CN102332098A - 一种虹膜图像预处理方法 - Google Patents

Abstract

一种虹膜图像预处理方法，包括以下步骤：(1)提取虹膜图像中的红外灯像；(2)计算出反射成像灯光光圈的大小以及中心位置；(3)对照明灯光反射像区域进行低灰度填充；(4)对光圈中心为中心，选取周围一定范围内的图像作为包含瞳孔的局部图像；(5)精确定位内边界；(6)精确定位虹膜边界；(7)非线性归一化虹膜区域；首先计算出虹膜的扩展比，利用扩展比确定量化间隔，然后将不规则环形区域归一化为规则矩形区域。本发明不会受到光源光斑以及眼睑和睫毛遮挡的影响，产生错误的定位，算法稳健性强。计算速度快，能够实时处理虹膜图像的归一化过程。

Description

一种虹膜图像预处理方法

技术领域

本发明涉及一种虹膜图像预处理方法。

背景技术

随着当今社会信息化的发展，身份的认证问题显得越来越重要，而基于生物特征识别的智能身份认证研究正在受到人们的广泛关注。生物特征识别是基于人的某种行为或者解剖学特征对个人的身份进行认证，例如语音、人脸、指纹、视网膜、签名、步态和虹膜信息等。相对其他识别算法，虹膜特征集唯一性、稳定性、可采集性和非侵犯性的优点于一身，研究利用虹膜特征进行身份识别认证已经得到学术界和工业界的高度重视。

在基于虹膜特征的身份识别系统中，虹膜图像的预处理是最基础也是最关键的一环，包括虹膜质量评价与虹膜定位。虹膜定位是虹膜识别算法的第一步，它决定了后续的虹膜归一化以及虹膜特征提取的优劣。如何在眼睑和睫毛遮挡以及虹膜采集系统照明灯光的干扰下快速、稳健的定位虹膜的内外边缘是我们的研究重点。

经典的虹膜定位算法有两种：

第一种是John G.Daugman提出的微积分算子，微积分算子由于直接对采集的灰度图像进行处理，定位较为准确，但是由于需要在三维空间搜索极大值点，因而计算效率低。详见文献“High Confidence Visual Recognition ofPersons by a Test of Statistical Independence”，IEEE Trsnsations on PatternAnalysis and Machine Intelligence，VOL.15，NO.11，NOVEMBER 1993.

第二种是由Richard P.Wildes提出的两步法，先边缘检测再利用Hough变换进行圆检测对虹膜内外边缘进行定位，算法性能较大程度上依赖于边缘检测的性能，并且同样需要在三维空间中搜索极值，运算量同样较大，详见文献“Iris recognition：an emerging biometric technology”.Proceeding of the IEEE，1997，85(9)：1348-1363.

以上定位算法除了计算量较大外，还会受到光源光斑以及眼睑和睫毛遮挡的影响，产生错误的定位，算法稳健性不强。

发明内容

本发明所解决的技术问题在于：提供一种虹膜图像预处理方法，以解决背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：

首先对发明中的一些术语进行定义与说明：

定义一：虹膜。虹膜是指人眼瞳孔与白色巩膜之间的不规则环形区域，表面分布有细丝、斑点、凹点、褶皱等生理解剖学特征。这些特征在出生一年以后直至去世，都具有极高的稳定性。

定义二：虹膜图像。由虹膜采集设备采集的到的图像，黄种人虹膜在可见光波段成深褐色，纹理分辨较差，因而在虹膜采集的时候，多采用近红外灯进行照明，并在近红外波段采集灰度图像。白种人虹膜颜色较浅，可单独在可见光波段或者近红外波段采集得到虹膜图像。

定义三：角膜。角膜是眼球表面的一层透明保护膜，在瞳孔处具有最大曲率，因而会在瞳孔处出现红外照明灯的反射镜像。

定义四：近红外照明灯。针对黄种人虹膜颜色较深难以分辨，因而采用近红外(850nm)灯光辅助照明，方便虹膜图像采集的装置。作为一种特殊应用，为了均匀照明，将多个照明灯排列成均匀环形。

定义五：微积分算子。

用于搜索径向圆周梯度最大值来定位圆。表示尺度为σ的高斯平滑函数，用于平滑滤波。

表示以(x₀，y₀)为圆心，r为半径的圆周上的灰度积分，记为

实际计算中采用离散化的累加来代替积分。

定义六：梯度算子。梯度算子种类较多，比如sobel算子，prewitt算子，Laplace算子等。在这里我们采用sobel算子来进行梯度求取：

$H_x=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right],$ $H_y=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$

梯度计算如下；

$G_x=H_x\⊗I,$ $G_y=H_y\⊗I,$ $G=\sqrt{G_x^2+G_y^2}$

定义七：快速微积分算子。由于在半径的搜索过程中，我们已经事先给出了近似准确的圆心点，在半径方向上的灰度积分值呈现阶梯状，且较为平滑，我们记r_min，r_med，r_max分别表示半径搜索空间的最小值，中值以及最大值，通过将搜索空间不断二分加快搜索速度。

定义八：灰度填充。将局部亮点(包括红外灯反射像和眼角亮点区域)用周围的灰度替代。

定义九：百分比灰度阈值。指一幅图像中灰度值小于此阈值的像素数目占整个图像像素数目刚好达到给定百分数。

定义十：图像不变矩。这里采用HU对于不变矩定义，计算图像的零阶矩，一阶矩，以及二阶矩。

$m_{00}=\underset{i,j}{\mathrm{\Σ}}f(i,j),$ $m_{10}=\underset{i,j}{\mathrm{\Σ}}i.f(i,j),$ $m_{01}=\underset{i,j}{\mathrm{\Σ}}j.f(i,j);$ $m_{20}=\underset{i,j}{\mathrm{\Σ}}{i}^2.f(i,j),$

$m_{02}=\underset{i,j}{\mathrm{\Σ}}{j}^2.f(i,j),$ $m_{11}=\underset{i,j}{\mathrm{\Σ}}i.j.f(i,j)$

定义十一：二值化。将灰度图像中灰度大于某个阈值的像素赋值为1，小于阈值的像素赋值为0。

定义十二：瞳孔扩展比。用于评价由于瞳孔会自动调节自身大小而产生的虹膜扩展程度，定义为外圆半径与内圆半径之比值，记为k_zoom，越小说明瞳孔张大，虹膜区域被严重压缩，越大则说明虹膜区域扩展，纹理越舒张。

定义十三：非线性归一化。由于虹膜图像获取的距离以及瞳孔缩放的变化，需要将各种不规则环形区域的虹膜图像变化为一个固定大小图像的过程以便特征的对比。具体的映射关系为：

其中x_inner(θ)，x_outer(θ)，y_inner(θ)，y_outer(θ)分别表示在θ方向上的内边界与外边界处横纵坐标值r∈[0，1]。传统的归一化采用均匀分割r坐标，即

但是由于虹膜缩放并非是线性缩放，经过观察和实验，采用非线性方程来近似更加符合，即r(m)＝f(m，k_zoom)，当k_zoom较小时，量化间隔应该使得较小的m有

当k_zoom较大时，可使

定义十四：归一化虹膜。将虹膜图像由一个x，y坐标系下不规则环状经过非线性归一化转变为一个r，θ坐标系下的规则矩形。

一种虹膜图像预处理方法，包括以下步骤：

(1)：提取虹膜图像中的红外灯像；红外灯像是红外照明灯在虹膜图像中的镜像，属于虹膜图像中的较明显干扰，需要予以抑制，利用Sobel梯度算子计算图像的梯度，并采用百分比阈值分割法，在此百分比取为95％，得到梯度较大的区域Bw_grad，接着对灰度图像进行百分比阈值分割，百分比取为90％，得到灰度较高区域Bw_gray，红外灯区域为Bw_grad&Bw_gray，也就是将同时具有较大梯度以及高亮灰度区域作为照明灯光反射成像区域；

(2)：计算出反射成像灯光光圈的大小以及中心位置；利用先验知识，可知红外灯光反射像在图像中近似排列在一个圆上，且半径的范围大概范围已知，我们可以通过第一步得到的红外灯的位置，求取出红外灯反射像的中心以及光环的大小；

(3)：对照明灯光反射像区域进行低灰度填充；选取灰度值3％阈值对照明灯光的反射像区域进行填充，进过此次填充可以消除灯光像的干扰，使得瞳孔区域变成连贯的低灰度区域；

(4)：对光圈中心为中心，选取周围一定范围内的图像作为包含瞳孔的局部图像，然后对局部图像求取梯度，得到梯度图像并计算局部梯度图像的零至二阶矩，然后利用零阶矩和一阶矩来粗略估计的圆心和半径；

$\stackrel{\‾}{x}=\frac{m_{10}}{m_{00}},$ $\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}},$ $r=\sqrt{\frac{m_{20}+m_{20}-m_{10}^2-m_{01}^2}{m_{00}}};$

(5)：精确定位内边界；以第四步计算得到的估计内圆参数

做一个圆，在此圆附近寻找圆心向外发散方向上梯度最大值点作为候选边界点，并通过高阶多项式进行拟合边界点的位置即可得到精确的瞳孔边界，瞳孔边界不一定是圆，也有可能是各种近似圆的非规则曲线；

(6)：精确定位虹膜边界；这里将虹膜外边界近似建模为一个圆，其圆心初始值设为

而且由于外边界半径大小以及红外灯反射像光圈大小都和虹膜探测器之间的距离成反比关系，因而虹膜图像的外圆半径大小与照明光圈大小成强正相关，相关系数较为稳定，通过第二步提取的光圈大小乘以系数即可得到外边界半径的值域范围，然后再分为两步完成，第一步将原图像进行隔行隔列抽取，将原图缩小为四分之一大小，用快速微积分算子搜索以内圆圆心和初始外圆半径构成的三维空间一个较小邻域内的极值点，然后再在原图中，搜索第一步得到的极值点周围一个较小邻域内的极值点作为精确定位的外圆坐标；

(7)：非线性归一化虹膜区域；首先计算出虹膜的扩展比，利用扩展比确定量化间隔，然后将不规则环形区域归一化为规则矩形区域。

有益效果：

本发明不会受到光源光斑以及眼睑和睫毛遮挡的影响，产生错误的定位，算法稳健性强，计算速度快，能够实时处理虹膜图像的归一化过程。

附图说明

图1为本发明的工艺流程图；

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明。

如图1所示：一种虹膜图像预处理方法，包括以下步骤：

(1)：提取虹膜图像中的红外灯像；红外灯像是红外照明灯在虹膜图像中的镜像，属于虹膜图像中的较明显干扰，需要予以抑制，利用Sobel梯度算子计算图像的梯度，并采用百分比阈值分割法，在此百分比取为95％，得到梯度较大的区域Bw_grad，接着对灰度图像进行百分比阈值分割，百分比取为90％，得到灰度较高区域Bw_gray，红外灯区域为Bw_grad&Bw_gray，也就是将同时具有较大梯度以及高亮灰度区域作为照明灯光反射成像区域；

(2)：计算出反射成像灯光光圈的大小以及中心位置；利用先验知识，可知红外灯光反射像在图像中近似排列在一个圆上，且半径的范围大概范围已知，我们可以通过第一步得到的红外灯的位置，求取出红外灯反射像的中心以及光环的大小；

(3)：对照明灯光反射像区域进行低灰度填充；选取灰度值3％阈值对照明灯光的反射像区域进行填充，进过此次填充可以消除灯光像的干扰，使得瞳孔区域变成连贯的低灰度区域；

(4)：对光圈中心为中心，选取周围一定范围内的图像作为包含瞳孔的局部图像，然后对局部图像求取梯度，得到梯度图像并计算局部梯度图像的零至二阶矩，然后利用零阶矩和一阶矩来粗略估计的圆心和半径；

$\stackrel{\‾}{x}=\frac{m_{10}}{m_{00}},$ $\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}},$ $r=\sqrt{\frac{m_{20}+m_{20}-m_{10}^2-m_{01}^2}{m_{00}}};$

(5)：精确定位内边界；以第四步计算得到的估计内圆参数

做一个圆，在此圆附近寻找圆心向外发散方向上梯度最大值点作为候选边界点，并通过高阶多项式进行拟合边界点的位置即可得到精确的瞳孔边界，瞳孔边界不一定是圆，也有可能是各种近似圆的非规则曲线；

(6)：精确定位虹膜边界；这里将虹膜外边界近似建模为一个圆，其圆心初始值设为

而且由于外边界半径大小以及红外灯反射像光圈大小都和虹膜探测器之间的距离成反比关系，因而虹膜图像的外圆半径大小与照明光圈大小成强正相关，相关系数较为稳定，通过第二步提取的光圈大小乘以系数即可得到外边界半径的值域范围，然后再分为两步完成，第一步将原图像进行隔行隔列抽取，将原图缩小为四分之一大小，用快速微积分算子搜索以内圆圆心和初始外圆半径构成的三维空间一个较小邻域内的极值点，然后再在原图中，搜索第一步得到的极值点周围一个较小邻域内的极值点作为精确定位的外圆坐标；

(7)：非线性归一化虹膜区域；首先计算出虹膜的扩展比，利用扩展比确定量化间隔，然后将不规则环形区域归一化为规则矩形区域。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种虹膜图像预处理方法，其特征在于，包括以下步骤：

(1)：提取虹膜图像中的红外灯像；红外灯像是红外照明灯在虹膜图像中的镜像，属于虹膜图像中的较明显干扰，需要予以抑制，利用Sobel梯度算子计算图像的梯度，并采用百分比阈值分割法，在此百分比取为95％，得到梯度较大的区域Bw_grad，接着对灰度图像进行百分比阈值分割，百分比取为90％，得到灰度较高区域Bw_gray，红外灯区域为Bw_grad&Bw_gray，也就是将同时具有较大梯度以及高亮灰度区域作为照明灯光反射成像区域；

(2)：计算出反射成像灯光光圈的大小以及中心位置；利用先验知识，可知红外灯光反射像在图像中近似排列在一个圆上，且半径的范围大概范围已知，我们可以通过第一步得到的红外灯的位置，求取出红外灯反射像的中心以及光环的大小；

(3)：对照明灯光反射像区域进行低灰度填充；选取灰度值3％阈值对照明灯光的反射像区域进行填充，进过此次填充可以消除灯光像的干扰，使得瞳孔区域变成连贯的低灰度区域；

(4)：对光圈中心为中心，选取周围一定范围内的图像作为包含瞳孔的局部图像，然后对局部图像求取梯度，得到梯度图像并计算局部梯度图像的零至二阶矩，然后利用零阶矩和一阶矩来粗略估计的圆心和半径；

$\stackrel{\‾}{x}=\frac{m_{10}}{m_{00}},$ $\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}},$ $r=\sqrt{\frac{m_{20}+m_{20}-m_{10}^2-m_{01}^2}{m_{00}}};$

(5)：精确定位内边界；以第四步计算得到的估计内圆参数做一个圆，在此圆附近寻找圆心向外发散方向上梯度最大值点作为候选边界点，并通过高阶多项式进行拟合边界点的位置即可得到精确的瞳孔边界，瞳孔边界不一定是圆，也有可能是各种近似圆的非规则曲线；

(6)：精确定位虹膜边界；这里将虹膜外边界近似建模为一个圆，其圆心初始值设为

而且由于外边界半径大小以及红外灯反射像光圈大小都和虹膜探测器之间的距离成反比关系，因而虹膜图像的外圆半径大小与照明光圈大小成强正相关，相关系数较为稳定，通过第二步提取的光圈大小乘以系数即可得到外边界半径的值域范围，然后再分为两步完成，第一步将原图像进行隔行隔列抽取，将原图缩小为四分之一大小，用快速微积分算子搜索以内圆圆心和初始外圆半径构成的三维空间一个较小邻域内的极值点，然后再在原图中，搜索第一步得到的极值点周围一个较小邻域内的极值点作为精确定位的外圆坐标；

(7)：非线性归一化虹膜区域；首先计算出虹膜的扩展比，利用扩展比确定量化间隔，然后将不规则环形区域归一化为规则矩形区域。

Images