CN101359365A - 一种基于最大类间方差和灰度信息的虹膜定位方法 - Google Patents

Abstract

本发明采用类间方差结合图像的灰度信息实现对虹膜内外边界的快速定位。首先通过分块，提取感性趣的瞳孔区域，接着对对提取的瞳孔区域采用类间方差求得瞳孔的二值化阈值，再通过搜索边界点并进行曲线拟合对虹膜内边缘进行了精确定位；然后根据瞳孔的位置参数以及一些先验知识提取虹膜外边界的感兴趣区域，对所选区域中值滤波和一阶梯度变换后，采用局部梯度积分法确定虹膜外边界，最后通过圆拟合确定虹膜外边界参数。本方法，避免了图像二值化对直方图的依赖，同时通过只处理感兴趣区域，而不是整幅图像，大大提高了图像定位时间，实验表明算法的鲁棒性和定位效率都能满足图像实时处理的要求。

Description

一种基于最大类间方差和灰度信息的虹膜定位方法

【技术领域】

本发明属于图像处理技术领域，主要涉及生物特征识别中的基于最大类间方差和灰度信息的虹膜定位方法。

【背景技术】

在当今信息化时代，如何准确鉴定一个人的身份，保护信息安全是一个必须解决的关键性社会问题。为此，生物特征识别技术悄然兴起，并成为目前世界信息安全管理领域的前沿研究课题。生物特征识别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。虹膜身份识别技术是生物特征识别技术的一个分支，是计算机图像处理技术和模式识别技术在个人身份识别技术领域的应用，由于其高稳定性和高准确性，近年来已经成为生物特征识别的热门研究和发展方向。虹膜身份自动识别技术，在银行、公安、机场、网络等方面应用广泛，具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通关认证、银行提款、信息管理和建筑物安全管理等，还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。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，”IEEE Transaction on Circuitsand Systems for Video Technology，Volume 14，Issue 1，pp.21-30，2004和文献：John G.Daugman，“High Confidence Recognition of Persons byIris Patterns，”The Proceeding of IEEE 35th International CarnahanConference on Security Technology，pp.254-263，2001所述。

在虹膜身份识别技术中，虹膜定位是整个识别技术的关键，它的执行时间和精度将直接影响整个虹膜识别系统的速度和准确度。在实际中，由于虹膜区域常常受到眼睑和睫毛的遮挡，虹膜定位算法的准确性和有效性还有待进一步提高。如何在存在睫毛和眼睑遮挡问题的低质量虹膜图像中，快速精确地定位出虹膜，并对其边界或位置用数学模型进行描述是我们研究的主要问题。详见文献：John G.Daugman，“High Confidence Visual Recognition of Personsby a Test of Statistical Independence，”IEEE Transaction on PatternAnalysis and Machine Intelligence，volume15，no.11，pp.1148-1161，1993。

现在通常使用的虹膜定位的方法有：

一、基于灰度梯度的两步虹膜定位方法。它通过粗定位，寻找虹膜内外缘的大致位置，然后再在这个位置附近较小的范围内利用圆形检测器进行精定位，从而找到虹膜内外缘的精确位置。但是在实际应用中该方法需要反复迭代搜索，运算量较大，效率不高。详见文献：Li Qingrong，Ma Zheng，“A IrisLocation Algorithm，”Journal of UEST of China，volume 31，no.1，pp.7-9。

二、基于哈夫变换的虹膜定位方法。它是通过一定的算子，提取出虹膜图像中的边缘点，从而搜索通过边缘点最多的圆曲线所在的位置。其缺点是在边缘点提取中常常会引入噪声，使得虹膜定位结果不准确。详见文献：Richard P.Wildes，“Iris Recognition：an Emerging Biometric Technology，”Proceedings of the IEEE，volume85，pp.1348-1363，1997。

上述现有的两种虹膜定位方法，由于虹膜区域常常受到眼睑和睫毛的遮挡，虹膜定位算法的准确性和有效性还有待进一步提高。

【发明内容】

本发明的任务是提供一种基于类间方差和灰度信息的虹膜定位方法，它具有在眼睫毛遮挡情况下定位准确的特点，鲁棒性好。

本发明采用类间方差结合图像的灰度信息实现对虹膜内外边界的快速定位。首先通过分块，提取感性趣的瞳孔区域，接着对对提取的瞳孔区域采用类间方差求得瞳孔的二值化阈值，再通过搜索边界点并进行曲线拟合对虹膜内边缘进行了精确定位；然后根据瞳孔的位置参数以及一些先验知识提取虹膜外边界的感兴趣区域，对所选区域中值滤波和一阶梯度变换后，采用局部梯度积分法确定虹膜外边界，最后通过圆拟合确定虹膜外边界参数。本方法，避免了图像二值化对直方图的依赖，同时通过只处理感兴趣区域，而不是整幅图像，大大提高了图像定位时间，实验表明算法的鲁棒性和定位效率都能满足图像实时处理的要求。

本发明具体的技术方案如下：

一种基于类间方差和灰度信息的虹膜定位方法，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、选取适当的形态学结构元素对图像进行形态学的闭操作运算，以减小光斑和睫毛的影响；

步骤3、自上而下选取一定的行对图像进行分块计算各块的灰度值，找到灰度和值最小块的行坐标位置，然后根据该位置在水平的行像素方向上提取包含瞳孔的感兴趣区域块B_a；再在对应的进行形态学运算前的图像中提取图像块B_b；

步骤4、针对可能存在的浓而长的睫毛对瞳孔定位的影响，将B_a块与B_b块进行叠置分析，得到相应的目标区域B_e块，以获得丰富的睫毛-节特征；对B_e块中各像素的灰度值B_e(i，j)设置一判别门限Δ_g，找到使B_e(i，j)≥Δ_g的对应的像素点，然后分别在B_b与B_e中对这些对应的像素点进行标记；而B_e(i，j)＜Δ_g的对应点的灰度值不变，图像块B_b就变成B_b′块，B_e变成B_e′；

步骤5、在图像块B_b′中按照一定的列对其进行分块，对各块灰度值求和，找到其值最小的块的列坐标位置，根据该位置，提取包含瞳孔的感兴趣区域块Bp；

步骤6、采用类间方差法确定瞳孔的二值化阈值(τ_p)，对Bp块进行二值化运算，大于阈值τ_p的象素点的灰度值赋为1，小于阈值τ_p的象素点的灰度值赋为0；

步骤7、在二值化后的图像中找到灰度值为0的面积的8-邻域的最大连通域，将其它灰度值为0的像素点的灰度值设为1，再对此图像进行填充和形态学的闭运算；

步骤8、考虑到可能存在眼皮、睫毛以及光斑的干扰，影响瞳孔的上半部分区域，但是其下边缘的轮廓信息基本不受影响，采用瞳孔二值图像的下边缘轮廓来定位虹膜的内边界；在瞳孔的下半部分边界中找到是瞳孔下边缘边界点坐标(x_i，y_i)，i＝1，2，…，n；n＞＞3，n为边界点总个数；

步骤9、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7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)是上步骤中找到的瞳孔边界点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤10、根据瞳孔的位置坐标选择感兴趣的可能存在的虹膜外边界的区域，选择的左右区域进行中值滤波处理后再进行水平方向的一阶差分运算：

$G_y\left(x_i\right)=\left\{\begin{array}{cc}f(x_i,y)-f(x_i,y+1);& y_{L0}<y<y_{L1}\\ f(x_i,y+1)-f(x_i,y);& y_{R0}\&le;y<y_{R1}\\ 0;& f(x_i,y)-f(x_i,y+1)<0\mathrm{and}{y}_{L0}<y<y_{L1}\\ 0;& f(x_i,y+1)-f(x_i,y)<0\mathrm{and}{y}_{R0}\&le;y<y_{R1}\\ 0;& \mathrm{others}\end{array}\right.,$ 其中，x_i表示所选区域的第i行坐标，G_y(x_i)表示在第x_i行对纵坐标y求梯度，f(x_i，y)表示在坐标(x_i，y)的像素灰度值；y_L0、y_L1是根据瞳孔中心位置在瞳孔左侧选取的关键的虹膜外边界区域的列坐标界限，而y_R0、y_R1是在右侧选取的关键的虹膜外边界区域的列坐标界限；

步骤11、分别对梯度变换后的左右两侧的关键区域的每一行求梯度积分，积分区间选为七个像素，对于离散的变量梯度积分即为求梯度累加和，再求出每一行左右两个所选区域的梯度积分的最大值S_Lmax(i)和S_Rmax(i)，则分别找到取得最大梯度和值的区间，

$\mathrm{Max}\left(\underset{y=j_0}{\overset{j_0+6}{\mathrm{\&Sigma;}}}{G}_y\left(x_i\right)\right)=\left\{\begin{array}{c}{S}_{L\max }\left(i\right);j_0=y_{L0},y_{L0}+1,....,y_{L1}-6\mathrm{and}{y}_{L0}\&le;y<y_{L1}\\ S_{R\max }\left(i\right);j_0=y_{R0},y_{R0}+1,....,y_{R1}-6\mathrm{and}{y}_R\&le;y<y_w,G_y\left(x_i\right),\end{array}\right.$

y_L0、y_L1和y_R0、y_R1，y与步骤10中相同；S_Lmax(i)，S_Rmax(i)表示在左右所选的区域中第i行的像素分别在坐标区间[j₀，j₀+6]的梯度积分的最大值；

步骤12、根据上步骤中找到的梯度和值的区间值，确定对应的第i行像素左右的边界点的坐标，左侧区域外边界点的可能坐标： $\left\{\begin{array}{c}{Y}_{\mathrm{Li}}=\frac{[j_0+(j_0+6)]}{2},y_{L0}\&le;j_0\&le;y_{L1}-6\\ X_{\mathrm{Li}}=x_i\end{array}\right.,$ 右侧区域外边界的可能坐标： $\left\{\begin{array}{c}{Y}_{\mathrm{Ri}}=\frac{[j_0+(j_0+6)]}{2},y_{R0}\&le;j_0\&le;y_{R1}-6\\ X_{\mathrm{Ri}}=x_i\end{array}\right.,$ y_L0、y_L1，y_R0、y_R1，j₀和x_i与上步骤相同；(X_Li，Y_Li)表示左边区域虹膜外边界的坐标；(X_Ri，Y_Ri)表示右边区域虹膜外边界的坐标；

步骤13、由于虹膜的外边界类似与一个圆，对上步骤中确定的外边界点按照类似于步骤9中的方法和原理对外边界进行圆拟合，从而得到虹膜外边界的位置参数圆心(xo，yo)和半径ro，从而定位出虹膜的内外边缘，完成了虹膜定位。

如上所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤3和4是对原始图像进行分块，提取包含瞳孔的感兴趣区域块，同时通过形态学的滤波处理和叠置分析，减小睫毛对图像分块的影响。

如上所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤8中为了减少睫毛或眼皮的干扰，选取瞳孔的下边界进行定位；同时为了减少计算量，隔行选取边界点，节省图像处理时间。

如上所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤10中对所选区域进行一阶差分，充分考虑图像的灰度分布特点，对于左边区域，选择前一个像素值减去后一个像素值，对于右边区域选取后一个像素值减去前一个像素值。

本发明的创新之处在于：充分利用了虹膜图像的灰度信息，通过对图像进行分块提取包含瞳孔的感兴趣区域块，采类间方差的方法提取瞳孔的二值化阈值，然后获取瞳孔的边界点采取曲线拟合的方法，获得了虹膜内边界的位置参数；充分利用瞳孔的位置参数信息，选择虹膜外边界可能存在的区域，通过对所选区域中值滤波后采取改进的一阶差分对虹膜外边界进行梯度变换，同时采取局部梯度积分的方法确定虹膜外边界的范围，减小了虹膜外边界过渡带宽、模糊带来的影响，快速准确的实现虹膜外边界的定位。本发明的特色是：一方面是只对感性趣区域进行处理，而不是对整幅图像进行处理，大大节约了图像定位的时间；另一方面是采取自适应的方法获取瞳孔的二值化阈值，更准确有效；三是采用改进的一阶梯度变换和局部梯度积分的方法，大大减少了睫毛、阴影、光斑以及虹膜过渡带宽等的影响，能够更准确的实现对外边界的定位。通过大量实验和实际的应用表明，本发明的虹膜定位算法比一般的两步虹膜定位方法相比，本发明的定位准确率要高10个百分点，并且速度提高2倍。

【附图说明】

图1是含有虹膜的原始图像；；

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

图2是虹膜内边界定位流程图。

图3是虹膜外边界定位流程图。

【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：AоB＝(AΘB)⊕B和A□B＝(A⊕B)ΘB。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：最大类间方差法。最大类间方差法是一种自适应的阈值确定的方法，它按照图像的灰度特性将图像分成为背景和目标两部分。背景和目标之间的类间方差越大，说明构建图像的两部分差别越大。对于图像I(x，y)，目标和背景的分割阈值记作T，属于目标的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。假设图像图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0＝N0/(M*N)，ω1＝N1/(M*N)，N0+N1＝M*N，ω0+ω1＝1，μ＝ω0*μ0+ω1*μ1，g＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ0-μ1)2采用遍历的方法得到使类间方差最大的阈值T，即为所求。

定义7：直方图。图像的直方图是图像重要的统计特征，对于灰度图像而言，它表示数字图像每一灰度级与该灰度级出现频率的对应关系。

定义8：瞳孔边界点。是指位于瞳孔外边缘虹膜内边缘上的点。

定义9：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10：感兴趣区域。人们在观察和理解图像时往往会不自觉地对其中某些区域产生兴趣，这些区域别称为感兴趣区域。

定义11：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。

定义12：水平一阶差分。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13：中值滤波。中值滤波是一种抑制噪声的非线性处理方法，对于给定的n个数值{a1，a2，….an}将它们按照大小有序排列。当n为奇数时，位于中间位置的那个数值称为这n个数值的中值。当n为偶数，位于中间位置的两个数值的平均值称为这n个数值的中值。图像中值滤波后某像素的输出等于该像素邻域中各像素灰度的中值。

定义14：8-邻域。对一个坐标点为(x，y)的象素p，它有4个水平和垂直的近邻象素，它们的坐标分别是(x+1，y)，(x-1，y)，(x，y+1)，(x，y-1)，以及4个对角近邻象素，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个象素合称为p的8-邻域。

定义15：像素的连通性。在建立图像中目标的边界和确定区域的像素时，像素间的连通性是一个重要的概念，像素是否连通，就必须确定它们是否相邻以及它们的灰度值是否满足特定的相似性准则，在二值图像中，像素的连通性指的是两个像素相邻且具有相同的灰度值。

按照本发明基于最大类间方差和灰度信息的虹膜定位方法，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；

步骤2、选取适当的形态学结构元素对图像进行形态学的闭操作运算，以减小光斑和睫毛的影响；

步骤3、自上而下选取一定的行对图像进行分块(块与块之间有一定的重叠行)计算各块的灰度值，找到灰度和值最小块的行坐标位置，然后根据该位置在水平的行像素方向上提取包含瞳孔的感兴趣区域块B_a；再在对应的进行形态学运算前的图像中提取图像块B_b(对应于原始图像B_b与B_a有相同的坐标位置)；

步骤4、针对可能存在的浓而长的睫毛对瞳孔定位的影响，将B_a块与B_b块进行叠置分析(对应的像素的灰度值进行相减运算)，得到相应的目标区域B_e块，以获得丰富的睫毛细节特征；对B_e块中各像素的灰度值B_e(i，j)设置一判别门限Δ_g，找到使B_e(i，j)≥Δ_g的对应的像素点，然后分别在B_b与B_e中对这些对应的像素点进行标记；(令这些像素点的灰度值为一常数，本文取此常数值为255)；而B_e(i，j)＜Δ_g的对应点的灰度值不变，这样，图像块B_b就变成B_b′块，B_e变成B_e′；

步骤5、在图像块B_b′中按照一定的列对其进行分块，对各块灰度值求和，找到其值最小的块的列坐标位置，根据该位置，提取包含瞳孔的感兴趣区域块Bp；

步骤6、采用类间方差法确定瞳孔的二值化阈值(τ_p)，对Bp块进行二值化运算，大于阈值τ_p的象素点的灰度值赋为1，小于阈值τ_p的象素点的灰度值赋为0；

步骤7、在二值化后的图像中找到灰度值为0的面积的8-邻域的最大连通域，将其它灰度值为0的像素点的灰度值设为1，再对此图像进行填充和形态学的闭运算；

步骤8、考虑到可能存在眼皮、睫毛以及光斑的干扰，影响瞳孔的上半部分区域，但是其下边缘的轮廓信息基本不受影响，采用瞳孔二值图像的下边缘轮廓来定位虹膜的内边界；在瞳孔的下半部分边界中找到是瞳孔下边缘边界点坐标(x_i，y_i)，i＝1，2，…，n；n＞＞3，n为边界点总个数；

步骤9、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7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)是上步骤中找到的瞳孔边界点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤10、根据瞳孔的位置坐标选择感兴趣的可能存在的虹膜外边界的区域，选择的左右区域进行中值滤波处理后再进行水平方向的一阶差分运算：

$G_y\left(x_i\right)=\left\{\begin{array}{cc}f(x_i,y)-f(x_i,y+1);& y_{L0}<y<y_{L1}\\ f(x_i,y+1)-f(x_i,y);& y_{R0}\&le;y<y_{R1}\\ 0;& f(x_i,y)-f(x_i,y+1)<0\mathrm{and}{y}_{L0}<y<y_{L1}\\ 0;& f(x_i,y+1)-f(x_i,y)<0\mathrm{and}{y}_{R0}\&le;y<y_{R1}\\ 0;& \mathrm{others}\end{array}\right.,$ 其中，x_i表示所选区域的第i行坐标，G_y(x_i)表示在第x_i行对纵坐标y求梯度，f(x_i，y)表示在坐标(x_i，y)的像素灰度值；y_L0、y_L1是根据瞳孔中心位置在瞳孔左侧选取的关键的虹膜外边界区域的列坐标界限，而y_R0、y_R1是在右侧选取的关键的虹膜外边界区域的列坐标界限；

步骤11、分别对梯度变换后的左右两侧的关键区域的每一行求梯度积分，积分区间选为七个像素，对于离散的变量梯度积分即为求梯度累加和，再求出每一行左右两个所选区域的梯度积分的最大值S_Lmax(i)和S_Rmax(i)，则分别找到取得最大梯度和值的区间， $\mathrm{Max}\left(\underset{y=j_0}{\overset{j_0+6}{\mathrm{\&Sigma;}}}{G}_y\left(x_i\right)\right)=\left\{\begin{array}{c}{S}_{L\max }\left(i\right);j_0=y_{L0},y_{L0}+1,....,y_{L1}-6\mathrm{and}{y}_{L0}\&le;y<y_{L1}\\ S_{R\max }\left(i\right);j_0=y_{R0},y_{R0}+1,....,y_{R1}-6\mathrm{and}{y}_R\&le;y<y_w\end{array}\right.,$ G_y(x_i)，y_L0、y_L1和y_R0、y_R1，y与步骤10中相同；S_Lmax(i)，S_Rmax(i)表示在左右所选的区域中第i行的像素分别在坐标区间[j₀，j₀+6]的梯度积分的最大值；

步骤12、根据上步骤中找到的梯度和值的区间值，确定对应的第i行像素左右的边界点的坐标，左侧区域外边界点的可能坐标： $\left\{\begin{array}{c}{Y}_{\mathrm{Li}}=\frac{[j_0+(j_0+6)]}{2},y_{L0}\&le;j_0\&le;y_{L1}-6\\ X_{\mathrm{Li}}=x_i\end{array}\right.,$ 右侧区域外边界的可能坐标：

$\left\{\begin{array}{c}{Y}_{\mathrm{Ri}}=\frac{[j_0+(j_0+6)]}{2},y_{R0}\&le;j_0\&le;y_{R1}-6\\ X_{\mathrm{Ri}}=x_i\end{array}\right.,$ y_L0、y_L1，y_R0、y_R1，j₀和x_i与上步骤相同；(X_Li，Y_Li)表示左边区域虹膜外边界的坐标；(X_Ri，Y_Ri)表示右边区域虹膜外边界的坐标；

步骤13、由于虹膜的外边界类似与一个圆，对上步骤中确定的外边界点按照类似于步骤9中的方法和原理对外边界进行圆拟合，从而得到虹膜外边界的位置参数圆心(xo，yo)和半径ro。

通过以上步骤，我们就从原始的含有虹膜的图像中定位出虹膜的内外边缘，从而定位出虹膜的内外边缘，完成了虹膜定位。并为接下来的其它工作打下了坚实的基础。

需要说明的是：

1、步骤3和4是对原始图像进行分块，提取包含瞳孔的感兴趣区域块，同时通过形态学的滤波处理和叠置分析，减小睫毛对图像分块的影响。

2、步骤6中采用类间方差提取瞳孔的二值化阈值，避免了对原始图像直方图的依赖，通过自适应的方法获取阈值，比采取固定阈值或通过直方图获取阈值更科学，更有效。

3、步骤8中为了减少可能存在的睫毛或眼皮的干扰，选取瞳孔的下边界进行定位；同时为了减少计算量，隔行选取边界点，节省图像处理时间。

4、步骤10中对所选区域进行一阶差分，充分考虑图像的灰度分布特点，对于左边区域，选择前一个像素值减去后一个像素值，对于右边区域选取后一个像素值减去前一个像素值；这样可以大大减少睫毛、阴影或者一些光斑对图像边界点的影响；同时只对感性趣的区域进行处里，也大大提高了图像处理的速度。

5、步骤10中充分考虑到虹膜外边界过渡带比较宽的特点，采用部分梯度积分，求取最大的梯度积分和的区间，从而确定外部界的可能范围。

6、步骤11中通过去均值的方法求得虹膜外边界的坐标，减小了干扰对虹膜外边界的影响。

本发明采用类间方差结合图像的灰度信息实现对虹膜内外边界的快速定位。首先通过分块，提取感性趣的瞳孔区域，接着对对提取的瞳孔区域采用类间方差求得瞳孔的二值化阈值，再通过搜索边界点并进行曲线拟合对虹膜内边缘进行了精确定位；然后根据瞳孔的位置参数以及一些先验知识提取虹膜外边界的感兴趣区域，对所选区域中值滤波和一阶梯度变换后，采用局部梯度积分法确定虹膜外边界，最后通过圆拟合确定虹膜外边界参数。

本方法，避免了图像二值化对直方图的依赖，同时通过只处理感兴趣区域，而不是整幅图像，大大提高了图像定位时间，实验表明本方法的鲁棒性和定位效率都能满足图像实时处理的要求。

采用本发明的方法，首先使用C和C++语言编写的虹膜定位程序；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VC++界面中的虹膜预处理程序中进行处理。采用6400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，定位准确率为97.69％，定位一幅图像仅需90ms。

综上所述，本发明的方法对虹膜边界的定位，采用分区域的感兴趣区域操作，减少了图像处理的区域；通过采用类间方差提取瞳孔的二值化阈值避免了对图像直方图的依赖，采用感兴趣区域的灰度梯度信息实现对外边界点的确定；最后采用最小二乘法原理实现内外边界的曲线拟合，避免了迭代运算，从而快速准确地从所提供的虹膜原始图像中定位虹膜区域。

Claims (4)

1、一种基于类间方差和灰度信息的虹膜定位方法，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、选取适当的形态学结构元素对图像进行形态学的闭操作运算，以减小光斑和睫毛的影响；

步骤3、自上而下选取一定的行对图像进行分块计算各块的灰度值，找到灰度和值最小块的行坐标位置，然后根据该位置在水平的行像素方向上提取包含瞳孔的感兴趣区域块B_a；再在对应的进行形态学运算前的图像中提取图像块B_b；

步骤4、针对可能存在的浓而长的睫毛对瞳孔定位的影响，将B_a块与B_b块进行叠置分析，得到相应的目标区域B_e块，以获得丰富的睫毛细节特征；对B_e块中各像素的灰度值B_e(i，j)设置一判别门限Δ_g，找到使B_e(i，j)≥Δ_g的对应的像素点，然后分别在B_b与B_e中对这些对应的像素点进行标记；而B_e(i，j)＜Δ_g的对应点的灰度值不变，图像块B_b就变成B_b′块，B_e变成B_e′；

步骤5、在图像块B_b′中按照一定的列对其进行分块，对各块灰度值求和，找到其值最小的块的列坐标位置，根据该位置，提取包含瞳孔的感兴趣区域块Bp；

步骤6、采用类间方差法确定瞳孔的二值化阈值(τ_p)，对Bp块进行二值化运算，大于阈值τ_p的象素点的灰度值赋为1，小于阈值τ_p的象素点的灰度值赋为0；

步骤7、在二值化后的图像中找到灰度值为0的面积的8-邻域的最大连通域，将其它灰度值为0的像素点的灰度值设为1，再对此图像进行填充和形态学的闭运算；

步骤8、考虑到可能存在眼皮、睫毛以及光斑的干扰，影响瞳孔的上半部分区域，但是其下边缘的轮廓信息基本不受影响，采用瞳孔二值图像的下边缘轮廓来定位虹膜的内边界；在瞳孔的下半部分边界中找到是瞳孔下边缘边界点坐标(x_i，y_i)，i＝1，2，…，n；n＞＞3，n为边界点总个数；

步骤9、由于瞳孔的内边缘非常类似于一个圆，因此，对步骤7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)是上步骤中找到的瞳孔边界点的坐标，最后得到瞳孔的精确圆心(x_p，y_p)和半径r_p；

步骤10、根据瞳孔的位置坐标选择感兴趣的可能存在的虹膜外边界的区域，选择的左右区域进行中值滤波处理后再进行水平方向的一阶差分运算：

$G_y\left(x_i\right)=\left\{\begin{array}{cccc}f(x_i,y)-f(x_i,y+1);& & y_{L0}<y<y_{L1}& \\ f(x_i,y+1)-f(x_i,y);& & y_{R0}\&le;y<y_{R1}& \\ 0;& f(x_i,y)-f(x_i,y+1)<0& \mathrm{and}& y_{L0}<y<y_{L1}\\ 0;& f(x_i,y+1)-f(x_i,y)<0& \mathrm{and}& y_{R0}\&le;y<y_{R1}\\ 0;& \mathrm{others}& & \end{array}\right.,$ 其中，x_i表示所选区域的第i行坐标，G_y(x_i)表示在第x_i行对纵坐标y求梯度，f(x_i，y)表示在坐标(x_i，y)的像素灰度值；y_L0、y_L1是根据瞳孔中心位置在瞳孔左侧选取的关键的虹膜外边界区域的列坐标界限，而y_R0、y_R1是在右侧选取的关键的虹膜外边界区域的列坐标界限；

步骤11、分别对梯度变换后的左右两侧的关键区域的每一行求梯度积分，积分区间选为七个像素，对于离散的变量梯度积分即为求梯度累加和，再求出每一行左右两个所选区域的梯度积分的最大值

和

则分别找到取得最大梯度和值的区间， $\mathrm{Max}\left(\underset{y=j_0}{\overset{j_0+6}{\mathrm{\&Sigma;}}}{G}_y\left(x_i\right)\right)=\left\{\begin{array}{cccc}{S}_{L\max }\left(i\right);& j_0=y_{L0},y_{L0}+1,....,y_{L1}-6& \mathrm{and}& y_{L0}\&le;y<y_{L1}\\ S_{R\max }\left(i\right);& j_0=y_{R0},y_{R0}+1,....,y_{R1}-6& \mathrm{and}& y_R\&le;y<y_w\end{array}\right.,$ G_y(x_i)，y_L0、y_L1和y_R0、y_R1，y与步骤10中相同；

表示在左右所选的区域中第i行的像素分别在坐标区间[j₀，j₀+6]的梯度积分的最大值；

步骤12、根据上步骤中找到的梯度和值的区间值，确定对应的第i行像素左右的边界点的坐标，左侧区域外边界点的可能坐标： $\left\{\begin{array}{c}{Y}_{\mathrm{Li}}=\frac{[j_0+(j_0+6)]}{2},y_{L0}\&le;j_0\&le;y_{L1}-6\\ X_{\mathrm{Li}}=x_i\end{array}\right.,$ 右侧区域外边界的可能坐标： $\left\{\begin{array}{c}{Y}_{\mathrm{Ri}}=\frac{[j_0+(j_0+6)]}{2},y_{R0}\&le;j_0\&le;y_{R1}-6\\ X_{\mathrm{Ri}}=x_i\end{array}\right.,$ y_L0、y_L1，y_R0、y_R1，j₀和x_i与上步骤相同；(X_Li，Y_Li)表示左边区域虹膜外边界的坐标；(X_Ri，Y_Ri)表示右边区域虹膜外边界的坐标；

步骤13、由于虹膜的外边界类似与一个圆，对上步骤中确定的外边界点按照类似于步骤9中的方法和原理对外边界进行圆拟合，从而得到虹膜外边界的位置参数圆心(xo，yo)和半径ro，从而定位出虹膜的内外边缘，完成了虹膜定位。

2、根据权利要求1所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤3和4是对原始图像进行分块，提取包含瞳孔的感兴趣区域块，同时通过形态学的滤波处理和叠置分析，减小睫毛对图像分块的影响。

3、根据权利要求1所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤8中为了减少睫毛或眼皮的干扰，选取瞳孔的下边界进行定位；同时为了减少计算量，隔行选取边界点，节省图像处理时间。

4、根据权利要求1所述的一种基于类间方差和灰度信息的虹膜定位方法，其特征在于步骤10中对所选区域进行一阶差分，充分考虑图像的灰度分布特点，对于左边区域，选择前一个像素值减去后一个像素值，对于右边区域选取后一个像素值减去前一个像素值。

Images