CN102902970A - 一种虹膜定位方法 - Google Patents

Abstract

本发明涉及一种虹膜定位方法，包括以下步骤：步骤1、对虹膜图像的光斑检测；步骤2、判断虹膜图像是否晃动；步骤3、对瞳孔进行初定位；步骤4、对虹膜进行定位。本发明的有益效果为：采用二维圆形Gabor滤波器和圆形加权微积分检测算子对虹膜内边缘进行定位，采用圆形加权微积分检测算子和聚类相结合的方法对外边界上的噪声和异常点进行删除，得到准确的外边界定位，减少了噪声和异常状况对虹膜识别系统的干扰，提高了虹膜定位算法的稳定性和准确性。

Description

一种虹膜定位方法

技术领域

本发明涉及虹膜定位方法，尤其涉及一种基于二维圆形Gabor滤波器和圆形加权微积分检测算子的虹膜定位方法。

背景技术

随着信息技术的发展，人类进入了一个前所未有的信息时代。信息安全也成为人们越来越关注的一个热点问题。在日常生活中，我们经常需要验证自己或者其他人的身份，可靠的身份识别能使我们的生活避免麻烦，保护个人信息的安全，可靠的身份识别技术也使得金融和商业交易更加安全有效。传统的身份认证由于极易伪造和丢失，越来越难以满足社会的需求，随着生物科学的发展，生物特征识别以其安全性高、可靠性好受到越来越多的人们的重视，成为应用数学与图像处理和模式识别等学科研究的交叉前沿课题。

生物特征识别通过计算机与生物传感器和生物统计学等高科技手段结合，利用人体固有的生理特征和行为特征来识别和认证一个人的身份。目前，常见的生物特征识别技术主要包括指纹识别、虹膜识别、面相识别和语音识别等。国际虹膜识别的市场一直保持着高速的增长，预计到2015年，能够达到1481百万美元的营业收入。虹膜识别具有良好的发展前景，并且已经广泛的应用于海关、机场、银行、门禁和信息安全等领域。随着虹膜识别技术的日趋成熟，在保护人们的信息安全方面将扮演越来越重要的角色。

虹膜是眼睛瞳孔周围的圆形色素隔膜，虹膜丰富的纹理图案是虹膜识别系统的基础，虹膜识别技术就是提取、分析和匹配这些纹理。虹膜纹理的独特性和稳定性使得虹膜成为极好的用于身份识别的人体生物特征。虹膜识别系统首先采集虹膜图像，然后在采集得到的虹膜图像中分割虹膜区域，最后在归一化后虹膜图像上提取特征进行匹配，通过对比两幅虹膜图像的相似性，确定是否来自于同一个人。虹膜是处于瞳孔、（眼睛黑色部分）以外，巩膜（眼睛白色部分）以内的环形组织。与其他的生物特征相比，虹膜作为身份识别的特征有许多明显的优势，主要包括：

1.唯一性高：虹膜具有高度独特和复杂的纹理特征，虹膜纹理具有一百多个自由度，几乎没有纹理特征相同的虹膜；

2.稳定性好：虹膜形成于胚胎期，由于受到角膜的保护，虹膜受到外界环境的影响清晰小，纹理特征稳定；

3.防伪性好：虹膜随光强变化的缩放特性以及自身有规律的振颤，提供了对伪造虹膜的自然测试方法，改变虹膜的纹理结构几乎是不可能的；

4.非入侵性：虹膜图像的获取不需要身体接触，在一定的距离内就可以获得，不会对人体造成不适。

虹膜定位是虹膜识别系统的关键环节，定位的精确程度关系到虹膜的特征提取和匹配。所以，虹膜定位结果的准确与否直接影响到虹膜识别系统的准确性和高效性。虹膜图像采集系统得到的人眼图像，包含人眼的眼睑、睫毛、巩膜、瞳孔等部分，虹膜定位就是检测虹膜的内外边界，把虹膜与人眼的其他部分进行分离的过程。虹膜具有良好的环状结构，而且由瞳孔到虹膜再到巩膜，图像的灰度呈阶梯状上升，这种良好的边缘结构有利于虹膜的定位及分割。但是眼睑和睫毛可能会遮挡虹膜区域，在具体的虹膜定位过程中，适当的预处理能够很好的排除干扰，提高整体定位算法的稳定性和准确性。

另外，在图像采集过程中，瞳孔的大小会随着光照环境的变化而变化，眼睑和睫毛遮挡虹膜区域，人眼与采集设备的距离也是不确定的，而且他们之间还存在着一定的角度关系，因此即使是同一个人眼的不同图像，定位结果也是存在着差异性的。在一些经典的虹膜识别系统中，利用虹膜边界近似于圆形这个特点，采用非同心圆的双圆模型定位虹膜的内外边界。由于形状已知，可以根据虹膜的边界特点求出相应的圆形参数。

发明内容

本发明提出了一种新的虹膜定位方法，即基于二维圆形Gabor滤波和圆形加权微积分检测算子的虹膜定位方法，对虹膜图像进行了判定，减少了噪声信息对虹膜识别系统的干扰，提高了虹膜定位算法的稳定性和准确性。

本发明的目的是通过以下技术方案来实现：

一种虹膜定位方法，包括以下步骤：

步骤1、对虹膜图像的光斑检测，具体包括以下分步骤：

步骤1.1、通过摄像装置，对人眼中的虹膜进行图像采集，利用中值滤波法对得到的虹膜图像进行平滑处理；

步骤1.2、利用二维圆形Gabor滤波器对平滑处理后的虹膜图像进行滤波作用，然后选取二值化阈值，采用二值化的方法确定光斑区域；

步骤2、判断虹膜图像是否晃动：对步骤1.2中检测到的光斑区域，采用最小二乘椭圆拟合计算光斑区域边界所确定的椭圆，如果椭圆长短半轴的比值大于1.55，则虹膜图像是晃动的，否则是非晃动的虹膜图像；

步骤3、对瞳孔进行初定位，具体包括以下分步骤：

步骤3.1、将步骤2中得到的清晰虹膜图像缩小至原来的0.2倍；

步骤3.2、利用中值滤波法对步骤3.1中缩小的虹膜图像进行平滑处理；

步骤3.3、对3.2结果，使用二维圆形Gabor滤波器进行滤波，滤波结果的最大值所在坐标作为瞳孔的估计中心；

步骤4、对虹膜进行定位，具体包括以下分步骤：

步骤4.1、利用抛物线形加权微积分检测算子对步骤3.2中得到的虹膜图像定位上、下眼睑；

步骤4.2、对步骤3.2中得到的虹膜图像进行归一化，将虹膜图像归一化的梯度值与归一化的灰度值相减，差大于0.1的为睫毛区域，小于0.1的为非睫毛区域；

步骤4.3、去除步骤3.2中得到的虹膜图像中的眼睫毛和眼睑；

步骤4.4、对步骤4.3中得到的图像，利用圆形加权微积分检测算子定位虹膜内边界；

步骤4.5、定位虹膜外边界：计算外边界的圆形加权微积分检测算子值，取所有值中最大的10个作为可能的候选边界。然后采用聚类方法，迭代排除边界点中的噪声点和异常点，并计算排除噪声点后的圆形加权微积分检测算子值，取排除噪声点后的最大梯度所对应的边界参数作为虹膜外边界的定位结果。

所述步骤1.2中，采用二维圆形Gabor滤波器对平滑处理后的虹膜图像进行卷积，极大值点即为光斑的位置，取卷积结果的最大值M_max，大于0.6*M_max的部分为光斑区域。所述中值滤波法为5*5中值滤波法。

本发明的有益效果为：采用二维圆形Gabor滤波器和圆形加权微积分检测算子对虹膜内边界进行定位，减少了噪声信息对虹膜识别系统的干扰，能够快速、准确的定位出虹膜图像中的内边界，在虹膜外边界定位中，采用聚类方法排除噪声、异常像素，提高了虹膜定位算法的稳定性和准确性。

附图说明

下面根据附图对本发明作进一步详细说明。

图1是本发明实施例所述的一种虹膜定位方法的流程图；

图2是采集到的含有虹膜的图像；

图3是二维圆形Gabor滤波器；

图4是二维圆形Gabor滤波器对平滑处理后的虹膜图像进行滤波作用的结果图；

图5是光斑区域检测结果图；

图6是虹膜图像缩小平滑后的结果图；

图7是眼睑定位结果图；

图8是睫毛区域定位结果图；

图9是虹膜定位结果图。

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2：二值化阈值。对图像进行二值化时所选用的灰度门限值。

定义3：二值化。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阈值的时候，该点的值二值化为1（或255）；当图像上的值小于二值化阈值的时候，该点的值二值化为0。

定义4：最小二乘椭圆拟合。首先运用椭圆约束的基于代数距离的最小二乘方法给出椭圆参数的初步估计值，其后使用基于几何距离的最小二乘方法迭代给出椭圆参数的优化估计值，并结合对球体的检测，通过对多个椭圆参数的约束实现高的检测精度。基于最小二乘的椭圆拟合方法适用于各种复杂的对象模型，并能直观地给出关于某种拟合误差的测度，达到很高的拟合精度。

定义5：中值滤波法。中值滤波法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为偶数时，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领域中各像素灰度的中值。

定义6：抛物线形加权微积分检测算子。

设抛物线方程为                                                

，求使得下式取值最大的参数：

即求

所得到的抛物线作为最后检测结果。

其中，

表示像素点

的灰度值。表示在抛物线

上，对灰度值的加权曲线积分，N是有效的抛物线上离散像素点个数。在离散状态下，为圆周上像素点灰度值的加权求和。

是一个平滑函数，采用正态分布函数，

是权值，随s变化。

定义7：圆形加权微积分检测算子。

设圆的方程为

，求使得下式取值最大的参数

：

即求

所得到的圆作为最后检测结果。

其中，表示像素点

的灰度值。

表示以

为圆心，

为半径的圆周上，灰度值

的加权曲线积分，在离散状态下，为圆周上像素点灰度值的加权求和。

是一个平滑函数，采用正态分布函数，

是权值，随s变化。

定义8：二维圆形Gabor滤波器滤波。

本文所采用的二维圆形Gabor滤波器函数如下：

设图像为

，则上述滤波器函数对图像进行卷积运算，即：

上述过程即对图像

进行二维圆形Gabor滤波，

就是得到的二维Gabor滤波结果。

如图1所示，本发明实施例所述的一种虹膜定位方法，包括以下步骤：

步骤1、对虹膜图像的光斑检测，具体包括以下分步骤：

步骤1.1、通过摄像装置，对人眼中的虹膜进行图像采集，采集到的虹膜图像如图2所示，利用中值滤波法对得到的虹膜图像进行平滑处理；

步骤1.2、利用二维圆形Gabor滤波器（如图3所示）对平滑处理后的虹膜图像进行滤波作用，滤波结果如图4所示，然后选取二值化阈值，采用二值化的方法确定光斑区域，得到的光斑图像如图5所示；

步骤2、判断虹膜图像是否晃动：对步骤1.2中检测到的光斑区域，采用最小二乘椭圆拟合计算光斑区域边界所确定的椭圆，如果椭圆长短半轴的比值大于1.55，则虹膜图像是晃动的，否则是非晃动的虹膜图像；

步骤3、对瞳孔进行初定位，具体包括以下分步骤：

步骤3.1、将步骤2中得到的清晰虹膜图像缩小至原来的0.2倍；

步骤3.2、利用中值滤波法对步骤3.1中缩小的虹膜图像进行平滑处理，得到的虹膜图像如图6所示；

步骤3.3、对步骤3.2得到的结果，用二维圆形Gabor滤波器进行滤波，取滤波结果的最大值所在坐标作为瞳孔的估计中心；

步骤4、对虹膜进行定位，具体包括以下分步骤：

步骤4.1、对步骤3.2中得到的虹膜图像定位，利用抛物线形加权微积分检测算子定位上、下眼睑，眼睑定位结果如图7所示；

步骤4.2、对步骤3.2中得到的虹膜图像进行归一化，将虹膜图像归一化的梯度值与归一化的灰度值相减，差大于0.1的为睫毛区域，小于0.1的为非睫毛区域，睫毛区域定位结果如图8所示；

步骤4.3、去除步骤3.2中得到的虹膜图像中的眼睫毛和眼睑；

步骤4.4、对步骤4.3中得到的图像，利用圆形加权微积分检测算子定位虹膜内边界；

步骤4.5、在外边界定位中，取全部圆形加权微积分检测算子值中，最大的10个

，

。

对每一个i，进行如下过程：

(1) 取

所对应的虹膜边界上非噪声部分像素点集合

。令

；

(2) 计算

集合中像素点的灰度均值

和灰度方差

：

这里，

是指

集合中的元素个数。

(3)令

。

(4)对集合

内的所有元素

，计算这些点的灰度值与标准灰度值的距离：

当

时，表示

与样本集不是同一类，将

从集合中删除；当

时，表示与样本集是同一类，不做任何变化。

(5)重复步骤(2)-(4)，直到

不再变化，边界点的筛选过程结束。

(6)将所有在上述过程中删除的边界点，标记为噪声点。然后重新计算10种情况下，分别计算所有非噪声点的加权微积分算子值

。

最后，取最优值所对应的虹膜外边界参数

，作为虹膜外边界的定位结果。虹膜的最后定位结果如图9所示。

所述步骤1.2具体为，采用二维圆形Gabor滤波器对平滑处理后的虹膜图像进行卷积，极大值点即为光斑的位置，取卷积结果的最大值M_max，大于0.6*M_max的部分为光斑区域。所述中值滤波法为5*5中值滤波法。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。 

Claims (6)

1.一种虹膜定位方法，其特征在于，包括以下步骤：

步骤1：对虹膜图像的光斑检测；

步骤2：判断虹膜图像是否晃动；

步骤3：对瞳孔进行初定位；

步骤4：对虹膜进行定位。

2.根据权利要求1所述的虹膜定位方法，其特征在于，所述步骤1进一步包括：

步骤1.1）：通过摄像装置，对人眼中的虹膜进行图像采集，利用中值滤波法对得到的虹膜图像进行平滑处理；

步骤1.2）：利用二维圆形Gabor滤波器对平滑处理后的虹膜图像进行滤波作用，然后选取二值化阈值，采用二值化的方法确定光斑区域。

3.根据权利要求2所述的虹膜定位方法，其特征在于，在所述步骤2中，对步骤1.2）中检测到的光斑区域，采用最小二乘椭圆拟合计算光斑区域边界所确定的椭圆，如果椭圆长短半轴的比值大于1.55，则虹膜图像是晃动的，否则是非晃动的虹膜图像。

4.根据权利要求3所述的虹膜定位方法，其特征在于，所述步骤3进一步包括：

步骤3.1）：将步骤2中得到的清晰虹膜图像缩小至原来的0.2倍；

步骤3.2）：利用中值滤波法对步骤3.1）中缩小的虹膜图像进行平滑处理；

步骤3.3）：对步骤3.2得到结果，用二维圆形Gabor滤波器滤波，取滤波结果最大值所在坐标作为瞳孔的估计中心。

5.根据权利要求4所述的虹膜定位方法，其特征在于，所述步骤4进一步包括：

步骤4.1）：利用抛物线形加权微积分检测算子对步骤3.2）中得到的虹膜图像定位上、下眼睑；

步骤4.2）：对步骤3.2）中得到的虹膜图像进行归一化，将虹膜图像归一化的梯度值与归一化的灰度值相减，差大于0.1的为睫毛区域，小于0.1的为非睫毛区域；

步骤4.3）：去除步骤3.2）中得到的虹膜图像中的眼睫毛和眼睑；

步骤4.4）：对步骤4.3）中得到的图像，利用圆形加权微积分检测算子定位虹膜内边界；

步骤4.5）：利用圆形加权微积分检测算子对步骤4.3）得到的虹膜图像的外边界计算圆形加权微积分检测算子值，取10个最大的圆形加权微积分检测算子值所对应的边界，分别采用聚类删除噪声点和异常点，再计算排除点后的圆形加权微积分检测算子值，最后取10个值中最大值所对应的边界，作为虹膜外边界定位的最后结果。

6.根据权利要求2-5任一项所述的虹膜定位方法，其特征在于：所述步骤1.2）中，采用二维圆形Gabor滤波器对平滑处理后的虹膜图像进行卷积，极大值点即为光斑的位置，取卷积结果的最大值M_max，大于0.6*M_max的部分为光斑区域。

Images