CN103971089A - 一种基于GVF Snakes模型的虹膜定位算法 - Google Patents

Abstract

本发明公开一种基于GVF Snakes模型的虹膜定位算法。该方法包括：1）对原始虹膜图像进行粗定位，寻找瞳孔的伪圆心。2）计算图像的GVF值，并用GVF Snakes模型对虹膜内边缘进行粗定位。3）利用步骤2）对虹膜内边缘做精确定位，确定内边缘的几何参数；4）应用GVF Snakes模型检测虹膜外边缘，把虹膜外边缘看成圆来处理，进行虹膜外边缘定位；5）利用步骤4）中定位的虹膜外边缘，确定虹膜外边缘的几何参数；6）利用外边缘的圆心，半径画一个圆，圆周为虹膜外边缘精定位图像，并结合内边缘的圆心，半径即可对虹膜进行精确定位。本方法是虹膜定位中的一种新方法，具有自适应能力强、算法更精确以及GVF Snakes模型实现简单，容易加入新约束等优势。

Description

一种基于GVF Snakes模型的虹膜定位算法

技术领域

本发明涉及生物特征识别技术领域，具体涉及一种基于GVF Snakes模型的虹膜定位算法。

背景技术

近年来各种基于生物特征的身份识别技术研究迅速兴起，虹膜识别具有准确性、非接触性、唯一性、终生不变性和随身携带等特点，是最理想的身份识别技术之一。虹膜定位是虹膜识别的关键步骤之一，是虹膜识别的首要研究问题。国外已有的算法包括Daugman的圆形检测算法，该算法利用一个有效的微积分算子进行虹膜定位；Wildes系统中的虹膜定位算法运用投票机制。Daugman和Wildes虹膜定位算法的缺点是对虹膜图像的要求都很高。国内虹膜定位算法有谭铁牛等人提出的虹膜定位算法，内边缘定位用二值化方法，外边界定位运用Canny算子和最小二乘曲线拟合来完成虹膜定位。现有虹膜定位算法从虹膜的灰度值和虹膜的几何特性两个方面进行虹膜定位。这些方法都有主观或客观上的不足，基于灰度值的方法对虹膜图像的质量要求比较高，获取虹膜图像时光线不足或暴光都会对它产生很大影响；而基于圆的几何特征的方法，虹膜边缘不完全是一个圆，用圆的特性去计算，往往偏差比较大。现有的这些算法检测到的虹膜边缘都是一些离散的点或不连续的线段，而我们希望检测到的边缘是连续和封闭的曲线。

发明内容

本发明要解决的技术问题是采用改进的主动轮廓线模型—GVFSnakes(Gradient Vector Flow Snakes)来进行虹膜定位。

为了实现发明的目的，本发明采用的技术方案如下：

本发明提供一种基于GVF Snakes模型的虹膜定位算法，包括：

该模型在snake模型基础上改变了图像力的计算方式，采用梯度矢量场做为一种新的外力来代替势力这个外力产生的能量不随图像的位置或时间改变。这个新的静态外力场我们把它命名为梯度矢量流（GradientVector Flow），简称为GVF。

用Snake模型对虹膜内边缘进行定位，初始蛇点必须落在搜索范围内，但是用GVF Snakes模型对虹膜内边缘进行定位只要伪圆心落在瞳孔内部就可定位出虹膜的内边缘。首先对瞳孔中心进行粗定位，由于瞳孔的灰度值比虹膜的灰度值小，瞳孔中心的定位我们采用灰度投影法。灰度叠加和最小的位置就是瞳孔的圆心。设瞳孔的伪圆心为p₀(x_p,y_p),由式(1)和(2)得到伪圆心坐标。

$x_p=\arg {\min }_x\underset{y}{\mathrm{\Σ}}I(x,y)---\left(1\right)$

$y_p=\arg {\min }_y\underset{x}{\mathrm{\Σ}}I(x,y)---\left(2\right)$

式中I(x,y)为图像灰度值,argmin(expr(i))表示使表达式expr(i)取得最小值的i，但是由于受到外界因素的影响，比如光照不均匀，噪声的干扰等使得圆心的位置通常不是瞳孔的真圆心，他们之间有一定的偏差，因此称这个圆心为伪圆心。GVF Snakes模型初始控制点的选择，由于模型对初始控制点的选取不敏感，因此，我们采用机器自动给出初始控制点的方式来给出控制点。以伪圆心为圆心，根据先验知识选择半径画圆周，在圆周上均匀的选取n个初始控制点。然后按顺序依次连接起来构成初始轮廓线。

GVF Snakes模型对凹凸边缘能精确定位，因而在使用GVF Snakes模型定位过程中已经对虹膜内边缘做了精确定位。设内边缘的圆心为p(P_x,P_y),半径为R_P，内边缘几何参数圆心和半径的确定我们采用统计方法实现，内边缘的圆心通过求检测到的边缘点的均值得到，即：获得了内边缘的圆心，虹膜内边缘的半径采用求检测到的内边缘点与圆心的距离的均值的方式获取，即： $R_p=\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}\left(\right|P-V_i\left|\right)$

虹膜图像的外边缘通常都有眼皮和睫毛的遮挡，很难达到精确的虹膜定位，为了减少眼皮和睫毛的干扰，初始轮廓线采用椭圆曲线。一般情况下，虹膜外边缘不是一个圆，但我们可以把它看成圆来处理，这样在不影响虹膜特性的基础上可以加快虹膜定位，并且对虹膜识别不会产生很大的影响。设外边缘的圆心为O(O_x,O_y),半径为R₀，外边缘的圆心可以通过求检测到的外边缘点的均值得到，即：获得了外边缘的圆心，虹膜外边缘的半径也采用求检测到的外边缘点与圆心的距离的均值的方式获取，即根据圆心和半径画一个圆，圆周为虹膜外边缘精定位图像。

上述技术方案可以看出，本发明具有以下优点：

1）对原始图像质量要求不高。

2）具有较强的自适应能力，比现有的虹膜定位算法更精确。

3）GVF Snakes模型实现简单，容易加入新约束，分布也比较均匀。

3）模型在外边缘定位时，由于受到睫毛的干扰，局部收敛效果不理想但不影响整个外边缘的定位。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是凹陷边缘检测示意图；

图2是不连续边缘检测示意图；

图3是虹膜定位过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种基于GVF Snakes模型的虹膜定位算法，使得能够方便地、准确地识别和定位生物特征。

以下结合附图对本发明方案进行详细介绍。

图1是凹陷边缘检测（a.凹陷边缘图像b.snake迭代500次的边缘检测图像c.GVF Snakes迭代125次的边缘检测图像）。

如图1所示GVF Snakes模型比传统的Snake模型对凹陷部位有更好的收敛效果，并且迭代次数比传统Snake模型少很多

图2是不连续边缘检测（a.边缘不连续的图像b.snake算法检测到的图像边缘c.GVF Snakes算法检测到的图像边缘）。

如图2所示GVF Snakes进行边缘检测具有更好的连续性、封闭性和收敛性。

图3是虹膜定位过程。

如图3所示，虹膜内边缘附近包含丰富的特征信息，并且虹膜内边缘比虹膜外边缘更有规律，因而虹膜内边缘的定位在虹膜定位中是很重要的一步，我们用GVF Snakes模型进行定位。

图3-a是原始虹膜图像。

如图3-a所示获得原始虹膜图像，获得伪圆心P₀。

图3-b是模糊后的虹膜图像。

如图3-b所示进行图像增强，用高斯函数模糊原始图像增强图像的边缘，高斯函数对虹膜图像消除噪声并平滑图像，增强边缘图像的梯度变化。

图3-c是虹膜的GVF图像。

如图3-c所示计算图像的GVF值,对于图像边缘点梯度值计算，采用镜像延拓方式实现。

图3-d是初始化虹膜内边缘。

如图3-d所示设置内边缘的初始蛇点。以伪圆心为圆心，根据先验知识给定一个和瞳孔大小相当的值为半径，在这个圆周上取一定数量的点做为初始蛇点。

图3-e是检测到的虹膜内边缘。

如图3-e所示是应用GVF Snakes模型检测虹膜内边缘，根据以上检测到的虹膜内边缘求出内边缘的圆心、半径等几何参数。

图3-f是初始化虹膜外边缘。

如图3-f所示是设置外边缘的初始蛇点，以内边缘的圆心为椭圆中心，根据先验知识给定椭圆的长半轴和短半轴长度，在椭圆圆周上取一定数量的点作为初始蛇点。

图3-g是检测到的虹膜外边缘。

如图3-g所示是应用GVF Snakes模型检测虹膜外边缘。

图3-h是虹膜外边缘精定位。

如图3-h所示是求出外边缘的圆心、半径等几何参数，用获得的圆心和半径在原始虹膜图像上画出外边缘的检测结果。

上述技术方案可以看出，本发明的方法采用GVF Snakes进行虹膜定位对原始图像质量要求不高。GVF Snakes模型能够自主的收缩或膨胀，采用GVFSnakes定位虹膜图像凹陷边缘收敛到很好的位置，具有较强的自适应能力，比现有的虹膜定位算法更精确。

以上对本发明实施例所提供的一种基于GVF Snakes模型的虹膜定位算法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于GVF Snakes模型的虹膜定位算法，其特征在于：

对原始虹膜图像进行粗定位，寻找瞳孔的伪圆心P₀；计算图像的GVF值，并用GVF Snakes模型对虹膜内边缘进行粗定位。

2.根据权利要求1所述的一种基于GVF Snakes模型的虹膜定位算法，其特征在于：

利用所得的虹膜图像伪圆心和GVF Snakes模型对虹膜内边缘做精确定位，确定内边缘的几何参数，包括内边缘的圆心P,半径R_p。

3.一种基于GVF Snakes模型的虹膜定位算法，其特征在于：

应用GVF Snakes模型检测虹膜外边缘,一般情况下把虹膜外边缘看成圆来处理，在不影响虹膜特性的基础上加快虹膜外边缘定位.

4.根据权利要求3所述的一种基于GVF Snakes模型的虹膜定位算法，其特征在于：

利用虹膜外边缘定位，确定虹膜外边缘的几何参数，包括外边缘的圆心O,半径R₀。

5.一种基于GVF Snakes模型的虹膜定位算法，其特征在于：

利用外边缘的圆心O，半径R₀，圆心和半径画一个圆，圆周为虹膜外边缘精定位图像，并结合内边缘的圆心P，半径R_p即可对虹膜进行精确定位。