CN101539991A - 用于虹膜识别的有效图像区域检测和分割方法 - Google Patents

Abstract

本发明公开了一种用于虹膜识别的有效图像区域检测和分割方法，该方法包括：S1.基于虹膜图像中普尔钦斑分析的虹膜粗定位；S2.基于弹性力模型的虹膜内外边界精定位；S3.基于排序滤波和直方图滤波的虹膜上下眼皮定位；S4.基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测。利用本发明，能够快速准确地得到虹膜的边界，有效解决了常规虹膜分割算法中速度慢、精度低的难题，为后续的虹膜特征分析提供快速可靠的定位和分割结果。本发明可广泛用于使用虹膜识别进行身份识别和安全性防范的诸多应用系统中。

Description

用于虹膜识别的有效图像区域检测和分割方法

技术领域

本发明涉及数字图像处理、模式识别和统计学习等技术领域，特别是涉及一种用于虹膜识别的有效图像区域检测和分割方法。

背景技术

虹膜是人眼中介于黑色瞳孔和白色巩膜之间的圆环状区域，呈现丰富的纹理。大量医学和计算机科学的研究表明，虹膜具有唯一性高、稳定性强、非侵犯性等优点。这些优点使得虹膜特别适合用于人的身份认证和识别，并被成功地应用于机场、海关、银行等场合的身份鉴定。

虹膜识别通过对虹膜成像装置获取的虹膜图像的分析完成对用户身份的认证或识别。虹膜成像装置在获取虹膜图像的同时，不可避免地会采集到瞳孔、巩膜、眼皮、睫毛和阴影等。而虹膜识别需要的仅仅是介于瞳孔和巩膜之间且不被眼皮、睫毛和阴影遮挡的区域，这部分区域称为虹膜图像中身份识别的有效区域。为了得到该有效区域，就需要准确定位虹膜的内外边界、上下眼皮边界和睫毛、阴影等。

英国剑桥大学的Daugman在其专利U.S.Pat.No.5291560中提出了一种称之为积分差分算子的技术用于虹膜分割。该技术通过计算图像中积分差分的最大值来确定虹膜内外边界以及上下眼皮边界。

美国IriTech公司的Kim等人在其专利U.S.Pat.No.6247813中采用多段圆弧拟合的方法进行虹膜有效区域的分割。该方法首先将虹膜分割成多个扇区，然后在每个扇区上分别进行虹膜内外边界的检测。

虽然上述两种虹膜分割方法取得了不错的分割效果，但是它们仍然存在很多缺陷。首先，它们都需要在一个三维的空间中进行遍历搜索，因此时间复杂度很高，计算速度较慢。其次，它们都没有给出有效的抗噪模块，因此容易受到噪声的影响而得到局部最优解。最后，两种方法都没有考虑睫毛和阴影的检测，因此它们的分割结果中仍然含有无效区域。

综上所述，现有的虹膜分割算法仍然存在改进的余地，如何快速鲁棒地实现虹膜图像中身份识别有效区域的检测和分割仍然是一个亟待解决的难题。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的是针对上述现有技术中存在的问题，提供一种用于虹膜识别的有效图像区域检测和分割方法，以快速鲁棒地实现虹膜图像中身份识别有效区域的检测和分割。

(二)技术方案

为达到上述目的，本发明提供了一种用于虹膜识别的有效图像区域检测和分割方法，该方法包括：

S1、基于虹膜图像中普尔钦斑分析的虹膜粗定位；

S2、基于弹性力模型的虹膜内外边界精定位；

S3、基于排序滤波和直方图滤波的虹膜上下眼皮定位；

S4、基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测。

优选地，所述步骤S1包括：

S11、根据虹膜图像中普尔钦斑的大小设计最优的普尔钦斑检测算子；

S12、使用该普尔钦斑检测算子对虹膜图像中的高亮点进行滤波；

S13、使用自适应的阈值对滤波结果二值化，得到候选普尔钦斑点并对其进行聚类，每个聚类中心表示一个候选的普尔钦斑；

S14、根据普尔钦斑邻域的灰度分布特性对候选普尔钦斑进行验证和排除，得到最佳普尔钦斑；

S15、根据最佳普尔钦斑周围的灰度分布估计瞳孔的灰度值，并以该灰度值为阈值得到该普尔钦斑周围所有低于该阈值的点，以这些点的重心作为瞳孔中心的估计，并利用点的数目估计瞳孔的大小。

优选地，步骤S11中所述普尔钦斑检测算子的大小通过统计虹膜图像中普尔钦斑的大小确定，并包括三个部分：中心区域为取值正整数的正极，中间为取值为零的过渡带，外围为取值负整数的负极，所述正极系数和负极系数的和为零。

优选地，所述步骤S2包括：

S21、以虹膜粗定位得到的虹膜中心为变换中心，将输入的虹膜图像转换到极坐标系下；

S22、在极坐标系下沿着虹膜图像的半径方向进行边界点的检测，并且每个半径方向仅保留一个边界点；

S23、在直角坐标系下使用一种虚拟的弹簧线连接当前中心和各个边界点，在胡克定律的作用下，每一条弹簧线会产生一个恢复力；

S24、各个恢复力之间相互作用产生的一个合力，沿着合力的方向移动虹膜中心，得到虹膜中心的一个新的、更为准确的估计；

S25、基于虹膜中心的新估计不断重复上述步骤S21至S24，迭代地优化瞳孔和虹膜边界检测结果，得到虹膜内外边界的精确位置。

优选地，步骤S22中所述边界点检测在极坐标系的半径方向上进行，并且每个半径方向上仅保留一个最有可能是边界的点作为候选的虹膜边界点；

步骤S23和S24中所述恢复力及其合力通过下式计算：

${\stackrel{\→}{f}}_i=-k(\stackrel{\‾}{R}-r_i){\stackrel{\→}{e}}_i,i=\mathrm{1,2},...,N$

$\stackrel{\→}{F}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\→}{f}}_i$

其中，

表示第i个恢复力，

表示所有恢复力的合力，N是弹簧线的条数，即边界点的数目，k＝1/N是指每条虚拟弹簧线的弹性系数，R是指所有弹簧线的平均长度，r_i是第i条弹簧线的长度，表示直角坐标系下第i条弹簧线的方向，由当前中心指向第i个边界点。

优选地，步骤S25中所述每次迭代优化瞳孔和虹膜边界检测结果过程中，以所有弹簧线合力

指向的新中心点作为虹膜内外边界的中心，以所有弹簧线的平均长度R作为内外边界的半径，其中 $\stackrel{\‾}{R}={\mathrm{\Σ}}_i^N{r}_i/N,$ r_i是指第i个弹簧线的长度，N是所有弹簧线的数目；迭代停止的条件是前后两次迭代得到的内外边界的参数相差小于一定阈值。

优选地，所述步骤S3包括：

S31、离线地在一组训练虹膜图像上对其上下眼皮的形状进行标定和统计聚类，分别学习得到上下眼皮的三个典型的形状模型；

S32、使用一维排序滤波器对虹膜图像进行水平方向的滤波，消除睫毛对眼皮边界检测的影响；

S33、在排序滤波后的图像上沿竖直方向进行边界点检测，得到待测虹膜图像中上下眼皮的粗略边界；

S34、将得到的眼皮粗略边界和学习得到的眼皮形状模型进行形状匹配，得到与该粗略边界最相似的眼皮形状模型；

S35、以最佳匹配模型为基础对得到的粗略边界进行分析，排除与该模型形状不相一致的眼皮边界点，只保留与最佳模型形状分布一致的点，得到一个准确的眼皮边界检测结果；

S36、使用二次多项式曲线拟合的方法对通过了直方图滤波验证的边界点进行拟合，得到精确的上下眼皮边界参数。

优选地，步骤S31中所述眼皮形状模型通过如下方式获得：首先离线的标定训练虹膜图像中上下眼皮的边界形状，然后使用K均值聚类的方法将上下眼皮形状分别聚成三类作为上下眼皮的形状模型；

步骤S32中所述排序滤波器为一维水平方向上的排序滤波器，且滤波时以图像中被滤波器覆盖区域的较高灰度值作为滤波结果；

步骤S33中所述眼皮边界点检测在竖直方向上进行，并且每个竖直方向仅保留一个最优的边界点；

步骤S34中所述形状匹配包括：首先计算待检测眼皮的粗略边界和各个眼皮形状模型的差值，然后统计差值的直方图，并以直方图峰值的高低作为匹配相似度的度量；

步骤S35中所述与最佳形状模型一致的点，是指那些与最佳形状模型的差值在直方图峰值附近的点。

优选地，所述步骤S4包括：

S41、在训练虹膜数据集上建立虹膜图像中睫毛和阴影遮挡程度的预测模型；

S42、计算待测试图像中不同区域的灰度直方图，并计算直方图之间的差异；

S43、根据睫毛阴影遮挡程度的预测模型获得该差异对应的睫毛和阴影遮挡程度；

S44、根据遮挡程度得到自适应的睫毛和阴影检测阈值，并用该阈值对图像二值化，得到候选睫毛和阴影检测点；

S45、分析候选检测点与上眼皮的连通性，以排除虚假睫毛和阴影点，得到漏检的睫毛阴影点。

优选地，步骤S41中所述待测试图像的不同区域，是根据上眼皮的定位结果将虹膜候选区域划分为上下两个区域，分别称为ES-candidate和ES-free，二者的分界线以上眼皮的位置下移D个像素确定，D通过下式确定

D＝0.5*(R_iris-R_pupil)

上式中R_iris和R_pupil分别表示虹膜和瞳孔的半径。

优选地，步骤S41中所述睫毛和阴影遮挡程度的预测模型通过如下方式得到：

计算每幅训练图像中ES-candidate区域和ES-free区域灰度直方图的差异以及该图像中睫毛和阴影的遮挡比例，其中两个直方图h₁，h₂之间的差异通过下式计算：

${\mathrm{\χ}}^2(h_1,h_2)=\underset{i}{\mathrm{\Σ}}\frac{{(h_{1i}-h_{2i})}^2}{h_{1i}+h_{2i}}$

图像中睫毛和阴影的遮挡比例可通过手工标定方式获得；

使用三次多项式拟合训练图像集上灰度直方图差异与遮挡比例的对应关系，所得的三次多项式曲线即作为虹膜图像中睫毛和阴影遮挡比例的预测模型。

优选地，步骤S44中所述自适应的睫毛和阴影检测阈值采用以下方法获得：

首先分别计算ES-candidate区域和ES-free区域灰度直方图及其差异，然后根据睫毛阴影遮挡程度预测模型估计图像中睫毛阴影的遮挡比例，最后从低到高累加ES-candidate区域的灰度直方图，直到累加值超过该遮挡比例，以此时的灰度值作为睫毛和阴影的检测阈值。

(三)有益效果

从上述技术方案可以看出，本发明提供的这种用于虹膜识别的有效图像区域检测和分割方法，对于提高虹膜识别算法的精度和速度都具有重要的意义，其主要优点如下：

1、本发明充分利用了虹膜图像中的普尔钦斑的灰度和位置分布特性，提出自适应的普尔钦斑检测算子，使普尔钦斑变废为宝，大大提高了虹膜粗定位的准度和速度，有效解决了常规虹膜识别算法中虹膜粗定位速度慢、精度低的难题，并为后续虹膜有效区域的精确分割奠定了基础。

2、本发明提出的基于弹性力模型的虹膜内外边界精定位方法，充分利用了虹膜特殊的类圆结构，通过迭代的方式搜索得到内外边界的准确位置，大大提高了虹膜内外边界精定位的速度和精度。同时，由于每一个候选边界点都会贡献自己的力量——恢复力，因此，该方法对于瞳孔形变具有很强的抵抗力，有效解决了常规方法遇到瞳孔形变出现局部最优的难题。

3、本发明提出的基于排序滤波和直方图滤波的上下眼皮定位方法，通过水平方向上的排序滤波消除了睫毛对眼皮边界点检测的影响，同时每个竖直方向上仅保留一个边界点的策略，进一步排除了眼皮边界检测过程中的噪声点。另外，本发明提出的直方图滤波器有效解决了眼皮形状的不规则难题，从而能够快速准确地对上下眼皮进行定位。

4、本发明建立了一种新颖的虹膜图像中睫毛和阴影遮挡程度的预测模型，该模型能够快速准确地估计待测虹膜图像中睫毛和阴影的遮挡程度，进而得到用于睫毛和阴影检测的合适阈值。同时，睫毛和阴影候选点与上眼皮连通性的分析进一步提高了检测的精确度。

5、本发明提供的这种用于虹膜识别的有效图像区域检测和分割方法，使鲁棒、快速的虹膜识别中有效图像区域的检测和分割成为可能，有效提高了虹膜识别的精度和速度，可广泛应用于使用虹膜进行身份认证或者识别的系统中，比如虹膜机场安检系统、虹膜出入境身份认证系统、虹膜ATM机、虹膜门禁系统、虹膜手机、虹膜PC登录系统等。

附图说明

图1是本发明提供的用于虹膜识别的有效图像区域检测和分割的方法流程图；

图2是一幅典型的虹膜图像及其有效图像区域的分割结果，其中，

(a)示出一幅典型的虹膜图像；

(b)示出了使用本发明所述方法得到的虹膜有效区域的分割结果；

图3是大小为13×13的普尔钦斑检测算子的示例；

图4是基于弹性力模型的虹膜内外边界定位算法的原理图；

图5是基于排序滤波和直方图滤波的眼皮定位算法的流程框图和示例；

图6是直方图滤波的原理示意图，其中，

(a)示出学习得到的三个上眼皮形状模型，以及一个待测试虹膜图像的上眼皮边界检测结果(如图5(d)中图像所示)；

(b)待检测上眼皮与三个上眼皮形状模型的差值；

(c)待检测上眼皮与三个上眼皮形状模型的差值的直方图，根据直方图峰值高低可以判断与待测眼皮形状最相似的模型；

(d)一幅待测试虹膜图像的上眼皮边界检测结果；

(e)该待测虹膜图像上眼皮边界检测结果经过直方图滤波之后的上眼皮边界点；

(f)该待测虹膜图像上眼皮的二次曲线拟合结果；

图7是睫毛检测时虹膜区域分割的方法和示意图，其中ES-candidate和ES-free分别表示睫毛和阴影遮挡可能性大的区域和可能性小的区域，分割界限是从上眼皮开始下移大约0.5×(R_iris-R_pupil)，R_iris和R_pupil分别表示与虹膜和瞳孔边界拟合度最好的圆的半径大小；

图8是图7中图像的ES-candidate区域和ES-free区域的灰度直方图；

图9是虹膜图像中睫毛和阴影遮挡程度的预测模型，其中一个圆点表示了一幅训练图像中直方图相似度χ²(h₁，h₂)和睫毛和阴影遮挡比例p的对应关系，实线表示通过曲线拟合学习到的睫毛和阴影遮挡程度的预测模型。

具体实施方式

下面结合附图说明本发明技术方案中所涉及的技术问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

基于虹膜的身份认证系统通过对虹膜成像装置获取的虹膜图像的分析完成对用户身份的认证和识别。虹膜成像装置在获取虹膜图像的同时，不可避免地会采集到瞳孔、巩膜、眼皮、睫毛和阴影等，如图2(a)所示。而虹膜识别需要的仅仅是介于黑色瞳孔和白色巩膜之间且不被眼皮、睫毛和阴影遮挡的区域，该区域称为虹膜识别的有效图像区域。为了得到该有效区域，就需要准确定位虹膜的内外边界、上下眼皮边界和睫毛、阴影等，如图2(b)所示。本发明提出一种用于虹膜识别的有效图像区域检测和分割方法，其流程框图如图1所示，包括以下步骤：

步骤S1、基于虹膜图像中普尔钦斑分析的虹膜粗定位；

步骤S2、基于弹性力模型的虹膜内外边界精定位；

步骤S3、基于排序滤波和直方图滤波的虹膜上下眼皮定位；

步骤S4、基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测。

下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的具体形式如下所述：

首先是步骤S1，基于虹膜图像中普尔钦斑分析的虹膜粗定位。

虹膜粗定位的目的是判断虹膜成像装置获取的图像中是否含有虹膜。如果有，给出其大概的位置。为了得到清晰的虹膜纹理，虹膜成像装置中往往会使用红外光源对人眼中的虹膜区域进行照明。在虹膜图像采集的过程中，这些红外光源经过人眼的镜面成像、虹膜照相机的凸透镜成像以及CCD的感光成像三个过程后会在所采集的虹膜图像中形成普尔钦斑，如图2(a)所示。一般来讲，这些红外光源形成的普尔钦斑在图像中亮度很高，且一般位于虹膜图像的瞳孔区域(通常也是图像中亮度最低的区域)。因此，虹膜图像中普尔钦斑与其周围区域的亮度对比度很高。上述的普尔钦斑的位置和灰度分布特性为鲁棒的虹膜粗定位提供了便利条件。本发明通过对虹膜图像中普尔钦斑的特性分析完成虹膜粗定位，具体过程如下：

步骤S11、根据虹膜图像中普尔钦斑的大小设计最优的普尔钦斑检测算子。其中，所述普尔钦斑检测算子的大小通过统计虹膜图像中普尔钦斑的大小确定，并包括三个部分：中心区域为取值正整数的正极，中间为取值为零的过渡带，外围为取值负整数的负极，所述正极系数和负极系数的和为零。图3给出了所述普尔钦斑检测算子的一个示例。

步骤S12、使用该普尔钦斑检测算子对虹膜图像中的高亮点进行滤波。用普尔钦斑检测算子对图像进行滤波是指将算子在输入的虹膜图像上漫游，同时把被算子覆盖的图像区域的灰度值和对应位置上算子的系数做点积后作为对应算子中心的图像像素的滤波结果。同时，为了加快滤波速度，仅在图像的高亮区域进行滤波。

步骤S13、使用自适应的阈值对滤波结果二值化，得到候选普尔钦斑点并对其进行聚类，每个聚类中心表示一个候选的普尔钦斑。如果某个像素点滤波结果值大于我们设定的阈值，那么认为这个点是一个普尔钦斑点，否则认为不是普尔钦斑点。同时，根据候选普尔钦斑点相互之间的距离对其进行聚类，得到候选普尔钦斑的位置。

步骤S14、根据普尔钦斑邻域的灰度分布特性对候选普尔钦斑进行验证和排除，得到最佳普尔钦斑。对步骤S13中聚类得到的所有普尔钦斑进行统计分析和验证。如前所述，真实的普尔钦斑往往落在瞳孔或虹膜区域，其周围的灰度值较低，所以如果某个候选普尔钦斑周围的灰度大于一个设定阈值，那么就认为这个候选普尔钦斑不是真实普尔钦斑，并予以排除。

步骤S15、根据最佳普尔钦斑周围的灰度分布估计瞳孔的灰度值，并以该灰度值为阈值得到该普尔钦斑周围所有低于该阈值的点，以这些点的重心作为瞳孔中心的估计，并利用点的数目估计瞳孔的大小。对步骤S14中得到的普尔钦斑周围八个方向上的灰度值进行均匀采样，计算采样点的灰度平均值作为该普尔钦斑周围区域的灰度估计，选择周围区域灰度最低的普尔钦斑作为最佳的普尔钦斑，最佳普尔钦斑周围的灰度作为当前图像中瞳孔区域的灰度估计。以该最佳普尔钦斑为中心划定一个区域，在该区域上使用瞳孔灰度的估计值对图像二值化；求取二值化图像的中心和面积作为瞳孔的中心和大小估计。与此同时，我们把检测到的普尔钦斑在原始图像上进行填充，消除普尔钦斑对后续定位的影响。图1中T111示出了虹膜粗定位的结果，其中小十字表示虹膜中心位置，方框表示瞳孔大小。同时，原始图像T110的普尔钦斑已经被成功填充，避免了普尔钦斑对后续精定位的影响。

另外，通过步骤S11至步骤S15无法获得粗定位结果的输入图像则被认为是非虹膜图像予以丢弃，从而可以节省后续的计算时间。

其二是步骤S2，基于弹性力模型的虹膜内外边界精定位。

虹膜识别中有效图像区域的分割需要对虹膜的内外边界进行定位。粗略地讲，虹膜是一个圆环状的区域，而圆的一个基本特性是圆心与圆周各点的连线(即圆的半径)长度相同，即圆具有各向同性性。本发明充分利用虹膜内外边界的类圆特性，通过一种弹性力模型对虹膜的内外边界进行精确定位。图4示出了该方法的原理图，其具体过程如下(以内边界瞳孔边界的定位为例)：

步骤S21、以虹膜粗定位得到的虹膜中心为变换中心，将输入的虹膜图像转换到极坐标系下。以虹膜粗定位步骤S1中得到的瞳孔中心估计作为变换中心将虹膜图像从直角坐标系转换到极坐标系。

步骤S22、在极坐标系下沿着虹膜图像的半径方向进行边界点的检测，并且每个半径方向仅保留一个边界点。在极坐标系下沿着半径方向进行边界检测，同时每个半径方向仅保留一个最有可能是边界的点作为候选的边界点，从而得到一组(N个)边界点。其中，所述边界点检测在极坐标系的半径方向上进行，并且每个半径方向上仅保留一个最有可能是边界的点作为候选的虹膜边界点。

步骤S23、在直角坐标系下使用一种虚拟的弹簧线连接当前中心和各个边界点，在胡克定律的作用下，每一条弹簧线会产生一个恢复力。将步骤S22中得到的边界点映射回直角坐标系中(如图4中P₁-P_N所示)；使用一种虚拟的‘弹簧线’连接中心和各个边界点，并根据圆的各向同性性假定所有的‘弹簧线’的物理特性相同。在胡克定律的作用下这些‘弹簧线’将产生一个个恢复力

${\stackrel{\→}{f}}_i=-k(\stackrel{\‾}{R}-r_i){\stackrel{\→}{e}}_i,i=\mathrm{1,2},...,N---\left(1\right)$

上式中N是边界点的数目，k＝1/N是指每个‘弹簧线’的弹性系数，r_i是第i个‘弹簧线’当前的长度，R是指所有‘弹簧线’的平均长度，

表示第i个‘弹簧线’的方向(由当前中心指向第i个边界点)。

步骤S24、各个恢复力之间相互作用产生的一个合力，沿着合力的方向移动虹膜中心，得到虹膜中心的一个新的准确估计。步骤S23中产生的各个恢复力相互作用的结果是一个合力：

$\stackrel{\→}{F}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\→}{f}}_i---\left(2\right)$

如图4所示，在的作用下，当前估计的瞳孔中心将会被移向瞳孔中心的真实位置，即由图4中的O′_P移向O_P。

步骤S25、基于虹膜中心的新估计不断重复上述步骤S21至S24，迭代地优化瞳孔和虹膜边界检测结果，得到虹膜内外边界的精确位置。通过步骤S21至S24的作用之后，我们可以得到瞳孔中心的一个更加准确的估计。基于这个新的瞳孔中心估计，不断重复步骤S21至S24，就可以迭代地得到瞳孔边界的准确位置。在迭代的过程中，以所有弹簧线合力

指向的新中心点作为瞳孔边界的中心，以所有弹簧线的平均长度R作为瞳孔的半径，其中 $\stackrel{\‾}{R}={\mathrm{\Σ}}_i^N{r}_i/N,$ r_i是指第i个弹簧线的长度，N是所有弹簧线的数目。迭代停止的条件是前后两次迭代得到的瞳孔边界的参数相差小于一定阈值。

最后，利用相同的方法可以得到虹膜外边界的准确位置。图1中T112示出了虹膜内外边界的定位结果示例。

其三是步骤S3，基于排序滤波和直方图滤波的虹膜上下眼皮定位。

为了得到虹膜的有效区域，除了定位虹膜的内外边界外，还需要定位出虹膜的上下眼皮位置。虹膜上下眼皮的定位有两个难点，第一个是睫毛的遮挡，第二个是眼皮形状的不规则性。睫毛的遮挡使得很难得到眼皮的完整形状，从而容易造成眼皮定位不准确。眼皮形状的不规则性使得我们无法采用一种固定的形状模型对眼皮进行拟合。为了有效解决上述两个难点，本发明提出一种基于排序滤波和直方图滤波的上下眼皮定位方法，其流程图如图5所示，具体过程如下(以上眼皮的定位为例，下眼皮定位方法类似)：

步骤S31、离线地在一组训练虹膜图像上对其上下眼皮的形状进行标定和统计聚类，分别学习得到上下眼皮的三个典型的形状模型。虽然不同虹膜图像中的眼皮形状各不相同，但经过大量的观察后我们发现：可以将所有上眼皮的形状大致分成三类，即三个不同的上眼皮形状模型。图6(a)中的M₁-M₃示出了三个典型的上眼皮形状，他们通过如下方式获得：选取虹膜数据库(比如CASIA_IrisV3_Lamp虹膜图像数据库)中部分图像作为训练集，使用手工定位的方法得到这些图像中上眼皮的形状信息(即边界点)；利用K均值聚类算法将所有训练图像的眼皮形状聚成三类，即得到图6(a)中的M₁-M₃所示的三个上眼皮形状模型。在本步骤中所述眼皮形状模型通过如下方式获得：首先离线的标定训练虹膜图像中上下眼皮的边界形状，然后使用K均值聚类的方法将上下眼皮形状分别聚成三类作为上下眼皮的形状模型。

步骤S32、使用一维排序滤波器对虹膜图像进行水平方向的滤波，消除睫毛对眼皮边界检测的影响。如图5中T510所示，根据步骤S2的定位结果，截取虹膜图像的感兴趣区域。使用一个一维的、长度为L的统计排序滤波器对感兴趣区域进行水平方向上的滤波，滤波时以图像中被滤波器覆盖区域的较高灰度值作为滤波结果。因为睫毛在虹膜图像中通常表现为垂直向下且细长的黑色线条，因此排序滤波器可减弱甚至消除大部分睫毛。图5中T511示出了原始虹膜图像T510经过排序滤波之后的结果，可以看出大部分睫毛都被成功的滤除了。

步骤S33、在排序滤波后的图像上沿竖直方向进行边界点检测，得到待测虹膜图像中上下眼皮的粗略边界。在排序滤波后的图像的上半部分进行竖直方向上的边界检测，边界检测可以使用简单的Sobel算子、拉普拉斯算子，也可以使用Canny算子等。另外，每个竖直方向上只保留一个边界点，从而有效地减少了噪声边界点的数量。图5中T512示出了一个眼皮边界点检测的例子。在本步骤中所述眼皮边界点检测在竖直方向上进行，并且每个竖直方向仅保留一个最优的边界点。

步骤S34、将得到的眼皮粗略边界和学习得到的眼皮形状模型进行形状匹配，得到与该粗略边界最相似的眼皮形状模型。对步骤S33中得到的边界点，利用直方图滤波的方式对所得的眼皮边界点进行滤波，进一步排除噪声点。直方图滤波的原理图如图6所示。首先计算得到的边界点(E_raw，如图6(a)和图6(d)所示)和统计学习得到的上眼皮形状模型(M₁-M₃)在形状上的差异(即计算E_raw与M₁-M₃的差值，如图6(b)中D₁-D₃所示)。然后统计每个差异的直方图(如图6(c)中Hist.D₁-HistD₃所示)。直方图尖峰最高的那个模型被保留为该眼皮的最佳形状模型，如图6(c)所示，本例中模型M₂被保留为最佳的候选形状模型。

在步骤S34中所述形状匹配包括：首先计算待检测眼皮的粗略边界和各个眼皮形状模型的差值，然后统计差值的直方图，并以直方图峰值的高低作为匹配相似度的度量。

步骤S35、以最佳匹配模型为基础对得到的粗略边界进行分析，排除与该模型形状不相一致的眼皮边界点，只保留与最佳模型形状分布一致的点，得到一个准确的眼皮边界检测结果。只有与最佳模型的形状分布一致的点才被认为是真实的上眼皮边界点并保留，其他的点被排除，即只有直方图峰值附近的点才被认为是真实的上眼皮边界点，如图6(c)所示。经过噪声点滤除后，可以得到一个准确的上眼皮边界检测结果，如图5中T513和图6(e)所示。

在步骤S35中所述与最佳形状模型一致的点，是指那些与最佳形状模型的差值在直方图峰值附近的点。

步骤S36、使用二次多项式曲线拟合的方法对通过了直方图滤波验证的边界点进行拟合，得到精确的上下眼皮边界参数。在步骤S35滤波结果的基础上，使用二次多项式曲线拟合的方法得到精确的上眼皮边界参数，最终的拟合结果如图5中T514或图6(f)所示。

同样的方法可以得到下眼皮的定位结果。

其四是步骤S4，基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测。

一个高效的虹膜有效区域的分割方法需要同时考虑睫毛和阴影的检测。如图2(a)所示，睫毛和阴影在虹膜图像中通常表现为灰度值较低的像素点，因此，一个直观的睫毛和阴影检测方法是阈值法。然而，实际虹膜成像系统获取的虹膜图像中睫毛和阴影的灰度和数量各不相同，且相互之间差异很大，因而很难获得一个准确的检测阈值。为了得到一个准确的睫毛和阴影检测阈值，本发明首先将候选的虹膜区域(即被虹膜内外边界、上下眼皮边界包围的区域)分成如图7所示的两个区域ES-candidate和ES-free，其中ES-candidate对应虹膜区域中睫毛和阴影遮挡可能性大的区域，ES-free对应睫毛和阴影遮挡可能性小的区域。然后，分别统计ES-candidate区域和ES-free区域的灰度直方图。直观地看，如果ES-candidate区域存在睫毛和阴影的遮挡，那么这两个区域的灰度直方图将存在差异。图8示出了图7所示的ES-candidate区域和ES-free区域的灰度直方图，可以看出二者存在明显的差异。更进一步，ES-candidate区域和ES-free区域灰度直方图的差异越大，表明ES-candidate区域中睫毛和阴影遮挡的程度越高。因此我们可以通过计算ES-candidate区域和ES-free区域的灰度直方图的差异来估计ES-candidate区域中睫毛和阴影遮挡的比例，进而得到一个合理的睫毛和阴影检测阈值。具体的睫毛和阴影的检测过程如下：

步骤S41、在训练虹膜数据集上建立虹膜图像中睫毛和阴影遮挡程度的预测模型，又包括如下四个子步骤：

S411：虹膜区域的划分。准备一定数量的训练图像，使用步骤S2和步骤S3所述的方法对训练图像的内外边界和上下眼皮进行定位；在定位基础上把虹膜识别的有效图像区域分成两个部分：一部分对应睫毛和阴影遮挡可能性大的区域ES-candidate，另一部分对应睫毛和阴影遮挡可能性小的区域ES-free。二者的分割界线是通过把上眼皮定位结果下移D个像素得到的，其中

D＝0.5*(R_iris-R_pupil)(3)

上式中，R_iris表示虹膜外边界的平均半径，R_pupil表示虹膜内边界的平均半径。

步骤S412：统计两个区域的灰度直方图并计算其相似度。分别统计两个区域的灰度直方图h₁和h₂，并计算两个直方图的相似度。两个直方图的相似度通过下式计算：

${\mathrm{\χ}}^2(h_1,h_2)=\underset{i}{\mathrm{\Σ}}\frac{{(h_{1i}-h_{2i})}^2}{h_{1i}+h_{2i}}---\left(4\right)$

步骤S413：确定训练图像中睫毛和阴影遮挡的比例。手工标定训练图像中睫毛和阴影遮挡的区域，并统计遮挡面积在ES-candidate区域中所占的比例p。图9中一个圆点表示了一幅训练图像中直方图相似度χ²(h₁，h₂)和睫毛阴影遮挡比例p的对应关系。

步骤S414：睫毛和阴影预测模型的建立。根据步骤S413中得到的训练图像的直方图相似度与睫毛阴影遮挡比例的对应关系，使用二次曲线对所有训练样本点进行拟合，拟合所得的曲线就是睫毛和阴影的预测模型，如图9中实线所示。

步骤S41得到睫毛和阴影遮挡程度的预测模型后，就可以对待测试的虹膜图像进行睫毛和阴影的检测了，具体的在线检测过程如下面的步骤S42至S45所示。

步骤S42、计算待测试虹膜图像中不同区域的灰度直方图，并计算直方图之间的差异。使用步骤S411所述的方法把待测试图像划分成两个部分ES-candidate区域和ES-free区域；使用步骤S412所述的方法计算计算ES-candidate区域和ES-free区域的直方图，并计算他们的差异。

步骤S43、根据睫毛阴影遮挡程度预测模型获得步骤S42中所得差异对应的睫毛和阴影的遮挡比例。根据步骤S41得到的虹膜图像中睫毛和阴影遮挡比例的预测模型，可以得到步骤S42中所得的直方图差异对应的遮挡程序，即遮挡比例。

步骤S44、根据遮挡比例得到自适应的睫毛和阴影检测阈值，并用该阈值对图像二值化，得到候选的睫毛和阴影检测点。得到该待测试图像中睫毛和阴影遮挡比例的估计后，从低灰度到高灰度累加ES-candidate区域的灰度直方图，直到累加的结果超过了步骤S43中估计得到的睫毛和阴影遮挡比例，此时对应的灰度值就是用于睫毛和阴影检测的检测阈值。使用该检测阈值对输入的测试图像进行睫毛和阴影检测，得到候选的睫毛和阴影检测点。

步骤S45、分析候选检测点与上眼皮的连通性，以排除虚假睫毛和阴影点，并得到漏检的睫毛阴影点。通过步骤S41和S42的操作后，大部分睫毛和阴影都能够被检测出来，但其中也包含了很多虚假的噪声点，同时也有部分睫毛和阴影点没有检测出来。为了滤除这些噪声点同时检测漏掉的睫毛阴影点，我们提出一种噪声点滤除机制：通过分析每个点与眼皮的连通特性来判断该点是否为真实的睫毛和阴影点。在分析过程中，那些与真实睫毛和阴影点相邻并且灰度值相近的点作为漏检的点被检测出来。因此，在滤除虚假检测点的同时得到了漏检的睫毛阴影点。

实施例1：用于虹膜识别的有效图像区域检测和分割方法在基于虹膜识别的出入境人员核查系统中的应用。

本发明可广泛应用于使用虹膜进行身份认证和识别的场景。一个典型的应用是对机场(或海关)出入境人员进行身份认证。假设在某国际机场出入境检查处安装了一套虹膜识别系统，当张先生从欧洲出差回国时，机场需要对张先生的身份做一个认证。此时，张先生只需要注视一下虹膜识别采集摄像头，该虹膜识别系统就可把采集到的虹膜图像输入到基于本发明开发的虹膜识别算法系统中。该算法系统首先根据本发明的步骤S1所述的方法确定该输入图像中是否含有虹膜，如果该图像含有一幅清晰的虹膜图像，那么该系统就会快速地对虹膜进行检测，得到虹膜在图像中的大概位置。然后该系统根据本发明的步骤S2至S4所述的方法精确定位虹膜的内外边界、上下眼皮边界和虹膜图像中的睫毛和阴影区域。最后，识别系统在分割出的虹膜有效区域上进行特征抽取，并同数据库中的特征模板进行比对，从而验证张先生是否是以合法身份进入我国。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (12)

1、一种用于虹膜识别的有效图像区域检测和分割方法，其特征在于，该方法包括：

S1、基于虹膜图像中普尔钦斑分析的虹膜粗定位；

S2、基于弹性力模型的虹膜内外边界精定位；

S3、基于排序滤波和直方图滤波的虹膜上下眼皮定位；

S4、基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测。

2、根据权利要求1所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，所述步骤S1包括：

S11、根据虹膜图像中普尔钦斑的大小设计最优的普尔钦斑检测算子；

S12、使用该普尔钦斑检测算子对虹膜图像中的高亮点进行滤波；

S13、使用自适应的阈值对滤波结果二值化，得到候选普尔钦斑点并对其进行聚类，每个聚类中心表示一个候选的普尔钦斑；

S14、根据普尔钦斑邻域的灰度分布特性对候选普尔钦斑进行验证和排除，得到最佳普尔钦斑；

S15、根据最佳普尔钦斑周围的灰度分布估计瞳孔的灰度值，并以该灰度值为阈值得到该普尔钦斑周围所有低于该阈值的点，以这些点的重心作为瞳孔中心的估计，并利用点的数目估计瞳孔的大小。

3、根据权利要求1或2所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，步骤S11中所述普尔钦斑检测算子的大小通过统计虹膜图像中普尔钦斑的大小确定，并包括三个部分：中心区域为取值正整数的正极，中间为取值为零的过渡带，外围为取值负整数的负极，所述正极系数和负极系数的和为零。

4、根据权利要求1所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，所述步骤S2包括：

S21、以虹膜粗定位得到的虹膜中心为变换中心，将输入的虹膜图像转换到极坐标系下；

S22、在极坐标系下沿着虹膜图像的半径方向进行边界点的检测，并且每个半径方向仅保留一个边界点；

S23、在直角坐标系下使用一种虚拟的弹簧线连接当前中心和各个边界点，在胡克定律的作用下，每一条弹簧线会产生一个恢复力；

S24、各个恢复力之间相互作用产生的一个合力，沿着合力的方向移动虹膜中心，得到虹膜中心的一个新的、更为准确的估计；

S25、基于虹膜中心的新估计不断重复上述步骤S21至S24，迭代地优化瞳孔和虹膜边界检测结果，得到虹膜内外边界的精确位置。

5、根据权利要求4所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，

步骤S22中所述边界点检测在极坐标系的半径方向上进行，并且每个半径方向上仅保留一个最有可能是边界的点作为候选的虹膜边界点；

步骤S23和S24中所述恢复力及其合力通过下式计算：

${\stackrel{\→}{f}}_i=-k(\stackrel{\‾}{R}-r_i){\stackrel{\→}{e}}_i,i=\mathrm{1,2},...,N$

$\stackrel{\→}{F}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\→}{f}}_i$

其中，

表示第i个恢复力，

表示所有恢复力的合力，N是弹簧线的条数，即边界点的数目，k＝1/N是指每条虚拟弹簧线的弹性系数，R是指所有弹簧线的平均长度，r_i是第i条弹簧线的长度，表示直角坐标系下第i条弹簧线的方向，由当前中心指向第i个边界点。

6、根据权利要求4或5所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，步骤S25中所述每次迭代优化瞳孔和虹膜边界检测结果过程中，以所有弹簧线合力

指向的新中心点作为虹膜内外边界的中心，以所有弹簧线的平均长度R作为内外边界的半径，其中 $\stackrel{\‾}{R}={\mathrm{\Σ}}_i^N{r}_i/N,$ r_i是指第i个弹簧线的长度，N是所有弹簧线的数目；迭代停止的条件是前后两次迭代得到的内外边界的参数相差小于一定阈值。

7、根据权利要求1所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，所述步骤S3包括：

S31、离线地在一组训练虹膜图像上对其上下眼皮的形状进行标定和统计聚类，分别学习得到上下眼皮的三个典型的形状模型；

S32、使用一维排序滤波器对虹膜图像进行水平方向的滤波，消除睫毛对眼皮边界检测的影响；

S33、在排序滤波后的图像上沿竖直方向进行边界点检测，得到待测虹膜图像中上下眼皮的粗略边界；

S34、将得到的眼皮粗略边界和学习得到的眼皮形状模型进行形状匹配，得到与该粗略边界最相似的眼皮形状模型；

S35、以最佳匹配模型为基础对得到的粗略边界进行分析，排除与该模型形状不相一致的眼皮边界点，只保留与最佳模型形状分布一致的点，得到一个准确的眼皮边界检测结果；

S36、使用二次多项式曲线拟合的方法对通过了直方图滤波验证的边界点进行拟合，得到精确的上下眼皮边界参数。

8、根据权利要求7所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，

步骤S31中所述眼皮形状模型通过如下方式获得：首先离线的标定训练虹膜图像中上下眼皮的边界形状，然后使用K均值聚类的方法将上下眼皮形状分别聚成三类作为上下眼皮的形状模型；

步骤S32中所述排序滤波器为一维水平方向上的排序滤波器，且滤波时以图像中被滤波器覆盖区域的较高灰度值作为滤波结果；

步骤S33中所述眼皮边界点检测在竖直方向上进行，并且每个竖直方向仅保留一个最优的边界点；

步骤S34中所述形状匹配包括：首先计算待检测眼皮的粗略边界和各个眼皮形状模型的差值，然后统计差值的直方图，并以直方图峰值的高低作为匹配相似度的度量；

步骤S35中所述与最佳形状模型一致的点，是指那些与最佳形状模型的差值在直方图峰值附近的点。

9、根据权利要求1所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，所述步骤S4包括：

S41、在训练虹膜数据集上建立虹膜图像中睫毛和阴影遮挡程度的预测模型；

S42、计算待测试图像中不同区域的灰度直方图，并计算直方图之间的差异；

S43、根据睫毛阴影遮挡程度的预测模型获得该差异对应的睫毛和阴影遮挡程度；

S44、根据遮挡程度得到自适应的睫毛和阴影检测阈值，并用该阈值对图像二值化，得到候选睫毛和阴影检测点；

S45、分析候选检测点与上眼皮的连通性，以排除虚假睫毛和阴影点，得到漏检的睫毛阴影点。

10、根据权利要求9所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，步骤S41中所述待测试图像的不同区域，是根据上眼皮的定位结果将虹膜候选区域划分为上下两个区域，分别称为ES-candidate和ES-free，二者的分界线以上眼皮的位置下移D个像素确定，D通过下式确定

D＝0.5*(R_iris-R_pupil)

上式中R_iris和R_pupil分别表示虹膜和瞳孔的半径。

11、根据权利要求10所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，步骤S41中所述睫毛和阴影遮挡程度的预测模型通过如下方式得到：

计算每幅训练图像中ES-candidate区域和ES-free区域灰度直方图的差异以及该图像中睫毛和阴影的遮挡比例，其中两个直方图h₁，h₂之间的差异通过下式计算：

${\mathrm{\χ}}^2(h_1,h_2)=\underset{i}{\mathrm{\Σ}}\frac{{(h_{1i}-h_{2i})}^2}{h_{1i}+h_{2i}}$

图像中睫毛和阴影的遮挡比例可通过手工标定方式获得；

使用三次多项式拟合训练图像集上灰度直方图差异与遮挡比例的对应关系，所得的三次多项式曲线即作为虹膜图像中睫毛和阴影遮挡比例的预测模型。

12、根据权利要求10所述的用于虹膜识别的有效图像区域检测和分割方法，其特征在于，步骤S44中所述自适应的睫毛和阴影检测阈值采用以下方法获得：

首先分别计算ES-candidate区域和ES-free区域灰度直方图及其差异，然后根据睫毛阴影遮挡程度预测模型估计图像中睫毛阴影的遮挡比例，最后从低到高累加ES-candidate区域的灰度直方图，直到累加值超过该遮挡比例，以此时的灰度值作为睫毛和阴影的检测阈值。

Images