CN102411709A - 一种虹膜分割识别方法 - Google Patents

Abstract

本发明公开了一种虹膜分割识别方法。它包括以下步骤：将已知的分类好的虹膜样本进行特征提取并通过训练，生成可以快速有效的对未知的虹膜样本进行定位的Adaboost级联分类器，将待定位的虹膜图像输入到强分类器中，定位出虹膜区域；将未知的虹膜样本通过分割模块进行虹膜分割提取，得到有效的虹膜分割结果。本发明采用基于级联Adaboost算法和PP算法的虹膜分割方法，提高了算法的鲁棒性与抗噪能力，可以自动实时的实现算法的整个流程，并应用于实际过程之中。本发明不仅能大大减少虹膜分割的运行时间，而且对遮挡严重的虹膜具有很好的鲁棒性，从而使得虹膜识别性能得到了显著的提高。

Description

一种虹膜分割识别方法

技术领域

本发明属于计算机技术研究领域中的生物特征识别技术领域，特别涉及一种利用虹膜的相关特征来分割虹膜的虹膜分割识别方法。

背景技术

生物特征识别技术是利用生物体固有的生理特征或行为特征进行身份鉴定的技术。与传统的身份鉴定技术如钥匙、证件、磁卡、密码等相比，生物特征识别技术充分利用了个人的固有生物特征，从而在源头上杜绝了伪造和窃取，具有更高的有效性、可靠性、安全性，在信息安全系统中得到了越来越广泛的应用。

在生物特征识别技术中，相比人脸识别、指纹识别等，虹膜具有高度独特性、稳定性及不可更改的特点，从而更加受到人们的青睐，在国家安全、反恐、司法领域、信息安全和自助服务等方面有着广阔的应用前景。

虹膜分割是虹膜识别的最重要的步骤，虹膜分割结果的好坏直接决定了虹膜识别效果的好坏。经典的虹膜分割方法有：Danugman的微分积分算法活动圆检测(参考文献[1]：“How Iris Recognition Works，”IEEE Trans.Circuits andSystems for Video Technology，vol.14，no.1，pp.21-30，Jan.2004)，Wilds的两部定位算法(参考文献[2]：“Iris Recognition：An Emerging Biometric Technology”，Proc.of the IEEE，1997，Vol.85，pp.1348-1363)，这些方法均对可以得到不错的虹膜分割定位效果，但对于有些被上下眼睑或者睫毛遮挡严重的虹膜，这些方法的分割效果均不够理想或在虹膜分割运行速度上达不到实时的要求。

发明内容

为了解决现有虹膜分割方法存在的上述技术问题，本发明提供一种快速、准确度高的虹膜分割识别方法。

本发明解决上述技术问题的技术方案包括以下步骤：

(1)对虹膜图像样本归一化训练，包括虹膜图像的尺寸归一化；

(2)对虹膜数据提取虹膜Haar特征；

(3)将虹膜正负样本集输入到Adaboost级联分类器中训练，得到一个区分虹膜和非虹膜的强分类器；

(4)将待定位的虹膜图像输入到由步骤(3)得到的强分类器中，定位出虹膜区域；

(5)将定位好的虹膜图像去除高亮点，进行虹膜瞳孔中心定位，再将虹膜图像转化为极坐标图像，进行内圆边缘检测，最后用PP算法对内圆进行定位；

(6)用当前虹膜图像的上眼睑边缘与虹膜模型进行比较得到最终的有效上眼睑边缘点，最后用曲线拟合对上眼睑进行定位；

(7)根据以上两个步骤的结果将虹膜原图像转换为特殊的极坐标图像，然后利用最大梯度得到外圆边缘，得到有效的外圆边缘点，最后用PP算法对外圆进行定位；

(8)对虹膜外圆以内，内圆以外的原图像下半部分，进行边缘检测，然后统计边缘检测点，最后用二次曲线拟合方法快速得到下眼睑，完成整个的虹膜分割识别。

上述的虹膜分割识别方法中，所述步骤(5)中将定位好的虹膜图像去除高亮点的步骤为：找到灰度直方图中占整幅图像的5％的灰度值，将其作为二值化阈值T对原图像进行二值化，得到白色区域的面积Area_T，将阈值以2为步长逐步减小，同时计算出白色区域面积Area_T-2，直到此时的面积Area_T-2与面积Area_T的关系满足公式：(Area_T-Area_T-2)/Area_T-2＞θ&&(Area_T-Area_T-2)＞num

上式中T为二值化阈值大小，θ，num为可调参数，就得到了最后的阈值，并对图像进行二值化，得到对应的需要去除高亮点的区域，用高亮点周边的像素将二值化为白色的区域进行修复。

上述的虹膜分割识别方法中，所述步骤(5)中用PP算法对内圆进行定位步骤为：

a.给定初始圆心O¹(x_p，y_p)和一些边缘点位置P_i，i＝1，2，...，N，每个边缘点和圆心的连线看为一个弹簧，初始弹簧弹性系数为k＝1/N；

b.计算弹簧的平衡长度

其中||*||是指欧式距离长度；

c.当t＝1，...，T_max

C1.每个弹簧都会产生一个对圆心方向的拉力或者弹力，从而将现在的圆心点O′拉到平衡位置，拉动的距离 ${\stackrel{\mathrm{\ρ}}{d}}_i=-k({\stackrel{\‾}{R}}^t-|\left|O^t{P}_i\right|\left|\right){\stackrel{\mathrm{\ρ}}{e}}_i,i=\mathrm{1,2},...,N;$

C2.计算所有弹簧的合力

然后算出当前圆心位置 $O^{t+1}(x_p,y_p)=O^t+{\stackrel{\mathrm{\ρ}}{D}}^t;$

C3.重新计算所有弹簧的平衡长度 ${\stackrel{\‾}{R}}^{t+1}=1/N\·{\mathrm{\Σ}}_{i=1}^N\left|\right|O^{t+1}{P}_i\left|\right|;$

C4.计算

假如C(t)≤C_max，则得到最终的圆心点位置O_P(x_P，y_P)和半径R_P。

本发明的技术效果是：1)本发明在虹膜定位过程中，把虹膜Haar特征引入到级联Adaboost方法中，可以提取更有效的虹膜特征。2)在虹膜分割中可以自动有效的定位出瞳孔中心。3)将上眼睑的检测放在外圆检测之前，可以去除掉大部分眼睑以及睫毛对虹膜外圆定位的影响。4)在虹膜外圆分割中，利用新的极坐标图可以有效的提取外圆边缘，从而更加有效鲁棒的定位出虹膜外圆。5)

本发明采用的级联Adaboost算法可以从大量的特征中逐步选取最优的Haar分类特征，可以快速虹膜定位。

本发明是一种基于级联Adaboost算法和PP算法的虹膜分割方法，提高了算法的鲁棒性与抗噪能力，可以自动实时的实现算法的整个流程，并应用于实际过程之中。本发明不仅能大大减少虹膜分割的运行时间，而且对遮挡严重的虹膜具有很好的鲁棒性，从而使得虹膜识别性能得到了显著的提高。

下面结合附图对本发明作进一步的详细说明。

附图说明

图1是本发明的流程图。

图2是本发明中的Haar特征示意图。

具体实施方式

图1是本发明提出的虹膜分割算法总流程示意图。整个流程包括定位模块和虹膜分割模块。训练模块为对已分割好的虹膜样本用新的虹膜Haar特征表示，然后通过训练得到一个强的级联Adaboost分类器。虹膜分割模块为对已经定位好的虹膜进行虹膜部分的分割，从而将虹膜特征提取出来。具体的虹膜定位模块与虹膜分割模块步骤如下：

图1是本发明提出的基于虹膜本身所有的特征提出的虹膜Haar特征示意图。根据虹膜本身的特点，构造出新的虹膜haar特征，从而更好的选择出Adaboost级联分类器，加快虹膜定位过程。具体虹膜定位模块如下：

虹膜定位模块的基本步骤如下：

第一步：归一化原始的训练虹膜图像。包括虹膜图像大小归一化，首先根据瞳孔的中心位置来裁剪出标准的虹膜图像(长宽相等)，然后归一化到20*20像素大小。

第二步：用图2中的Haar特征来表示已知的训练虹膜样本，然后将其放入到级联Adaboost训练分类器中，训练出一个基于Adaboost的级联分类器。

训练级联Adaboost的具体步骤如下：

1.给定训练样本S＝{(x₁，y₁)，K，(x_m，y_m)}，y_i＝±1表示虹膜样本和非虹膜样本；

2.初始化样本权重：W_i＝1/m，m为所有的样本个数；

3.迭代过程t＝1，K，T，t是当前迭代次数，T是总的迭代次数；

(1)用获取局部模式流程的方法产生弱分类器h_t；

(2)更新样本权重：W_i+1(i)＝W_t(i)*exp[-y_i*h_t]/Z_t，Z_t为归一化因子；

4.构造总分类器： $H={\mathrm{\Σ}}_{t=1}^T{h}_t;$

第三步：将新的虹膜图像输入到前两步构造出来的级联分类器中，快速有效的定位出瞳孔位置。

虹膜分割模块的基本步骤如下：

第一步：虹膜内圆定位。包括虹膜去除高亮点，虹膜瞳孔中心定位，虹膜图像的极坐标化，虹膜内圆定位。

1.虹膜去除高亮点。首先找到灰度直方图中占整幅图像的5％的灰度值，将其作为二值化阈值T对原图像进行二值化。得到白色区域的面积Area_T，然后将阈值以2为步长逐步减小，同时计算出白色区域面积Area_T-2，直到此时的面积Area_T-2与上次面积Area_T的关系满足公式(1)，就得到了最后的阈值，并对图像进行二值化，得到对应的需要去除高亮点的区域。然后用高亮点周边的像素将二值化为白色的区域进行修复。

(Area_T-Area_T-2)/Area_T-2＞θ&&(Area_T-Area_T-2)＞num

(1)

其中T为二值化阈值大小，θ，num为可调参数，θ为0.2到0.3之间，num取值为20到30之间；

2.虹膜瞳孔中心定位。通过虹膜图像的灰度直方图，找到两个波峰之间的波谷，从而得到二值化阈值。然后经过图像形态学算法，得到最后的瞳孔区域，然后大致估计得到瞳孔的大致中心位置。

3.虹膜图像的极坐标化。根据上一步骤得到的瞳孔中心为中心点，将虹膜原图像转换为极坐标图像，0到360度有360个方向，对应将图像转换为360*N的极坐标图像，N为原图像的长宽的一半大小。

4.在极坐标图像上，用Sobel算子得到内圆的边缘，然后将边缘点对应到虹膜原图像中，最后用PP算法定位出内圆。

PP算法的具体步骤如下：

d.给定初始圆心O¹(x_p，y_p)和一些边缘点位置P_i，i＝1，2，...，N，每个边缘点和圆心的连线看为一个弹簧，初始弹簧弹性系数为k＝1/N；

e.计算弹簧的平衡长度

其中||*||是指欧式距离长度；

f.当t＝1，...，T_max

C1.每个弹簧都会产生一个对圆心方向的拉力或者弹力，从而将现在的圆心点O′拉到平衡位置，拉动的距离 ${\stackrel{\mathrm{\ρ}}{d}}_i=-k({\stackrel{\‾}{R}}^t-|\left|O^t{P}_i\right|\left|\right){\stackrel{\mathrm{\ρ}}{e}}_i,i=\mathrm{1,2},...,N;$

C2.计算所有弹簧的合力然后算出当前圆心位置 $O^{t+1}(x_p,y_p)=O^t+{\stackrel{\mathrm{\ρ}}{D}}^t;$

C3.重新计算所有弹簧的平衡长度 ${\stackrel{\‾}{R}}^{t+1}=1/N\·{\mathrm{\Σ}}_{i=1}^N\left|\right|O^{t+1}{P}_i\left|\right|;$

C4.计算

假如C(t)≤C_max，则得到最终的圆心点位置O_P(x_P，y_P)和半径R_P。

第二步：虹膜上眼睑定位。首先用训练的方法得到3个虹膜上眼睑的基本模型，然后用当前的上眼睑边缘与模型进行比较得到最终的有效上眼睑边缘点，最后用曲线拟合对上眼睑进行定位；

第三步：虹膜外圆定位。在定位出内圆的情况下，因为内圆圆心与外圆圆心相距不是很远，以内圆圆心为中心点，从而将虹膜原图像转换为特殊的极坐标图像，根据虹膜的特点，此时的极坐标图像有446个角度，其中在水平方向的左右90度是以0.5度为步长，竖直方向的角度是以2度为步长。然后利用前面步骤的信息，去除掉一些不需要检测边缘的区域(包括内圆，上眼睑以外的区域)，再用最大梯度测量法得到虹膜外圆的边缘点，以及概率统计方法得到有效边缘监测点，最后用PP算法定位出外圆。

第四步：虹膜下眼睑定位。对虹膜外圆以内，内圆以外的原图像下半部分，进行边缘检测，然后统计边缘检测点，最后用二次曲线拟合方法快速得到下眼睑。

本发明在著名的虹膜库CASIA-IrisV2和CASIA-IrisV3-Lamp上的实验结果，包括虹膜定位准确率，虹膜瞳孔中心检测率，最终的虹膜分割结果。从表1可以看出，本发明方法可以有效鲁棒并且自动的完成虹膜分割流程。

表1

	CASIA-IrisV2	CASIA-IrisV3-Lamp
			虹膜定位	0.999	0.997
虹膜瞳孔定位	0.998	0.998
			虹膜分割	0.986	0.981

Claims (3)

1.一种虹膜分割识别方法，包括以下步骤：

(1)对虹膜图像样本归一化训练，包括虹膜图像的尺寸归一化；

(2)对虹膜数据提取虹膜Haar特征；

(3)将虹膜正负样本集输入到Adaboost级联分类器中训练，得到一个区分虹膜和非虹膜的强分类器；

(4)将待定位的虹膜图像输入到由步骤(3)得到的强分类器中，定位出虹膜区域；

(5)将定位好的虹膜图像去除高亮点，进行虹膜瞳孔中心定位，再将虹膜图像转化为极坐标图像，进行内圆边缘检测，最后用PP算法对内圆进行定位；

(6)用当前虹膜图像的上眼睑边缘与虹膜模型进行比较得到最终的有效上眼睑边缘点，最后用曲线拟合对上眼睑进行定位；

(7)根据以上两个步骤的结果将虹膜原图像转换为拥有446个角度的极坐标图像，然后利用最大梯度得到外圆边缘，得到有效的外圆边缘点，最后用PP算法对外圆进行定位；

(8)对虹膜外圆以内，内圆以外的原图像下半部分，进行边缘检测，然后统计边缘检测点，最后用二次曲线拟合方法快速得到下眼睑，完成整个的虹膜分割识别。

2.根据权利要求1所述的虹膜分割识别方法，所述步骤(5)中将定位好的虹膜图像去除高亮点的步骤为：找到灰度直方图中占整幅图像的5％的灰度值，将其作为二值化阈值T对原图像进行二值化，得到白色区域的面积Area_T，将阈值以2为步长逐步减小，同时计算出白色区域面积Area_T-2，直到此时的面积Area_T-2与面积Area_T的关系满足公式：

(Area_T-Area_T-2)/Area_T-2＞θ&&(Area_T-Area_T-2)＞num

上式中T为二值化阈值大小，θ，num为可调参数，就得到了最后的阈值，并对图像进行二值化，得到对应的需要去除高亮点的区域，用高亮点周边的像素将二值化为白色的区域进行修复。

3.根据权利要求1所述的虹膜分割识别方法，所述步骤(5)中用PP算法对内圆进行定位步骤为：

a.给定初始圆心O¹(x_p，y_p)和一些边缘点位置P_i，i＝1，2，...，N，每个边缘点和圆心的连线看为一个弹簧，初始弹簧弹性系数为k＝1/N；

b.计算弹簧的平衡长度

其中||*||是指欧式距离长度；

c.当t＝1，...，T_max

C1.每个弹簧都会产生一个对圆心方向的拉力或者弹力，从而将现在的圆心点O′拉到平衡位置，拉动的距离 ${\stackrel{\mathrm{\ρ}}{d}}_i=-k({\stackrel{\‾}{R}}^t-|\left|O^t{P}_i\right|\left|\right){\stackrel{\mathrm{\ρ}}{e}}_i,i=\mathrm{1,2},...,N;$

C2.计算所有弹簧的合力

然后算出当前圆心位置 $O^{t+1}(x_p,y_p)=O^t+{\stackrel{\mathrm{\ρ}}{D}}^t;$

C3.重新计算所有弹簧的平衡长度 ${\stackrel{\‾}{R}}^{t+1}=1/N\·{\mathrm{\Σ}}_{i=1}^N\left|\right|O^{t+1}{P}_i\left|\right|;$

C4.计算

假如C(t)≤C_max，则得到最终的圆心点位置O_P(x_P，y_P)和半径R_P。

Images