CN103824061B - 基于光源反光区域检测和改进Hough变换的虹膜定位方法 - Google Patents

Abstract

一种基于光源反光区域检测和改进Hough变换的虹膜定位方法，包括以下步骤：（1）对原始虹膜图像进行形态学运算，消除瞳孔区域的反光区域，在消除反光区域前后，分别用设定的阈值进行二值化，确定瞳孔内反光区域并计算出均值，把均值点C作为内边界的基准点；（2）利用基准点确定内边界的感兴趣区域以及内边界拟合的圆心半径范围，对内边界的感兴趣区域进行改进Hough变换，找出虹膜图像内边界；在内边界的基础上找出虹膜图像外边界。该方法充分利用虹膜图像的特征，在内外边界定位过程中，利用基准点C对边缘检测的图像设定拟合感兴趣区域以及圆心半径的范围，大大减少了拟合算法计算量，且减少了眼睑、睫毛等噪点对拟合的影响。

Description

基于光源反光区域检测和改进Hough变换的虹膜定位方法

技术领域

本发明涉及一种基于光源反光区域检测和改进Hough变换的虹膜图像定位方法，属于生物特征识别技术领域。

背景技术

生物特征识别算法(Biometrics)利用人类自身的生理或行为特征进行个人身份识别。目前应用较多的生物识别有人脸、虹膜、指纹、声音、静脉等生理特征以及签名动作、步态等行为特征。这些特征因人而异、携带方便并且具有相当的稳定性。生物特征识别算法凭借这些独特优势，已经在信息安全、金融交易、社会安全、医疗卫生等领域获得了广泛应用。

与其他生物特相比，虹膜具有很高的稳定性、独特性和防侵犯性等优点，已经得到了科学界和工业界的高度关注，并在安防、矿业、金融等领域得到了应用。在虹膜的识别系统中，一般包括虹膜的预处理、虹膜的特征提取和虹膜的特征匹配。其中虹膜的预处理是是整个虹膜识别系统的关键，它为后续的特征提取和编码过程提供有效信息。在虹膜图像的预处理里面重点就是虹膜的定位，虹膜的定位本质上就是确定虹膜的内外边界，所以内外边界的的正确性直接影响虹膜识别的准确性。虹膜预处理的基本步骤为：(1)初始化瞳孔中心；(2)确定虹膜内边界；(3)确定虹膜外边界。最早的虹膜边界定位方法由Daugman提出，即经典的积分/微分算子(Integro-differential operator)；Wildes提出的算法将边缘检测与Hough变换相结合；Boles等采用一维三次样条小波提取出的图像过零点作为特征。随后，人们在虹膜图像分割阶段引入了多种工具，如最小二乘拟合、活动轮廓模型、Gabor滤波器等。

虹膜边界定位存在以下难点：1光线的影响：例如眼睛上出现反光区域。2遮挡：睫毛、眼睑等的遮挡，眼睛几乎闭合。3：虹膜自身灰度不均匀，尤其是虹膜靠近瞳孔部分细节比较丰富。因此虹膜图像质量大为降低，这为虹膜边界的准确定位带来了很大困难。为此，人们提出了不同的方法。例如等的均值模糊聚类、Pundlik等图割法、He等提出了弦长均衡方法方法、Jarjes等的snake模型和角积分投影法。但是，这些算法普遍计算量很大，占用内存多，定位准确率不高。

发明内容

针对现有虹膜边界定位技术存在的计算量大、占用内存多、定位准确率不高等问题，本发明提出了一种基于光源反光区域检测和改进Hough变换的虹膜定位方法，该方法能够较快实现内、外边界的准确定位，还在一定程度上抑制了边缘毛刺点和部分睫毛点、眼睑的影响。

本发明的基于光源反光区域检测和改进Hough变换的虹膜定位方法，包括以下步骤：

（1）确定基准点：利用虹膜采集过程中（采集设备一般采用对称的红外光源）会在瞳孔中形成反光点这一特性，对原始虹膜图像进行形态学运算，消除瞳孔区域的反光区域，在消除反光区域前后，分别用设定的阈值进行二值化，确定瞳孔内反光区域并计算出均值，把均值点C作为内边界的基准点；

步骤（1）的具体过程如下：

①对输入的虹膜图像I(m,n)(m≤MI,n≤NI)进行高斯金字塔分解,MI和NI分别是虹膜图像的总行数和总列数，得到概貌图像Ic；

②根据反光区域的灰度值特征，设定阈值Th，将概貌图像Ic二值化。低于设定阈值Th的像素的灰度值置为0，得到低亮度L区域；否则置1，得到高亮度H区域，得到概貌图像Ic的二值化图像Ic_b；

$\left\{\begin{array}{c}\mathrm{Ic}\_b(i,j)=\left\{\begin{array}{c}1,\mathrm{ifIc}(i,j)\&GreaterEqual;\mathrm{Th}\\ 0,\mathrm{ifIc}(i,j)<\mathrm{Th}\end{array}\right.\\ \mathrm{Th}=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_\max \left(j\right)\end{array}\right.,$

其中Ic_max(j)表示第j列的像素最大值，N表示概貌图像Ic的总列数，Th表示Ic_max(j)的均值；

③对概貌图像Ic进行形态学开运算，得到消除瞳孔内部反光区域后的图像Ic_pupil；

④根据瞳孔区域的灰度值特征，设定阈值Tl，将消除瞳孔内部反光区域后的图像Ic_pupil二值化，低于设定阈值Tl的像素的灰度值置为0，得到低亮度L1区域；否则置1，得到高亮度H1区域，得到消除反光区域后的图像二值化后的图像Ic_b1（即新的二值化后的图像）；

$\left\{\begin{array}{c}\mathrm{Ic}\_b1(i,j)=\left\{\begin{array}{c}1,\mathrm{ifIc}\_\mathrm{pupil}(i,j)\&GreaterEqual;\mathrm{Tl}\\ 0,\mathrm{ifIc}\_\mathrm{pupil}(i,j)<\mathrm{Tl}\end{array}\right.\\ \mathrm{Tl}=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_\mathrm{pupil}\_\min \left(j\right)\end{array}\right.,$

其中Ic_pupil_min(j)表示第j列的像素最小值，N表示图像Ic_pupil的总列数（图像Ic_pupil的总列数与概貌图像Ic的总列数相同，所以也用N表示），Tl表示Ic_pupil_min(j)的均值；

⑤由于只有瞳孔内的反光区域同时属于概貌图像的二值化图像Ic_b中的高亮度区域和图像Ic_b1中的低亮度区域，由此可见，瞳孔内反光点的均值点C就在瞳孔内，均值点C就能够作为内边界定位的基准点，C=(C_x,C_y)。

（2）对虹膜内边界和外边界定位：利用基准点确定内边界的感兴趣区域以及内边界拟合的圆心半径范围，对内边界的感兴趣区域进行改进Hough变换，找出虹膜图像内边界；在内边界的基础上确定外边界的感兴趣区域以及外边界拟合的圆心半径范围，对外边界的感兴趣区域进行同样的改进Hough变换，找出虹膜图像外边界；

步骤（2）的具体过程如下：

①边缘检测：用canny算子对概貌图像Ic进行边缘检测操作，Canny算子求边缘点具体算法步骤如下：(a)用高斯滤波器平滑图像，(b)用一阶偏导有限差分计算梯度幅值和方向，(c)对梯度幅值进行非极大值抑制方法来细化边界，处理后得到图像Ic_nmax，(d)最后用滞后阈值（双阈值）二值化，高阈值TH_H用于检测梯度幅值大的强边缘，低阈值TH_L检测与强边缘相连的弱边缘和连接边缘，得到图像Ic_icanny；

$\left\{\begin{array}{c}\mathrm{TH}\_H=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_n\max \left(j\right)\\ \mathrm{TH}\_L=0.5*\mathrm{TH}\_H\end{array}\right.;$

②确定内边界感兴趣区域：设定瞳孔半径范围[R_min R_max]，并把此范围作为半径参数的感兴趣范围，令△=0.5*(R_max-R_min)，△小于5，设定行[-2*△+C_x 2*△+C_x]，列[-2*△+C_y2*△+C_y]的微小区间为虹膜内边界圆心的范围，此范围就是圆心参数的感兴趣区间；对Hough变换拟合的范围进行限制，基准点C=(C_x,C_y)在瞳孔内部，令D_interior=0.5*(R_min+R_max),由此截取图像Ic_icanny的行为[-2*D_interior+C_x 2*D_interior+C_x]，列为[-2*D_interior+C_y 2*D_interior+C_y]的矩形区域作为内边界的感兴趣区域；

③通过改进Hough变换确定内边界：

虹膜内边界能够表示成圆方程，由于边缘检测出来的内边界不一定是完整的圆，大量边界点不在圆上，而是在圆内外两三个像素范围内，所以需要对Hough变换做改进，再对感兴趣区域进行拟合，确定内边界；具体公式如下：

$H(x_c,y_c,r)=\underset{i=-2*D\_\mathrm{interior}+C_x}{\overset{2*D\_\mathrm{interior}+C_x}{\mathrm{\&Sigma;}}}\underset{j=-2*D\_\mathrm{interior}+C_y}{\overset{2*D\_\mathrm{interior}+C_y}{\mathrm{\&Sigma;}}}h(x_j,y_j,x_c,y_c,r),$

其中，

$\left\{\begin{array}{c}h(x_j,y_j,x_c,y_c,r)=\left\{\begin{array}{c}1,\mathrm{if}-10\&le;g(x_j,y_j,x_c,y_c,r)\&le;10\\ 0,\mathrm{else}\end{array}\right.\\ g(x_j,y_j,x_c,y_c,r)={(x_j-x_c)}^2+{(y_j-y_c)}^2-r^2\\ R_{\min }\&le;r\&le;R_{\max }\\ |x_c-C_x|\&le;2*\mathrm{\&Delta;}\\ |y_c-C_y|\&le;2*\mathrm{\&Delta;}\end{array}\right.,$

其中(x_j,y_j)表示边缘点坐标，(x_c,y_c)、r分别表示圆心、半径参数，g(x_j,y_j,x_c,y_c,r)表示边缘点(x_j,y_j)距离参数对为(x_c,y_c,r)的圆方程的距离，h(x_j,y_j,x_c,y_c,r)判断边缘点是否满足条件，H(x_c,y_c,r)表示符合条件的边缘点数目；

根据投票法，对于每一个边缘点(x_j,y_j)，如果这个边缘点能使-10≤g(x_j,y_j,x_c,y_c,r)≤10，则这个点在参数对为(x_c,y_c,r)的圆周围；因此，通过迭代运算使H的值最大化，则意味着在这个圆周围的边界点最多，此时参数对(x_c,y_c,r)也就是虹膜内边界的参数；

④改进滞后阈值：

为了降低内边界以及部分噪音点细节点对外边界拟合的影响，需要先对这些点进行置零；具体做法如下：

对canny算子极大值抑制后的边界的图像Ic_nmax进行去噪处理，即高于阈值T0的值置零，公式如下；

$\left\{\begin{array}{c}\mathrm{mask}1(i,j)=\left\{\begin{array}{cc}0,& \mathrm{ifIc}\_n\max (i,j)\&GreaterEqual;T0\\ \mathrm{Ic}\_n\max (i,j),& \mathrm{else}\end{array}\right.\\ T0=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_n\max \_\max \left(j\right)\end{array}\right.,$

其中Ic_nmax_max(j)表示第j列的像素最大值，N表示图像Ic_nmax的总列数（图像Ic_nmax的总列数与概貌图像Ic的总列数相同，所以也用N表示），T0表示Ic_nmax_max(j)的均值，再用滞后阈值对mask1进行二值化，得到二值化后的图像Ic_ocanny；

⑤确定外边界感兴趣区域：设虹膜外边界半径为D_out，取[D_out-△ D_out+△]作为外边界半径的范围，设定行[x_c-△ x_c+△]，列[y_c-△ y_c+△]的微小区间为虹膜外边界圆心的范围，此范围就是圆心参数的感兴趣区间；截取图像Ic_ocanny行为[-0.6*D_out+x_cD_out+x_c]，列为[-1.2*D_out+y_c 1.2*D_iout+y_c]的图像部分作为有效外边界区域；

⑥通过改进Hough变换确定外边界：按步骤③所述过程在外边界感兴趣区域进行改进Hough变换，再对外边界感兴趣区域进行拟合，确定外边界。

本发明的有益效果如下：

(1)充分利用虹膜图像的特征。由于采集设备的红外光源都是对称设计，红外光源在瞳孔内形成的反光点也会具有一定的对称性。那么，这些点的均值点C（即基准点），一定会落在瞳孔的内部，由于光源的对称性，通常C点接近瞳孔中心。有了这个基准点C，就可以设定步骤2中内、外边界拟合圆心、半径的范围，大大节省Hough变换的计算量。

(2)在内、外边界定位过程中，利用基准点C对边缘检测的图像设定拟合感兴趣区域以及圆心半径的范围，大大减少了拟合算法计算量，且减少了眼睑、睫毛等噪点对拟合的影响；在这个感兴趣的区域内采用改进Hough变换进行，消除了模糊边界对拟合的影响，实现了对内、外边界的准确定位。

附图说明

图1是概貌图像Ic。

图2是概貌图像Ic二值化后的图像Ic_b。

图3是概貌图像Ic开运算后图像Ic_pupil。

图4是概貌图像Ic开运算后再次二值化的图像Ic_b1。

图5是瞳孔内边界定位的基准点示意图。

图6是边缘检测过程中极大值抑制后的图像

图7是边缘检测过程中滞后阈值处理后的图像。

图8是内边界感兴趣区域内的边缘信息示意图。

图9是虹膜内边界的拟合示意图。

图10是用滞后阈值对mask1进行二值化后的边界拟合示意图。

图11是外边界感兴趣区域内的边缘信息示意图。

图12是外边界的拟合示意图。

具体实施方式

本发明基于光源反光区域检测和改进Hough变换的虹膜定位方法，包括两个步骤，具体过程如下。

（1）确定基准点：利用虹膜采集设备一般采用对称的红外光源，会在瞳孔中形成反光点这一特性，对原始虹膜图像进行形态学运算，消除瞳孔区域的反光区域。在消除反光区域前后，分别用适当的阈值进行二值化，确定瞳孔内反光区域并算出均值，把均值点作为内、外边界定位的基准点。

步骤（1）的具体过程如下：

①对输入的虹膜图像I(m,n)(m≤MI,n≤NI),MI、NI分别是虹膜图像的行、列数，进行高斯金字塔分解，这一过程以矩阵形式表示，公式如下；

$\mathrm{Ic}=\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}w(m,n)I(2i+m,2j+n),j\&le;\frac{\mathrm{NI}}{2},i\&le;\frac{\mathrm{MI}}{2}---\left(1\right)$

其中w(m,n)是一个高斯低通滤波器，它能保证低通特性同时保持缩扩后亮度平滑，典型的w(m,n)5*5窗口如下所示：

$w(m,n)=\frac{1}{256}\left[\begin{array}{ccccc}1& 4& 6& 4& 1\\ 4& 16& 24& 16& 4\\ 6& 24& 36& 24& 6\\ 4& 16& 24& 16& 4\\ 1& 4& 6& 4& 1\end{array}\right]---\left(2\right)$

Ic表示图像I经过高斯金字塔分解后的概貌图像，如图1所示。

②考虑到反光区域的灰度值较高，则设定较高阈值Th，将图像Ic二值化，低于此阈值的像素的灰度值置为0，得到L区域；否则置1，得到H区域，得到概貌图像的二值化图像Ic_b；

$\left\{\begin{array}{c}\mathrm{Ic}\_b(i,j)=\left\{\begin{array}{c}1,\mathrm{ifIc}(i,j)\&GreaterEqual;\mathrm{Th}\\ 0,\mathrm{ifIc}(i,j)<\mathrm{Th}\end{array}\right.\\ \mathrm{Th}=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_\max \left(j\right)\end{array}---\left(3\right)\right.$

其中Ic_max(j)表示第j列的像素最大值，N表示图像Ic的总列数，Th表示Ic_max(j)的均值。本次二值化操作的目的是得到反光区域，如图2所示；

③对概貌图像Ic进行去反光操作。采取的方法是形态学开运算，即腐蚀+膨胀，开运算操作的目的主要是消除小尺度的反光点。采用的闭运算结构算子为5×5矩形，用b表示。

$\mathrm{Ic}\_\mathrm{pupil}=\left(\mathrm{L\&Theta;b}\right)\&CirclePlus;b$

$b=\left[\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\end{array}\right]---\left(4\right)$

其中Θ分别表示膨胀、腐蚀运算。腐蚀、膨胀的公式分别如下：

f1=(fΘb)(s,t)=min{f(s+x,t+y)-b(x,y)|(s+x),(t+y)∈D_f;(x,y)∈D_b} (5)

$\mathrm{Ic}\_\mathrm{pupil}=(f1\&CirclePlus;b)(s,t)=\max \{f1(s-x,t-y)+b(x,y)|(s-x),(t-y)\&Element;D_{f1};(x,y)\&Element;D_b---\left(6\right)$

D_f、D_f1、D_b分别是f、f1、b的定义域；

经过闭运算处理后得到图像Ic_pupil，即消除瞳孔内部反光区域后的图像，如图3所示：

④考虑到瞳孔区域的灰度值较低，则设定较低阈值Tl，将开运算后的图像Ic_pupil二值化，低于此阈值的像素的灰度值置为0，得到低亮度L1区域；否则置1，得到高亮度H1区域，得到新的的二值化图像Ic_b1；

$\left\{\begin{array}{c}\mathrm{Ic}\_b1(i,j)=\left\{\begin{array}{c}1,\mathrm{ifIc}\_\mathrm{pupil}(i,j)\&GreaterEqual;\mathrm{Tl}\\ 0,\mathrm{ifIc}\_\mathrm{pupil}(i,j)<\mathrm{Tl}\end{array}\right.\\ \mathrm{Tl}=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_\mathrm{pupil}\_\min \left(j\right)\end{array}\right.---\left(7\right)$

其中Ic_pupil_min(j)表示第j列的像素小值，N表示图像Ic_pupil的总列数，Tl表示Ic_pupil_min(j)的均值。本次二值化操作的目的是得到瞳孔区域，如图4所示；

⑤由于只有瞳孔内的反光区域同时属于图像Ic_b中的H区域和图像Ic_b1中的L1区域。由此可见，瞳孔内反光区域的均值C也就在瞳孔内，这个C点就可以作为内边界定位的基准点，如图5所示。

找出图像Ic_b中H区域与图像Ic_b1中L区域的重叠区域，即瞳孔内部的反光区域，计算此区域的质心C，即

$C=(C_x,C_y)=(\frac{C_{\mathrm{xsum}}}{N_{\mathrm{pupil}}},\frac{C_{\mathrm{Ysum}}}{N_{\mathrm{pupil}}}),---\left(8\right)$

其中， $\left\{\begin{array}{cc}{C}_{\mathrm{xsum}}=\mathrm{\&Sigma;i},& \\ C_{\mathrm{ysum}}=\mathrm{\&Sigma;j},& \mathrm{ifIc}\_b(i,j)=1,\mathrm{Ic}\_b1(i,j)=0,\\ N_{\mathrm{pupil}}=\mathrm{\&Sigma;}1,& \end{array}\right.$

其中(i,j)为图像像素点坐标，N_pupil为反光区域的像素数目。C_xsum、C_ysum分别为满足条件的横坐标、纵坐标的累计值，C_x、C_y分别为基准点的x、y轴坐标。

（2）对虹膜内、外边界定位：利用基准点确定感兴趣区域，对感兴趣区域进行改进Hough变换，找出虹膜图像内边界；在内边界的基础上确定外边界的感兴趣区域，再采用类似的方法找出虹膜图像外边界。具体过程如下。

所述的步骤（2）具体包括以下步骤：

①边缘检测：用canny算子对概貌图像Ic进行边缘检测操作，Canny算子求边缘点具体算法步骤如下：(a)用高斯滤波器平滑图像(b)用一阶偏导有限差分计算梯度幅值和方向(c)对梯度幅值进行非极大值抑制方法来细化边界，处理后得到图像Ic_nmax，(d)最后用滞后阈值（双阈值）二值化，高阈值用于检测梯度幅值大的强边缘，低阈值检测与强边缘相连的弱边缘和连接边缘。得到图像Ic_icanny。如图6和图7所示。

②内边界感兴趣区域：

对图像Ic_icanny直接进行Hough变换圆拟合时，搜索范围过大，且会受到眼睑、睫毛、背景等噪点干扰。是以计算量大，实时性差，错误率高。为提高准确率，增加实时性，需要减少拟合点数，缩小圆心、半径的参数范围。实现方法如下：

根据瞳孔的通光特性，瞳孔大小会随着光线的强弱变化，但是瞳孔大小的变化总在一定范围内。由此，对内边界做Hough变换圆拟合时，设置半径的变化范围为[R_min R_max]，并把此范围作为半径参数的感兴趣范围。

为了进一步提高实时性，需要对圆心的搜索范围进行设定。由于基准点C接近瞳孔的中心，可令△=0.5*(R_max-R_min)，一般△小于5，设定图像Ic_icanny的行[-2*△+C_x 2*△+C_x]，列[-2*△+C_y 2*△+C_y]的微小区间为虹膜内边界圆心的范围，此范围就是圆心参数的感兴趣区间。

最后，对Hough变换拟合的范围进行限制。基准点C=(C_x,C_y)在瞳孔内部，令D_interior=0.5*(R_min+R_max),由此截取图像Ic_icanny的行为[-2*D_interior+C_x 2*D_interior+C_x]，列为[-2*D_interior+C_y 2*D_interior+C_y]的矩形区域作为内边界的感兴趣区域，截取之后如图8所示。如图可见，在感兴趣区域中睫毛、眼睑等噪点边界已经基本被消除，不会对内边界的拟合造成干扰。

③改进Hough变换确定内边界：

虹膜内边界通常可以表示成圆方程，由于边界检测出来的内边界不一定是完整的圆，大量边界点不在圆上，而是在圆周围两三个像素范围内。为了提高拟合的鲁棒性，对Hough变换做了适当改进，再在感兴趣区域进行拟合。具体公式如下：

$H(x_c,y_c,r)=\underset{i=-2*D\_\mathrm{interior}+C_x}{\overset{2*D\_\mathrm{interior}+C_x}{\mathrm{\&Sigma;}}}\underset{j=-2*D\_\mathrm{interior}+C_y}{\overset{2*D\_\mathrm{interior}+C_y}{\mathrm{\&Sigma;}}}h(x_j,y_j,x_c,y_c,r),---\left(9\right)$

其中，

$\left\{\begin{array}{c}h(x_j,y_j,x_c,y_c,r)=\left\{\begin{array}{c}1,\mathrm{if}-10\&le;g(x_j,y_j,x_c,y_c,r)\&le;10\\ 0,\mathrm{else}\end{array}\right.\\ g(x_j,y_j,x_c,y_c,r)={(x_j-x_c)}^2+{(y_j-y_c)}^2-r^2\\ R_{\min }\&le;r\&le;R_{\max }\\ |x_c-C_x|\&le;2*\mathrm{\&Delta;}\\ |y_c-C_y|\&le;2*\mathrm{\&Delta;}\end{array}\right.,$

根据投票法，对于每一个边缘点(x_j,y_j)，如果这个边缘点能使-10≤g(x_j,y_j,x_c,y_c,r)≤10，则这个点在参数对为(x_c,y_c,r)的圆周围，只需要H的值最大，则意味着在这个圆周围的边界点最多，这个参数对(x_c,y_c,r)也就是虹膜内边界的参数。拟合的内边界如图9所示。

④改进滞后阈值：

由于外边界的过渡带宽较宽，往往还存在眼睑睫毛的遮挡，所以外边界比较模糊。在图像Ic_nmax中，外边界灰度值比较低，内边界灰度值以及部分噪音点细节点像素值较高，为了降低内边界以及部分噪音点细节点对外边界拟合的影响，需要先对这些点进行置零。

具体做法如下：对canny算子极大值抑制后的边界的图像Ic_nmax进行去噪处理即高于阈值T0的值置零，公式如下;

$\left\{\begin{array}{c}\mathrm{mask}1(i,j)=\left\{\begin{array}{cc}0,& \mathrm{ifIc}\_n\max (i,j)\&GreaterEqual;T0\\ \mathrm{Ic}\_n\max (i,j),& \mathrm{else}\end{array}\right.\\ T0=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Ic}\_n\max \_\max \left(j\right)\end{array}\right.,---\left(10\right)$

其中Ic_nmax_max(j)表示第j列的像素最大值，N表示图像Ic_nmax的总列数，T0表示Ic_nmax_max(j)的均值。再用滞后阈值对mask1进行二值化，处理方法同内边界，得到二值化后的图像Ic_ocanny，如图10所示。

⑤确定外边界感兴趣区域：

根据人眼特征，人眼的虹膜的大小变化有限，设虹膜外边界半径大小D_out，考虑到不同的人的虹膜存在的微弱区别，取[D_out-△ D_out+△]作为外边界半径的范围。此外，内边界已经确定，参数对为(x_c,y_c,r)，圆拟合的内、外边界的圆心一般比较接近，甚至于重合，设定行[x_c-△ x_c+△]，列[y_c-△ y_c+△]的微小区间为虹膜外边界圆心的范围，此范围就是圆心参数的感兴趣区间。

如图9，位于瞳孔的上、下两部分虹膜区域往往容易受到眼睑的遮挡，且位于瞳孔上部分虹膜区域的虹膜更容易受到睫毛的影响。这部分虹膜区域噪点较多，会对虹膜外边界拟合造成影响。位于瞳孔两侧的虹膜部分一般不会被眼睑遮挡，可以选择这部分的虹膜区域作为感兴趣区域。由此截取图像Ic_ocanny的行为[-0.6*D_out+x_c D_out+x_c]，列为[-1.2*D_out+y_c 1.2*D_iout+y_c]的图像部分作为有效外边界区域，截取之后如图11所示。

⑥改进Hough变换确定外边界：

虹膜外边界通常也可以表示成圆方程，方法与内边界相同，具体公式如下：

$H(x_{\mathrm{oc}},y_{\mathrm{oc}},r_o)=\underset{i=-0.6*D\_\mathrm{out}+x_c}{\overset{D\_\mathrm{out}+x_c}{\mathrm{\&Sigma;}}}\underset{j=-1.2*D\_\mathrm{out}+y_c}{\overset{1.2*D\_\mathrm{out}+y_c}{\mathrm{\&Sigma;}}}h(x_j,y_j,x_{\mathrm{oc}},y_{\mathrm{oc}},r_o),---\left(11\right)$

其中，

$\left\{\begin{array}{c}h(x_j,y_j,x_{\mathrm{oc}},y_{\mathrm{oc}},r_o)=\begin{array}{c}\left\{\begin{array}{c}1,\mathrm{if}-10\&le;g(x_j,y_j,x_{\mathrm{oc}},y_{\mathrm{oc}},r_o)\&le;10\\ 0,\mathrm{else}\end{array}\right.\end{array}\\ g(x_j,y_j,x_{\mathrm{oc}},y_{\mathrm{oc}},r_o)={(x_j-x_{\mathrm{oc}})}^2+{(y_j-y_{\mathrm{oc}})}^2-{r_o}^2\\ |r_o-D\_\mathrm{out}|\&le;\mathrm{\&Delta;}\\ |x_{\mathrm{oc}}-x_c|\&le;\mathrm{\&Delta;}\\ |y_{\mathrm{oc}}-y_c|\&le;\mathrm{\&Delta;}\end{array}\right.,$

同样在外边界感兴趣区域内采用投票法，得到虹膜外边界Hough圆拟合的参数对(x_oc,y_oc,r_o)。画出外边界如图12所示。

Claims (1)

1.一种基于光源反光区域检测和改进Hough变换的虹膜定位方法，其特征是：包括以下步骤：

(1)确定基准点：利用虹膜采集过程中会在瞳孔中形成反光点这一特性，对原始虹膜图像进行形态学运算，消除瞳孔区域的反光区域，在消除反光区域前后，分别用设定的阈值进行二值化，确定瞳孔内反光区域并计算出均值，把均值点C作为内边界的基准点；

步骤(1)的具体过程如下：

①对输入的虹膜图像I(m,n),m≤MI,n≤NI,进行高斯金字塔分解,MI和NI分别是虹膜图像的总行数和总列数，得到概貌图像Ic；

②根据反光区域的灰度值特性，设定阈值Th，将概貌图像Ic二值化，低于设定阈值Th的像素的灰度值置为0，得到低亮度L区域；否则置1，得到高亮度H区域，得到概貌图像Ic的二值化图像Ic_b；

其中Ic_max(j)表示第j列的像素最大值，N表示概貌图像Ic的总列数，Th表示Ic_max(j)的均值；

③对概貌图像Ic进行形态学开运算，得到消除瞳孔内部反光区域后的图像Ic_pupil；

④根据瞳孔区域的灰度值特性，设定阈值Tl，将消除瞳孔内部反光区域后的图像Ic_pupil二值化，低于设定阈值Tl的像素的灰度值置为0，得到低亮度L1区域；否则置1，得到高亮度H1区域，得到消除反光区域后的图像二值化后的图像Ic_b1；

其中Ic_pupil_min(j)表示第j列的像素最小值，N表示图像Ic_pupil的总列数，Tl表示Ic_pupil_min(j)的均值；

⑤由于只有瞳孔内的反光区域同时属于概貌图像的二值化图像Ic_b中的高亮度区域和图像Ic_b1中的低亮度区域，由此可见，瞳孔内反光点的均值点C就在瞳孔内，均值点C就能够作为内边界定位的基准点，C＝(C_x,C_y)；

(2)对虹膜内边界和外边界定位：利用基准点确定内边界的感兴趣区域以及内边界拟合的圆心半径范围，对内边界的感兴趣区域进行改进Hough变换，找出虹膜图像内边界；在内边界的基础上确定外边界的感兴趣区域以及外边界拟合的圆心半径范围，对外边界的感兴趣区域进行同样的改进Hough变换，找出虹膜图像外边界；

步骤(2)的具体过程如下：

①边缘检测：用canny算子对概貌图像Ic进行边缘检测操作，Canny算子求边缘点具体算法步骤如下：(a)用高斯滤波器平滑图像，(b)用一阶偏导有限差分计算梯度幅值和方向，(c)对梯度幅值进行非极大值抑制方法来细化边界，处理后得到图像Ic_nmax，(d)最后用滞后阈值二值化，高阈值TH_H用于检测梯度幅值大的强边缘，低阈值TH_L检测与强边缘相连的弱边缘和连接边缘，得到图像Ic_icanny；

②确定内边界感兴趣区域：设定瞳孔半径范围[R_min R_max]，并把此范围作为半径参数的感兴趣范围，令Δ＝0.5*(R_max-R_min)，Δ小于5，设定行[-2*Δ+C_x 2*Δ+C_x]，列的微小区间为虹膜内边界圆心的范围，此范围就是圆心参数的感兴趣区间；对Hough变换拟合的范围进行限制，基准点C＝(C_x,C_y)在瞳孔内部，令D_interior＝0.5*(R_min+R_max),由此截取图像Ic_icanny的行为[-2*D_interior+C_x 2*D_interior+C_x]，列为[-2*D_interior+C_y 2*D_interior+C_y]的矩形区域作为内边界的感兴趣区域；

③通过改进Hough变换确定内边界：

虹膜内边界能够表示成圆方程，由于边缘检测出来的内边界不一定是完整的圆，大量边界点不在圆上，而是在圆内外两三个像素范围内，所以需要对Hough变换做改进，再对感兴趣区域进行拟合，确定内边界；具体公式如下：

其中，

其中(x_j,y_j)表示边缘点坐标，(x_c,y_c)、r分别表示圆心、半径参数，g(x_j,y_j,x_c,y_c,r)表示边缘点(x_j,y_j)距离参数对为(x_c,y_c,r)的圆方程的距离，h(x_j,y_j,x_c,y_c,r)判断边缘点是否满足条件，H(x_c,y_c,r)表示符合条件的边缘点数目；

根据投票法，对于每一个边缘点(x_j,y_j)，如果这个边缘点能使-10≤g(x_j,y_j,x_c,y_c,r)≤10，则这个点在参数对为(x_c,y_c,r)的圆周围；因此，通过迭代运算使H的值最大化，则意味着在这个圆周围的边界点最多，此时参数对(x_c,y_c,r)也就是虹膜内边界的参数；

④改进滞后阈值：

为了降低内边界以及部分噪音点细节点对外边界拟合的影响，需要先对这些点进行置零；具体做法如下：

对canny算子极大值抑制后的边界的图像Ic_nmax进行去噪处理，即高于阈值T0的值置零，公式如下；

其中Ic_nmax_max(j)表示第j列的像素最大值，N表示图像Ic_nmax的总列数，T0表示Ic_nmax_max(j)的均值，再用滞后阈值对mask1进行二值化，得到二值化后的图像Ic_ocanny；

⑤确定外边界感兴趣区域：设虹膜外边界半径为D_out，取[D_out-Δ D_out+Δ]作为外边 界半径的范围，设定行[x_c-Δ x_c+Δ]，列[y_c-Δ y_c+Δ]的微小区间为虹膜外边界圆心的范围，此范围就是圆心参数的感兴趣区间；截取图像Ic_ocanny行为[-0.6*D_out+x_cD_out+x_c]，列为[-1.2*D_out+y_c 1.2*D_iout+y_c]的图像部分作为有效外边界区域；

⑥通过改进Hough变换确定外边界：按步骤③所述过程在外边界感兴趣区域进行改进Hough变换，再对外边界感兴趣区域进行拟合，确定外边界。