CN104794445A - 一种基于arm平台的动态人脸虹膜采集方法 - Google Patents

Abstract

本发明公布了一种基于ARM平台的动态人脸虹膜采集方法，包括如下步骤：配置如下采集设备，虹膜粗定位，虹膜精定位，对定位的虹膜进行图像采集，对虹膜图像进行归一化处理，对归一化处理后的虹膜图像进行局部直方图均衡化处理，对虹膜图像特征进行提取，采用分块方式对特征进行编码，提取局部相位信息，以得到虹膜特征码。本发明可以在拍到人脸的基本上运用模糊算法图像处理技术，形成一张清楚的人脸图像，这样就可以把人脸与虹膜识别两种生物识别技术有机的结合在一起，即是人脸与虹膜同时识别，这种方式是在同一颗ARM处理器上完成，这样也解决了目前生物识别不能达到百分之百的弊端，即面部与虹膜识别互相弥补，达到最优状态。

Description

一种基于ARM平台的动态人脸虹膜采集方法

技术领域

本发明涉及一种基于ARM平台的动态人脸虹膜采集方法。

背景技术

目前，就目前来看，市场上虹膜识别主要是以X86平台运行为主，其次是DSP平台的运行，只是单一的虹膜识别，大部分识别距离在30CM左右，并且识别的区间相对较短，是低的区间只有1CM，最多的也就5CM，对于客户很难把握到距离区间，产品的易用性相对来说比较当差。现在市面的上技术及产品，只是静态识别，人要站在镜头前面不能动，要求人要配合度很高，在室外阳光下无法识别，或在光线强的地方很难识别，这对于光学设备参数与算法没有很好的结合应用，很多公司要么只是做光学，要么就是只做算法，没有把这两种技术融合运用好，这是目前所有生物识别技术存在的主要问题。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种结合人脸检测和跟踪的快速动态人脸检测算法。其在层次型AdaBoost检测算法的基础上,结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间,使得检测速度提高到24ms/帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法,可以方便地应用于物体检测技术上。

本发明为实现上述目的，采用如下技术方案：一种基于ARM平台的动态人脸虹膜采集方法，包括如下步骤：

1)、配置如下采集设备，该采集设备包括：显示屏、图像采集单元、虹膜摄像头、云台、红外光源和RAM处理器；所述显示屏与RAM处理器连接，显示屏显示RAM处理器给出的识别结果；图像采集单元与RAM处理器连接，图像采集单元获取用户图像并传给RAM处理器；虹膜摄像头固定在所述云台上，虹膜摄像头获取用户虹膜图像并传给RAM处理器；RAM处理器连接云台和虹膜摄像头，RAM处理器接收用户图像和用户虹膜图像并控制云台在竖直方向上转动，用于调整固定在云台上的虹膜摄像头的角度，虹膜摄像头对准用户的眼睛区域，获取虹膜图像，用于虹膜识别；红外光源与RAM处理器连接，为虹膜摄像头提供红外光源；

2)、虹膜粗定位，通过RAM处理器控制虹膜摄像头对人眼虹膜内边缘圆心和半径的进行粗定位；

3)、虹膜精定位，当人眼虹膜的圆心和半径大致确定之后，虹膜摄像头根据虹膜的圆形结构特征，依次对虹膜的内外边缘进行精定位；其计算公式如下：

$\underset{(R_0-\mathrm{\&Delta;R}<R<R_0+\mathrm{\&Delta;R})}{\max }|G_0\left(R\right)\&times;\frac{\&PartialD;}{\&PartialD;R}\underset{D}{\&Integral;\&Integral;}\frac{D(x,y)}{2\mathrm{\&pi;R}}\mathrm{d\&delta;}|---\left(2\right)$

其中，D(x，y)为利用Canny算子获得的灰度边缘图像，G₀(R)表示高斯函数，R0表示粗定位后的瞳孔半径,ΔR表示搜索范围；R0的值根据虹膜内外径的大致比例关系来确定；

4)、对定位的虹膜进行图像采集，以获得虹膜图像；

5)、对虹膜图像进行归一化处理，即将每幅虹膜图像调整为与原始虹膜图像相同的尺寸和对应的位置；

5)、对归一化处理后的虹膜图像进行局部直方图均衡化处理；其计算公式如下：

$S\left(r_k\right)=T\left(r_k\right)=\frac{1}{N}\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}N\left(r_i\right)$

其中，设虹膜图像的灰度级为r_k，直方图均衡化使用一个灰度函数作为变换函数，灰度函数设为T(r)，设虹膜图像中总的像素数目N，输入直方图做修正，则得到均衡化后的虹膜图像灰度分布函数为S(r)；虹膜图像中灰度级r_k为灰度级r_i的像素总数；

6)、对虹膜图像特征进行提取；

首先，用选16个Gabor滤波通道，即选择中心频率为2槡2、4槡2、8槡2和16槡2，以及0°、45°、90°和135°四个方向，通过Gabor滤波器的对称性可知，构成了不同方向和频率下的Gabor滤波器；通过下述公式对虹膜图像进行处理，从而得到各个通道上的滤波结果；

$F_{\mathrm{kj}}(x,y)=H_{\mathrm{kj}}\&CircleTimes;I(x,y)$

其中，H_kj表示卷积，I(x，y)表示处理后虹膜图像；k表示第k个尺度，j表示第j个方向，F_kj(x，y)表示卷积后结果；

7)、通过步骤6)对虹膜图像进行滤波处理后，获得子块滤波模的最大值所小波号；并采用分块方式对特征进行编码，提取局部相位信息，以得到虹膜特征码；

具体方法是：设整个虹膜图像(x，y)被分M×N大小的若干个子块，各子块滤波模的大小与滤波器模板大小一样，对局部相位信息值进行计算，得到一个复数。如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0。

本发明的有益效果：本发明可以在拍到人脸的基本上运用模糊算法图像处理技术，形成一张清楚的人脸图像，这样就可以把人脸与虹膜识别两种生物识别技术有机的结合在一起，即是人脸与虹膜同时识别，这种方式是在同一颗ARM处理器上完成，这样也解决了目前生物识别不能达到百分之百的弊端，即面部与虹膜识别互相弥补，达到最优状态。

附图说明

图1本发明的系统的结构示意图。

具体实施方式

本发明涉及一种结合人脸检测和跟踪的快速动态人脸检测算法。其在层次型AdaBoost检测算法的基础上,结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间,使得检测速度提高到24ms/帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法,可以方便地应用于物体检测技术上。

图1所示，为一种基于ARM平台的动态人脸虹膜采集方法，其包括如下步骤：

1)、配置如下采集设备，该采集设备包括：显示屏、图像采集单元、虹膜摄像头、云台、红外光源和RAM处理器；所述显示屏与RAM处理器连接，显示屏显示RAM处理器给出的识别结果；图像采集单元与RAM处理器连接，图像采集单元获取用户图像并传给RAM处理器；虹膜摄像头固定在所述云台上，虹膜摄像头获取用户虹膜图像并传给RAM处理器；RAM处理器连接云台和虹膜摄像头，RAM处理器接收用户图像和用户虹膜图像并控制云台在竖直方向上转动，用于调整固定在云台上的虹膜摄像头的角度，虹膜摄像头对准用户的眼睛区域，获取虹膜图像，用于虹膜识别；红外光源与RAM处理器连接，为虹膜摄像头提供红外光源；

2)、虹膜粗定位，通过RAM处理器控制虹膜摄像头对人眼虹膜内边缘圆心和半径的进行粗定位；

3)、虹膜精定位，当人眼虹膜的圆心和半径大致确定之后，虹膜摄像头根据虹膜的圆形结构特征，依次对虹膜的内外边缘进行精定位；其计算公式如下：

$\underset{(R_0-\mathrm{\&Delta;R}<R<R_0+\mathrm{\&Delta;R})}{\max }|G_0\left(R\right)\&times;\frac{\&PartialD;}{\&PartialD;R}\underset{D}{\&Integral;\&Integral;}\frac{D(x,y)}{2\mathrm{\&pi;R}}\mathrm{d\&delta;}|---\left(2\right)$

其中，D(x，y)为利用Canny算子获得的灰度边缘图像，G₀(R)表示高斯函数，R0表示粗定位后的瞳孔半径,ΔR表示搜索范围；R0的值根据虹膜内外径的大致比例关系来确定；

4)、对定位的虹膜进行图像采集，以获得虹膜图像；

5)、对虹膜图像进行归一化处理，即将每幅虹膜图像调整为与原始虹膜图像相同的尺寸和对应的位置；

5)、对归一化处理后的虹膜图像进行局部直方图均衡化处理；其计算公式如下：

$S\left(r_k\right)=T\left(r_k\right)=\frac{1}{N}\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}N\left(r_i\right)$

其中，设虹膜图像的灰度级为r_k，直方图均衡化使用一个灰度函数作为变换函数，灰度函数设为T(r)，设虹膜图像中总的像素数目N，输入直方图做修正，则得到均衡化后的虹膜图像灰度分布函数为S(r)；虹膜图像中灰度级r_k为灰度级r_i的像素总数；

6)、对虹膜图像特征进行提取；

首先，用选16个Gabor滤波通道，即选择中心频率为2槡2、4槡2、8槡2和16槡2，以及0°、45°、90°和135°四个方向，通过Gabor滤波器的对称性可知，构成了不同方向和频率下的Gabor滤波器；通过下述公式对虹膜图像进行处理，从而得到各个通道上的滤波结果；

$F_{\mathrm{kj}}(x,y)=H_{\mathrm{kj}}\&CircleTimes;I(x,y)$

其中，H_kj表示卷积，I(x，y)表示处理后虹膜图像；k表示第k个尺度，j表示第j个方向，F_kj(x，y)表示卷积后结果；

7)、通过步骤6)对虹膜图像进行滤波处理后，获得子块滤波模的最大值所小波号；并采用分块方式对特征进行编码，提取局部相位信息，以得到虹膜特征码；

具体方法是：设整个虹膜图像(x，y)被分M×N大小的若干个子块，各子块滤波模的大小与滤波器模板大小一样，对局部相位信息值进行计算，得到一个复数。如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0。

本发明具有如下功能：

1、虹膜识别算法完全移置到ARM处理器上面运行，现在目前市面上的A9芯片的运算速度达到虹膜识别算法的运算处理要求；在不影响虹膜识别的前提下，使硬件设备成本会越来越低，使虹膜识别快速进入民用市场做了一个很强的前提保证，因为现在目前市场上运用ARM方案的电子产品越来越多，并且通过算法移置到现在的设备平台上面，与现有的ARM电子产品进行对接，在基本不增加现在现有ARM电子产品硬件成本的基础上运用这一技术，更有民用推广的价值。

2、虹膜识别对于图像的要求很高，所以对于硬件的成影设备就要求达到专业级别，对于动态抓拍的图像达到专业级的图像标准是目前硬件成影很难做到的；可以从软件上来处理图像，通过帧率相对高的60—120帧/秒的摄像设备来抓取图像，在短时间内对每一张图像进行分析，通过分析每一张图片，找取不同的特征点，把这些不同的特征点集合起来，形成一个虹膜识别模板，这样就可以把虹膜识别信息的特征点采集到最优。

3、远距离识别是光学方面的难题，采用的光学设备是一个感红外功能的摄像机，对于补光可以用图像合适同时触发的模式进行；当摄像机捕捉到图像时，运用人脸根据技术，当有人脸在屏上画定一个区域时，图像达到合适时就会变绿，这是图像达到标准，通过拍到一个整张面部图片，运用图像分割技术，把眼晴从这张图像中分离出来，再从现有的眼晴中把虹膜特征点取出来，因为是远距离拍出的图像一定不是很清楚，这要运用图像模糊处理技术，把图像变的更清楚，达到虹膜识别图像的标准。距离可以达到3-5米，在这个区间内均可以采集到虹膜识别的特征信息。为了解决人的高低可以采用云台的形式来完成。

4、本技术可以在拍到人脸的基本上运用模糊算法图像处理技术，形成一张清楚的人脸图像，这样就可以把人脸与虹膜识别两种生物识别技术有机的结合在一起，即是人脸与虹膜同时识别，这种方式是在同一颗处理芯片上完成，这样也解决了目前生物识别不能达到百分之百的弊端，即面部与虹膜识别互相弥补，达到最优状态。

5、在运算上是先识别虹膜，因为虹膜的识别率高，当虹膜识别后再识别面部，因为是两支虹膜信息，再加上面部识别，准确性就达到百分之百。同进面部与虹膜结合应用，把算法融合与一起，这样就会达到识别的最佳效果。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于ARM平台的动态人脸虹膜采集方法，其特征在于，包括如下步骤：

1)、配置如下采集设备，该采集设备包括：显示屏、图像采集单元、虹膜摄像头、云台、红外光源和RAM处理器；所述显示屏与RAM处理器连接，显示屏显示RAM处理器给出的识别结果；图像采集单元与RAM处理器连接，图像采集单元获取用户图像并传给RAM处理器；虹膜摄像头固定在所述云台上，虹膜摄像头获取用户虹膜图像并传给RAM处理器；RAM处理器连接云台和虹膜摄像头，RAM处理器接收用户图像和用户虹膜图像并控制云台在竖直方向上转动，用于调整固定在云台上的虹膜摄像头的角度，虹膜摄像头对准用户的眼睛区域，获取虹膜图像，用于虹膜识别；红外光源与RAM处理器连接，为虹膜摄像头提供红外光源；

2)、虹膜粗定位，通过RAM处理器控制虹膜摄像头对人眼虹膜内边缘圆心和半径的进行粗定位；

3)、虹膜精定位，当人眼虹膜的圆心和半径大致确定之后，虹膜摄像头根据虹膜的圆形结构特征，依次对虹膜的内外边缘进行精定位；其计算公式如下：

$\underset{(R_0-\mathrm{\&Delta;R}<R<R_0+\mathrm{\&Delta;R})}{\max }|G_0\left(R\right)\&times;\frac{\&PartialD;}{\&PartialD;R}\underset{D}{\&Integral;\&Integral;}\frac{D(x,y)}{2\mathrm{\&pi;R}}\mathrm{d\&delta;}|---\left(2\right)$

其中，D(x，y)为利用Canny算子获得的灰度边缘图像，G₀(R)表示高斯函数，R0表示粗定位后的瞳孔半径,ΔR表示搜索范围；R0的值根据虹膜内外径的大致比例关系来确定；

4)、对定位的虹膜进行图像采集，以获得虹膜图像；

5)、对虹膜图像进行归一化处理，即将每幅虹膜图像调整为与原始虹膜图像相同的尺寸和对应的位置；

6)、对归一化处理后的虹膜图像进行局部直方图均衡化处理；其计算公式如下：

$S\left(r_k\right)=T\left(r_k\right)=\frac{1}{N}\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}N\left(r_i\right)$

其中，设虹膜图像的灰度级为r_k，直方图均衡化使用一个灰度函数作为变换函数，灰度函数设为T(r)，设虹膜图像中总的像素数目N，输入直方图做修正，则得到均衡化后的虹膜图像灰度分布函数为S(r)；虹膜图像中灰度级r_k为灰度级r_i的像素总数；

7)、对虹膜图像特征进行提取；

首先，用选16个Gabor滤波通道，即选择中心频率为2槡2、4槡2、8槡2和16槡2，以及0°、45°、90°和135°四个方向，通过Gabor滤波器的对称性可知，构成了不同方向和频率下的Gabor滤波器；通过下述公式对虹膜图像进行处理，从而得到各个通道上的滤波结果；

$F_{\mathrm{kj}}(x,y)=H_{\mathrm{kj}}\&CircleTimes;I(x,y)$

其中，H_kj表示卷积，I(x，y)表示处理后虹膜图像；k表示第k个尺度，j表示第j个方向，F_kj(x，y)表示卷积后结果；

8)、通过步骤6)对虹膜图像进行滤波处理后，获得子块滤波模的最大值所小波号；并采用分块方式对特征进行编码，提取局部相位信息，以得到虹膜特征码；

具体为：设整个虹膜图像(x，y)被分M×N大小的若干个子块，各子块滤波模的大小与滤波器模板大小一样，对局部相位信息值进行计算，得到一个复数；如果这个复数的实部大于等于0，则表示该特征码为1，否则为0；如果这个复数的虚部大于等于0，则表示该特征码为1，否则为0。