CN106022315A - 一种用于虹膜识别的瞳孔中心定位方法 - Google Patents

Abstract

本发明涉及一种用于虹膜识别的瞳孔中心定位方法，包括步骤：(1)对原始虹膜图像进行灰度化处理；(2)对灰度图像进行预处理；(3)对灰度虹膜图像进行二值化处理；(4)对二值图像进行预处理；(5)对二值图像进行边缘检测；(6)对边缘点进行星式扫描，得到极坐标分布图；(7)进行傅立叶级数展开；(8)计算边缘的曲率半径，并对边缘点进行过滤；(9)用过滤的结果进行投票，输出瞳孔中心或者定位失败。本发明针对红外虹膜图像中瞳孔的灰度和形状特点，通过二值化和边缘形状分析，解决了瞳孔中心确定问题。

Description

一种用于虹膜识别的瞳孔中心定位方法

技术领域

本发明涉及一种瞳孔中心定位方法，特别是一种用于虹膜识别的瞳孔中心定位方法，用于虹膜识别中的瞳孔定位和分割。

背景技术

在现代社会中，人的身份识别越来越重要，如门禁管理、单位考勤、社会救助及网络支付等。传统身份识别方法的基础是密码和凭证，容易遗忘和丢失，于是生物特征识别作为一种新的身份识别技术应运而生。生物特征识别的基础是人的生理特征和行为特征，因而具有安全方便的优势。

虹膜识别作为一种重要的生物特征识别技术，具有非接触、识别精度高的特点。虹膜识别技术包括几个主要步骤，即预处理(包括瞳孔分割、虹膜分割等)、归一化、特征提取与匹配。其中，预处理是至关重要的一个步骤，因为分割的精度和识别正确率密切相关，并且预处理是耗时最长的步骤，制约着算法的效率。在红外虹膜图像中，瞳孔具有独特的灰度和形状特征，瞳孔部分的灰度很低，与周围区分明显；瞳孔往往呈圆形，在眼球姿态变化时，瞳孔呈椭圆形。由于瞳孔具有上述特征，预处理步骤往往先进行瞳孔分割。然而瞳孔分割的挑战很大：由于圆具有中心和半径共3个未知数，而椭圆具有中心、长短轴和旋转角共5个未知数，因而参数估计的计算量很大，耗时很长。早期的虹膜识别技术往往采用圆模型进行瞳孔分割，采用的方法有霍夫变换等。

无论采用圆模型或更精确的椭圆模型进行瞳孔分割，计算量都很大。如果能快速精确的定位瞳孔中心，瞳孔分割的计算量则大幅降低。如采用圆模型时，确定中心后仅剩1个未知数；而采用椭圆模型时，确定中心后仅剩3个未知数。

目前常用的中心定位算法分为以下几种。(1)基于Daugman的积分-差分方法，该方法精度高，但计算量大，同时易受噪声影响。(2)基于边缘检测和Hough变换的方法，这类方法的精度高，鲁棒性强，但计算量大。(3)基于Active Contour的方法，该类方法需要指定初始值，易受噪声干扰。如，专利(申请号201510490001.3)的主要目的是进行模糊图像判断，其第一个步骤为使用径向对称变换定位瞳孔。在径向对称变换中使用Sobel算子进行边缘检测，并在梯度方向上进行投票，是类似上述(2)的方法。但该方法的投影计算量很大，并且由于采用了降采样，定位精度受到影响。又如，专利(申请号201410273855.1)是虹膜图像预处理算法，其中的一个重要步骤是瞳孔定位。采用了Canny边缘检测算子和亚像素圆定位算法，因而是方法(2)的一种延伸方法。Canny算子采用了非极大值抑制，计算量大；在定位中，还要用到图像旋转和矩的计算，计算量也很大；最后采用最小二乘算法进行拟合，该方法对噪声较敏感，鲁棒性不高。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种用于虹膜识别的瞳孔中心定位方法，对于瞳孔变形的鲁棒性强，受姿态变化干扰小；通过对二值化图像的滤波和基于曲率的滤波，极大程度上排除了噪声的干扰，实现瞳孔中心的快速准确定位，提高了定位的速度和精度。

本发明的技术解决方案：一种用于虹膜识别的瞳孔中心定位方法，实现步骤如下：

(1)对原始虹膜图像进行灰度化处理，得到灰度图像；

(2)对步骤(1)得到的灰度图像进行预处理，得到增强的灰度虹膜图像；

(3)对步骤(2)得到的灰度虹膜图像进行二值化处理，得到二值化图像；

(4)对步骤(3)得到的二值图像进行滤波，得到增强后的二值图像；

(5)对步骤(4)得到的二值图像进行边缘检测，得到瞳孔的边缘点；

(6)对步骤(5)得到的边缘点进行星式扫描，得到瞳孔边界的极坐标分布图；

(7)将步骤(6)得到的极坐标分布图看作是周期信号的采样点，对极坐标边缘点进行傅立叶级数展开，得到傅里叶级数的系数；

(8)计算步骤(7)得到的由傅里叶系数描述的瞳孔边缘的曲率半径，并对曲率半径大于设定的上限阈值或者小于设定下限阈值的边缘点进行过滤；

(9)用步骤(8)得到的过滤结果进行投票，输出瞳孔中心。

所述步骤(1)灰度化处理方法为：利用原始红外虹膜图像的红绿蓝颜色分量，通过加权组合得到灰度值。

所述步骤(2)预处理方法为：对灰度图像进行中值滤波，然后对中值滤波的结果进行开运算，得到增强的灰度图像。

所述步骤(3)二值化处理方法为：首先计算直方图，然后根据直方图估计自适应阈值进行二值化，得到二值化图像。

所述步骤(4)对二值图像进行预处理的方法是按照特定顺序进行预处理，即首先二值图像进行闭运算，然后对闭运算的结果进行填充运算，得到增强的二值图像。

所述步骤(5)边缘检测方法为：根据增强后的二值图像的值与拓扑关系得到边缘图像，计算边缘的中心得到瞳孔的粗定位中心。

所述步骤(6)星式扫描方法为：以粗定位中心为参考点，计算每一个辅角上具有最小半径的边缘点，得到瞳孔边界的极坐标分布。

所述步骤(7)傅立叶级数展开方法为：将极坐标边缘点用傅立叶级数拟合，得到拟合系数和拟合曲线。

所述步骤(8)计算边缘的曲率半径方法为：根据拟合的结果计算边缘的曲率半径R，并过滤掉曲率半径大于设定的上限阈值或者小于设定下限阈值的点，对边缘点的过滤，降低了噪声的影响；所述上限阈值下限阈值0≤e<1，e为图像变形的容忍度。

所述步骤(9)投票方法为倡议-投票机制，即根据过滤的结果，取3点并计算圆的参数，评估参数的有效性，如果有效，输出结果；否则选取其他的点测试。

本发明与现有技术相比的优点在于：

(1)本发明所提出的用于虹膜识别的瞳孔中心定位方法，通过对红外虹膜图像中瞳孔的灰度和形状特点，对瞳孔进行自适应阈值分割，对光照条件、图像对比度的鲁棒性很高。

(2)本发明所提出的用于虹膜识别的瞳孔中心定位方法，通过对瞳孔边缘点曲率半径分布的分析，过滤掉可能的噪声点，并通过过滤后的边缘点得到瞳孔中心。该方法对瞳孔变形的鲁棒性很高。

附图说明

图1为本发明方法的实现流程图；

图2为原始红外图像；

图3为经过步骤1、2得到的输出结果，即增强的灰度图像；

图4为经过步骤3得到的二值图像；

图5为经过步骤4得到的单一连通域二值图像；

图6为经过步骤5、6得到的边缘的极坐标分布(图中离散的点)及其经过步骤7傅里叶级数估计(图中细实线)；

图7为经过步骤8、9得到的瞳孔中心(图中白色十字)。

具体实施方式

一、如图1所示，本发明所述的一种用于虹膜识别的瞳孔中心定位方法的具体实现步骤为：

1、对原始虹膜图像进行灰度化处理：

对于原始虹膜图像F的每一个像素的颜色分量r，g和b，采用公式1进行灰度化，得到灰度虹膜图像G。

gray＝0.299*r+0.587*g+0.114*b (1)

其中，gray表示图像G在对应位置的灰度值。如果原始图像是灰度图像，则不执行此步骤。

2、对灰度图像进行预处理

对灰度图像G，进行中值滤波，并对中值滤波结果进行开运算，得到的结果记为G₁；

3、对灰度虹膜图像进行二值化处理：

对灰度虹膜图像G₁，统计其灰度直方图H，即每个灰度值出现的次数，进而按照公式2得到其累积直方图H_C：

$H_C\left(i\right)=\underset{j=0}{\overset{i}{\mathrm{\&Sigma;}}}H\left(j\right)---\left(2\right)$

其中，H(i)表示图像G₁中灰度为i的像素的个数，H_C(i)表示图像G₁中灰度不大于i的像素的个数。

根据获得的累积直方图H_C对灰度虹膜图像G₁进行二值化处理。首先按照公式3将H_C中首次大于设定参数X的灰度值取为阈值T，然后根据公式4进行二值化，得到二值化图像B：

T＝min{i|H_C(i)≥X} (3)

$B(i,j)=\left\{\begin{array}{cc}1,& G_1(i,j)\&le;T\\ 0,& G_1(i,j)>T\end{array}\right.---\left(4\right)$

4、对二值图像进行预处理：

对二值图像进行闭运算，并对运算结果进行填充运算。

以二值化图像B中的任一个可能的前景点为种子点，进行生长运算，得到连通域，然后删除已经生长的点。该连通域生长算法重复运行，直到不存在种子点为止。在灰度虹膜图像G中检测光斑，然后在所有的连通域中，选择和光斑有重叠的一个，得到单一连通域二值图像B₁。

5、对二值图像进行边缘检测和粗定位：

对单一连通域二值图像B₁按照公式5进行边缘检测，得到边缘图像E。

计算所有边缘点坐标的均值作为瞳孔中心的粗定位结果，记为(x₀,y₀)。

6、以粗定位点为中心，对边缘点进行星式扫描，得到边缘点和辅角的相对关系，如果同一个辅角对应多个边缘点，则仅仅保留一个半径最小的边缘点。然后以粗定位点为坐标原点对边缘点进行极坐标转换，得到边缘的极坐标分布图。

7、对边缘极坐标分布图进行卡尔曼滤波，并根据公式6将滤波后的结果展开成傅里叶级数，即：

$P\left(\mathrm{\&theta;}\right)=a_0+\underset{i}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i\cos n\mathrm{\&theta;}+b_i\sin n\mathrm{\&theta;}---\left(6\right)$

其中，θ表示边缘点的辅角，P(θ)表示边缘点到粗定位中心的距离，a₀，a_i，b_i(i＝1，2，…，n)表示傅里叶级数的系数。

8、将极坐标估计反映射到直角坐标系，并根据公式7计算边界上每一点的曲率半径，得到边界上的曲率半径分布。

$\mathrm{\&rho;}=\left|\frac{{(1+y^{\&prime;2})}^{\frac{3}{2}}}{y^{\&prime;\&prime;}}\right|---\left(7\right)$

其中，y′,y″分别表示边界的一阶和二阶导数，ρ表示曲率值，找到曲率出现最集中的区间，粗估瞳孔半径；建立曲率分布密度函数，将密度低的边缘点过滤掉，然后对曲率半径大于设定的上限阈值或者小于设定下限阈值的边缘点进行过滤。

9、采用代表倡议-投票机制得到最佳中心估计。选取3个曲率半径处于合理区间且相互距离大于指定阈值的点，计算由这3个点确定的圆的参数，估算其他的点与此圆的拟合程度，并将误差小于1的点计数，当计数器的值大于设定的阈值时，输出最优结果。

二、下面以一幅实际虹膜图像为例，再将本发明的实施方式简述如下：

1、给定一幅红外虹膜图像(图2)，按照公式1将其转化为灰度虹膜图像。

2、对灰度虹膜图像进行预处理，得到增强后的图像(图3)。

3、将预处理后的虹膜图像二值化，得到二值化图像(图4)。

4、对二值化图像进行处理，得到增强二值图像处理，进而得到单一连通域二值图像(图5)。

5、对单一连通域二值图像进行边缘提取(图6中离散点)。

6、对边缘点进行星式扫描，得到极坐标分布图。

7、进行傅立叶级数展开(图6中细实线)。

8、计算边缘的曲率半径，并对曲率半径大于设定的上限阈值或者小于设定下限阈值的边缘点进行过滤。

9、用过滤的结果进行投票，输出瞳孔中心(图7)。

Claims (10)

1.一种用于虹膜识别的瞳孔中心定位方法，其特征在于实现步骤如下：

(1)对原始虹膜图像进行灰度化处理，得到灰度图像；

(2)对步骤(1)得到的灰度图像进行预处理，得到增强的灰度虹膜图像；

(3)对步骤(2)得到的灰度虹膜图像进行二值化处理，得到二值化图像；

(4)对步骤(3)得到的二值图像进行滤波，得到增强后的二值图像；

(5)对步骤(4)得到的二值图像进行边缘检测，得到瞳孔的边缘点；

(6)对步骤(5)得到的边缘点进行星式扫描，得到瞳孔边界的极坐标分布图；

(7)将步骤(6)得到的极坐标分布图看作是周期信号的采样点，对极坐标边缘点进行傅立叶级数展开，得到傅里叶级数的系数；

(8)计算步骤(7)得到的由傅里叶系数描述的瞳孔边缘的曲率半径，并对曲率半径大于设定的上限阈值或者小于设定下限阈值的边缘点进行过滤；

(9)用步骤(8)得到的过滤结果进行投票，输出瞳孔中心。

2.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(1)灰度化处理方法为：利用原始红外虹膜图像的红绿蓝颜色分量，通过加权组合得到灰度值。

3.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(2)预处理方法为：对灰度图像进行中值滤波，然后对中值滤波的结果进行开运算，得到增强的灰度图像。

4.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(3)二值化处理方法为：首先计算直方图，然后根据直方图估计自适应阈值进行二值化，得到二值化图像。

5.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(4)对二值图像进行预处理的方法是按照特定顺序进行预处理，即首先二值图像进行闭运算，然后对闭运算的结果进行填充运算，得到增强的二值图像。

6.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(5)边缘检测方法为：根据增强后的二值图像的值与拓扑关系得到边缘图像，计算边缘的中心得到瞳孔的粗定位中心。

7.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(6)星式扫描方法为：以粗定位中心为参考点，计算每一个辅角上具有最小半径的边缘点，得到瞳孔边界的极坐标分布。

8.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(7)傅立叶级数展开方法为：将极坐标边缘点用傅立叶级数拟合，得到拟合系数和拟合曲线。

9.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(8)计算边缘的曲率半径方法为：根据拟合的结果计算边缘的曲率半径R，并过滤掉曲率半径大于设定的上限阈值或者小于设定下限阈值的点，对边缘点的过滤，降低了噪声的影响；所述上限阈值下限阈值0≤e<1，e为图像变形的容忍度。

10.根据权利要求1所述的用于虹膜识别的瞳孔中心定位方法，其特征在于：所述步骤(9)投票方法为倡议-投票机制，即根据过滤的结果，取3点并计算圆的参数，评估参数的有效性，如果有效，输出结果；否则选取其他的点测试。