理技术领域，主要涉及生物特征鉴别中的虹膜身份识别技术。

【背景技术】

生活在一个高度信息化的现代社会，身份鉴别已经渗透到人们日常生活的每一个方面。同时，由于交通、通讯和网络技术的飞速发展，人类的活动范围越来越大，身份鉴别的难度和重要性也越来越突出。对于我国这样一个人口众多的国家，身份鉴别有着尤其广泛的应用前景和重要的战略意义，金融、安全、网络、电子商务等无一不需要可靠的身份鉴别。传统的利用密码等身份鉴别的方法具有易遗忘、易假冒等缺点，已不符合现代数字社会的需求。基于生物特征的身份鉴别技术利用人本身所拥有的生物特征来判别人的身份，这些生物特征具有“人各有异、终生不变、随身携带”三个特点，具有稳定、便捷、不易伪造等优点，近年来已成为身份鉴别的热点。常用的生物特征包括指纹、掌纹、虹膜、脸像、声音、签名和笔迹等。虹膜作为重要的身份鉴别特征，具有唯一性、稳定性、可采集性和非侵犯性等优点。详见文献：Anil K.Jain，Arun Ross，Salil Prabhakar，“An Introduction to Biometric Recognition”，IEEE Transaction onCircuits and Systems for Video Technology，Volume 14，No.1，pp4-20，2004和文献：John G.Daugman，“How Iris Recognition Works，”IEEETransaction on Circuits and Systems for Video Technology，Volume 14，Issue 1，pp.21-30，2004所述。

虹膜定位是整个自动虹膜识别系统的第一步，也是较为重要的一步，它关系到后面进行处理的图像是否是有效的虹膜区域，因此决定了识别的结果。实际中，由于虹膜的边缘较为模糊，通常在拍摄时存在眼睑和睫毛的遮挡，所以准确的定位虹膜常常比较困难。目前已有的算法中还没有提出一种有效的能在存在一定眼睑和睫毛遮挡的虹膜图像中准确的定位出虹膜，因此我们旨在设计一种能抑制部分眼睑和睫毛遮挡问题的虹膜定位方法，详见文献：胡正平，张晔，王成儒.“非线性拟合结合交叉参考的迭代虹膜定位方法”，计算机辅助设计与图形学学报，Volume16，No.3，pp.297-230，2004和文献：Daugman J G.“High Confidence VisualRecognition of Persons by a Test of Statistical Independence”，IEEETransactions on Pattern Anal.Machine Intell，Volume.15，No.11，pp.1148-1161，1993所述。

(1)目前已有虹膜定位方法有：基于边缘检测和Hough变换定位的方法。它首先采用边缘检测算子对整幅虹膜图像进行边缘检测，利用Hough变换将边缘象素连接起来构成一个圆，并得到该圆的圆心坐标和半径。该方法由于Hough变换的反复迭代运算，耗时较长，并且容易受到眼睑和睫毛等的影响。详见文献：R.P.Wildes，“Iris Recognition：An EmergingBiometric Technology”，Proceedings of the IEEE，Volume 85，No.9，pp.1348-1363，1997所述。

(2)基于灰度梯度的方法。它首先对虹膜图像进行粗定位，确定瞳孔和虹膜所在圆的大致位置，然后再根据粗定位的结果，在一定范围内搜索圆周灰度积分梯度最大的圆，记下其圆心和半径作为定位的结果。该方法的缺点是，由于需要进行粗定位和精定位，并且搜索灰度梯度最大值的运算较为复杂，所以整个方法耗时较长。详见文献：J.Daugman，“How IrisRecognition Works”，IEEE Transactions on Circuits and Systems forVideo Technology，Volume.14，No.1，pp.21-30，2004所述。

(3)非线性拟合结合交叉参考的迭代虹膜定位方法。它通过不断舍弃随机噪声和边缘毛刺点来提高定位的稳定性，定位时主要采用圆拟合的方法。该方法的缺点是不断更新迭代，耗时较长。Xing Lei，Shi Pengfei，“Aquality evaluation method of iris image”，Chinese Journal ofStereology and Image Analysis，Volume.8，No.2，pp.108-113，2003。

上述的虹膜图定位算法都在一定程度上存在问题，计算量过大、对噪声敏感、通用性不强等等。

【发明内容】

本发明的任务是设计一种稳定的快速的虹膜定位方法，能够在有一定眼睑和睫毛遮挡的虹膜图像中准确的定位出虹膜的内外边缘，并且算法的耗时较短。

本发明的目的是这样实现的：

一种基于多分辨率分析的虹膜定位方法，其特征在于其包含下列步骤：

步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像，图像大小为640×480；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞；其中闭合运算为：

即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算；结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0；

为闭合运算符，

为膨胀运算符，Θ为腐蚀运算符；

步骤4、在步骤3中得到的空洞填充后的虹膜图像上瞳孔可能存在的区域，进行块划分，每个块的大小为100×100；找到灰度累加和最小的块；其中统计灰度和最小的块的公式为 ${\min }_{(i,j)}\underset{x=x_i}{\overset{x_i+99}{\mathrm{\Σ}}}\underset{y=y_i}{\overset{y_i+99}{\mathrm{\Σ}}}I(x,y),$ 其中

x_i＝(i-1)*100+90，i＝1，2，3.y_j＝(j-1)*100+120，j＝1，2，3，4.，I(x，y)为图像的灰度；

步骤5、当步骤4中的统计灰度和最小的块的公式取到最小值时，可以得到这个最小灰度和块对应的i和j；这个灰度和最小块对应的4个顶点是(x_i，y_i)，(x_i+100，y_i)，(x_i，y_i+100)和(x_i+100，y_i+100)；

步骤6、在灰度和最小的区域内找到任意一个灰度值为0的象素点(x′，y′)；然后分别沿水平方向向左右搜索第一个灰度值为1的点，得到瞳孔的左右边界(x_l，y′)和(x_r，y′)；因此，瞳孔粗略中心的横坐标是 $x_o=\frac{x_u+x_b}{2};$

步骤7、与步骤6的方法类似，以任意一个灰度值为0的象素点(x′，y′)为中心，分别沿垂直方向向上和向下搜索第一个灰度值为1的点，得到瞳孔的上边界(x′，y_u)和下边节点(x′，y_b)，瞳孔粗略中心的纵坐标是 $y_o=\frac{y_a+y_b}{2};$

步骤8、任取(x_o，y_o)附近纵坐标为y的一行，其象素点灰度值构成序列S_y；

步骤9、对步骤8得到的灰度序列S_y，计算相邻5个象素点的水平一阶灰度差分，计算公式为：当x_o≤x＜N-5时，dS_y(x)＝I(x+5，y)-I(x，y)；当5≤x＜x_o时，dS_y(x)＝I(x-5，y)-I(x，y)；其中dS_y(x)表示纵坐标为y的一行相邻5个像素点的水平差分值，I(x，y)表示坐标点(x，y)的灰度值，N＝640为图像宽度；

步骤10、在纵坐标为y的一行瞳孔边界可能存在的区域，搜索步骤8得到灰度差分值最大的点，将其坐标作为瞳孔边界点的坐标；

步骤11、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤8、步骤9和步骤10中在y一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤12、由于瞳孔的边缘非常类似于一个圆，对步骤11中得到的一系列瞳孔边界点进行圆拟合，圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知圆曲线上的点的坐标值，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤13、将步骤8中得到的灰度序列S_y的瞳孔区域象素点灰度值替换为虹膜区域的象素灰度的近似值，得到序列S′_y；

步骤14、对步骤13中得到的灰度序列S′_y进行6层小波变换，其中一维小波变换的公式为：

和 $W_{\mathrm{\ψ}}(l,k)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}{S}_y^{\′}\left(x\right){\mathrm{\ψ}}_{l,k}\left(x\right);$ 其中和W_ψ(l，k)分别是分辨率为2^l下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2，-3，-4，-5，-6}，

为尺度函数，ψ_l，k(x)为小波函数，M为序列S′_y的长度，选取的小波为DMeyer小波；

步骤15、通过步骤14中得到的分辨率2^-6和2^-5下的小波系数W_ψ(l，k)，l＝-5，-6重构S′_y在分辨率2^-6和2^-5下的细节分量

其中重构公式为：

其中

表示分辨率2^l下坐标x的细节分量的值，W_ψ(l，k)表示分辨率2^l下的小波系数，

为分辨率2^l下的小波函数；

步骤16、通过步骤12中得到的瞳孔圆心坐标(x_p，y_p)和半径r_p，可以计算出在纵坐标y这一行上瞳孔的左边界点l_p和右边界点r_p；在分辨率为2^-6的细节分量曲线上，搜索瞳孔左边界点l_p以左区域离l_p最近的谷值点l′_i以及右边界点r_p以右区域离r_p最近的谷值点r′_i；

步骤17、在分辨率2^-5下的细节分量曲线上搜索离l′_i和r′_i最近的谷值点l_i和r_i作为虹膜外边缘的边界点；

步骤18、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行虹膜外缘边界点的搜索，方法与步骤13-17中在y一行进行的搜索方法相同，最终可以得到一系列虹膜边界点的坐标；

步骤19、由于虹膜的外边缘也非常类似于一个圆，对步骤18中得到的一系列虹膜外边缘边界点进行与步骤12中类似的圆拟合，得到虹膜外边缘的精确圆心(x_i，y_i)和半径r_i。

如上所述的一种基于多分辨率分析的虹膜定位方法，其特征在于步骤2中进行虹膜图像分块时，块大小的选择应该满足大于瞳孔的半径，小于瞳孔的直径。

如上所述的一种基于多分辨率分析的虹膜定位方法，其特征在于步骤11中坐标点(x_o，y_o)附近的若干行，是指纵坐标在瞳孔区域的纵坐标范围内，并且取(x_o，y_o)下方的点。

本发明采用多分辨率分析的方法，首先通过二值图像的特点搜索出瞳孔粗略圆心的坐标；然后取瞳孔粗略圆心附近的若干行，搜索一定范围内的灰度梯度最大值的坐标作为瞳孔边界点的坐标；最后根据取瞳孔粗略圆心(x_o，y_o)附近的各行灰度序列在分辨率2^-5和2^-6下的细节分量，搜索局部最小值点的坐标，作为虹膜的外边缘边界点。采用本发明提出的基于多分辨率分析的方法，可以有效的进行虹膜图像的定位操作，避免了传统算法对眼睑和睫毛遮挡较为敏感的问题。而且本发明通过搜索局部灰度差分的最大值，获得瞳孔边界点的坐标；利用多分辨率分析的思想，在一定分辨率的细节分量上搜索虹膜的外边界点，这样在一定程度上避免了眼睑和睫毛的干扰，有利于提高定位的精确度；通过圆拟合的方法，获得虹膜内外边缘的圆心坐标和半径，避免了通用算法的反复迭代搜索，提高了定位的效率；利用多分辨率的思想进行虹膜图像质量的分析是本发明的一个特色，与一般的虹膜定位方法相比，本发明的通用性和稳定性很强，不易受睫毛和眼睑的影响。

【附图说明】

图1是含有虹膜的原始图；

其中，1表示瞳孔；2表示虹膜；3表示瞳孔中的光斑；4表示虹膜的内缘；5表示虹膜的外缘。

图2是虹膜边界点的搜索示意图；

其中，(a)为纵坐标为y的一行象素点序列S_y的灰度曲线；(b)为S_y的差分曲线；(c)为S_y′在分辨率2^-6下的细节分量；(d)为S_y′在分辨率为2^-5下的细节分量。

图3是定位结果图。

【具体实施方式】

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：虹膜。眼珠的中心是黑色的瞳孔，瞳孔外缘间的环形组织即为虹膜。其呈现出相互交错的类似与斑点、细丝、条纹、隐窝的纹理特征。同一个人的虹膜在人的一生中几乎不会发生改变，不同人的虹膜是完全不一样的。

定义2：灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。

定义3：二值化阈值。对图像进行二值化操作时所选用的灰度门限值。

定义4：二值化。把整幅图像的所有值转化成只有两种值的过程，一般这两种值为0和1或者0和255。当图像上的值大于等于二值化的阀值的时候，该点的值二值化为1(或255)；当图像上的值小于二值化阀值的时候，该点的值二值化为0。

定义5：数学形态学。用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的。数学形态学的基本运算有4个：膨胀(或扩充)、腐蚀(或侵蚀)、开启和闭合。膨胀和腐蚀的运算公式为： $A\⊕B=\left\{x\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\φ}\}$ 和 $\mathrm{A\ΘB}=\left\{x\right|{\left(B\right)}_x\⊆A\};$ 开启操作的运算公式为：和

其中A为图像集合，B为结构元素，^表示做关于原点的映射，()_x表示平移x，∩表示交集，φ表示空集，表式全包含，

为膨胀运算符，Θ为腐蚀运算符，о为开启运算符，为闭合运算符。

定义6：水平一阶灰度差分。图像中，某一行的后面象素的灰度值减去前面象素的灰度值，或前面象素的灰度值减去后面象素的灰度值，得到该行的水平一阶差分值。水平一阶差分能够突出图像的垂直边缘信息，便于边缘提取。

定义7：瞳孔边界点。是指位于瞳孔外边缘虹膜内边缘上的点。也称为虹膜内边缘边界点。

定义8：圆拟合。已知一系列点的坐标，建立一条最能反映这些坐标点位置的圆曲线方程。具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小。误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标。

定义9：小波变换。时间(空间)频率的局部化分析方法，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，可聚焦到信号的任意细节。

定义10：尺度系数。在进行小波变换中，原始信号与尺度函数进行卷积之后得到的系数，用于重构信号的近似分量。对于一维小波变换，尺度系数的具体计算公式为：

其中，f(x)为原始信号，为尺度函数，

为尺度系数，M为f(x)的长度，x＝1，2，...M。

定义11：尺度函数。尺度函数是由整数平移和实数二值尺度、平方可积函数

组成的展开函数集合，即集合其中

j，k∈Z。

定义13：小波系数。在进行小波变换中，原始信号与小波函数进行卷积之后得到的系数，用于重构信号的细节分量。对于一维小波变换，小波系数的具体计算公式为： $W_{\mathrm{\ψ}}^i(j,k)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}f\left(x\right){\mathrm{\ψ}}_{j,k}\left(x\right).$ 其中，f(x)为原始信号，ψ_j，k(x)为小波函数，W_ψ(j，k)为小波系数。

定义14：小波函数。小波函数是用来描述跨越相邻两尺度空间的差异，是由ψ(x)组成的展开函数集合，即集合{ψ_j，k(x)}。其中ψ_j，k(x)＝2^j/2ψ(2^jx-k)，j，k∈Z。

定义15：DMeyer小波。离散形式的Meyer小波，是Meyer小波的有效近似，可以看作是离散化的Meyer小波，具有双正交性。它既保持了Meyer小波良好的分频特性，又可以提高数值计算的速度。

定义16：细节分量。任何一幅图像都可以分解为主体信息和细节纹理信息，根据多分辨率分析的思想，细节分量指不同频段范围内的细节纹理信息。

定义17：谷值点：任意一条曲线上，局部最小值所在的坐标点。

定义18：虹膜外缘边界点。虹膜是一个环形区域，位于虹膜外边缘上的点称为虹膜外缘边界点。

按照本发明的虹膜定位方法，它包含下列步骤：

步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像，图像大小为640×480；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞；具体来说，闭合运算为：即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算；结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0。

为闭合运算符，

为膨胀运算符，Θ为腐蚀运算符；

步骤4、在步骤3中得到的空洞填充后的虹膜图像上瞳孔可能存在的区域，进行块划分，每个块的大小为100×100；找到灰度累加和最小的块；具体来说：统计灰度和最小的块的公式为 ${\min }_{(i,j)}\underset{x=x_i}{\overset{x_i+99}{\mathrm{\Σ}}}\underset{y=y_i}{\overset{y_i+99}{\mathrm{\Σ}}}I(x,y),$ 其中

x_i＝(i-1)*100+90，i＝1，2，3.y_j＝(j-1)*100+120，j＝1，2，3，4.，I(x，y)为图像的灰度；

步骤5、当步骤4中的统计灰度和最小的块的公式取到最小值时，我们可以得到这个最小灰度和块对应的i和j；那么，这个灰度和最小块对应的4个顶点是(x_i，y_i)，(x_i+100，y_i)，(x_i，y_i+100)和(x_i+100，y_i+100)；

步骤6、在灰度和最小的区域内找到任意一个灰度值为0的象素点(x′，y′)；然后分别沿水平方向向左右搜索第一个灰度值为1的点，得到瞳孔的左右边界(x_l，y′)和(x_r，y′)；因此，瞳孔粗略中心的横坐标是 $x_o=\frac{x_u+x_b}{2};$

步骤7、与步骤6的方法类似，以任意一个灰度值为0的象素点(x′，y′)为中心，分别沿垂直方向向上和向下搜索第一个灰度值为1的点，得到瞳孔的上边界(x′，y_u)和下边节点(x′，y_b)，因此，瞳孔粗略中心的纵坐标是 $y_o=\frac{y_a+y_b}{2};$

步骤8、任取(x_o，y_o)附近纵坐标为y的一行，其象素点灰度值构成序列S_y；

步骤9、对步骤8得到的灰度序列S_y，计算相邻5个象素点的水平一阶灰度差分，具体计算公式为：当x_o≤x＜N-5时，dS_y(x)＝I(x+5，y)-I(x，y)；当5≤x＜x_o时，dS_y(x)＝I(x-5，y)-I(x，y)；其中dS_y(x)表示纵坐标为y的一行相邻5个像素点的水平差分值，I(x，y)表示坐标点(x，y)的灰度值，N＝640为图像宽度；

步骤10、在纵坐标为y的一行瞳孔边界可能存在的区域，搜索步骤8得到灰度差分值最大的点，将其坐标作为瞳孔边界点的坐标；

步骤11、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤8、步骤9和步骤10中在y一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤12、由于瞳孔的边缘非常类似于一个圆，因此，对步骤11中得到的一系列瞳孔边界点进行圆拟合，具体来说：圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，那么相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知圆曲线上的点的坐标值，最后得到瞳孔的精确圆心(x_p，y_p)和半径y_p；

步骤13、将步骤8中得到的灰度序列S_y的瞳孔区域象素点灰度值替换为虹膜区域的象素灰度的近似值，得到序列S′_y；

步骤14、对步骤13中得到的灰度序列S′_y进行6层小波变换，具体来说，一维小波变换的公式为：

和 $W_{\mathrm{\ψ}}(l,k)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}{S}_y^{\′}\left(x\right){\mathrm{\ψ}}_{l,k}\left(x\right).$ 其中

和W_ψ(l，k)分别是分辨率为2^l下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2，-3，-4，-5，-6}，

为尺度函数，ψ_l，k(x)为小波函数，M为序列S′_y的长度，选取的小波为DMeyer小波；

步骤15、通过步骤14中得到的分辨率2^-6和2^-5下的小波系数W_ψ(l，k)，l＝-5，-6重构S′_y在分辨率2^-6和2^-5下的细节分量

具体来说，重构公式为：

其中

表示分辨率2^l下坐标x的细节分量的值，W_ψ(l，k)表示分辨率2^l下的小波系数，

为分辨率2^l下的小波函数；

步骤16、通过步骤12中得到的瞳孔圆心坐标(x_p，y_p)和半径r_p，我们可以计算出在纵坐标y这一行上瞳孔的左边界点l_p和右边界点r_p。在分辨率为2^-6的细节分量曲线上，搜索瞳孔左边界点l_p以左区域离l_p最近的谷值点l′_i以及右边界点r_p以右区域离r_p最近的谷值点r′_i；

步骤17、在分辨率2^-5下的细节分量曲线上搜索离l′_i和r′_i最近的谷值点l_i和r_i作为虹膜外边缘的边界点；

步骤18、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行虹膜外缘边界点的搜索，方法与步骤13-17中在y一行进行的搜索方法相同，最终可以得到一系列虹膜边界点的坐标；

步骤19.由于虹膜的外边缘也非常类似于一个圆，因此，对步骤18中得到的一系列虹膜外边缘边界点进行与步骤12中类似的圆拟合，得到虹膜外边缘的精确圆心(x_i，y_i)和半径r_i。

通过以上步骤，我们就能从含有虹膜的灰度图像中提取出虹膜，并且能在一定程度上抑制眼见和睫毛的遮挡。

需要说明的是：

1.步骤1中拍摄的虹膜图像的大小是根据采集设备的参数决定的。

2.步骤2中进行虹膜图像分块时，块大小的选择应该满足大于瞳孔的半径，小于瞳孔的直径。

3.步骤5中搜索灰度和最小的块，是为了确定瞳孔所在的大致区域。由于二值化之后，瞳孔区域为黑色，即瞳孔区域在二值化图像的灰度值为0，那么灰度和最小的块必然包含瞳孔的大部分区域。

4.步骤11中坐标点(x_o，y_o)附近的若干行，实际上是指纵坐标在瞳孔区域的纵坐标范围内。并且尽量取(x_o，y_o)下方的点，以避免一定的眼睑和睫毛遮挡。

5.步骤16和17中，搜索分辨率2^-5和2^-6下的某一区域的谷值点，理由在于根据多分辨率分析的思想，图像上物体的边缘，都对应着细节分量上较大幅度的出现，那么这里正对应者细节分量曲线上的谷值点。而眼睑和睫毛的边缘存在着更为明显的灰度变换，因此在这两个分辨率下的细节分量上体现不明显。所以，通过在这两个分辨率下分析虹膜的边缘，有利于抑制眼睑和睫毛的遮挡。

采用本发明的方法，首先使用Matlab语言编写虹膜图定位程序；然后采用CMOS或者CCD摄像装置自动拍摄虹膜的原始图像；接着把拍摄到的虹膜原始图像作为源数据输入到PC平台上的虹膜图像定位程序中进行处理。采用2400张拍摄好的、包括不同人的不同光照条件、不同拍摄姿势的灰度虹膜图像作为源数据，将程序判断的结果与主观判断的结果进行比较，定位准确率为97.5％，定位一幅图像的平均时间为1.2s。

综上所述，本发明的方法充分利用虹膜边缘和眼睑睫毛边缘变化明显程度的不同，结合多分辨率分析的方法，从而实现了快速准确的定位虹膜图像。

Claims (3)

1、一种基于多分辨率分析的虹膜定位方法，其特征在于其包含下列步骤：

步骤1、通过摄像装置，对人眼中的虹膜进行图像采集，得到含有虹膜图像的原始灰度图像，图像大小为640×480；

步骤2、选取一个固定的阈值V_b，将原始虹膜图像进行二值化，原始灰度图像中灰度值大于阈值V_b的象素点的灰度值赋为1，小于阈值V_b的象素点的灰度值赋为0；

步骤3、对步骤2中得到的二值图像，进行数学形态学中的闭合运算来消除二值图像中的小空洞；其中闭合运算为：

即先对原始图像A用结构元素B进行膨胀运算，然后再进行腐蚀运算；结构元素B为一个7×7的矩阵，中间近似圆形区域内的元素的值为1，其余元素的值为0；

为闭合运算符，

为膨胀运算符，Θ为腐蚀运算符；

步骤4、在步骤3中得到的空洞填充后的虹膜图像上瞳孔可能存在的区域，进行块划分，每个块的大小为100×100；找到灰度累加和最小的块；其中统计灰度和最小的块的公式为 ${\min }_{(i,j)}\underset{x=x_i}{\overset{x_i+99}{\mathrm{\Σ}}}\underset{y=y_i}{\overset{y_i+99}{\mathrm{\Σ}}}I(x,y),$ 其中x_i＝(i-1)*100+90，i＝1，2，3.y_j＝(j-1)*100+120，j＝1，2，3，4.，I(x，y)为图像的灰度；

步骤5、当步骤4中的统计灰度和最小的块的公式取到最小值时，可以得到这个最小灰度和块对应的i和j；这个灰度和最小块对应的4个顶点是(x_i，y_i)，(x_i+100，y_i)，(x_i，y_i+100)和(x_i+100，y_i+100)；

步骤6、在灰度和最小的区域内找到任意一个灰度值为0的象素点(x′，y′)；然后分别沿水平方向向左右搜索第一个灰度值为1的点，得到瞳孔的左右边界(x_l，y′)和(x_r，y′)；因此，瞳孔粗略中心的横坐标是 $x_o=\frac{x_u+x_b}{2};$

步骤7、与步骤6的方法类似，以任意一个灰度值为0的象素点(x′，y′)为中心，分别沿垂直方向向上和向下搜索第一个灰度值为1的点，得到瞳孔的上边界(x′，y_u)和下边节点(x′，y_b)，瞳孔粗略中心的纵坐标是 $y_o=\frac{y_a+y_b}{2};$

步骤8、任取(x_o，y_o)附近纵坐标为y的一行，其象素点灰度值构成序列S_y；

步骤9、对步骤8得到的灰度序列S_y，计算相邻5个象素点的水平一阶灰度差分，计算公式为：当x_o≤x＜N-5时，dS_y(x)＝I(x+5，y)-I(x，y)；当5≤x＜x_o时，dS_y(x)＝I(x-5，y)-I(x，y)；其中dS_y(x)表示纵坐标为y的一行相邻5个像素点的水平差分值，I(x，y)表示坐标点(x，y)的灰度值，N＝640为图像宽度；

步骤10、在纵坐标为y的一行瞳孔边界可能存在的区域，搜索步骤8得到灰度差分值最大的点，将其坐标作为瞳孔边界点的坐标；

步骤11、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行瞳孔边界点的搜索，方法与步骤8、步骤9和步骤10中在y一行进行的搜索方法相同，最终可以得到一系列瞳孔边界点的坐标；

步骤12、由于瞳孔的边缘非常类似于一个圆，对步骤11中得到的一系列瞳孔边界点进行圆拟合，圆方程为x²+y²+cx+dy+e＝0，c，d和e是关于圆曲线的半径和圆心坐标点的参数，(x，y)为圆曲线上的点的坐标值，相对于这些坐标点的最佳圆曲线就是使误差方差和最小；误差方差和的公式为： ${\mathrm{\ϵ}}^2=\underset{i}{\mathrm{\Σ}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知圆曲线上的点的坐标值，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤13、将步骤8中得到的灰度序列S_y的瞳孔区域象素点灰度值替换为虹膜区域的象素灰度的近似值，得到序列S′_y；

步骤14、对步骤13中得到的灰度序列S′_y进行6层小波变换，其中一维小波变换的公式为：和 $W_{\mathrm{\ψ}}(l,k)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}{S}_y^{\′}\left(x\right){\mathrm{\ψ}}_{l,k}\left(x\right);$ 其中

和W_ψ(l，k)分别是分辨率为2^l下的尺度系数和小波系数，2层小波变换l的取值范围为{-1，-2，-3，-4，-5，-6}，为尺度函数，ψ_l，k(x)为小波函数，M为序列S′_y的长度，选取的小波为DMeyer小波；

步骤15、通过步骤14中得到的分辨率2^-6和2^-5下的小波系数W_ψ(l，k)，l＝-5，-6重构S′_y在分辨率2^-6和2^-5下的细节分量

其中重构公式为：

其中

表示分辨率2^l下坐标x的细节分量的值，W_ψ(l，k)表示分辨率2^l下的小波系数，

为分辨率2^l下的小波函数；

步骤16、通过步骤12中得到的瞳孔圆心坐标(x_p，y_p)和半径r_p，可以计算出在纵坐标y这一行上瞳孔的左边界点l_p和右边界点r_p；在分辨率为2^-6的细节分量曲线上，搜索瞳孔左边界点l_p以左区域离l_p最近的谷值点l′_i以及右边界点r_p以右区域离r_p最近的谷值点r′_i；

步骤17、在分辨率2^-5下的细节分量曲线上搜索离l′_i和r′_i最近的谷值点l_i和r_i作为虹膜外边缘的边界点；

步骤18、取坐标点(x_o，y_o)附近的若干行，在取出的每一行上进行虹膜外缘边界点的搜索，方法与步骤13-17中在y一行进行的搜索方法相同，最终可以得到一系列虹膜边界点的坐标；

步骤19、由于虹膜的外边缘也非常类似于一个圆，对步骤18中得到的一系列虹膜外边缘边界点进行与步骤12中类似的圆拟合，得到虹膜外边缘的精确圆心(x_i，y_i)和半径r_i。

2、根据权利要求1所述的一种基于多分辨率分析的虹膜定位方法，其特征在于步骤2中进行虹膜图像分块时，块大小的选择应该满足大于瞳孔的半径，小于瞳孔的直径。

3、根据权利要求1所述的一种基于多分辨率分析的虹膜定位方法，其特征在于步骤11中坐标点(x_o，y_o)附近的若干行，是指纵坐标在瞳孔区域的纵坐标范围内，并且取(x_o，y_o)下方的点。

Images