CN104537334B - 一种改善在非理想环境下虹膜识别性能的方法 - Google Patents

Abstract

本发明公开了一种改善在非理想环境下虹膜识别性能的方法。其步骤如下：步骤一，对所要识别的虹膜图像进行处理，对该图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声；步骤二，使用AIPF函数令虹膜图像的内外部边界逼近于圆；步骤三，以上述步骤二的定位结果为初始轮廓，应用Chan‑Vese模型找出虹膜图像中的内部边界；步骤四，以虹膜的外圆逼近结果为初始轮廓，应用Chan‑Vese模型找出虹膜图像中的外部部边界；步骤五，基于上面的虹膜定位结果对虹膜图像进行正规化处理；步骤六，通过伽柏滤波器从正规虹膜图像算出特征，跟数据库的特征进行匹配。本发明采用上述技术方案后，将Chan‑Vese模型的高速运行法和APIF函数定位结果结合起来，以提高非理想环境下的虹膜定位准确性。

Description

一种改善在非理想环境下虹膜识别性能的方法

技术领域：

本发明涉及虹膜识别技术领域，特指一种改善在非理想环境下虹膜识别性能的方法。

背景技术：

生物识别系统收集人身生体信息并从其信息抽取生体特征，然后跟数据库中的模板群对比。以前生物识别系统所用的最常见的生物识别信息是指纹、人脸、网膜、声音、虹膜。虹膜识别技术是人体生物识别技术的一种。我们知道，人眼睛的外观图由巩膜、虹膜、瞳孔三部分构成。巩膜即眼球外围的白色部分，约占总面积的30％；眼睛中心为瞳孔部分，约占5％；虹膜位于巩膜和瞳孔之间，包含了最丰富的纹理信息，占据65％。外观上看，由许多腺窝、皱褶、色素斑等构成，是人体中最独特的结构之一。虹膜的形成由遗传基因决定，人体基因表达决定了虹膜的形态、生理、颜色和总的外观。虹膜具有的高度独特性、稳定性及不可更改的特点，是虹膜可用作身份鉴别的物质基础。

虹膜识别方式包括：虹膜的内外边界定位、特征抽取、对比三个阶段。其中定位阶段是虹膜识别的第一阶段，又是最重要部分。定位性能影响到识别总体性能。虹膜识别一般内外边界为圆，但是虹膜边界不是圆，所以这样定位方法可以成为错误的原因。

1993年，JOHN-Daugman提出了实现了一个高性能的自动虹膜识别原型系统。今天，大部分的自动虹膜识别系统都使用Daugman核心算法。Daugman使用积分微分算子(Integro-differnential operator)检测出内外边界和上下眼睑。Wildes使用边缘检测器(Edge detector)和圆形Hough变换(Circular Hough transform)对虹膜进行分割，通过抛物线曲线对上下眼睑进行定位。但是这些方法在运动幅度大、虹膜图像画质不好的情况下不能解决问题而且速度也缓慢，所以对实时运行应用不适。

目前为了解决这些问题出现了一些使用活动轮廓模型(Active Contour Model)检测出虹膜边缘的方法。活动轮廓模型是在边界检出和图像分割、形状模型化和形状追踪领域中最成功的核心技术之一。活动轮廓模型包括以Snake模型为代表的参数活动轮廓模型(parametric active contour model)和基于水平集方法的几何活动轮廓模型(geometric active contour model)。几何活动轮廓模是跟参数活动轮廓莫兴比起来仅仅依靠简单的几何参数，没有控制形状变化的特别条件也可以变更轮廓形状。几何活动轮廓模型包括基于边缘的活动轮廓模型和基于面积的活动轮廓模型。基于边缘的活动轮廓模型为了在目标边界处停止曲线演化使用大的图像梯度。基于面积的活动轮廓模型在每个领域中通过拟合灰度、颜色、Texture、运动等统计模型进行图像分割。所以在弱边界图像中可以获得更好的结果。但是使用这样的活动轮廓模型时，先要有初始轮廓形状。

本发明人经过不断的研究，提出了采用基于面积的活动轮廓模型之一Chan-Vese活动轮廓模型，在非理想环境中定位虹膜图像的内外边界的方法。Chan-Vese模型通常通过解水平集方程或泊松方程等偏微分方程来运行。这样的方法理论上讲有意义，但是计算量太大。而且因为使用图像的全局信息，灰度不均匀场景下准确率下降。基于这些问题，本发明人提出了以下解决方案。

发明内容：

本发明所要解决的技术问题就是克服现有技术的不足，提供一种改善在非理想环境下虹膜识别性能的方法。该技术方案提出基于局部面积的Chan-Vese模型高速运行方法，而且提出以角积分投影函数AIPF(angular integral projection function)为该模型的初始轮廓进行高速定位圆形边界的方法。

为解决上述技术问题，本发明采用了如下的技术方案：该方法的步骤如下：步骤一，对所要识别的虹膜图像进行处理，对该图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声；步骤二，使用AIPF函数令虹膜图像的内外部边界逼近于圆；步骤三，以上述步骤二的定位结果为初始轮廓，应用Chan-Vese模型找出虹膜图像中的内部边界；步骤四，以虹膜的外圆逼近结果为初始轮廓，应用Chan-Vese模型找出虹膜图像中的外部部边界；步骤五，基于上面的虹膜定位结果对虹膜图像进行正规化处理；步骤六，通过伽柏滤波器从正规虹膜图像算出特征，跟数据库的特征进行匹配。

进一步而言，上述技术方案中，所述的步骤三、四种，应用Chan-Vese模型基于能量最小化进行对象边缘的定位，其中Chan-Vese模型的能量函数E^CV公式如下：

E^CV＝λ₁∫_inside(c)|I(x)-C₁|²dx+λ₂∫_outside(c)|I(x)-C₂|²dx，x∈Ω

其中所述的I是区域Ω的图像，C₁和C₂是轮廓内外部的平均像素强度；图像轮廓内部边界为：inside(C)＝{x∈Ω:φ(x)＞0}，

外部边界为：outside(C)＝{x∈Ω:φ(x)＜0}。

进一步而言，上述技术方案中，所述的步骤二中，首先检测虹膜图像瞳孔中心适当位置，检测瞳孔中心的适当位置使用瞳孔灰度值进行二值图像处理和形态学图像处理，即对步骤一种去掉镜子反射噪声的图像进行柱形图分析，并对其进行二值图像处理，然后通过进行形态学图像处理从二值图像中去掉眼眉和眼睑区域，这样分割的瞳孔领域中心定为瞳孔中心。

进一步而言，上述技术方案中，所述的步骤二中，确定瞳孔中心后，间隔一定时间应用AIPF函数检测出半径边界点的组，最后一检测点为圆，从而计算出圆形瞳孔边界，同样的方式计算出瞳孔位置进行逼近虹膜的外边界为圆。

进一步而言，上述技术方案中，所述的AIPF函数是在图像空间中沿角度方向积分投影的函数，其计算公式如下：

其中，(x₀,y₀)是图像中心，I(x,y)是(x,y)处图像的灰度级,θ是x轴和积分四角形之间角度，ρ＝0,1,...,ω中ω是积分四角形的宽度，h是高度。

进一步而言，上述技术方案中，所述的对图像应用适应阈值化删除掉虹膜图像中 的镜子反射噪声的方法如下:首先把初始图像I(x,y)分为8×8块，计算每块领域的平均值， 然后最大的4块平均值的平均值设为图像的阈值T_ref；接着使用这个阈值生成初始图像I(x, y)的二值图像R(x,y)；为了插补镜子映射点P₀(x₀,y₀)把周围4个点定义为如下；

映射点P₀(x₀,y₀)是二值图像R(x,y)的白色点，对于白色点的源图像I(x,y)的映射点通过周围点进行插补,

I(P⁰)是源图像的映射点插补值。

本发明采用上述技术方案后，将Chan-Vese模型的高速运行法和APIF函数定位结果结合起来，以提高非理想环境下的虹膜定位准确性。本发明克服了古典Chan-Vese活动轮廓模型的弱点，而且跟采用AIPF的粗虹膜定位方法融合起来大幅度改善了在各种变化所产生的实际生活当中虹膜识别的可用性。

附图说明：

图1是本发明应用AIPF函数检出虹膜的内外边界点的示意图。

具体实施方式：

本发明所述的善在非理想环境下虹膜识别性能的方法，其采用的步骤如下：

步骤一，对所要识别的虹膜图像进行处理，对该图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声。

在进行虹膜识别时，所采用的虹膜识别技术识别仪器，通常为了提供适当的照明强度，在虹膜摄像头上都用红外照明，这样也将导致所拍摄的虹膜图像的瞳孔领域或者虹膜领域里会有镜子映射点，即镜子反射噪声。在进行虹膜识别时，删掉这些镜子映射点是提高虹膜定位准确性的重要要求。本发明中所述的对图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声的方法如下:

首先把初始图像I(x,y)分为8×8块，计算每块领域的平均值；

然后最大的4块平均值的平均值设为图像的阈值T_ref；

接着使用这个阈值生成初始图像I(x,y)的二值图像R(x,y)；为了插补镜子映射点 P₀(x₀,y₀)把周围4个点定义为如下；

映射点P₀(x₀,y₀)是二值图像R(x,y)的白色点，即镜子在虹膜图像中的反射点。对于白色点的源图像I(x,y)的映射点通过周围点进行插补,

I(P⁰)是源图像的映射点插补值。这样就可以消除虹膜图像中的镜子反射点。

步骤二，使用AIPF函数令虹膜图像的内外部边界逼近于圆。

该步骤二中，需要首先检测虹膜图像瞳孔中心适当位置，检测瞳孔中心的适当位置使用瞳孔灰度值进行二值图像处理和形态学图像处理，即对步骤一种去掉镜子反射噪声的图像进行柱形图分析，并对其进行二值图像处理，然后通过进行形态学图像处理从二值图像中去掉眼眉和眼睑区域，这样分割的瞳孔领域中心定为瞳孔中心。

在确定瞳孔中心后，每间隔15秒时间应用AIPF函数检测出半径边界点的组，最后一检测点为圆，从而计算出圆形瞳孔边界，同样的方式计算出瞳孔位置进行逼近虹膜的外边界为圆。

本发明是采用AIPF函数来进行虹膜定位。AIPF函数是一个按照角度方向进行积分映射的函数，在垂直水平积分映射函数可以看是AIPF函数的特殊场合之一。AIPF函数不全找边界点，只是采用抽出的边界点，这样定位速度很快的，这就是APIF函数的优点。

AIPF是在图像空间中沿角度方向积分投影的函数，其函数表达式如下:

这里(x₀,y₀)是图像中心，I(x,y)是(x,y)处图像的灰度级,θ是x轴和积分四角形之间角度，ρ＝0,1,...,ω中ω是积分四角形的宽度，h是高度。所以沿θ方向应用AIPF是对x轴有θ偏差，沿图像中心进行扩展的w*h次元的积分四角形。最常用的映射函数IPF_υ和IPF_h是θ为0、180度时，应用90、270度时使用AIPF来进行。

见图1所示，这是使用AIPF函数检出虹膜的内外边界点，以这些为圆形边界进行逼近处理的过程。由于受眼眉和眼睑的影响难以检测虹膜领域的上下部分准确边缘，只考虑眼睑的影响不大的虹膜左右领域中外边界点，把虹膜的外边界逼近为圆。图1中每个四角形是w*h次元的积分四角形。

步骤三，以上述步骤二的定位结果为初始轮廓，应用Chan-Vese模型找出虹膜图像中的内部边界。

步骤四，以虹膜的外圆逼近结果为初始轮廓，应用Chan-Vese模型找出虹膜图像中的外部部边界。

上述的步骤三、四种，Chan-Vese模型是基于面积的活动轮廓模型之一，沿能函数为最小的方向进行。所以边界模糊或者移动幅度大的情况下具有优点。

普遍的Chan-Vese模型的能函数如下:

c₁、c₂是轮廓的内外部领域的平均灰度级，λ₁、λ₂是能参数。Heaviside函数H_ε和其微分函数δ_ε如下。

使用c₁、c₂定义c_max,c_min。

c_max＝max(c₁(φ),c₂(φ))

c_min＝min(c₁(φ),c₂(φ))

那么Chan-Vese模型的曲线演化公式如下。

把这个公式改成如下

按照函数φ更新公式，φ^k+1和φ^k之差的2次方小于限制值就停止轮廓搜索。这样不像古典Chan-Vese模型方法一样要解复杂的PDE迷，也可以简单地进行曲线演化，可以提高收敛速度。

一般来说Chan-Vese活动轮廓模型不使用边缘信息，基于能量最小化进行对象边缘的定位。Chan-Vese模型的能量函数E^CV如下:

E^CV＝λ₁∫_inside(c)|I(x)-C₁|²dx+λ₂∫_outside(c)|I(x)-C₂|²dx,x∈Ω

在这里I是区域Ω的图像。C₁和C₂是轮廓内外部的平均像素强度。轮廓内部是inside(C)＝{x∈Ω:φ(x)＞0}，外部是outside(C)＝{x∈Ω:φ(x)＜0}。

由于Chan-Vese模型使用统计信息进行内外边缘的控制，对噪音影响不大且边缘强度小的图像进行定位很有效。而且对于初期轮廓信息不怎么受影响，同时可以检测出内外边缘。

结果，跟阈值化或者基于梯度的古典边缘定位方法比起来对各种有难度的定位问题都可以有效地适应。目前Chan-Vese模型用于MRI图像或医学图像等结构复杂的图像或者噪音多的图像的对象检测。

本发明以采用AIPF的虹膜内外圆形边界为Chan-Vese初始模型，在狭隘的领域里对每像素点进行曲线演化。这样跟使用全局图像信息的情况比起来只是用局部领域像素点特性，所以对不均匀的像素的影响小，可以稳定的进行虹膜定位。

步骤五，基于上面的虹膜定位结果对虹膜图像进行正规化处理。使用按照虹膜定位结果获得的虹膜内外圆信息

步骤六，通过伽柏滤波器从正规虹膜图像算出特征，跟数据库的特征进行匹配。

上述的步骤五中，依靠相应的算法对虹膜图像中独特的细节特征进行提取，并采取适当的特征记录方法，以此构成虹膜编码，最后形成特征模板或者模式模型，这一环节的好坏直接关系到虹膜识别的准确率。从特征提取角度现有方法可分为以下三类：基于相位分析的方法如：Daugman的相位编码方法；基于过零检测的方法如：Boles的一维小波零交叉编码方法，以及基于纹理分析的方法如：Wildes的拉普拉斯金字塔算法。例如，本发明可采用Daugman的正规化方法对虹膜领域进行正规化，并对其应用Gabor滤波器获得虹膜特征。

匹配与识别：虹膜识别是一个典型的模式匹配问题，即将采集图像的特征与数据库中的虹膜图像特征模板进行比对，判断两个虹膜是否属于同一类。模式匹配算法一般与特征提取算法有关，主要的匹配方法有汉明距离和欧氏距离。虹膜识别系统的匹配过程可分为识别和认证两种形式：一、识别是把待识别特征与存储的所有特征模板进行比对，从多个类中找出待识别模式，是一对多的比较问题；二、认证是把待识别特征与用户声明的身份模板进行比对，根据比对结果判断是否属于同一模式，完成一对一的比较。认证相对于识别来说范围要小得多，速度要快得多

当然，以上所述仅仅为本发明的实施例而已，并非来限制本发明范围，凡依本发明申请专利范围所述的构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。

Claims (3)

1.一种改善在非理想环境下虹膜识别性能的方法，其特征在于：该方法的步骤如下：

步骤一，对所要识别的虹膜图像进行处理，对该图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声；包括：把初始图像I(x,y)分为8×8块，计算每块领域的平均值，将最大的4块平均值的平均值设为图像的阈值T_ref；使用所述阈值生成所述初始图像I(x,y)的二值图像R(x,y)；插补所述二值图像R(x,y)的镜子映射点；

步骤二，使用AIPF函数令虹膜图像的内外部边界逼近于圆；

步骤三，以上述步骤二的定位结果为初始轮廓，应用Chan-Vese模型进行曲线演化以找出虹膜图像中的内部边界；

步骤四，以虹膜的外圆逼近结果为初始轮廓，应用Chan-Vese模型进行曲线演化以找出虹膜图像中的外部边界；

步骤五，基于上面的虹膜定位结果对虹膜图像进行正规化处理；

步骤六，通过伽柏滤波器从正规虹膜图像算出特征，跟数据库的特征进行匹配；

所述的步骤三、四中，应用Chan-Vese模型基于能量最小化进行对象边缘的定位，其中Chan-Vese模型的能量函数E^CV公式如下：

E^CV＝λ₁∫_inside(c)|I(x)-C₁|²dx+λ₂∫_outside(c)|I(x)-C₂|²dx,x∈Ω

其中所述的I(x)是区域Ω的图像，C₁和C₂是轮廓内外部的平均像素强度；λ₁和λ₂是能量参数；

图像轮廓内部边界为：inside(C)＝{x∈Ω:φ(x)>0}，

外部边界为：outside(C)＝{x∈Ω:φ(x)<0}；

所述步骤二中，首先检测虹膜图像瞳孔中心适当位置，检测瞳孔中心的适当位置使用瞳孔灰度值进行二值图像处理和形态学图像处理，即对步骤一中去掉镜子反射噪声的图像进行柱形图分析，并对其进行二值图像处理，然后通过进行形态学图像处理从二值图像中去掉眼眉和眼睑区域，这样分割的瞳孔领域中心定为瞳孔中心；

所述步骤二中，确定瞳孔中心后，间隔一定时间应用AIPF函数检测出半径边界点的组，最后一检测点为圆，从而计算出圆形瞳孔边界，同样的方式计算出瞳孔位置进行逼近虹膜的外边界为圆；

其中，Chan-Vese模型的曲线演化公式为：

其中，c_max＝max(c₁(φ),c₂(φ))，c_min＝min(c₁(φ),c₂(φ))，c₁(φ)和c₂(φ)分别是轮廓的内外部领域的平均灰度级，u₀是当前灰度级。

2.根据权利要求1所述的一种改善在非理想环境下虹膜识别性能的方法，其特征在于：所述的AIPF函数是在图像空间中沿角度方向积分投影的函数，其计算公式如下：

其中，(x₀,y₀)是图像中心，I(x,y)是(x,y)处图像的灰度级,θ是x轴和积分四角形之间角度，ρ＝0,1,...,ω，其中ω是积分四角形的宽度，h是高度。

3.根据权利要求1所述的一种改善在非理想环境下虹膜识别性能的方法，其特征在于：所述的对图像应用适应阈值化删除掉虹膜图像中的镜子反射噪声的步骤还包括:为了插补镜子映射点P₀(x₀,y₀)把周围4个点定义为

如下；

映射点P₀(x₀,y₀)是二值图像R(x,y)的白色点，对于白色点的初始图像I(x,y)的映射点通过周围点进行插补,

I(P⁰)是源图像的映射点插补值；

其中，x_r＝x₀+4，x_l＝x₀-4，y_d＝y₀+4，y_t＝y₀-4。