CN101339603A - 一种从视频流中选取到了质量合格的虹膜图像的方法 - Google Patents

Abstract

本发明充分利用了虹膜图像的灰度信息和图像特征，根据直方图特征检测图像的亮度；根据瞳孔粗略中心位置判断虹膜是否偏离图像中心；检测红外光源在瞳孔附近形成的两个特殊的反光点，根据反光点的存在和大小判断是否有眨眼和非人眼图像的情况；分析虹膜纹理、睫毛和眼睑的灰度值特征，计算虹膜纹理可用度；根据虹膜纹理径向分布的特征，采用边缘梯度能量函数有效判断虹膜纹理清晰度。通过对采集到的每帧图像进行分步骤评估，实现了虹膜自动采集系统中从视频流中选取到了图像质量合格的虹膜图像的方法；并且通过分步骤与预先设定的阀值进行比较，从而对虹膜图像质量进行了正确的评价，并且通用性很强。

Description

一种从视频流中选取到了质量合格的虹膜图像的方法

【技术领域】

本发明属于图像处理技术领域，主要涉及生物特征鉴别中的一种从视频流中选取到了质量合格的虹膜图像的方法。

【背景技术】

在信息技术高度发展和电子业务广泛应用的现代社会，信息安全已经渗透到人们日常生活的每一个方面。因此可用于身份鉴别、保护信息安全的生物特征识别技术越来越受到人们的重视。与传统的方法相比，生物特征识别的优点是不会丢失、遗忘和伪造，是安全而快速的鉴别方式。虹膜识别技术是一种新兴的生物特征识别技术，与其它生物特征识别技术相比具有以下几个优点：稳定性、唯一性、高可靠性和非接触性，这些特点使得虹膜识别在公安、国防、金融、保险、医疗卫生、计算机网络等各个领域中具有非常广阔的应用前景。随着数字信号处理技术和图像处理技术的发展，虹膜身份识别系统已经日趋成熟。详见文献：John G.Daugman，“How Iris Recognition Works，”IEEETransaction on Circuits and Systems for Video Technology，Volume 14，Issue 1，pp.21-30，2004和文献：John G.Daugman，“High ConfidenceRecognition of Persons by Iris Patterns，”The Proceeding of IEEE 35^thInternat ional Carnahan Conference on Security Technology，pp.254-263，2001所述。

虹膜图像质量评估是自动虹膜识别系统中的一个非常重要的环节，它确保了采集过程中得到满足质量标准的图像。实际中，由于拍摄时采集设备的焦距问题，拍摄瞬间眼球的转动问题，以及眼睑和睫毛对虹膜的部分遮挡，常常使采集的虹膜图像无法进行后续的特征提取。目前已有的算法中还没有提出一种有效的虹膜图像质量评估模型，因此我们旨在建立一套通用可行的评估模型，详见文献：Chen Ji，Hu Guangshu，“Iris Image Quality Evaluation basedon Wavelet Packet Decomposition，”Journal of Tsinghua University(Sci&Tech)，volume 43，no.3，pp.377-380，2003。

目前已有虹膜质量评估方法有：

(1)基于快速傅立叶变换的方法。它对虹膜区域上的两个矩形块内的像素点进行二维快速傅立叶变换，然后通过对其高频、中频和低频能量的统计，分析图像是否清晰和存在睫毛遮挡。该模型的通用行不强，容易将纹理较少的清晰虹膜图像误判为低质量虹膜图像。详见文献：Li Ma，Tieniu Tan，YunhongWang，Dexin Zhang，“Personal Identification based on Iris TextureAnalysis，”IEEE Transactions on Pattern Analysis and MachineIntelligence，volume.25，no.12，pp.1519-1533。

(2)基于小波包分解的方法。它选取纹理高频分量分布最集中的子频带作为特征子频带，以其能量作为判别图像质量的准则。该方法的缺点是无法判断因睫毛遮挡而存在问题的虹膜图像。详见文献：Chen Ji，Hu Guangshu，“Iris Image Quality Evaluation based on Wavelet PacketDecomposition，”Journal of Tsinghua University(Sci&Tech)，volume43，no.3，pp.377-380，2003。

上述的虹膜图像质量评估方法的通用性都不强，无法满足自动虹膜采集系统中选取高质量图像的要求。

【发明内容】

本发明的任务是建立一套通用性比较强的从视频流中选取到了质量合格的虹膜图像的方法。

本发明的目的是这样实现的：

一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于其包括下列步骤：

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；

步骤2、统计步骤1中得到的图像中灰度值为0～85、86～170、171～255三个范围内的像素和，分别计算三者占总像素和的比例r₁、r₂、r₃来判断图像的明暗度，与预先设定的用于判断虹膜图像是否过亮或过暗的阀值T₁、T₂和T₃进行比较，若r₁＞T₁、r₂＜T₂或者r₃＞T₃，认为图像亮度不合格，舍弃该图并重新采集，符合要求的图像则进入下一步骤；

步骤3、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的像素点的灰度值赋为1，小于阈值V_b的像素点的灰度值赋为0；

步骤4、对步骤3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5、计算步骤4中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}I(x,y);$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的像素点的灰度值；

步骤6、搜索步骤5中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；根据(x_o，y_o)判断虹膜是否位于图像的中心，若(x_o，y_o)不满足x_Left＜x_o＜x_Right，y_Top＜y_o＜y_Bellow，认为可能存在虹膜纹理不完整和斜视的情况，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤7、搜索(x_o，y_o)左右两侧一定区域内的白色像素个数N，若某一侧的N＜N_Small，说明图像中没有眼睛或者存在眨眼情况，若某一侧的N＞N_Big，说明可能由于晃动导致了图像模糊，图像均不合格；只有瞳孔两侧均有大小合适的反光点的图像才能进入下一步；

步骤8、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索像素灰度值大于T的点，当搜索到像素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤9、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6中在y_o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10、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤8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)是已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤11、统计瞳孔两侧虹膜区域中有效像素点的个数，具体的计算公式为： $K=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}n(x,y),$ 其中 $n(x,y)=\left\{\begin{array}{cc}1,& V_{\mathrm{lash}}\&le;I(x,y)\&le;V_{\mathrm{eyelid}}\\ 0,& I(x,y)>V_{\mathrm{eyelid}}\mathrm{orI}(x,y)<V_{\mathrm{lash}}\end{array}\right.,$ 其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的像素点的门限，I(x，y)为图像的灰度；

步骤12、将步骤11中得到的有效像素点的个数K与预先设定的用于判断虹膜图像是否存在眼睑和睫毛遮挡问题的阀值V_k进行比较，若K＜V_k，则认为虹膜图像的可见度不满足系统的要求，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤13、计算瞳孔下侧一定区域内的虹膜纹理的边缘梯度能量，具体计算公式为： $f=\underset{i=1}{\overset{m\&times;n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{(\mathrm{dI}/\mathrm{dx})}^2/m\&times;n,$ 其中dI为图像中某一点的8-邻域内像素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为区域的高和宽；

步骤14、将步骤13中的到的虹膜纹理的边缘梯度能量值f与预先设定的用于判断虹膜纹理是否清晰的阀值V_f进行比较，若f≥V_f，则认为图像的清晰度满足系统的要求，否则，认为不满足系统的要求，从而完成了摄像头采集到的视频流中选取到了质量合格的虹膜图像。

如上所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤3中进行二值化选取一个固定的阈值V_b。

如上所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤5中采用高斯函数对投影值进行平滑处理。

如上所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤11到V_lash和V_eyelid，灰度值小于V_lash的像素点是睫毛区域的像素点，灰度值大于V_eyelid是眼睑区域的像素点，灰度值分布在V_lash和V_eyelid之间的是虹膜区域的像素点。

如上所述的一种基于灰度特征的虹膜图像质量评估方法，其特征在于步骤12得到的有效像素点个数K值越大未被遮挡的虹膜区域越大，K值越小存在的眼睑和睫毛遮挡越严重。

如上所述的一种基于灰度特征的虹膜图像质量评估方法，其特征在于步骤13中的图像边缘梯度能量值表征了图像的清晰程度，点锐度值f越大图像越清晰，f越小图像越模糊。

本发明的创新之处在于：充分利用了虹膜图像的灰度信息和图像特征，根据直方图特征检测图像的亮度；根据瞳孔粗略中心位置判断虹膜是否偏离图像中心；检测红外光源在瞳孔附近形成的两个特殊的反光点，根据反光点的存在和大小判断是否有眨眼和非人眼图像的情况；分析虹膜纹理、睫毛和眼睑的灰度值特征，计算虹膜纹理可用度；根据虹膜纹理径向分布的特征，采用边缘梯度能量函数有效判断虹膜纹理清晰度。通过分步骤与预先设定的阀值进行比较，从而对虹膜图像质量进行了正确的评价，并且通用性很强。

【附图说明】

图1是质量符合要求的虹膜图像；

其中，1表示瞳孔；2表示虹膜；3表示瞳孔中的光斑；4表示虹膜的内边缘。

图2是虹膜位于图像中心的合格图像；

其中，白色框表示瞳孔中心应该所在的范围。

图3是像素p的8-邻域示意图；

其中，r是水平和垂直紧邻像素，s是对角近邻像素。

【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： $A\&CirclePlus;B=\left\{x\right|{\left(\hat{B}\right)}_x\&cap;A\&NotEqual;\mathrm{\&phi;}\}$ 和 $\mathrm{A\&Theta;B}=\left\{x\right|{\left(B\right)}_x\&SubsetEqual;A\};$ 开启操作的运算公式为：

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，ο为开启运算符，

为闭合运算符。

定义6：灰度投影。将二维空间中的灰度投影到一维空间，分为水平灰度投影和垂直灰度投影。水平灰度投影是指将二维图像中的灰度沿水平方向累加，转换到一维空间。转换函数为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}I(x,y)\&CenterDot;$ 垂直灰度投影是指将二维图像中的灰度沿垂直方向累加，转换到一位空间。转换函数为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}I(x,y).$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的像素点的灰度值。

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。

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： ${\mathrm{\&epsiv;}}^2=\underset{i}{\mathrm{\&Sigma;}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标。

定义9：水平一阶差分。图像中，某一行的后面像素的灰度值减去前面像素的灰度值，或前面像素的灰度值减去后面像素的灰度值，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13：8-邻域。对一个坐标点为(x，y)的像素p，它有4个水平和垂直的近邻像素，它们的坐标分别是(x+1，y)，(x-1，y)，(x，y+1)，(x，y-1)，以及4个对角近邻像素，它们的坐标点是(x+1，y+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1)，这样的8个像素合称为p的8-邻域。

定义14：有效像素点。是指虹膜图像中位于虹膜区域的像素点，主要是为了区分睫毛和眼睑等无效像素点。有效像素点必须满足的条件是：V_lash≤I(x，y)≤V_eyelid，其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的像素点的门限，I(x，y)为图像的灰度。

定义15：可见度。是指原始虹膜图像中虹膜纹理的可见程度，影响可见度的主要因素是眼睑和睫毛对虹膜区域的遮挡。

定义16：边缘梯度能量。用于评价数字图像清晰度的算子，其数学形式为： $f=\underset{i=1}{\overset{m\&times;n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{(\mathrm{dI}/\mathrm{dx})}^2/m\&times;n,$ 其中dI为图像中某一点的八邻域内像素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为图像的高和宽。

按照本发明的一种从视频流中选取到了质量合格的虹膜图像的方法，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；

步骤2、统计步骤1中得到的图像中灰度值为0～85、86～170、171～255三个范围内的像素和，分别计算三者占总像素和的比例r₁、r₂、r₃来判断图像的明暗度，与预先设定的用于判断虹膜图像是否过亮或过暗的阀值T₁、T₂和T₃进行比较，若r₁＞T₁、r₂＜T₂或者r₃＞T₃，认为图像亮度不合格，舍弃该图并重新采集，符合要求的图像则进入下一步骤；

步骤3、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的像素点的灰度值赋为1，小于阈值V_b的像素点的灰度值赋为0；

步骤4、对步骤3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5、计算步骤4中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}I(x,y);$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的像素点的灰度值；

步骤6、搜索步骤5中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；根据(x_o，y_o)判断虹膜是否位于图像的中心，若(x_o，y_o)不满足x_Left＜x_o＜x_Right，y_Top＜y_o＜y_Bellow，认为可能存在虹膜纹理不完整和斜视的情况，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤7、搜索(x_o，y_o)左右两侧一定区域内的白色像素个数N，若某一侧的N＜N_Small，说明图像中没有眼睛或者存在眨眼情况，若某一侧的N＞N_Big，说明可能由于晃动导致了图像模糊，图像均不合格；只有瞳孔两侧均有大小合适的反光点的图像才能进入下一步；

步骤8、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索像素灰度值大于T的点，当搜索到像素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤9、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6中在y_o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10、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤8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： ${\mathrm{\&epsiv;}}^2=\underset{i}{\mathrm{\&Sigma;}}{(x_i^2+y_i^2+{\mathrm{cx}}_i+{\mathrm{dy}}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤11、统计瞳孔两侧虹膜区域中有效像素点的个数，具体的计算公式为： $K=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}n(x,y),$ 其中 $n(x,y)=\left\{\begin{array}{cc}1,& V_{\mathrm{lash}}\&le;I(x,y)\&le;V_{\mathrm{eyelid}}\\ 0,& I(x,y)>V_{\mathrm{eyelid}}\mathrm{orI}(x,y)<V_{\mathrm{lash}}\end{array}\right.,$ 其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的像素点的门限，I(x，y)为图像的灰度；

步骤12、将步骤11中得到的有效像素点的个数K与预先设定的用于判断虹膜图像是否存在眼睑和睫毛遮挡问题的阀值V_k进行比较，若K＜V_k，则认为虹膜图像的可见度不满足系统的要求，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤13、计算瞳孔下侧一定区域内的虹膜纹理的边缘梯度能量，具体计算公式为： $f=\underset{i=1}{\overset{m\&times;n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{(\mathrm{dI}/\mathrm{dx})}^2/m\&times;n,$ 其中dI为图像中某一点的8-邻域内像素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为区域的高和宽；

步骤14、将步骤13中的到的虹膜纹理的边缘梯度能量值f与预先设定的用于判断虹膜纹理是否清晰的阀值V_f进行比较，若f≥V_f，则认为图像的清晰度满足系统的要求，否则，认为不满足系统的要求。

通过以上步骤，我们就从摄像头采集到的视频流中选取到了质量合格的虹膜图像。

需要说明的是：

1、步骤3中进行二值化选取一个固定的阈值V_b选取的一个固定的阈值V_b，是通过大量试验得到的，并且这里选择一个固定的阀值是因为瞳孔区域的灰度值和虹膜区域的灰度值相差非常的大，即使在不同的光照条件下拍摄的虹膜图像也可以保证二值化的效果。

2、步骤5中的一阶差分水平投影曲线毛刺很多，不利于方法的精确定位，必须采用高斯函数对投影值进行平滑处理。

3、步骤6中定位瞳孔的粗略中心(x_o，y_o)是为了确定进行虹膜边界点搜索的范围。

4、步骤8认为灰度值大于T的点就是瞳孔的边界点，是因为在瞳孔的边缘存在灰度值的明显递增，当大于某一值是就是瞳孔边缘。

5、步骤11到V_lash和V_eyelid，我们认为灰度值小于V_lash的像素点是睫毛区域的像素点，灰度值大于V_eyelid是眼睑区域的像素点，灰度值分布在V_lash和V_eyelid之间的是虹膜区域的像素点。

6、步骤12得到的有效像素点个数K值越大未被遮挡的虹膜区域越大，K值越小存在的眼睑和睫毛遮挡越严重。

7、步骤13中的图像边缘梯度能量值主要表征了图像的清晰程度，点锐度值f越大图像越清晰，f越小图像越模糊。

8、步骤14中的阀值V_f是通过对同一采集设备的大量虹膜图像进行测试得到的，该值已经能够准确的分类清晰与模糊虹膜图像。

通过对采集到的每帧图像进行分步骤评估，实现了虹膜自动采集系统中的图像质量评估。

采用本发明的方法，首先使用C语言和汇编语言编写虹膜质量评估程序；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DSP嵌入式系统的图像质量评估程序中进行处理；从输入图像到清晰度检测完成，平均只需0.05秒，而质量不合格的图像的检测时间更短。因此本系统的图像采集频率设置为每秒20帧，质量评估就在每帧的间隔中进行，可以在软件界面的实时显示窗口中看到流畅的视频图像。通过实时自动选取质量好的虹膜图像，整个虹膜识别系统的准确率得到了20％以上的提高。

综上所述，本发明的方法充分利用虹膜图像的灰度信息特征，通过对采集到的每帧图像进行分步骤评估，实现了虹膜自动采集系统中的图像质量评估。

Claims (6)

1、一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于其包括下列步骤：

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；

步骤2、统计步骤1中得到的图像中灰度值为0～85、86～170、171～255三个范围内的像素和，分别计算三者占总像素和的比例r₁、r₂、r₃来判断图像的明暗度，与预先设定的用于判断虹膜图像是否过亮或过暗的阀值T₁、T₂和T₃进行比较，若r₁＞T₁、r₂＜T₂或者R₃＞T₃，认为图像亮度不合格，舍弃该图并重新采集，符合要求的图像则进入下一步骤；

步骤3、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的像素点的灰度值赋为1，小于阈值V_b的像素点的灰度值赋为0；

步骤4、对步骤3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5、计算步骤4中得到图像的水平和垂直灰度投影，水平投影的计算公式为： $S_h\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\&Sigma;}}}I(x,y),$ 垂直灰度投影的计算公式为： $S_v\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}I(x,y);$ 其中S_h(x)表示横坐标为x的灰度投影值，S_v(y)表示纵坐标为y的灰度投影值，M，N为图像的宽度和高度，I(x，y)为位置(x，y)的像素点的灰度值；

步骤6、搜索步骤5中的水平灰度投影S_h(x)取最小值时的横坐标x_o和垂直灰度投影S_h(y)取最小值是的纵坐标y_o，将(x_o，y_o)视为瞳孔的粗略中心；根据(x_o，y_o)判断虹膜是否位于图像的中心，若(x_o，y_o)不满足x_Left＜x_o＜x_Right，y_Top＜y_o＜y_Bellow，认为可能存在虹膜纹理不完整和斜视的情况，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤7、搜索(x_o，y_o)左右两侧一定区域内的白色像素个数N，若某一侧的N＜N_small，说明图像中没有眼睛或者存在眨眼情况，若某一侧的N＞N_Big，说明可能由于晃动导致了图像模糊，图像均不合格；只有瞳孔两侧均有大小合适的反光点的图像才能进入下一步；

步骤8、在纵坐标为y_o这一行上，以(x_o，y_o)为中心，沿水平方向向左搜索像素灰度值大于T的点，当搜索到像素灰度值大于T时立即停止搜索，记下此时的坐标(x_l，y_o)作为瞳孔边界点的坐标，再按同样的方式进行沿水平方向向右的搜索，得到另一边界点坐标(x_r，y_o)；

步骤9、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6中在y_o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10、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤8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： ${\mathrm{\&epsiv;}}^2=\underset{i}{\mathrm{\&Sigma;}}{(x_i^2+y_i^2+c{x}_i+d{y}_i+e)}^2,$ 其中，ε²是指误差方差和，(x_i，y_i)是已知点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤11、统计瞳孔两侧虹膜区域中有效像素点的个数，具体的计算公式为： $K=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}n(x,y),$ 其中 $n(x,y)=\left\{\begin{array}{cc}1,& V_{\mathrm{lash}}\&le;I(x,y)\&le;V_{\mathrm{eyelid}}\\ 0,& I(x,y)>V_{\mathrm{eyelid}}\mathrm{orI}(x,y)<V_{\mathrm{lash}}\end{array}\right.,$ 其中V_lash和V_eyelid是判定是否为位于睫毛区域和眼睑区域的像素点的门限，I(x，y)为图像的灰度；

步骤12、将步骤11中得到的有效像素点的个数K与预先设定的用于判断虹膜图像是否存在眼睑和睫毛遮挡问题的阀值V_k进行比较，若K＜V_k，则认为虹膜图像的可见度不满足系统的要求，舍弃该图并重新采集，符合要求的图像则进入下一步；

步骤13、计算瞳孔下侧一定区域内的虹膜纹理的边缘梯度能量，具体计算公式为： $f=\underset{i=1}{\overset{m\&times;n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{(\mathrm{dI}/\mathrm{dx})}^2/m\&times;n,$ 其中dI为图像中某一点的8-邻域内像素点的灰度值与该点的灰度值的差值，dx为相邻点的距离，m和n分别为区域的高和宽；

步骤14、将步骤13中的到的虹膜纹理的边缘梯度能量值f与预先设定的用于判断虹膜纹理是否清晰的阀值V_f进行比较，若f≥V_f，则认为图像的清晰度满足系统的要求，否则，认为不满足系统的要求，从而完成了摄像头采集到的视频流中选取到了质量合格的虹膜图像。

2、根据权利要求1所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤3中进行二值化选取一个固定的阈值V_b。

3、根据权利要求1所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤5中采用高斯函数对投影值进行平滑处理。

4、根据权利要求1所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤11到V_lash和V_eyelid，灰度值小于V_lash的像素点是睫毛区域的像素点，灰度值大于V_eyelid是眼睑区域的像素点，灰度值分布在V_lash和V_eyelid之间的是虹膜区域的像素点。

5、根据权利要求1所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤12得到的有效像素点个数K值越大未被遮挡的虹膜区域越大，K值越小存在的眼睑和睫毛遮挡越严重。

6、根据权利要求1所述的一种从视频流中选取到了质量合格的虹膜图像的方法，其特征在于步骤13中的图像边缘梯度能量值表征了图像的清晰程度，点锐度值f越大图像越清晰，f越小图像越模糊。

Images