CN103246871B - 一种基于图像非线性增强的非理想虹膜外边界定位方法 - Google Patents

Abstract

本发明具体公开了一种基于图像非线性增强的非理想虹膜外边界定位方法，包括以下步骤：(1)对采集到的虹膜图像，由Daugman方法定位虹膜图像的内边界，进而获得瞳孔中心和瞳孔中心到内边界的半径；(2)在已经完成内边界定位的虹膜图像中，选定内边界左右两侧的矩形区域，对矩形区域进行灰度变换，所述的矩形区域尽可能覆盖内边界之外的左右两侧的虹膜。(3)利用Canny算子对矩形区域进行边界检测；(4)利用改进的Hough变换拟合检测到的曲线，得到虹膜外边界圆心和半径。本发明能够有效克服由于外边界灰度变化模糊造成的不利影响，通过图像的非线性增强技术，确保了外边界定位的准确性。

Description

一种基于图像非线性增强的非理想虹膜外边界定位方法

技术领域

本发明涉及一种基于图像非线性增强的非理想虹膜外边界定位方法。

背景技术

随着信息技术的迅速发展，信息安全的重要性越来越突出，生物识别技术也因此受到人们的高度重视。虹膜识别作为一种新型的识别技术，因其具有唯一性、稳定性、防伪性等特性被公认是最安全可靠的生物识别技术之一，同时又因为其非侵犯性使得它在公共安全和社会管理等领域拥有非常广阔的市场前景。

一个典型的虹膜识别系统主要由图像采集、图像预处理、特征提取（编码）、特征匹配四部分构成，其中虹膜图像预处理过程中的边界定位尤其关键，其准确度将对识别结果产生重要影响。一般根据虹膜形状的特点，人们把虹膜边界建模为环形，它包括内外两条边界。最经典的边界定位方法包括Daugman的基于微分积分算子，以及Wildes等采用的边缘检测和Hough变换圆检测的方法。此外，其他研究者也提出了不同方法。例如，谭铁牛等提出了最小二乘拟合的方法；苑玮琦等提出了一种基于椭圆投影的非理想虹膜定位的方法；Boles等提出了基于小波变换过零点检测的虹膜识别算法；Ibrahim等提出了使用直方图和其他图像统计学定位虹膜的方法；Roy等提出了使用改进的LevelSet算法对虹膜进行定位的方法。

近年来，随着虹膜识别技术的应用不断拓展，非理想采集虹膜识别得到了人们的高度关注。许多研究者开展了相关工作。Pundlik等提出了使用graphcuts技术对非理想虹膜进行定位的方法；MiguelA等提出了利用数学形态学对虹膜进行定位的方法；Proenca提出了基于神经网络和多元回归对虹膜进行分割的方法；Puhan等采用傅里叶谱密度对非理想虹膜进行分割；还有一些研究者对Daugman和Wildes的方法进行了改进。

尽管上述研究者开展了大量工作，非理想虹膜外边界定位依然没有得到完全解决，主要原因在于虹膜外边界常常较为模糊，即虹膜与巩膜的过渡不明显，难以用通常的边缘检测方法检测外边界。此外，由于虹膜纹理的影响，很难直接通过曲线演化的方式直接定位外边界。考虑到上述因素，本发明旨在通过虹膜图像的增强技术，增强虹膜相对于巩膜区域的灰度对比度；在此基础上，由改进的Hough变换精确定位非理想虹膜外边界。

发明内容

考虑到非理想虹膜图像经常存在外边界模糊、虹膜纹理过强、眼睑和睫毛遮挡等现象，本发明提出了基于非线性图像增强的非理想虹膜外边界定位方法。这一方法需要在内边界定位的基础上进行。具体来讲，首先，本方法通过现有的Daugman方法获得内边界的中心及其半径；其次，利用图像非线性增强方法增强虹膜/巩膜对比度，并由改进的Hough变换定位外边界。

为了实现上述目的，本发明将虹膜边界建模分为两部分，即内边界和外边界。两条边界为同心圆，其中内边界内部为瞳孔，内外边界之间为虹膜,本发明首先定位虹膜内边界，然后定位外边界。具体采用如下技术方案:

一种基于图像非线性增强的非理想虹膜外边界定位方法，包括如下步骤：

(1)对采集到的虹膜图像，由Daugman方法定位虹膜图像的内边界，进而获得瞳孔中心和瞳孔中心到内边界的半径；其中所述的内边界是包含瞳孔的圆形边界，所述的瞳孔中心即为虹膜中心，所述的瞳孔中心到内边界的半径为内边界半径；

(2)在已经完成内边界定位的虹膜图像中，选定内边界左右两侧的矩形区域，对矩形区域进行灰度变换，所述的矩形区域尽可能覆盖内边界之外的左右两侧的虹膜。

(3)利用Canny算子对矩形区域进行边界检测；

(4)利用改进的Hough变换拟合检测到的曲线，得到虹膜外边界圆心和半径。

步骤（1）用Daugman方法定位虹膜图像的内边界，采用的现有的算法，属于现有技术，在此不详细展开。

所述的步骤（2）的具体步骤如下：

(1)根据已获得的瞳孔中心和内边界半径，在瞳孔左右两侧选定两个对称的矩形区域，使其尽可能覆盖内边界之外的左右两侧的虹膜；

(2)在这个区域内寻找灰度的最大值和最小值并分别记作I_max和I_min；

(3)在第一步的基础上扩大选定的区域，使得选定的区域包含虹膜的外边界；

(4)通过式(1)对选定的区域进行灰度变换；

$I\_T(x,y)=\frac{I_c(x,y)-I_{\min }}{I_{\max }-I_{\min }}f\left(r\right)+I_{\min }---\left(1\right)$

其中，f(r)是(x,y)到瞳孔中心欧氏距离r的函数，I_c(x,y)表示虹膜图像，I_T(x，y)表示灰度变换后的图像。

所述的步骤（3）的具体步骤如下：

使用canny算子式对灰度变换后的图像I_T(x，y)进行边缘检测，得到虹膜图像边界，并用极大值抑制方法去除其中的伪边界,其中

$\▿\≡(\frac{\∂}{\∂x},\frac{\∂}{\∂y})$

$|\▿G(x,y)|=\frac{1}{{2\mathrm{\π}}^2}\exp (-\frac{{(x-x_0)}^2+(y-y_0)}{{2\mathrm{\σ}}^2})---\left(2\right)$

G(x,y)是一个中心为(x₀,y₀)、方差为σ的二维高斯函数，(x,y)为图像I_T(x,y)的像素坐标，(x₀,y₀)为当前像素点坐标；提取步骤（2）进行过灰度变换区域的边缘，设定阈值，低于阈值的像素值设定为0，否则像素值为1，这样可以得到边缘点集合，记为(x_j,y_j)，j=1,2…,n。

所述的步骤（4）的所述的改进的Hough变换定义如下：

$H(x_c,y_c,r)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}h(x_j,y_j,x_c,y_c,r)---\left(3\right)$

其中：

g(x_j,y_j,x_c,y_c,r)＝|(x_j-x_c)²+(y_j-y_c)²-r²|(5)

H(x_c,y_c,r)表示图像I_T(x，y)的所有像素点的Hough变换之和，h(x_j,y_j,x_c,y_c,r)表示Hough变换，g(x_j,y_j,x_c,y_c,r)表示距离函数，(x_c,y_c)分别表示外边界圆心坐标，r为外边界的半径，(x_j,y_j)为图像I_T(x,y)的像素坐标。式(5)中原有的(x_j-x_c)²+(y_j-y_c)²-r²加了绝对值即,这样的改进可以提高定位外边界的精确度。(3)式中使得H(x_c,y_c,r)取最大值的一组(x_c,y_c,r)就是虹膜外边界的参数：当该参数(x_c,y_c,r)被确定后，外边界即为中心(x_c,y_c)、半径为r的圆。

本发明的有益效果：

有效的虹膜外边界定位对非理想采集的虹膜识别具有重要意义。在非理想虹膜识别过程中，针对由于外边界对比度过低或边界模糊造成的外边界无法准确定位的问题，本发明采用非线性图像增强方法予以克服。具体来讲，本发明首先利用传统的Daugman方法定位虹膜内边界，即瞳孔边界。在此基础上，在内边界两侧选定包含外边界的区域，利用非线性增强方法增强这一区域的对比度，即增强了外边界的对比度，再由Hough变换实现外边界的精确定位。

附图说明

图-1（a）非理想虹膜图像中的纹理和亮斑；

图-1（b）非理想虹膜图像中的边界对比度差；

图-1（c）非理想虹膜图像中的眼睑和睫毛遮挡；

图-2基于图像非线性增强的非理想虹膜外边界定位算法流程图；

图-3(1)原始图像中的选定区域；

图-3(2)选定区域的灰度；

图-3(3)灰度的梯度；

图-4变换后的灰度特点以及梯度特点；

图-5(a)表示原始图像；

图-5(b)经过一次函数变换后的矩形区域图像；

图-5(c)经式平方根函数变换后的矩形区域图像；

图-5(d)经式平方函数变换后的矩形区域图像；

图-6(a)表示原始图像；

图-6(b)经过一次函数变换后的外边界定位效果图；

图-6(c)经式平方根函数变换后的外边界定位效果图；

图-6(d)经式平方函数变换后的外边界定位效果图。

具体实施方式

下面结合附图对本发明进行详细说明：

非理想虹膜图像如图-1（a）-图-1（c）所示，本发明基于图像非线性增强的非理想虹膜提出了外边界定位算法，具体的流程图如图2所示，且包括如下步骤：

(1)对采集到的虹膜图像，由Daugman方法定位虹膜图像的内边界，进而获得瞳孔中心和瞳孔中心到内边界的半径；其中所述的内边界是包含瞳孔的圆形边界，所述的瞳孔中心即为虹膜中心，所述的瞳孔中心到内边界的半径为内边界半径；

(2)在已经完成内边界定位的虹膜图像中，选定内边界左右两侧的矩形区域，对矩形区域进行灰度变换，所述的矩形区域尽可能覆盖内边界之外的左右两侧的虹膜。

(3)利用Canny算子对矩形区域进行边界检测；

(4)利用改进的Hough变换拟合检测到的曲线，得到虹膜外边界圆心和半径。

对于步骤（2）的对图像Ic的虹膜区域进行灰度变换，得到图像I_T。具体步骤如下：

(1)根据已获得的瞳孔中心和内边界半径，在瞳孔左右两侧选定两个对称的矩形区域，使其尽可能覆盖左右两侧的虹膜；

(2)在这个区域内寻找灰度的最大值和最小值并分别记作Imax和Imin；

(3)在第一步的基础上扩大选定的区域，使得选定的区域包含虹膜的外边界；

(4)通过式(13)对选定的区域进行灰度变换

$I\_T(x,y)=\frac{I_c(x,y)-I_{\min }}{I_{\max }-I_{\min }}f\left(r\right)+I_{\min }---\left(1\right)$

其中，f(r)是(x,y)到瞳孔中心欧氏距离r的函数。

步骤（3）虹膜外边界定位

使用canny算子式对灰度变换后的图像I_T进行边缘检测得到虹图像边界，并用极大值抑制方法去除其中的伪边界,其中

$\▿\≡(\frac{\∂}{\∂x},\frac{\∂}{\∂y})$

$|\▿G(x,y)|=\frac{1}{{2\mathrm{\π}}^2}\exp (-\frac{{(x-x_0)}^2+(y-y_0)}{{2\mathrm{\σ}}^2})---\left(2\right)$

G(x,y)是以一个中心为,(x₀,y₀)方差为σ的二维高斯函数。提取1.2.1中进行过灰度变换区域的边缘，用阈值法去除不明显的边界，得到的边缘点集合，记为(x_j,y_j)，j=1,2…,n,最后通过改进的Hough变换检测虹膜外边界圆心和半径。改进的Hough变换定义如下：

$H(x_c,y_c,r)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}h(x_j,y_j,x_c,y_c,r)---\left(3\right)$

其中：

g(x_j,y_j,x_c,y_c,r)＝|(x_j-x_c)²+(y_j-y_c)²-r²|(5)

(x_c,y_c,r)分别为外边界圆心坐标和半径。式(5)中原有的(x_j-x_c)²+(y_j-y_c)²-r²加了绝对值即,这样的改进可以提高定位外边界的精确度。(3)式中使得H(x_c,y_c,r)取最大值的一组(x_c,y_c,r)就是虹膜外边界的参数。

本发明中，虹膜外边界的定位精度与距离函数f(r)有直接关系，为此所选取f(r)必须能使得距离瞳孔中心较近的像素点的梯度变小，而距离瞳孔较远点的梯度增大，这样就能突出虹膜外边界，消除虹膜纹理特征的干扰。本发明讨论了三种距离函数，并进行试验比较。这三种函数分别是

一次函数：f₁(r)＝n₁r(6)

平方根函数： $f_2\left(r\right)=n_2\sqrt{r}---\left(7\right)$

平方函数：f₃(r)＝n₃r²(8)

其中n1、n2、n3为参数。

式(6)、(7)、(8)表示的三个函数都能淡化虹膜内部的纹理，增强虹膜外边界。为了对比三个函数对图像的增强效果我们选一幅图像作为说明。提取图像瞳孔左侧方框部分作为变换区域，该区域的灰度值的特点以及灰度梯度特点如图3所示。变换后的灰度特点以及变换后的灰度梯度特点如图4所示。其中上面三幅图像从左到右分别对应式(6)、(7)、(8)变换后图像的灰度特点，所选图像为图3中所选定的图像区域，下面三幅图像从左到右分别对应式(6)、(7)、(8)变换后图像的灰度梯度特点，如图5（a）-图5（d）所示，外边界定位效果图如图-6(a)--图-6(d)。

Claims (1)

1.一种基于图像非线性增强的非理想虹膜外边界定位方法，其特征在于：包括以下步骤：

(1)对采集到的虹膜图像，由Daugma方法定位虹膜图像的内边界，进而获得瞳孔中心和瞳孔中心到内边界的半径；其中所述的内边界是包含瞳孔的圆形边界，所述的瞳孔中心即为虹膜中心，所述的瞳孔中心到内边界的半径为内边界半径；

(2)在已经完成内边界定位的虹膜图像中，选定内边界左右两侧的矩形区域，对矩形区域进行灰度变换，所述的矩形区域尽可能覆盖内边界之外的左右两侧的虹膜；

所述步骤(2)的具体方法为：

(a)根据已获得的瞳孔中心和内边界半径，在瞳孔左右两侧选定两个对称的矩形区域，使其尽可能覆盖内边界之外的左右两侧的虹膜；

(b)在这个区域内寻找灰度的最大值和最小值并分别记作I_max和I_min；

(c)在第一步的基础上扩大选定的区域，使得选定的区域包含虹膜的外边界；

(d)通过式(1)对选定的区域进行灰度变换；

$I\_T(x,y)=\frac{I_c(x,y)-I_{min}}{I_{max}-I_{min}}f\left(r\right)+I_{min}---\left(1\right)$

其中，f(r)是(x,y)到瞳孔中心欧氏距离r的函数，I_c(x,y)表示虹膜图像，I-T(x,y)表示灰度变换后的图像；

(3)利用Canny算子对矩形区域进行边界检测；

使用canny算子式|▽G(x,y)*I_T(x,y)^|对灰度变换后的图像I-T(x,y)进行边缘检测，得到虹膜图像边界，并用极大值抑制方法去除其中的伪边界，其中：

$\▿\≡(\frac{\∂}{\∂x},\frac{\∂}{\∂y})$

$|\▿G(x,y)|=\frac{1}{2{\mathrm{\π}}^2}\exp (-\frac{{(x-x_0)}^2+(y-y_0)}{2{\mathrm{\σ}}^2})---\left(2\right)$

G(x,y)是一个中心为(x₀,y₀)、方差为σ的二维高斯函数，(x,y)为图像I-T(x,y)的像素坐标；提取步骤(2)进行过灰度变换区域的边缘，设定阈值，低于阈值的像素值设定为0，否则像素值为1，这样可以得到边缘点集合，记为(x_j,y_j)，j＝1,2…,n；n表示自然数；

(4)利用改进的Hough变换拟合检测到的曲线，得到虹膜外边界圆心和半径；

改进的Hough变换定义如下：

$H(x_c,y_c,r)=\underset{j=1}{\overset{n}{\Σ}}h(x_j,y_j,x_c,y_c,r)---\left(3\right)$

其中：

g(x_j,y_j,x_c,y_c,r)＝|(x_j-x_c)²+(y_j-y_c)²-r²|(5)

H(x_c,y_c,r)表示图像I-T(x,y)的所有像素点的Hough变换之和,h(x_j,y_j,x_c,y_c,r)表示Hough变换，g(x_j,y_j,x_c,y_c,r)表示距离函数，(x_c,y_c)分别表示外边界圆心坐标，r为外边界的半径，(x_j,y_j)为图像I-T(x,y)的像素坐标；式(5)中原有的(x_j-x_c)²+(y_j-y_c)²-r²加了绝对值即，这样的改进可以提高定位外边界的精确度；(3)式中使得H(x_c,y_c,r)取最大值的一组(x_c,y_c,r)就是虹膜外边界的参数；当该参数(x_c,y_c,r)被确定后，外边界即为中心(x_c,y_c)、半径为r的圆。