CN105631816B - 一种虹膜图像噪声分类检测方法 - Google Patents

Abstract

本发明公开了一种虹膜图像噪声分类检测方法，该方法的步骤包括检测虹膜区域内的光源像点噪声S1、检测虹膜区域内的眼睑噪声S2、检测虹膜区域内的睫毛噪声S3、和基于步骤S1至S3中检测得到的光源像点、眼睑和睫毛的噪声信息，标记虹膜区域内的所有噪声点，并剔除该像素点S4。本发明所述技术方案能够高效的、准确的剔除噪声对虹膜定位和特征提取的干扰。

Description

一种虹膜图像噪声分类检测方法

技术领域

本发明涉及一种图像噪声检测方法，特别是涉及一种用于虹膜生物识别系统的虹膜图像噪声检测方法。

背景技术

虹膜识别具有准确性高、稳定性强、防伪性好和非接触检测等显著优势，是目前已知最先进的生物识别技术。在虹膜识别系统中，获取高质量的虹膜图像是提高识别效率的前提。然而，在实际应用中，虹膜图像中的虹膜区域会被光源像点、眼睑和睫毛等噪声干扰；如果不对这些噪声进行检测并将其干扰予以剔除，势必会影响虹膜定位的准确性，被提取的无效虹膜特征也会增加，从而使虹膜识别的准确率大大降低。因此，在虹膜图像预处理过程中需要检测虹膜噪声并将其干扰剔除，以增强虹膜定位的准确性和虹膜特征提取的有效性，从而保证虹膜识别的准确率。

虹膜图像中的噪声主要包括那些出现在虹膜区域内的光源像点、眼睑和睫毛部分，它们易于遮挡虹膜的边缘和纹理，干扰虹膜定位和特征提取，且难以消除。在目前的虹膜识别系统中，常用的虹膜图像噪声检测方法主要是通过阈值分割和模型匹配或粗略或精细地筛选噪声点并加以标记，剔除其对虹膜图像预处理和特征编码的干扰，从而减小虹膜图像噪声对虹膜识别准确率的影响。这类方法虽然能对虹膜图像中的各类噪声进行检测，但是存在以下明显的缺点：

1、阈值分割法主要用于光源像点和睫毛噪声的检测，这两类噪声的灰度分布没有统一的规律，不同区域的噪声点对选取的阈值较为敏感，并且虹膜图像的整体灰度分布受背景光照影响严重。单一的阈值选取仅能粗略地检测噪声；自适应的多阈值选取较为困难，且影响检测速度。因此，利用一般的阈值分割法检测噪声，效率较低。

2、模型匹配法主要用于眼睑和睫毛噪声的检测，这两类噪声的区域分布不具有规则的形状，且因人而异。想要建立合适的模型去匹配噪声点的分布比较困难，粗略的模型在检测噪声的同时会将部分有效的虹膜区域视为噪声，使可用的虹膜特征点减少，从而影响虹膜识别的效率；精细的模型设计复杂，噪声检测速度慢，同样会影响虹膜识别的效率。因此，单纯地利用模型匹配法检测虹膜图像的噪声，很难兼顾检测的速度与精度。

发明内容

本发明要解决的技术问题是提供一种虹膜图像噪声分类检测方法，以解决虹膜识别系统中虹膜图像干扰噪声影响系统识别率的问题。

为解决上述技术问题，本发明采用下述技术方案：

一种虹膜图像噪声分类检测方法，该方法的步骤包括

S1、检测虹膜区域内的光源像点噪声；

S2、检测虹膜区域内的眼睑噪声；

S3、检测虹膜区域内的睫毛噪声；

S4、基于步骤S1至S3中检测得到的光源像点、眼睑和睫毛的噪声信息，标记虹膜区域内的所有噪声点，并剔除该噪声点。

优选的，所述步骤S1包括：

S11、确定虹膜区域中瞳孔的位置参数，所述位置参数包括瞳孔半径、中心点的行坐标和列坐标；

S12、对虹膜区域中瞳孔区域的像素灰度进行统计，得到分布曲线中小于高灰度峰值的波谷中对应的最大灰度值gssa：

并确定虹膜区域内光源像点的灰度分割阈值gsst：gsst＝gssa+α，其中，α＜0为安全系数；

S13、利用阈值分割结合连通域筛选的方法对虹膜区域内的光源像点进行检测，将Ψ内灰度值大于gsst，且聚集在n-连通域内的像素点作为光源像点SD：SD＝{(x，y)|[x，y]＝find(bwlabel(gs(Ψ)＞gsst，n))}。

优选的，所述步骤S2包括：

S21、划定上、下眼睑的待搜索区域Φt和Φb：

其中，x，y分别表示虹膜图像中的行、列坐标变量；

S22、对下眼睑的待搜索区域Φb进行恢复对比扩展：Φ′_b＝imadjust(Φ_b)；

S23、将Prewitt边缘提取与误差平方和最小化抛物线拟合方法相结合，分别对上眼睑和下眼睑的边缘进行检测，获得虹膜区域内的眼睑像素点集：

ED＝ED_t∪ED_b，其中，ED_t为虹膜区域内的上眼睑，ED_b为虹膜区域内的下眼睑。

优选的，所述步骤S3包括：

S31、划定睫毛的待搜索区域Θ：

Θ＝{(x，y)|xp-rim≤x≤xp+rp，yp-rim≤y≤yp+rim}\Ω；

S32、将上眼睑边缘附近的睫毛灰度较低且成簇状的部分作为浓密睫毛的检测区域Θ_d：Θ_d＝{(x，y)|xp-rim≤x≤max(x′)，y＝y′，(x′，y′)∈Θ∩ED_t}；

将上眼睑边缘远离眼睑边缘的睫毛零落分散的部分作为稀疏睫毛的检测区域Θ_s：Θ_s＝Θ\Θ_d；

S33、利用灰度直方图统计自适应地确定浓密睫毛的分割阈值gshd：

其中，λ＞0为安全系数；并确定虹膜区域内的浓密睫毛点集EH_d为：

EH_d＝{(x，y)|gs(x，y)＜gshd，(x，y)∈Θ_d}；

S34、选取邻近瞳孔边缘的两个虹膜区域小像素块Λ1和Λ2作为参考，根据Λ1和Λ2的灰度分布确定稀疏睫毛的分割阈值gshs：

其中，ω、η是位置参数，σ是经验参数；并确定虹膜区域内的稀疏睫毛点集EH_s为：EH_s＝{(x，y)|gs(x，y)＜gshs，(x，y)∈Θ_s}；

S35、根据虹膜区域内的浓密睫毛点集和稀疏睫毛点集，获得虹膜区域内的睫毛像素点集EH：EH＝EH_d∪EH_s。

优选的，所述步骤S4包括：将噪声淹没图像定义为M：

其中，size(M)＝size(I)，I为原始虹膜图像，SD表示光源像点，ED表示眼睑像素点集，EH表示睫毛像素点集。

本发明的有益效果如下：

本发明所述技术方案从影响虹膜图像质量最主要的几个因素着手，快速而有效地剔除噪声干扰对虹膜定位与特征提取的影响，同时可兼顾虹膜图像预处理算法与特征提取匹配算法的适应性，从而提高虹膜识别的效率。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本发明所述一种虹膜图像噪声分类检测方法的示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本发明公开了一种虹膜图像噪声分类检测方法的具体步骤是：

第一步，检测虹膜区域内的光源像点噪声

由于虹膜识别系统的成像模块采用红外光源照明，在虹膜图像中的人眼部分会产生光源像点，其中位于虹膜区域的光源像点会遮挡虹膜纹理而影响识别的准确率，因此应当被视为噪声检测出来。一般地，光源像点的灰度值远远大于其他像素点，且分布集中，可以利用阈值分割结合连通域筛选的方法进行检测。由于瞳孔内的像素灰度分布对比明显，分为瞳孔低灰度像素区域和光源像点高灰度像素区域两部分，因此可以利用瞳孔内的光源像点灰度分布自适应地确定虹膜区域内光源像点的灰度分割阈值。

在检测噪声前，已对虹膜图像进行了瞳孔定位，已知瞳孔的位置参数为(xp，yp，rp)，其中，rp、xp和yp分别表示瞳孔的半径和中心点的行、列坐标。设瞳孔区域为Ω，其像素灰度矩阵为gs(Ω)，统计Ω的像素灰度分布，得到分布曲线中小于高灰度峰值的波谷中对应的最大灰度值gssa：

因此，得到虹膜区域内光源像点的灰度分割阈值gsst：

gsst＝gssa+α (2)

其中，α＜0为安全系数。

利用阈值分割结合连通域筛选的方法对虹膜区域内的光源像点进行检测。设待搜索虹膜区域为以(xp，yp)为中心点，rim为半径的圆形区域Ψ，其中rim为虹膜区域半径的最大限定值。将Ψ内灰度值大于gsst，且聚集在n-连通域(n一般取值为4或8，表示在n个方向上像素的连通性)内的像素点视作光源像点SD：

SD＝{(x，y)|[x，y]＝find(bwlabel(gs(Ψ)＞gsst，n))} (3)

第二步，检测虹膜区域内的眼睑噪声

虹膜区域易受到上、下眼睑的遮挡，尤其受上眼睑遮挡较为严重。眼睑遮挡虹膜纹理，使无效特征点增多，大大影响虹膜定位和识别的准确性，因此必须将虹膜区域内的眼睑噪声检测出来，剔除其造成的干扰。

首先，划定上、下眼睑的待搜索区域Φ_t和Φ_b：

其中，x，y分别表示虹膜图像中的行、列坐标变量。由于下眼睑边缘像素点的灰度变化不明显，因此对Φ_b进行灰度对比度扩展：

Φ′_b＝imadjust(Φ_b) (5)

由于眼睑的边缘近似抛物线形状，因此利用Prewitt边缘提取结合误差平方和最小化抛物线拟合的方法分别检测上、下眼睑的边缘。设眼睑边缘的待搜索区域为Φ，对其进行水平方向的Prewitt边缘提取，得到眼睑边缘的样本图像Γ：

Γ＝{(x，y)|[x，y]＝find(edge(Φ，′prewitt′，′horizontal′))}

(6)

设眼睑边缘形状满足：

y＝ax²+bx+c (7)

其中，P＝[a，b，c]^T为抛物线参数向量。对Γ上的点(x_n，y_n)进行抛物线拟合，误差平方和δ(a，b，c)为：

δ(a,b,c)＝∑(y_n-(ax_n ²+bx_n+c))² (8)

根据误差平方和最小化准则，令

求得P：

其中，X_n、Y_n分别为：

因此，得到眼睑边缘L：

L＝{(x,y)∈Γ|y＝ax²+bx+c} (12)

对应的眼睑区域ED为：

ED＝Φ(L) (13)

根据以上推导，令Φ＝Φ_t，检测到虹膜区域内的上眼睑为ED_t；令Φ＝Φ_b，检测到虹膜区域内的下眼睑为ED_b。因此，得到虹膜区域内的眼睑像素点集ED：

ED＝ED_t∪ED_b (14)

第三步，检测虹膜区域内的睫毛噪声

虹膜区域易受到睫毛的遮挡，尤其是上眼睑的睫毛。睫毛遮挡虹膜纹理，干扰虹膜定位和特征提取，使识别准确率降低，因此必须将虹膜区域内的睫毛噪声检测出来，剔除其造成的干扰。睫毛多而杂乱，形状各异，很难采用固定的阈值和模板分割检测，因此根据睫毛的分布特点，利用自适应的阈值分别对浓密睫毛和稀疏睫毛进行检测。

首先，划定睫毛的待搜索区域Θ：

Θ＝{(x，y)|xp-rim≤x≤xp+rp，yp-rim≤y≤yp+rim}\Ω (15)

由于下眼睑的睫毛对虹膜区域的干扰很少，因此只对上眼睑的睫毛进行检测。其中，位于上眼睑边缘附近的睫毛灰度较低且成簇状，被视作浓密睫毛；离上眼睑边缘较远的睫毛零落分散，被视作稀疏睫毛。浓密睫毛的检测区域为Θ_d：

稀疏睫毛的检测区域Θs为：

Θ_s＝Θ\Θ_d (17)

浓密睫毛像素点的灰度值较低，且与邻近的上眼睑像素点灰度对比明显，因此利用灰度直方图统计自适应地确定浓密睫毛的分割阈值gshd：

其中，λ＞0为安全系数。因此，检测到虹膜区域内的浓密睫毛点集EH_d为：

EH_d＝{(x，y)|gs(x，y)＜gshd，(x，y)∈Θ_d} (19)

其中，gs(x，y)表示坐标(x，y)处像素点的灰度值。

稀疏睫毛像素点的灰度值虽然也较低，但与其邻近虹膜区域的像素点灰度对比并不明显，因此选取邻近瞳孔边缘的两个虹膜区域小像素块Λ1和Λ2作为参考，根据Λ1和Λ2的灰度分布确定稀疏睫毛的分割阈值gshs：

其中，ω、η是位置参数，σ是经验参数。因此，检测到虹膜区域内的稀疏睫毛点集EH_s为：

EH_s＝{(x，y)|gs(x，y)＜gshs，(x，y)∈Θ_s} (22)

根据以上推导，得到虹膜区域内的睫毛像素点集EH：

EH＝EH_d∪EH_s (23)

第四步，标记虹膜区域内的所有噪声点。

由以上三步分别检测到虹膜图像中的光源像点、眼睑和睫毛，将这些干扰噪声点在虹膜图像中的坐标位置用掩膜图像标记，以剔除其对虹膜定位和特征提取的影响。将噪声掩膜图像定义为M：

其中，size(M)＝size(I)，I为原始虹膜图像。

经过以上四步，将虹膜图像中的噪声点检测出来并加以标记，能有效抑制其对虹膜定位和特征提取的干扰，从而大大提高虹膜识别的准确率。

下面通过一组实施例对本发明做进一步说明：

一种虹膜图像噪声分类检测方法的具体步骤是：

第一步，检测虹膜区域内的光源像点噪声。

在检测噪声前，已对虹膜图像进行了瞳孔定位，已知瞳孔的位置参数为(xp，yp，rp)，其中rp、xp和yp分别表示瞳孔的半径和中心点的行、列坐标。设瞳孔区域为Ω，其像素灰度矩阵为gs(Ω)，统计Ω的像素灰度分布，得到分布曲线中小于高灰度峰值的波谷中对应的最大灰度值gssa：

因此，得到虹膜区域内光源像点的灰度分割阈值gsst：

gsst＝gssa+α (2)

其中，α<0为安全系数，这里取α＝(255-gssa)/4。

利用阈值分割结合连通域筛选的方法对虹膜区域内的光源像点进行检测。设待搜索虹膜区域为以(xp，yp)为中心点，rim为半径的圆形区域Ψ，其中rim为虹膜区域半径的最大限定值。将Ψ内灰度值大于gsst，且聚集在n－连通域内的像素点视作光源像点SD：

SD＝{(x，y)|[x，y]＝find(bwlabel(gs(Ψ)＞gsst，n))} (3)

式中，取n＝8。

第二步，检测虹膜区域内的眼睑噪声。

首先，划定上、下眼睑的待搜索区域Φ_t和Φ_b：

其中，x，y分别表示虹膜图像中的行、列坐标变量。由于下眼睑边缘像素点的灰度变化不明显，因此对Φ_b进行灰度对比度扩展：

Φ′_b＝imadjust(Φ_b) (5)

由于眼睑的边缘近似抛物线形状，因此利用Prewitt边缘提取结合误差平方和最小化抛物线拟合的方法分别检测上、下眼睑的边缘。设眼睑边缘的待搜索区域为Φ，对其进行水平方向的Prewitt边缘提取，得到眼睑边缘的样本图像Γ：

Γ＝{(x，y)|[x，y]＝find(edge(Φ，′prewitt′，′horizontal′))}

(6)

设眼睑边缘形状满足：

y＝ax²+bx+c (7)

其中，P＝[a，b，c]^T为抛物线参数向量。对Γ上的点(x_n，yn)进行抛物线拟合，误差平方和δ(a，b，c)为：

δ(a，b，c)＝∑(y_n-(ax_n ²+bx_n+c))² (8)

根据误差平方和最小化准则，令

求得P：

其中，X_n、Y_n分别为：

因此，得到眼睑边缘L：

L＝{(x，y)∈Γ|y＝ax²+bx+c} (12)

对应的眼睑区域ED为：

ED＝Φ(L) (13)

根据以上推导，令Φ＝Φ_t，检测到虹膜区域内的上眼睑为ED_t；令Φ＝Φ_b，检测到虹膜区域内的下眼睑为ED_b。因此，得到虹膜区域内的眼睑像素点集ED：

ED＝ED_t∪ED_b (14)

第三步，检测虹膜区域内的睫毛噪声。

首先，划定睫毛的待搜索区域Θ：

Θ＝{(x，y)|xp-rim≤x≤xp+rp，yp-rim≤y≤yp+rim}\Ω (15)

由于下眼睑的睫毛对虹膜区域的干扰很少，因此只对上眼睑的睫毛进行检测。其中，位于上眼睑边缘附近的睫毛灰度较低且成簇状，被视作浓密睫毛；离上眼睑边缘较远的睫毛零落分散，被视作稀疏睫毛。浓密睫毛的检测区域为Θ_d：

Θ_d＝{(x，y)|xp-rim≤x≤max(x′)，y＝y′，(x′，y′)∈Θ∩ED_t} (16)

稀疏睫毛的检测区域Θ_s为：

Θ_s＝Θ\Θ_d (17)

浓密睫毛像素点的灰度值较低，且与邻近的上眼睑像素点灰度对比明显，因此利用灰度直方图统计自适应地确定浓密睫毛的分割阈值gshd：

其中，λ>0为安全系数，本实例中，λ＝gshd’/5，其中，gshd’是gshd的辅助计算量，是计算gshd的中间值。因此，检测到虹膜区域内的浓密睫毛点集EH_d为：

其中，gs(x，y)表示坐标(x，y)处像素点的灰度值。

稀疏睫毛像素点的灰度值虽然也较低，但与其邻近虹膜区域的像素点灰度对比并不明显，因此选取邻近瞳孔边缘的两个虹膜区域小像素块Λ1和Λ2作为参考，根据Λ1和Λ2的灰度分布确定稀疏睫毛的分割阈值gshs：

其中，ω、η是位置参数，本实例中，ω＝rp/3，η＝rp/5，σ是经验参数，本实例中，σ＝0.75。因此，检测到虹膜区域内的稀疏睫毛点集EH_s为：

根据以上推导，得到虹膜区域内的睫毛像素点集EH：

EH＝EH_d∪EH_s (23)

第四步，标记虹膜区域内的所有噪声点。

由以上三步分别检测到虹膜图像中的光源像点、眼睑和睫毛，将这些干扰噪声点在虹膜图像中的坐标位置用掩膜图像标记，以剔除其对虹膜定位和特征提取的影响。将噪声掩膜图像定义为M：

其中，size(M)＝size(I)，I为原始虹膜图像。

经过以上四步，将虹膜图像中的噪声点检测出来并加以标记，能有效抑制其对虹膜定位和特征提取的干扰，从而大大提高虹膜识别的准确率。

综上所述，本发明所述技术方案着重检测光源像点、眼睑和睫毛等影响虹膜图像质量最主要的几种噪声，结合虹膜定位算法和特征提取算法的适应性，快速而有效地剔除噪声干扰。在实际应用中，本发明所述技术方案大大缩短了虹膜图像预处理的时间，同时保证了虹膜定位的准确性和特征提取的稳定性，从而有效地提高了虹膜识别的效率。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (4)

1.一种虹膜图像噪声分类检测方法，其特征在于，该方法的步骤包括

S1、检测虹膜区域内的光源像点噪声；

S2、检测虹膜区域内的眼睑噪声；

S3、检测虹膜区域内的睫毛噪声；

S4、基于步骤S1至S3中检测得到的光源像点、眼睑和睫毛的噪声信息，标记虹膜区域内的所有噪声点，并剔除该噪声点；

步骤S1包括：

S11、确定虹膜区域中瞳孔的位置参数，所述位置参数包括瞳孔半径、中心点的行坐标和列坐标；

S12、对虹膜区域中瞳孔区域的像素灰度进行统计，得到分布曲线中小于高灰度峰值的波谷中对应的最大灰度值gssa：

其中，Ω表示瞳孔区域，gs(Ω)表示瞳孔区域的像素灰度矩阵；

并确定虹膜区域内光源像点的灰度分割阈值gsst：gsst＝gssa+α，其中，α<0为安全系数；

S13、利用阈值分割结合连通域筛选的方法对虹膜区域内的光源像点进行检测，将虹膜区域Ψ内灰度值大于gsst，且聚集在n－连通域内的像素点作为光源像点SD:SD＝{(x，y)|[x，y]＝find(bwlabel(gs(Ψ)＞gsst，n))}。

2.根据权利要求1所述的虹膜图像噪声分类检测方法，其特征在于，步骤S2包括：

S21、划定上、下眼睑的待搜索区域Φt和Φb：

其中，x，y分别表示虹膜图像中的行、列坐标变量，xp、yp分别表示瞳孔中心点的行、列坐标，rim表示虹膜区域的半径的最大限定值；

S22、对下眼睑的待搜索区域Φb进行恢复对比扩展：Φ′_b＝imadjust(Φ_b)；

S23、将Prewitt边缘提取与误差平方和最小化抛物线拟合方法相结合，分别对上眼睑和下眼睑的边缘进行检测，获得虹膜区域内的眼睑像素点集：

ED＝ED_t∪ED_b，其中，ED_t为虹膜区域内的上眼睑，ED_b为虹膜区域内的下眼睑。

3.根据权利要求2所述的虹膜图像噪声分类检测方法，其特征在于，步骤S3包括：

S31、划定睫毛的待搜索区域Θ：

Θ＝{(x，y)|xp-rim≤x≤xp+rp，yp-rim≤y≤yp+rim}\Ω；

其中，rp表示瞳孔的半径；

S32、将上眼睑边缘附近的睫毛灰度较低且成簇状的部分作为浓密睫毛的检测区域Θ_d：Θ_d＝{(x，y)|xp-rim≤x≤max(x′)，y＝y′，(x′，y′)∈Θ∩ED_t}；

将上眼睑边缘远离眼睑边缘的睫毛零落分散的部分作为稀疏睫毛的检测区域Θ_s：Θ_s＝Θ\Θ_d；

S33、利用灰度直方图统计自适应地确定浓密睫毛的分割阈值gshd：

其中，λ>0为安全系数；并确定虹膜区域内的浓密睫毛点集EH_d为：

EH_d＝{(x，y)|gs(x，y)＜gshd，(x，y)∈Θ_d}；

其中，gs(x,y)表示坐标(x,y)处像素点的灰度值；

S34、选取邻近瞳孔边缘的两个虹膜区域小像素块Λ1和Λ2作为参考，根据Λ1和Λ2的灰度分布确定稀疏睫毛的分割阈值gshs：

其中，ω、η是位置参数，σ是经验参数；并确定虹膜区域内的稀疏睫毛点集EH_s为：EH_s＝{(x，y)|gs(x，y)＜gshs，(x，y)∈Θ_s}；

S35、根据虹膜区域内的浓密睫毛点集和稀疏睫毛点集，获得虹膜区域内的睫毛像素点集EH：EH＝EH_d∪EH_s。

4.根据权利要求1所述的虹膜图像噪声分类检测方法，其特征在于，步骤S4包括：将噪声淹没图像定义为M：

其中，size(M)＝size(I)，I为原始虹膜图像，SD表示光源像点，ED表示眼睑像素点集，EH表示睫毛像素点集。