CN104463159B - 一种定位虹膜的图像处理方法和装置 - Google Patents
一种定位虹膜的图像处理方法和装置 Download PDFInfo
- Publication number
- CN104463159B CN104463159B CN201410854091.5A CN201410854091A CN104463159B CN 104463159 B CN104463159 B CN 104463159B CN 201410854091 A CN201410854091 A CN 201410854091A CN 104463159 B CN104463159 B CN 104463159B
- Authority
- CN
- China
- Prior art keywords
- pupil
- iris
- image
- center
- boundary point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 210000001747 pupil Anatomy 0.000 claims abstract description 89
- 230000003044 adaptive effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 210000000744 eyelid Anatomy 0.000 claims abstract description 17
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 27
- 229910052705 radium Inorganic materials 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000005622 photoelectricity Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003786 sclera Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种定位虹膜的图像处理方法和装置，本发明公开了一种定位虹膜的图像处理方法，该方法包括：获取包含虹膜区域的人眼图像；通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界；通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界；通过从人眼图像中去除眼皮区域提取感兴趣虹膜区域的图像。
Description
技术领域
本发明涉及图像处理领域及生物识别领域，特别涉及一种定位虹膜的图像处理方法和装置。
背景技术
在信息时代，如何正确确定人的身份，保护信息安全，已经成为一个重要的社会问题。传统的生物身份认证方式如指纹、人脸由于容易被伪造，越来越难以满足社会需要。虹膜较其它生物特征具有唯一性、稳定性、非入侵性以及防伪性等优点，使得虹膜识别技术得到了广泛的关注。
虹膜是人眼中介于瞳孔和巩膜之间的环状区域，含有较为丰富的纹理信息。但是，虹膜成像设备在采集虹膜图像的同时，不可避免的采集到瞳孔、巩膜、眼皮、睫毛等。而虹膜识别需要的仅仅是介于瞳孔和巩膜之间不被眼皮和睫毛遮挡的区域，因此，为了得到该区域就需要准确的定位虹膜区域，以便于分割。
经典的虹膜分割算法有Daugman在其专利U.S.Pat.No.5291560提出的微积分算子方法。该方法在三维参数空间迭代求最优解，面临计算量大、定位速度慢的问题。谭铁牛等人在其专利CN 101539991 B中采用canny边缘检测和最小二乘法来拟合虹膜边界，由于虹膜边界往往比较模糊，使得分割准确性不强。
因此，需要提出一种满足实时、快速处理且鲁棒的虹膜分割算法的技术方案。
发明内容
为此，本发明提供一种新的定位虹膜的图像处理方法和装置，以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面，提供一种定位虹膜的图像处理方法，所述方法包括：获取包含虹膜区域的人眼图像；通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界；通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界；通过从人眼图像中去除眼皮区域提取感兴趣虹膜区域的图像。
通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界可以包括：对人眼图像作滤波去噪处理；计算人眼图像中近似瞳孔中心(x0,y0)。及近似瞳孔半径r0；在以近似瞳孔中心(x0,y0)。为圆心以及以半径为(r1，r2)的环形范围内，采用自适应圆弧投影模型算法计算候选瞳孔边界点；根据候选瞳孔边界点与近似瞳孔中心(x0,y0)的距离从候选瞳孔边界点中排除非真实边界点；对剩余的候选瞳孔边界点使用最小二乘法拟合得到瞳孔边界以及瞳孔中心(xpupil,ypupil)和瞳孔半径rpupil。根据候选瞳孔边界点与近似瞳孔中心的距离从候选瞳孔边界点中排除非真实边界点可以包括：排除与近似瞳孔中心的距离小于第一瞳孔半径阈值R1和大于第二瞳孔半径阈值R2的候选瞳孔边界点。
通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界可以包括：根据瞳孔边界的位置，在虹膜区域的左右两边划分含有虹膜外边界的两个矩形区域；对两个矩形区域进行滤波去噪处理；在两个矩形区域内采用各向异性Canny算子检测图像的边缘；在以瞳孔中心(xpupil,ypupil)为圆心以及以半径为(r3，r4)的环形范围内，采用自适应圆弧投影模型算法计算候选虹膜外边界点；根据候选虹膜外边界点与瞳孔中心(xpupil,ypupil)的距离，从候选虹膜外边界点中排除非真实边界点；对剩余的候选虹膜外边界点使用最小二乘圆拟合得到虹膜的外边界、虹膜中心和虹膜半径。根据候选虹膜外边界点与瞳孔中心的距离从候选虹膜外边界点中排除非真实边界点可以包括：如果该候选虹膜外边界点与瞳孔中心的距离小于第一虹膜半径阈值R3、或者大于第二虹膜半径阈值R4、或者超过各候选虹膜外边界点与瞳孔中心的平均距离第一偏离阈值，则排除该候选虹膜外边界点。
通过从人眼图像中去除眼皮区域提取虹膜区域的图像可以包括：以虹膜中心为圆心，以虹膜直径为边长，裁剪虹膜区域图像；对虹膜区域图像计算梯度图像；对梯度图像二值化处理，将瞳孔掩码；将二值图像分块并标记连通区域，对连通区域按面积排序；遍历各连通区域，根据连通区域所占的列序号确定是否保留该连通区域；在保留的连通区域中依据列序号找出距瞳孔最近的点；对找到的点基于RANSAC算法和最小二乘法拟合得到上下眼皮曲线，并提取感兴趣虹膜区域的图像。确定是否保留该连通区域可以包括：如果连通区域的列序号包含没被其他面积较大的连通区域所包含的列序号，则保留所述连通区域。对虹膜区域图像计算梯度图像可以包括强化水平方向梯度，弱化垂直方向梯度。
瞳孔边界点的计算通过自适应圆弧投影模型算法步骤可以包括：
在以近似瞳孔中心(x0,y0)为圆心，以半径为(r1，r2)的环形范围内，以角度θ、积分区域宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值；以及选择最大的积分值所对应的坐标点作为候选瞳孔边界点，其中自适应圆弧投影模型算法公式为：
其中，(x0,y0)表示近似瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在x,y)处的值，ρ表示宽度，并且ρ的范围是(r1，r2)，其中，r1＜r0，r2＞r0，h表示矩形高度，θ表示矩形相对水平轴的倾斜角。
虹膜外边界点的计算通过自适应圆弧投影模型算法步骤可以包括：
在以瞳孔中心(xpupil,ypupil)为圆心，以半径为(r3，r4)的环形范围内，以角度θ、积分区域宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值；以及选择最大的积分值所对应的坐标点为候选虹膜外边界点，其中自适应圆弧投影模型算法公式为：
其中，(xpupil,ypupil)表示瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在x,y)处的值，ρ表示宽度，并且ρ的范围是(r3，r4)，其中，r3＞rpupil，r4＞R3，h表示矩形高度，θ表示矩形相对水平轴的倾斜角。
滤波方法可以包括高斯滤波方法。
对梯度图像二值化处理可以包括：根据虹膜区域图像灰度分布特点选取直方图中的波谷点作为阈值进行图像二值化。
计算人眼图像中近似瞳孔中心(x0,y0)及近似瞳孔半径r0可以包括：对二值化图像先形态学开运算，消除孤立的光斑点；填充被黑块包围的白色区域；从白色背景中找出最大的黑色连通区域；将该区域的重心作为近似瞳孔中心。
计算人眼图像中近似瞳孔半径r0可以包括：对二值化图像进行Canny算子检测边缘，并对检测得到的边缘图像进行极坐标变换；沿着圆周的方向朝向半径轴向进行自适应投影，将投影值最大的半径确定为近似瞳孔半径。
第一瞳孔半径阈值R1、第二瞳孔半径阈值R2、第一虹膜半径阈值R3和第二虹膜半径阈值R4的计算是根据相机采集人眼图像时，相机到人眼的距离为d，相机视场角度为θ，人脸宽度为w的物理与光电对应关系计算得到。
根据本发明的另一个方面，提供一种定位虹膜的图像处理装置，该装置包括：人眼图像检测单元，适于获取包含虹膜区域的人眼图像；虹膜边缘定位单元，适于通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界以及虹膜外边界；虹膜图像获取单元，适于通过从人眼图像中去除眼皮区域提取感兴趣虹膜区域的图像。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个示例性实施例的瞳孔边界定位示意图；
图2示出了根据本发明一个示例型实施例的自适应圆弧投影模型示意图；
图3示出了根据本发明一个示例型实施例的计算瞳孔半径阈值的示意图；
图4和5分别示出了根据本发明一个示例型实施例的对虹膜外边界定位示意图；
图6示出了根据本发明一个示例型实施例的对虹膜二值化图像；以及
图7示出了根据本发明一个示例型实施例的定位虹膜的图像处理装置。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
首先，获取包含虹膜区域的人眼图像，根据获取的眼部图像依次通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界，通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界，最后通过从人眼图像中去除眼皮区域提取虹膜区域的图像。
图1示出了根据本发明的一个示例性实施例的瞳孔边界定位示意图。
如图1所示，在获取了包含虹膜区域的人眼图像后，通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界的步骤可以包括：
对人眼图像作二值化及滤波去噪处理，计算人眼图像中近似的瞳孔中心(x0,y0)及半径r0。
根据一种实施方式，对虹膜图像的滤波方法可以为高斯滤波方法。
将虹膜图像二值化时，可以根据虹膜区域图像灰度分布特点选取直方图中的波谷点作为阈值进行二值化处理。
随后，对二值化图像形态学开运算，消除孤立的光斑点。填充被黑块包围的白色区域，消除瞳孔中的光线反射光斑。从白色背景中找出最大的黑色连通区域，此区域可视为瞳孔，其重心为近似的瞳孔中心(x0,y0)。最后，将二值化图像进行Canny算子检测边缘，并对检测得到的边缘图像进行极坐标变换，沿着圆周的方向朝向半径轴向进行自适应投影，投影值最大的那个半径即为初始的瞳孔半径r0。
根据计算得到的近似瞳孔中心，以近似瞳孔中心(x0,y0)为圆心以及，采用自适应圆弧投影模型算法计算候选瞳孔边界点。
图2示出了根据本发明一个示例型实施例的自适应圆弧投影模型示意图。
根据一种实施方式并参考图2，在计算瞳孔边界时，选取一个矩形条，矩形条以近似瞳孔中心(x0,y0)为圆心，以宽度为ρ、高度为h的环形范围内，积分时以角度θ、宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值，并选择最大的积分值所对应的坐标点作为候选瞳孔边界点。其中，积分区域的宽度ρ为r2‐r1。
其中自适应圆弧投影模型算法公式为：
其中，(x0,y0)表示近似瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在(x,y)处的值，ρ表示宽度，并且ρ的范围是(r1，r2)，其中，r1＜r0，r2＞r0，h表示矩形高度，θ表示矩形相对水平轴的倾斜角。根据上述公式进行计算时，可以根据具体选择确定r1、r2，例如，0.5*r0＜r1＜r0，r0＜r2＜1.2*r0。
计算得到瞳孔候选边界点后，通过候选瞳孔边界点与近似瞳孔中心(x0,y0)的距离从候选瞳孔边界点中排除非真实的边界点。
根据一种实施方式，排除与近似瞳孔中心的距离小于第一瞳孔半径阈值R1和大于第二瞳孔半径阈值R2的候选瞳孔边界点。其中，在确定第一瞳孔半径阈值R1和第二瞳孔半径阈值R2可以根据虹膜图像的图片大小确定，例如第一瞳孔半径阈值R1可以为80像素，第二瞳孔半径阈值R2可以为20像素。
图3示出了根据本发明一个示例型实施例的计算瞳孔半径的阈值的示意图。
如图3所示，第一瞳孔半径阈值R1和第二瞳孔半径的阈值R2的计算是根据相机采集人眼图像时，相机到人眼的距离为d，相机视场角度为θ，人脸宽度为w的物理与光电对应关系计算得到。
计算过程如下：
根据相机采集人眼图像时，相机到人眼的距离为d，相机视场角度为θ，人脸宽度为w，由几何关系可列函数式：
假设人脸宽度的光电直径为Pixelface，虹膜及瞳孔的物理直径为Diris和Dpupil，虹膜及瞳孔的光电直径Pixeliris及Pixelpupil由下式得出：
排除瞳孔候选边界点中的非真实边界点后，对剩余的候选瞳孔边界点使用最小二乘法拟合得到瞳孔边界以及瞳孔中心(xpupil,ypupil)和瞳孔半径rpupil。
图4和图5示出了根据本发明一个示例型实施例的对虹膜外边界定位示意图。
完成瞳孔边界定位后，通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界。首先，如图4所示，根据瞳孔边界的位置，在虹膜区域的左右两边划分含有虹膜外边界的两个矩形区域。对两个矩形区域进行滤波去噪处理，例如高斯滤波去噪方法。在两个矩形区域内采用各向异性Canny算子检测图像的边缘。如图5所示，在以瞳孔中心(xpupil,ypupil)为圆心，以半径为(r3，r4)的环形范围内，采用自适应圆弧投影模型算法计算候选虹膜外边界点。
根据一种实施方式可参考图2，在计算虹膜外边界点时，选取一个矩形条，矩形条以瞳孔中心(xpupil,ypupil)为圆心，以宽度为ρ、高度为h的环形范围内，以角度θ、宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值，并选择最大的积分值所对应的坐标点作为候选瞳孔边界点。其中，积分区域的宽度ρ为r4‐r3。
其中自适应圆弧投影模型算法公式为：
其中，(xpupil,ypupil)表示瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在x,y)处的值，ρ表示宽度，并且ρ的范围是(r3，r4),其中，r3＞rpupil，r4＞R3，h表示矩形高度，θ表示矩形相对水平轴的倾斜角。根据上述公式进行计算时，可以根据具体选择确定r3，r4，例如，rpupil＜r3＜R3，R3＜r4＜1.2*R3。
随后，根据候选虹膜外边界点与瞳孔中心(xpupil,ypupil)的距离，从候选虹膜外边界点中排除非真实边界点。
根据一种实施方式，在候选虹膜外边界点中排除非真实边界点时，如果该候选虹膜外边界点与瞳孔中心的距离小于第一虹膜半径阈值R3、或者大于第二虹膜半径阈值R4、或者超过各候选虹膜外边界点与瞳孔中心的平均距离第一偏离阈值，则排除该候选虹膜外边界点。其中，在确定第一虹膜半径阈值R3和第二虹膜半径阈值R4可以根据虹膜图像的图片大小确定，例如，第一虹膜半径阈值R3可以为160像素，第二虹膜半径阈值R4可以为80像素，第一偏离阈值为自适应值，根据不同的虹膜图像得到的第一偏离阈值各不相同。其中，第一虹膜半径阈值R3和第二虹膜半径阈值R4的计算参考图3可计算的到，上文已进行详细描述，此处不做描述。
对剩余的候选虹膜外边界点使用最小二乘圆拟合得到虹膜的外边界、虹膜中心和虹膜半径。
图6示出了根据本发明一个示例型实施例的对虹膜二值化图像。
通过从人眼图像中去除眼皮区域提取虹膜区域的图像的步骤可以包括：
根据眼皮在虹膜图像中的位置分布特点，在已完成的虹膜外边界的中心及虹膜半径基础上，以虹膜中心为圆心，以虹膜直径为边长，裁剪虹膜区域图像。对虹膜区域图像计算梯度图像，其中，对虹膜区域图像计算梯度图像可以包括强化水平方向梯度，弱化垂直方向梯度。对梯度图像进行二值化处理，并将瞳孔掩码，如图6所示。将得到的二值图像分块并标记连通区域，对连通区域按面积排序。遍历各连通区域，根据连通区域所占的列序号确定是否保留该连通区域。在保留的连通区域中依据列序号找出距瞳孔最近的点。对找到的点基于RANSAC算法和最小二乘法拟合得到上下眼皮曲线，并提取感兴趣虹膜区域的图像。在提取虹膜图像时，将上眼皮曲线上依列掩膜行数小于上眼皮所在的行，在下眼皮曲线上依列掩膜行数大于下眼皮所在的行，得到虹膜图像。
根据一种实施方式，在确定是否保留该连通区域时，如果连通区域的列序号包含没被其他面积较大的连通区域所包含的列序号，则保留所述连通区域。
图7示出了根据本发明一个示例型实施例的定位虹膜的图像处理装置示意图。如图7所示，定位虹膜的图像处理装置700包括人眼图像检测单元710，虹膜边缘定位单元720和虹膜图像获取单元730。
人眼图像检测单元710适于获取包含虹膜区域的人眼图像。经过耦接虹膜图像检测单元710的虹膜边缘定位单元720计算得到虹膜的内外边缘，在计算虹膜内外边缘时，通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界以及虹膜外边界。最后，通过虹膜图像获取单元730从人眼图像中去除眼皮区域提取感兴趣虹膜区域的图像。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (14)
1.一种定位虹膜的图像处理方法，所述方法包括：
获取包含虹膜区域的人眼图像；
通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界；
通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界；
通过从人眼图像中去除眼皮区域提取感兴虹膜区域的图像，其中，
裁剪以虹膜直径为边长的正方形虹膜区域图像，其中正方形虹膜区域图像以虹膜中心为中心；
对虹膜区域图像计算梯度图像；
对梯度图像二值化处理，将瞳孔掩码；
将二值图像分块并标记连通区域，对连通区域按面积排序；
遍历各连通区域，根据连通区域所占的列序号确定是否保留该连通区域；
在保留的连通区域中依据列序号找出距瞳孔最近的点；
对找到的点基于RANSAC算法和最小二乘法拟合得到上下眼皮曲线，并提取虹膜图像。
2.根据权利要求1所述的方法，其中所述通过自适应圆弧投影模型算法在人眼图像中定位瞳孔边界的步骤包括：
对人眼图像作二值化及滤波去噪处理；
计算人眼图像中近似瞳孔中心(x0,y0)及近似瞳孔半径r0；
在以近似瞳孔中心(x0,y0)为圆心以及以半径为(r1，r2)的环形范围内，采用自适应圆弧投影模型算法计算候选瞳孔边界点；
根据候选瞳孔边界点与近似瞳孔中心(x0,y0)的距离从候选瞳孔边界点中排除非真实边界点；
对剩余的候选瞳孔边界点使用最小二乘法拟合得到瞳孔边界以及瞳孔中心(xpupil,ypupil)和瞳孔半径rpupil。
3.根据权利要求2所述的方法，其中所述根据候选瞳孔边界点与近似瞳孔中心的距离从候选瞳孔边界点中排除非真实边界点包括：
排除与近似瞳孔中心的距离小于第一瞳孔半径阈值R1和大于第二瞳孔半径阈值R2的候选瞳孔边界点。
4.根据权利要求1所述的方法，其中所述通过自适应圆弧投影模型算法在人眼图像中定位虹膜外边界包括：
根据瞳孔边界的位置，在虹膜区域的左右两边划分含有虹膜外边界的两个矩形区域；
对两个矩形区域进行滤波去噪处理；
在两个矩形区域内采用各向异性Canny算子检测图像的边缘；
在以瞳孔中心(xpupil,ypupil)为圆心以及以半径为(r3，r4)的环形范围内，采用自适应圆弧投影模型算法计算候选虹膜外边界点；
根据候选虹膜外边界点与瞳孔中心(xpupil,ypupil)的距离，从候选虹膜外边界点中排除非真实边界点；
对剩余的候选虹膜外边界点使用最小二乘圆拟合得到虹膜的外边界、虹膜中心和虹膜半径。
5.根据权利要求4所述的方法，其中所述根据候选虹膜外边界点与瞳孔中心的距离从候选虹膜外边界点中排除非真实边界点包括：
如果该候选虹膜外边界点与瞳孔中心的距离小于第一虹膜半径阈值R3、或者大于第二虹膜半径阈值R4、或者超过各候选虹膜外边界点与瞳孔中心的平均距离第一偏离阈值，则排除该候选虹膜外边界点。
6.根据权利要求5所述的方法，其中所述确定是否保留该连通区域包括：
如果连通区域的列序号包含没被其他面积较大的连通区域所包含的列序号，则保留所述连通区域。
7.根据权利要求5所述的方法，其中所述对虹膜区域图像计算梯度图像包括强化水平方向梯度，弱化垂直方向梯度。
8.根据权利要求1、2或3中任一项所述的方法，其中瞳孔边界点的计算通过自适应圆弧投影模型算法步骤包括：
在以近似瞳孔中心(x0,y0)为圆心，以半径为(r1，r2)的环形范围内，以角度θ、宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值；以及
选择最大的积分值所对应的坐标点作为候选瞳孔边界点，
其中自适应圆弧投影模型算法公式为：
其中，(x0,y0)表示近似瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在(x,y)处的值，ρ表示宽度，并且ρ的范围是(r1，r2)，其中，r1＜r0，r2＞r0，h表示矩形条高度，θ表示矩形相对水平轴的倾斜角。
9.根据权利要求1、4或5中任一项所述的方法，其中虹膜外边界点的计算通过自适应圆弧投影模型算法步骤包括：
在以瞳孔中心(xpupil,ypupil)为圆心，以半径为(r3，r4)的环形范围内，以角度θ、宽度ρ对高度为h的矩形条根据自适应圆弧投影模型算法公式计算积分值；以及
选择最大的积分值所对应的坐标点为候选虹膜外边界点，
其中自适应圆弧投影模型算法公式为：
其中，(xpupil,ypupil)表示瞳孔中心，I(x,y)为矩形条边缘检测后的二值图像在(x,y)处的值，ρ表示宽度，并且ρ的范围是(r3，r4)，其中，r3＞rpupil，r4＞R3，h表示矩形条高度，θ表示矩形相对水平轴的倾斜角。
10.根据权利要求2或4所述的方法，其中所述的滤波方法包括高斯滤波方法。
11.根据权利要求1所述的方法，其中所述对梯度图像二值化处理包括：
根据虹膜区域图像灰度分布特点选取直方图中的波谷点作为阈值进行图像二值化。
12.根据权利要求2所述的方法，其中所述计算人眼图像中近似瞳孔中心(x0,y0)包括：
对二值化图像形态学开运算，消除孤立的光斑点；
填充被黑块包围的白色区域；
从白色背景中找出最大的黑色连通区域；
将该区域的重心作为近似瞳孔中心(x0,y0)。
13.根据权利要求2所述的方法，其中所述计算人眼图像中近似瞳孔半径r0包括：
对二值化图像进行Canny算子检测边缘，并对检测得到的边缘图像进行极坐标变换；
沿着圆周的方向朝向半径轴向进行自适应投影，将投影值最大的半径确定为近似瞳孔半径。
14.根据权利要求3或5所述的方法，其中第一瞳孔半径阈值R1、第二瞳孔半径阈值R2、第一虹膜半径阈值R3和第二虹膜半径阈值R4的计算是根据相机采集人眼图像时，相机到人眼的距离为d，相机视场角度为θ，人脸宽度为w的物理与光电对应关系计算得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854091.5A CN104463159B (zh) | 2014-12-31 | 2014-12-31 | 一种定位虹膜的图像处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854091.5A CN104463159B (zh) | 2014-12-31 | 2014-12-31 | 一种定位虹膜的图像处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104463159A CN104463159A (zh) | 2015-03-25 |
| CN104463159B true CN104463159B (zh) | 2017-11-28 |
Family
ID=52909175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410854091.5A Active CN104463159B (zh) | 2014-12-31 | 2014-12-31 | 一种定位虹膜的图像处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104463159B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020120478A1 (de) * | 2018-12-11 | 2020-06-18 | Stellar Data Broadcast Services Gmbh | Verfahren zum bestimmen eines pupillendurchmessers |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102204307B1 (ko) * | 2015-06-11 | 2021-01-18 | 삼성전자주식회사 | 생체 정보를 포함하는 영상의 전 처리 방법 |
| CN105488803A (zh) * | 2015-12-09 | 2016-04-13 | 重庆康华瑞明科技股份有限公司 | 一种人眼瞳孔图像判断方法 |
| CN105488487B (zh) * | 2015-12-09 | 2018-11-02 | 湖北润宏科技股份有限公司 | 一种虹膜定位方法及装置 |
| WO2017113039A1 (zh) * | 2015-12-30 | 2017-07-06 | 王晓鹏 | 一种基于主动外观模型的虹膜区域分割方法及装置 |
| CN106407772A (zh) * | 2016-08-25 | 2017-02-15 | 北京中科虹霸科技有限公司 | 适于虚拟现实设备的人机交互与身份认证装置及其方法 |
| CN107169953B (zh) * | 2017-04-07 | 2020-02-21 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
| CN108062770B (zh) * | 2017-10-25 | 2021-08-17 | 华南农业大学 | 一种自然拍照的微孔板图片中微孔中心的精确定位方法 |
| CN107808397B (zh) * | 2017-11-10 | 2020-04-24 | 京东方科技集团股份有限公司 | 瞳孔定位装置、瞳孔定位方法和视线追踪设备 |
| CN107833251B (zh) * | 2017-11-13 | 2020-12-04 | 京东方科技集团股份有限公司 | 瞳孔定位装置和方法、虚拟现实设备的显示驱动器 |
| CN108280403B (zh) * | 2017-12-27 | 2020-08-04 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
| CN109086713B (zh) * | 2018-07-27 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 眼部识别方法、装置、终端及存储介质 |
| CN109684915B (zh) * | 2018-11-12 | 2021-01-01 | 温州医科大学 | 瞳孔跟踪图像处理方法 |
| CN111368719A (zh) * | 2020-03-03 | 2020-07-03 | 东莞理工学院 | 瞳孔特征的真实情感聊天机器人系统及该系统的判断方法 |
| CN112989939B (zh) * | 2021-02-08 | 2023-04-07 | 佛山青藤信息科技有限公司 | 一种基于视觉的斜视检测系统 |
| US20240144722A1 (en) * | 2022-11-01 | 2024-05-02 | Calvin John RUBENS | Methods and systems for adaptive binarization thresholding for pupil segmentation |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201893A (zh) * | 2006-09-30 | 2008-06-18 | 电子科技大学中山学院 | 一种基于灰度信息的虹膜识别预处理方法 |
| CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
| US8401305B2 (en) * | 2008-10-16 | 2013-03-19 | Keyence Corporation | Contour-information extracting method by use of image processing, pattern model creating method in image processing, pattern model positioning method in image processing, image processing apparatus, image processing program, and computer readable recording medium |
-
2014
- 2014-12-31 CN CN201410854091.5A patent/CN104463159B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201893A (zh) * | 2006-09-30 | 2008-06-18 | 电子科技大学中山学院 | 一种基于灰度信息的虹膜识别预处理方法 |
| CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
| US8401305B2 (en) * | 2008-10-16 | 2013-03-19 | Keyence Corporation | Contour-information extracting method by use of image processing, pattern model creating method in image processing, pattern model positioning method in image processing, image processing apparatus, image processing program, and computer readable recording medium |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020120478A1 (de) * | 2018-12-11 | 2020-06-18 | Stellar Data Broadcast Services Gmbh | Verfahren zum bestimmen eines pupillendurchmessers |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104463159A (zh) | 2015-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104463159B (zh) | 一种定位虹膜的图像处理方法和装置 | |
| EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
| Roychowdhury et al. | Optic disc boundary and vessel origin segmentation of fundus images | |
| US8798344B2 (en) | Image processing apparatus, image processing method and computer-readable recording device | |
| Miri et al. | Multimodal segmentation of optic disc and cup from SD-OCT and color fundus photographs using a machine-learning graph-based approach | |
| WO2020019286A1 (zh) | 眼睑下垂检测方法及系统 | |
| CN106846293B (zh) | 图像处理方法和装置 | |
| Chakravarty et al. | Coupled sparse dictionary for depth-based cup segmentation from single color fundus image | |
| US20130222767A1 (en) | Methods and systems for detecting peripapillary atrophy | |
| Girard et al. | Simultaneous macula detection and optic disc boundary segmentation in retinal fundus images | |
| Tan et al. | Automatic notch detection in retinal images | |
| Fondón et al. | Automatic optic cup segmentation algorithm for retinal fundus images based on random forest classifier | |
| Kusuma et al. | Retracted: Heart Abnormalities Detection Through Iris Based on Mobile | |
| CN109300105A (zh) | 毛孔检测方法、系统、设备及存储介质 | |
| Radman et al. | Efficient iris segmentation based on eyelid detection | |
| Karakaya et al. | An iris segmentation algorithm based on edge orientation for off-angle iris recognition | |
| Aydi et al. | A fast and accurate eyelids and eyelashes detection approach for iris segmentation | |
| Niemeijer et al. | Automatic Detection of the Optic Disc, Fovea and Vacular Arch in Digital Color Photographs of the Retina. | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Mittal et al. | Optic disk and macula detection from retinal images using generalized motion pattern | |
| Ramaswamy et al. | A depth based approach to glaucoma detection using retinal fundus images | |
| JP6469838B2 (ja) | 生物組織の３次元ボリュームを表す画像データを分析する方法 | |
| Novo et al. | Optic disc segmentation by means of GA-optimized topological active nets | |
| Pradhepa et al. | Segmentation and localization of optic disc using feature match and medial axis detection in retinal images | |
| Wong et al. | An ensembling approach for optic cup detection based on spatial heuristic analysis in retinal fundus images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Xiaopeng Inventor before: Ma Chaoyu Inventor before: Yang Huaiheng Inventor before: Zhang Hu Inventor before: Wang Xiaopeng |
|
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |