虹膜图像的检测方法和装置
技术领域
本发明涉及图像检测领域,具体而言,涉及一种虹膜图像的检测方法和装置。
背景技术
虹膜识别有着非常广泛的应用前景,例如,虹膜识别是一种高安全性的虹膜识别技术。图像采集是虹膜识别中最重要的基础步骤,采集图像的质量优劣直接影响虹膜识别系统的性能。在所有的低质量虹膜图像中,模糊是一个非常严重的问题,会直接导致认假或拒真两类错误的出现。
然而对单帧虹膜图像的模糊检测是一个无参考的图像模糊评价问题,难度较大。现有方法大多基于全局图像或仅基于局部虹膜区域,难以得到较为准确的结果。例如,全局图像分析方法对虹膜图像进行检测,容易受到眼镜、睫毛和光斑等噪声影响,而已有的基于局部虹膜区域分析方法也有一些缺陷,因为每个人的虹膜纹理不尽相同,有些人天生虹膜纹理较少,仅使用虹膜区域图像提取特征容易拒绝该类人群的清晰虹膜图像。
针对现有技术中的虹膜图像的模糊检测方法,检测精度低的问题,目前尚未提出有效的解决方案。
发明内容
本发明提供了一种虹膜图像的检测方法和装置,以至少解决现有技术中的虹膜图像的模糊检测方法,检测精度低的技术问题。
根据本发明实施例的一个方面,提供了一种虹膜图像的检测方法,包括:获取待检测的虹膜图像;从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像;对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集;对第一特征集和第二特征集进行特征筛选,并将筛选后的特征集进行检测,得到检测结果,其中,检测结果用于表征虹膜图像是否清晰。
根据本发明实施例的另一方面,还提供了一种虹膜图像的检测装置,包括:获取模块,用于获取待检测的虹膜图像;确定模块,用于从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像;提取模块,用于对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集;监测模块,用于对第一特征集和第二特征集进行特征筛选,并将筛选后的特征集进行检测,得到检测结果,其中,检测结果用于表征虹膜图像是否清晰。
在本发明中,可以获取待检测的虹膜图像,从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像,对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集,并对第一特征集和第二特征集进行检测,得到检测结果,从而实现虹膜图像的模糊检测。容易注意到的是,由于同时确定了虹膜区域图像和瞳孔边缘区域图像,并从两个区域图像中提取到第一特征集和第二特征集,使特征集表征更加全面,提升检测精度,进一步,在提取到第一特征集和第二特征集之后,对两个特征集进行特征筛选,不仅使特征集精简加快检测速度,而且避免了特征信息冗余,提高了准确度,进而解决了现有技术中的虹膜图像的模糊检测方法,检测精度低的技术问题。因此,通过本发明,可以通过多区域多指标的方法进行检测,达到提升系统性能和鲁棒性,使得系统快速友好的采集到高质量虹膜图像的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种虹膜图像的检测方法的流程图;
图2是根据本发明实施例的一种可选的瞳孔定位的示意图;
图3是根据本发明实施例的一种可选的虹膜待定区域图像的示意图;
图4a是根据本发明实施例的一种可选的左侧虹膜区域图像的示意图;
图4b是根据本发明实施例的一种可选的右侧虹膜区域图像的示意图;
图5是根据本发明实施例的一种可选的瞳孔边缘待定区域图像的示意图;
图6a是根据本发明实施例的一种可选的左瞳孔边缘区域图像的示意图;
图6b是根据本发明实施例的一种可选的右瞳孔边缘区域图像的示意图;
图7是根据本发明实施例的一种可选的虹膜区域图像的示意图;
图8是根据本发明实施例的一种可选的虹膜区域图像的MSCN系数的示意图;
图9是根据本发明实施例的一种可选的虹膜区域图像的MSCN系数的广义高斯分拟合的示意图;
图10是根据本发明实施例的一种可选的瞳孔边缘区域图像的采集和分块的示意图;
图11是根据本发明实施例的一种可选的瞳孔边缘区域图像的DCT特征提取的示意图;以及
图12是根据本发明实施例的一种虹膜图像的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种虹膜图像的检测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种虹膜图像的检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待检测的虹膜图像。
具体的,上述的虹膜图像可以包括瞳孔、虹膜、巩膜、眼皮、睫毛,即人眼区域图像。
在一种可选的方案中,为了对虹膜图像进行模糊检测,可以采集待检测的灰度虹膜图像。
步骤S104,从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像。
具体的,上述的虹膜区域图像可以是虹膜图像中的虹膜区域,瞳孔边缘区域图像可以是虹膜图像中的瞳孔边缘区域,即虹膜内边缘区域,可以包括虹膜区域和瞳孔区域。图像的锐变边缘是最容易受到模糊影响的区域,在虹膜图像中,最明显的锐变边缘就是瞳孔边缘,并且该区域不易受到噪声影响,所以,理想环境下,瞳孔边缘是最有利于判断虹膜图像模糊与否的图像信息。
在一种可选的方案中,在获取到灰度虹膜图像之后,可以从虹膜图像中选择瞳孔边缘的附近区域作为一个感兴趣区域(Region Of Interest,ROI),为了将瞳孔边缘清晰度不明显的图像也能够判断出来,还可以选择虹膜区域作为另一个感兴趣区域,得到虹膜区域图像和瞳孔边缘区域图像。
步骤S106,对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集。
在一种可选的方案中,可以采用多种特征提取方法,对两个ROI提取多种特征,例如,可以提取虹膜区域的空间域特征和瞳孔边缘区域的频率域特征,得到用于评价虹膜图像模糊程度的特征集,即上述的第一特征集和第二特征集。
步骤S108,对第一特征集和第二特征集进行特征筛选,并将筛选后的特征集进行检测,得到检测结果,其中,检测结果用于表征虹膜图像是否清晰。
在一种可选的方案中,在采用多种特征提取方法,提取到第一特征集和第二特征集之后,可以对提取到的第一特征集和第二特征集进行特征筛选,得到最终特征集,并根据最终特征集进行检测,检测采集到的虹膜图像是否清晰,从而得到检测结果。
通过本发明上述实施例,可以获取待检测的虹膜图像,从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像,对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集,并对第一特征集和第二特征集进行检测,得到检测结果,从而实现虹膜图像的模糊检测。容易注意到的是,由于同时确定了虹膜区域图像和瞳孔边缘区域图像,并从两个区域图像中提取到第一特征集和第二特征集,使得特征集表征更加全面,提升检测精度,进一步,在提取到第一特征集和第二特征集之后,对两个特征集进行特征筛选,不仅使特征集精简加快检测速度,而且避免了特征信息冗余,提高了准确度,进而解决了现有技术中的虹膜图像的模糊检测方法,检测精度低的技术问题。因此,通过本发明上述实施例,可以通过多区域多指标的方法进行检测,达到提升系统性能和鲁棒性,使得系统快速友好的采集到高质量虹膜图像的效果。
可选的,在本发明上述实施例中,步骤S104,从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像,包括:
步骤S1042,对虹膜图像进行定位,得到瞳孔的半径和圆心坐标。
在一种可选的方案中,为了能够得到虹膜区域图像和瞳孔边缘区域图像,可以在获取到待检测的灰度虹膜图像之后,使用径向对称变换对虹膜图像进行瞳孔粗定位,获得瞳孔的半径和圆心坐标,如图2所示。
步骤S1044,根据半径,圆心坐标和第一预设范围,得到第一待定区域图像和第二待定区域图像,并根据半径,圆心坐标和第二预设范围,得到第三待定区域图像和第四待定区域图像,其中,所述第一待定区域图像和所述第二待定区域图像位于虹膜区域,所述第三待定区域图像和所述第四待定区域图像位于瞳孔边缘区域。
具体的,上述的第一预设范围可以是预先设定的虹膜区域范围,上述的第二预设范围可以是预先设定的瞳孔边缘区域范围,可以根据实际需要进行设定,也可以通过多次实验,选择检测效果最好的范围进行设定,例如,上述的第一预设范围可以是瞳孔水平偏下方两侧对称的60*55子区域,上述的第二预设范围可以是瞳孔水平方向两侧对称的20*40子区域,但不仅限于此,上述的第一预设范围也可以是瞳孔水平偏下方两侧非对称的60*55子区域,上述的第二预设范围也可以是瞳孔水平方向两侧非对称的20*40子区域。
在一种可选的方案中,在确定瞳孔的半径和圆心坐标之后,可以选取瞳孔水平偏下方向两侧对称60*55子区域作为待定区域,如图3中的两个方框所示,得到第一待定区域图像和第二待定区域图像,如图4a和图4b所示,图中的不规则圆圈表示虹膜的特征纹理。可以选取瞳孔水平方向两侧对称20*40子区域作为待定区域,如图5中的两个方框所示,得到第三待定区域图像和第四待定区域图像,如图6a和图6b所示。
步骤S1046,从第一待定区域图像和第二待定区域图像中获取满足第一预设条件的区域图像,得到虹膜区域图像,并从第三待定区域图像和第四待定区域图像中获取满足第二预设条件的区域图像,得到瞳孔边缘区域图像。
在一种可选的方案中,针对虹膜图像中很多区域容易受到噪声影响的问题,在选取了第一待定区域图像、第二待定区域图像、第三待定区域图像和第四待定区域图像之后,可以对四个待定区域图像进行筛选,从第一待定区域图像和第二待定区域图像筛选满足筛选条件的区域图像作为虹膜区域图像,并从第三待定区域图像和第四待定区域图像筛选满足筛选条件的区域图像作为瞳孔边缘区域图像。
可选的,在本发明上述实施例中,步骤S1046,从第一待定区域图像和第二待定区域图像中获取满足第一预设条件的区域图像,得到虹膜区域图像,包括:
步骤S112,判断第一待定区域图像和第二待定区域图像是否含有噪声。
在一种可选的方案中,在选取了第一待定区域图像和第二待定区域图像之后,可以通过阈值筛选光斑和睫毛噪声较少的区域图像作为虹膜区域图像,使用如下公式判断第一待定区域图像和第二待定区域图像是否含有噪声:
其中,Iun(i,j)为输入的待定区域图像的像素点,即第一待定区域图像或者第二待定区域图像的像素点,M和N为待定区域图像的高和宽,Tmin为瞳孔边界和睫毛噪声灰度阈值,Tmax光斑噪声灰度阈值,小于Tmin可以判断待定区域图像中含有瞳孔边界和睫毛噪声,大于Tmax可以判断判断待定区域图像中含有光斑噪声。
如果通过公式计算得到h1=1,则确定该待定区域图像不含有噪声,如果通过公式计算得到h1=0,则确定该待定区域图像含有噪声。
步骤S114,如果第一待定区域图像和第二待定区域图像均含有噪声,或者第一待定区域图像和第二待定区域图像均不含噪声,则将第一待定区域图像和第二待定区域图像作为虹膜区域图像。
在一种可选的方案中,如果通过公式计算得到第一待定区域图像的h1=1,且第二待定区域图像的h1=1,则确定两个待定区域图像均不含噪声,因此两个待定区域图像都可以作为虹膜区域图像;如果通过公式计算得到第一待定区域图像的h1=0,且第二待定区域图像的h1=0,则确定两个待定区域图像均含有噪声,因此两个待定区域图像都可以作为虹膜区域图像。
步骤S116,如果第一待定区域图像含有噪声,且第二待定区域图像不含噪声,则将第一待定区域图像替换为第二待定区域图像。
在一种可选的方案中,如果通过公式计算得到第一待定区域图像的h1=0,且第二待定区域图像的h1=1,则确定第一待定区域图像含有噪声,而第二待定区域图像不含噪声,因此可以将第一待定区域图像替换为第二待定区域图像,即使用第二待定区域图像中像素点的灰度值替换第一待定区域图像中像素点的灰度值(像素点的坐标值保持不变),并将替换后的第一待定区域图像和第二待定区域图像作为虹膜区域图像。
步骤S118,如果第一待定区域图像不含噪声,且第二待定区域图像含有噪声,则将第二待定区域图像替换为第一待定区域图像。
在一种可选的方案中,如果通过公式计算得到第一待定区域图像的h1=1,且第二待定区域图像的h1=0,则确定第一待定区域图像不含噪声,而第二待定区域图像含有噪声,因此可以将第二待定区域图像替换为第一待定区域图像,即用第一待定区域图像中像素点的灰度值替换第二待定区域图像中像素点的灰度值(像素点的坐标值保持不变),并将替换后的第二待定区域图像和第一待定区域图像作为虹膜区域图像。
此处需要说明的是,虹膜区域图像包含两个区域图像,即左侧虹膜区域图像ROI1和右侧虹膜区域图像ROI2。
通过上述步骤S112至步骤S118,可以通过将所述第一待定区域图像和所述第二待定区域图像与第一预设噪声灰度阈值范围进行比较,判断是否含有噪声,筛选满足第一预设条件的待定区域图像作为虹膜区域图像,减少虹膜图像中的噪声影响,从而提升虹膜图像的检测准确度。
可选的,在本发明上述实施例中,步骤S1046,从第三待定区域图像和第四待定区域图像中获取满足第二预设条件的区域图像,得到瞳孔边缘区域图像,包括:
步骤S122,判断第三待定区域图像是否含有光斑噪声。
具体的,由于光斑噪声一般仅分布在瞳孔边缘的一侧或瞳孔内部,可以通过判断第三待定区域图像是否含有光斑噪声,从而确定瞳孔边缘区域图像。
在一种可选的方案中,在选取了第三待定区域图像和第四待定区域图像之后,可以通过阈值筛选光斑噪声较少的区域作为瞳孔边缘区域,使用如下公式判断待定区域ROI3是否含有光斑噪声:
其中,Iun(i,j)为输入的待定区域图像的像素点,即第三待定区域图像或者第四待定区域图像,M′和N′为待定区域图像的高和宽,Tmax光斑噪声阈值。
如果通过公式计算得到h2=1,则确定该待定区域图像不含有光斑噪声,如果通过公式计算得到h2=0,则确定该待定区域图像含有光斑噪声。
步骤S124,如果第三待定区域图像含有光斑噪声则将第四待定区域图像作为瞳孔边缘区域图像。
在一种可选的方案中,如果通过公式计算得到第三待定区域图像的h2=0则确定第三待定区域图像含有光斑噪声,因此第四待定区域图像可以作为瞳孔边缘区域图像。
步骤S126,如果第三待定区域图像不含光斑噪声则将第三待定区域图像作为瞳孔边缘区域图像。
在一种可选的方案中,如果通过公式计算得到第三待定区域图像的h2=1,则确定第三待定区域图像不含光斑噪声,因此第三待定区域图像可以作为瞳孔边缘区域图像。
此处需要说明的是,瞳孔边缘区域图像仅包含一个区域图像,即瞳孔边缘区域图像ROI3。
通过上述步骤S122至步骤S126,可以通过将所述第三待定区域图像和所述第四待定区域图像与第二预设噪声灰度阈值范围进行比较,判断是否含有光斑噪声,筛选满足第二预设条件的待定区域图像作为瞳孔边缘区域图像,减少虹膜图像中的噪声影响,从而提升虹膜图像的检测准确度。
可选的,在本发明上述实施例中,步骤S106,对虹膜区域图像进行空间域特征提取,得到第一特征集,包括:
步骤S132,计算虹膜区域图像的去均值对比度归一化系数,并利用广义高斯分布,对去均值对比度归一化系数进行拟合,得到特征向量。
具体的,上述的去均值对比度归一化系数可以是MSCN(Mean SubtractedContrast Normalized的简写)系数。由于考虑MSCN系数有局部去均值处理,因此可以选择零均值的广义高斯分布进行对系数进行拟合(即μ=0)。广义高斯分布(GeneralizedGaussian Distribution,GGD)具有较广的分布范围,可以用来捕获MSCN系数经验概率曲线的尾部响应差异较大的特性。广义高斯分布的定义为:
其中:γ为形状参数,尺度参数
Γ为伽马函数,伽马函数的定义为:
在一种可选的方案中,可以根据如下公式计算如图7所示的虹膜区域图像的MSCN系数,如图8所示,
其中,i∈{1,2,…,M},j∈{1,2,…,N},M为虹膜区域图像的高,N为虹膜区域图像的宽,均值
标准差
其中,ω
k,l是由一个二维标准化的高斯函数生成的加权系数模板,K=L=3。在计算得到虹膜区域图像的MSCN系数之后,可以利用零均值广义高斯分布参数模型拟合MSCN系数概率密度曲线,如图9所示,根据如下公式计算虹膜图像的方差:
以及数学期望:
概率密度:
取形状参数γ=0.2:0.001:10,即从γ=0.2开始,每隔0.001进行取值,直到γ=10为止,计算广义高斯参数比反函数
根据argmin{|ρ-r(γ)|}得到误差最小的γ,从而得到特征向量γ,其中,arg min表示使目标函数取值最小值时的变量值。
步骤S134,计算虹膜区域图像的水平方向和竖直方向的差分信号矩阵,并对水平方向和竖直方向的差分信号矩阵进行分块处理,得到子特征集,其中,子特征集至少包括:差分信号整体活跃度,局部分块活跃度和低强度信号个数。
在一种可选的方案中,可以计算虹膜区域图像的水平方向和竖直方向的差分信号矩阵,并对虹膜区域图像的水平方向和竖直方向的差分信号进行分块处理,得到虹膜区域图像的差分信号整体活跃度,局部分块活跃度和低强度信号个数。可以通过如下公式计算虹膜区域水平方向和竖直方向的差分信号矩阵:
其中,k=1表示竖直方向的差分信号,k=2表示水平方向的差分信号。
步骤S136,根据特征向量和子特征集,得到第一特征集。
在一种可选的方案中,可以根据特征向量γ,差分信号整体活跃度,局部分块活跃度和低强度信号个数,得到虹膜区域的空间域特征集,即上述的第一特征集。
此处需要说明的是,通过使用低强度信号个数作为差分信号的第三个特征,提升检测的准确度。
可选的,在本发明上述实施例中,步骤S134,对水平方向和竖直方向的差分信号矩阵进行分块处理,得到子特征集,包括:
步骤S1342,按照水平预设像素和竖直预设像素,分别对水平方向和竖直方向的差分信号矩阵进行分块处理,得到多个分块。
具体的,由于虹膜纹理比较丰富精细,上述水平预设像素和竖直预设像素可以是以3像素。
在一种可选的方案中,可以按照水平3像素为间隔对水平方向的差分信号进行分块处理,并按照竖直3像素为间隔对竖直方向的差分信号进行分块处理。
步骤S1344,计算每个分块的块边界平均梯度,得到水平方向的整体活跃度和竖直方向的整体活跃度,并计算水平方向的整体活跃度和竖直方向的整体活跃度的平均值,得到差分信号整体活跃度。
在一种可选的方案中,可以通过如下公式计算虹膜区域图像的块边界平均梯度B
k,作为水平方向的整体活跃度和竖直方向的整体活跃度:
可以对两个方向得到的整体活跃度取平均值,得到特征分量
作为差分信号整体活跃度。
步骤S1346,提取每个分块的块内平均差分的绝对值,得到水平方向的局部分块活跃度和竖直方向的局部分块活跃度,并计算水平方向的局部分块活跃度和竖直方向的局部分块活跃度的平均值,得到局部分块活跃度。
在一种可选的方案中,可以通过如下公式提取块内平均差分的绝对值A
k,作为水平方向的局部分块活跃度和竖直方向的局部分块活跃度:
可以对两个方向得到的局部分块活跃度取平均值,得到特征分量
作为局部分块活跃度。
步骤S1348,分别从水平方向和竖直方向的差分信号矩阵中,获取差分信号小于预设值的个数,得到水平方向的低强度信号个数和竖直方向的低强度信号个数,并计算水平方向的低强度信号个数和竖直方向的低强度信号个数的平均值,得到低强度信号个数。
具体的,上述预设值可以是2。
在一种可选的方案中,可以通过如下公式计算水平和竖直方向差分信号小于2的个数,作为水平方向的局部分块活跃度和竖直方向的低强度信号个数:
其中:
可以对两个方向得到的低强度信号个数取平均值,得到特征分量
作为低强度信号个数。
此处需要说明的是,最终对虹膜区域图像提取到如下空间域特征:
SpatROI1=(γR1,AR1,BR1,Z*R1)为左侧虹膜区域图像提取到的空间域特征;
SpatROI2=(γR2,AR2,BR2,Z*R2)为右侧虹膜区域图像提取到的空间域特征;
SpatROI1和SpatROI2即上述的虹膜区域图像的第一特征集。
可选的,在本发明上述实施例中,步骤S106,对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集,包括:
步骤S142,对瞳孔边缘区域图像进行两次下采样,得到采样图像和二次采样图像。
在一种可选的方案中,可以对瞳孔边缘区域图像进行低通滤波器滤波后,进行两次下采样,分别得到采样图像和二次采样图像。
步骤S144,分别对瞳孔边缘区域图像,采样图像和二次采样图像进行分块,得到多个第一图像块,多个第二图像块和多个第三图像块。
在一种可选的方案中,可以对瞳孔边缘区域图像、采样图像和二次采样图像进行分块,得到每个图像的多个图像块。
步骤S146,分别对每个第一图像块,每个第二图像块和每个第三图像块进行离散余弦转换,得到处理后的多个第一图像块,处理后的多个第二图像块和处理后的多个第三图像块。
在一种可选的方案中,可以对瞳孔边缘区域图像、采样图像和二次采样图像进行DCT(Discrete Cosine Transformation,离散余弦转换)。例如,如图10所示,可以对采样图像进行5*5分块,得到一个5*5第二图像块样例,对5*5第二图像块样例进行DCT处理,可以得到一个5*5的DCT特征矩阵。
步骤S148,分别对处理后的多个第一图像块,处理后的多个第二图像块和处理后的多个第三图像块进行特征提取,得到瞳孔边缘区域图像的第二特征集,采样图像的第二特征集和二次采样图像的第二特征集,其中,第二特征集至少包括:形状参量,频率域方向特征和频率域能量特征。
在一种可选的方案中,可以对每个图像块进行特征提取,得到瞳孔边缘图像的频率域特征,采样图像的频率域特征,以及二次采样图像的频率域特征,即上述的第二特征集。
可选的,在本发明上述实施例中,步骤S142,对瞳孔边缘区域图像进行两次下采样,得到采样图像和二次采样图像,包括:
步骤S1422,利用第一低通滤波器对瞳孔边缘区域图像进行滤波,并对滤波后的瞳孔边缘区域图像进行下采样,得到采样图像。
步骤S1424,利用第二低通滤波器对采样图像进行滤波,并对滤波后的采样图像进行下采样,得到二次采样图像。
具体的,上述第一低通滤波器和第二低通滤波器根据需要进行设定,两个低通滤波器可以相同。
在一种可选的方案中,如图11所示,20*40的瞳孔边缘区域图像可以通过第一低通滤波器滤波后进行下采样,得到10*20的采样图像,再通过第二低通滤波器滤波后进行下采样,得到5*10的二次采样图像。
可选的,在本发明上述实施例中,步骤S144,分别对瞳孔边缘区域图像,采样图像和二次采样图像进行分块,得到多个第一图像块,多个第二图像块和多个第三图像块,包括:
步骤S1442,按照第一预设分块大小,对瞳孔边缘区域图像进行分块处理,得到多个第一图像块。
具体的,上述的第一预设分块大小可以是9*9分块大小。
步骤S1444,按照第二预设分块大小,对采样图像进行分块处理,得到多个第二图像块。
具体的,上述的第二预设分块大小可以是5*5分块大小。
步骤S1446,按照第三预设分块大小,对二次采样图像进行分块处理,得到多个第三图像块。
具体的,上述的第三预设分块大小可以是3*3分块大小。
在一种可选的方案中,如图11所示,可以采用以9*9像素对瞳孔边缘区域图像进行分块,得到15个第一图像块,其中8个9*9第一图像块;采用以5*5像素对采样图像进行分块,得到8个第二图像5*5块;采用以3*3像素对二次采样图像进行分块,得到8个第三图像块,其中3个3*3第三图像块。
可选的,在本发明上述实施例中,步骤S148,分别对处理后的多个第一图像块,处理后的多个第二图像块和处理后的多个第三图像块进行特征提取,得到瞳孔边缘区域图像的第二特征集,采样图像的第二特征集和二次采样图像的第二特征集,包括:
步骤S1482,分别对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的形状参量,采样图像的形状参量,以及二次采样图像的形状参量。
在一种可选的方案中,可以对每个9*9第一图像块的DCT特征矩阵进行处理,得到每个9*9第一图像块的特征向量,将所有9*9第一图像块提取到的特征向量进行汇总,得到瞳孔边缘区域图像的形状参量;对每个5*5第二图像块的DCT特征矩阵进行处理,得到每个5*5第二图像块的特征向量,将所有5*5第二图像块提取到的特征向量进行汇总,得到采样图像的形状参量;对每个3*3第三图像块的DCT特征矩阵进行处理,得到每个3*3第三图像块的特征向量,将所有3*3第三图像块提取到的特征向量进行汇总,得到二次采样图像的形状参量。
步骤S1484,分别将每个第一图像块,每个第二图像块和每个第三图像块沿主对角线方向划分为多个区域,得到每个第一图像块的多个分区,每个第二图像块的多个分区,以及每个第三图像块的多个分区。
在一种可选的方案中,为了能够得到频率方向特征,可以按照预设的分割方式,将每个9*9第一图像块的DCT特征矩阵,每个5*5第二图像块的DCT特征矩阵,以及每个3*3第三图像块的DCT特征矩阵进行方向分区,分为多个方向分区。如图10所示,可以沿着主对角线的方向,以30度、60度和90度进行分区,可以分成三个方向分区,即图10中的第一方向分区,第二方向分区和第三方向分区。
步骤S1486,分别对分区后的每个第一图像块,分区后的每个第二图像块和分区后的每个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域方向特征,采样图像的频率域方向特征,以及二次采样图像的频率域方向特征。
在一种可选的方案中,在每个9*9第一图像块的DCT特征矩阵,每个5*5第二图像块的DCT特征矩阵,以及每个3*3第三图像块的DCT特征矩阵进行方向分区之后,可以对每个9*9第一图像块的分区进行提取概率密度,并计算所有9*9第一图像块的分区的方差,得到瞳孔边缘区域图像的频率域方向特征;可以对每个5*5第二图像块的分区进行提取概率密度,并计算所有5*5第二图像块的分区的方差,得到采样图像的频率域方向特征;可以对每个3*3第三图像块的分区进行提取概率密度,并计算所有3*3第三图像块的分区的方差,得到二次采样图像的频率域方向特征。
步骤S1488,分别对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域能量特征,采样图像的频率域能量特征,以及二次采样图像的频率域能量特征。
在一种可选的方案中,可以对每个9*9第一图像块的DCT特征矩阵提取能量特征,得到每个9*9第一图像块的能量特征,将所有9*9第一图像块提取到的能量特征,得到瞳孔边缘区域图像的频率域能量特征;对每个5*5第二图像块的DCT特征矩阵提取能量特征,得到每个5*5第二图像块的能量特征向量,将所有5*5第二图像块提取到的能量特征向量进行汇总,得到采集图像的频率域能量特征;对每个3*3第三图像块的DCT特征矩阵提取能量特征,得到每个3*3第三图像块的能量特征向量,将所有3*3第三图像块提取到的能量特征向量进行汇总,得到二次采样图像的频率域能量特征。
可选的,在本发明上述实施例中,步骤S1482,分别对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的形状参量,采样图像的形状参量,以及二次采样图像的形状参量,包括:
步骤S150,利用广义高斯参数模型,分别对每个第一图像块,每个第二图像块和每个第三图像块进行拟合,得到每个第一图像块的第一特征,每个第二图像块的第一特征,以及每个第三图像块的第一特征,其中,第一特征包括:第一参数和第二参数。
具体的,上述的广义高斯参数模型即之前的广义高斯分布,第一参数可以是广义高斯分布的形状参数γ,第二参数可以是广义高斯分布的概率密度ρ。
步骤S152,分别计算多个第一图像块的第一特征,多个第二图像块的第一特征,以及多个第三图像块的第一特征的平均值,得到多个第一图像块的第一平均值,多个第二图像块的第一平均值,以及多个第三图像块的第一平均值。
具体的,上述的第一平均值包括:第一参数的平均值和第二参数的平均值。
步骤S154,分别对多个第一图像块的第一参数,多个第二图像块的第一参数,以及多个第三图像块的第一参数进行升序排序,并对多个第一图像块的第二参数,多个第二图像块的第二参数,以及多个第三图像块的第二参数进行降序排序。
步骤S156,分别计算排序最前的预设个数的第一图像块的第一特征,排序最前的预设个数的第二图像块的第一特征,以及排序最前的预设个数的多个第三图像块的第一特征的平均值,得到多个第一图像块的第二平均值,多个第二图像块的第二平均值,以及多个第三图像块的第二平均值。
具体的,上述预设个数可以是所有排序后的图像块的个数的前10%。上述的第二平均值包括排序最前的预设个数的第一参数的平均值,以及排序最前的预设个数的第二参数的平均值。
步骤S158,分别根据多个第一图像块的第一平均值和多个第一图像块的第二平均值,多个第二图像块的第一平均值和多个第二图像块的第二平均值,以及多个第三图像块的第一平均值和多个第三图像块的第二平均值,得到瞳孔边缘区域图像的形状参量,采样图像的形状参量,以及二次采样图像的形状参量。
在一种可选的方案中,可以对每个图像子块利用上述的广义高斯参数模型拟合,得到第一特征(γ
i,j,ρ
i,j),包括第一参数γ
i,j和第二参数ρ
i,j,其中
M
2、N
2为瞳孔边缘区域图像或其下采样图像(即采样图像或者二次采样图像)的高和宽,m为其分块边长。对瞳孔边缘区域图像、或采样图像或二次采样图像的所有子块的特征进行统计,
为所有子块第一特征γ
i,j的平均值,即上述的第一参数的平均值,
为所有子块第二特征ρ
i,j的平均值,即上述的第二参数的平均值,得到第一平均值
为所有子块第一特征γ
i,j进行升序排列后前10%的子块第一特征γ
i,j的平均值,
为所有子块第二特征ρ
i,j进行降序排列后前10%的子块第二特征ρ
i,j的平均值,得到第二平均值
其中,箭头向上表示升序,箭头向下表示降序,从而得到形状参数向量
可选的,在本发明上述实施例中,步骤S1486,分别对分区后的每个第一图像块,分区后的每个第二图像块和分区后的每个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域方向特征,采样图像的频率域方向特征,以及二次采样图像的频率域方向特征,包括:
步骤S171,利用广义高斯分布,对每个第一图像块的每个分区,每个第二图像块的每个分区,以及每个第三图像块的每个分区进行拟合,得到每个第一图像块的每个分区的概率密度,每个第二图像块的每个分区的概率密度,以及每个第三图像块的每个分区的概率密度。
步骤S172,分别计算每个第一图像块的多个分区的概率密度,每个第二图像块的多个分区的概率密度,以及每个第三图像块的多个分区的概率密度的方差,得到每个第一图像块的第二特征,每个第二图像块的第二特征,以及每个第三图像块的第二特征。
步骤S173,分别计算多个第一图像块的第二特征,多个第二图像块的第二特征,以及多个第三图像块的第二特征的平均值,得到多个第一图像块的第三平均值,多个第二图像块的第三平均值,以及多个第三图像块的第三平均值。
步骤S174,对多个第一图像块的第二特征,多个第二图像块的第二特征,以及多个第三图像块的第二特征降序进行排序。
步骤S175,分别计算排序最前的预设个数的第一图像块的第二特征,排序最前的预设个数的第二图像块的第二特征,以及排序最前的预设个数的第三图像块的第二特征的平均值,得到多个第一图像块的第四平均值,多个第二图像块的第四平均值,以及多个第三图像块的第四平均值。
具体的,上述预设个数可以是所有排序后的图像块的个数的前10%。
步骤S176,分别根据多个第一图像块的第三平均值和多个第一图像块的第四平均值,多个第二图像块的第三平均值和多个第二图像块的第四平均值,以及多个第三图像块的第三平均值和多个第三图像块的第四平均值,得到瞳孔边缘区域图像的频率域方向特征,采样图像的频率域方向特征,以及二次采样图像的频率域方向特征。
在一种可选的方案中,可以在将每个图像块划分为三个分区之后,对三个部分分别进行广义高斯模型拟合,得到ρ
i,j,1,ρ
i,j,2,ρ
i,j,3,即上述的每个分区的概率密度,对ρ
i,j,1,ρ
i,j,2,ρ
i,j,3求方差得到σ
i,j 2,即上述的第二特征。计算所有子块的特征σ
i,j 2,然后取所有子块的特征σ
i,j 2的平均值,以及降序排列后前10%的子块的特征σ
i,j 2的平均值,得到第三平均值
和第四平均值
从而得到频率域方向特征向量
可选的,在本发明上述实施例中,步骤S1488,对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域能量特征,采样图像的频率域能量特征,以及二次采样图像的频率域能量特征,包括:
步骤S181,分别对每个第一图像块,每个第二图像块和每个第三图像块沿反对角线方向进行能量提取,得到每个第一图像块的多个能量,每个第二图像块的多个能量,以及每个第三图像块的每个分区的多个能量。
在一种可选的方案中,如图10所示,可以沿着反对角线的方向,以30度、60度和90度进行分区,可以分成三个能量分区,即图10中的第一能量分区,第二能量分区和第三能量分区,提取低频、中频、高频能量E
i,j,1,E
i,j,2,E
i,j,3,其中,
步骤S182,分别计算每个第一图像块的多个能量,每个第二图像块的多个能量,以及每个第三图像块的每个分区的多个能量的差值,得到每个第一图像块的多个能量差,每个第二图像块的多个能量差,以及每个第三图像块的每个分区的多个能量差。
步骤S183,分别计算每个第一图像块的多个能量差,每个第二图像块的多个能量差,以及每个第三图像块的每个分区的多个能量差的平均值,得到每个第一图像块的能量特征,每个第二图像块的能量特征,以及每个第三图像块的能量特征。
步骤S184,分别计算多个第一图像块的能量特征,多个第二图像块的能量特征,以及多个第三图像块的能量特征的平均值,得到多个第一图像块的第五平均值,多个第二图像块的第五平均值,以及多个第三图像块的第五平均值。
步骤S185,对每个第一图像块的能量特征,每个第二图像块的能量特征,以及每个第三图像块的能量特征进行排序。
步骤S186,分别计算排序最高的预设个数的第一图像块的能量特征,排序最高的预设个数的第二图像块的能量特征,以及排序最高的预设个数的多个第三图像块的能量特征的平均值,得到多个第一图像块的第六平均值,多个第二图像块的第六平均值,以及多个第三图像块的第六平均值。
具体的,上述预设个数可以是所有排序后的图像块的个数的前10%。
步骤S187,分别根据多个第一图像块的第五平均值和多个第一图像块的第六平均值,多个第二图像块的第五平均值和多个第二图像块的第六平均值,以及多个第三图像块的第五平均值和多个第三图像块的第六平均值,得到瞳孔边缘区域图像的频率域能量特征,采样图像的频率域能量特征,以及二次采样图像的频率域能量特征。
在一种可选的方案中,在提取到每个图像块的低频、中频、高频能量E
i,j,1,E
i,j,2,E
i,j,3之后,可以通过如下公式计算得到能量差
然后取γ
i,j,1和γ
i,j,2的平均值得到各个子块γ
i,j,即上述的能量特征,对所有子块的特征γ
i,j取平均值,以及对升序排列后前10%的子块的特征γ
i,j取平均值,得到第五平均值
和第六平均值
从而得到频率域能量特征向量
此处需要说明的是,通过上述方法可以对瞳孔边缘区域图像提取到如下频率域特征,即上述的第二特征集:
为瞳孔边缘区域的频率域特征,即上述的瞳孔边缘区域图像的第二特征集;
为瞳孔边缘区域首次下采样的频率域特征,即上述的采样图像的第二特征集;
为瞳孔边缘区域第二次下采样图像提取到的频率域特征,即上述的二次采样图像的第二特征集。
可选的,在本发明上述实施例中,步骤S108,对第一特征集和第二特征集进行特征筛选包括:
步骤S1082,利用压缩估计,对第一特征集和第二特征集进行筛选,得到虹膜图像的特征集。
具体的,上述压缩估计可以是Lasso,Least Absolute Shrinkage and SelectionOperator。Lasso是一种压缩估计方法,其基本思想是在回归系数的绝对值之和小于一个常数的约束条件下,使残差平方和达到最小值的回归系数的估计。根据产生的某些严格等于0的回归系数选择特征,达到降维的目的。其多元线性模型定义为:y=Xα+ε,其中,y=(y1,y2,…,yn)T为分类标签,X=(x1,x2,…,xn)为特征集,xj=(x1j,x2j,…,xnj)T,j=1,2,…,d,α是估计参数,并且dim(α)=d,ε为误差项。建模时,我们通常希望保留X中的重要变量,然后将其他变量置为0,即:α=argminα||y-Xαi2,其中,i=1dαi≤t,在自建数据库中,Lasso特征选择结果如表1所示。
表1
在一种可选的方案中,为了精简特征集、降低时间复杂度,可以使用Lasso对得到的32维特征集,即上述的第一特征集和第二特征集,进行特征选择。实际的特征选择结果会根据样本的不同而改变。对于该数据库,为了兼顾时间效率和准确度,最终选择以下特征:
SpatRtI1′=(BR1,Z*R1)是左侧虹膜区域的特征向量,SpatROI2′=(γR2,BR2,Z*R2)是右侧虹膜区域的特征向量,即上述的虹膜区域图像的第一特征集;
是瞳孔边缘区域的特征向量,即上述的瞳孔边缘区域图像的第二特征集;
是下采样图像的特征向量,即上述的采样图像的第二特征集;
是二次采样图像的特征向量,即上述的二次采样图像的第二特征集。
经过Lasso特征选择后,最终从32维指标集中保留21维特征向量组成特征集LFSF=(SpatROI1′,SpatROI2′,FreqROI3′,Freqdown1′,Freqdown1′)。
可选的,在本发明上述实施例中,步骤S108,对第一特征集和第二特征集进行检测,得到检测结果,包括:
步骤S1084,利用预设分类器,对虹膜图像的特征集进行分类,得到待检测的虹膜图像的分类结果。
具体的,上述预设分类器可以是SVM(Support Vector Machine,支持向量机)分类器、AdaBoost分类器或联合贝叶斯分类器等,均可以对特征进行分类。在本发明中以线性核函数(C-SVC)的SVM分类器为例,进行详细说明。
步骤S1086,根据待检测的虹膜图像的分类结果,得到检测结果。
在一种可选的方案中,可以使用线性核函数(C-SVC)的SVM分类器对数据库样本进行分类,以Lasso特征选择得到的最终特征集作为SVM的输入样本,识别问题为二分类问题,清晰图像(+1)和模糊图像(-1)。最终选取合适的惩罚因子进行训练。利用该分类器对待定图像进行0-1分类,判定为0的图像直接过滤,即为模糊图像;判定为1的图像为清晰图像。
实施例2
根据本发明实施例,提供了一种虹膜图像的检测装置的装置实施例。
图12是根据本发明实施例的一种虹膜图像的检测装置的示意图,如图12所示,该装置包括:
获取模块121,用于获取待检测的虹膜图像。
具体的,上述的虹膜可以包括瞳孔、虹膜、巩膜、眼皮、睫毛,即人眼区域图像。
在一种可选的方案中,为了对虹膜图像进行模糊检测,可以采集待检测的灰度虹膜图像。
确定模块123,用于从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像,其中,虹膜区域图像用于表征虹膜,瞳孔边缘区域图像用于表征虹膜的边缘。
具体的,上述的虹膜区域图像可以是虹膜图像中的虹膜区域,瞳孔边缘区域图像可以是虹膜图像中的瞳孔边缘区域,即虹膜内边缘区域,可以包括虹膜区域和瞳孔区域。图像的锐变边缘是最容易受到模糊影响的区域,在虹膜图像中,最明显的锐变边缘就是瞳孔边缘,并且该区域不易受到噪声影响,所以,理想环境下,瞳孔边缘是最有利于判断虹膜图像模糊与否的图像信息。
在一种可选的方案中,在获取到灰度虹膜图像之后,可以从虹膜图像中选择瞳孔边缘作为一个感兴趣区域(Region Of Interest,ROI),为了将瞳孔边缘清晰度不明显的图像也能够判断出来,还可以选择虹膜区域作为另一个感兴趣区域,得到虹膜区域图像和瞳孔边缘区域图像。
提取模块125,用于对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集。
在一种可选的方案中,可以采用多种特征提取方法,对两个ROI提取多种特征,例如,可以提取虹膜区域的空间域特征和瞳孔边缘区域的频率域特征,得到用于评价虹膜图像模糊程度的特征集,即上述的第一特征集和第二特征集。
检测模块127,用于对第一特征集和第二特征集进行检测,得到检测结果,其中,检测结果用于表征虹膜图像是否清晰。
在一种可选的方案中,在采用多种特征提取方法,提取到第一特征集和第二特征集之后,可以对提取到的第一特征集和第二特征集进行特征筛选,得到最终特征集,并根据最终特征集进行检测,检测采集到的虹膜图像是否清晰,从而得到检测结果。
通过本发明上述实施例,可以获取待检测的虹膜图像,从虹膜图像中,确定虹膜区域图像和瞳孔边缘区域图像,对虹膜区域图像进行空间域特征提取,得到第一特征集,并对瞳孔边缘区域图像进行频率域特征提取,得到第二特征集,并对第一特征集和第二特征集进行检测,得到检测结果,从而实现虹膜图像的模糊检测。容易注意到的是,由于同时确定了虹膜区域图像和瞳孔边缘区域图像,并从两个区域图像中提取到第一特征集和第二特征集,使得特征集表征更加全面,提升检测精度,进一步,在提取到第一特征集和第二特征集之后,对两个特征集进行特征筛选,不仅使特征集精简加快检测速度,而且避免了特征信息冗余,提高了准确度,进而解决了现有技术中的虹膜图像的模糊检测方法,检测精度低的技术问题。因此,通过本发明上述实施例,可以通过多区域多指标的方法进行检测,达到提升系统性能和鲁棒性,使得系统快速友好的采集到高质量虹膜图像的效果。
可选的,在本发明上述实施例中,确定模块包括:
定位模块,用于对虹膜图像进行定位,得到瞳孔的半径和圆心坐标。
第一处理模块,用于根据半径,圆心坐标和第一预设范围,得到第一待定区域图像和第二待定区域图像,并根据半径,圆心坐标和第二预设范围,得到第三待定区域图像和第四待定区域图像,其中,所述第一待定区域图像和所述第二待定区域图像位于虹膜区域,所述第三待定区域图像和所述第四待定区域图像位于瞳孔边缘区域。
第二处理模块,用于从第一待定区域图像和第二待定区域图像中获取满足第一预设条件的区域图像,得到虹膜区域图像,并从第三待定区域图像和第四待定区域图像中获取满足第二预设条件的区域图像,得到瞳孔边缘区域图像。
可选的,在本发明上述实施例中,第一处理模块包括:
第一判断子模块,用于判断第一待定区域图像和第二待定区域图像是否含有噪声。
第一处理子模块,用于如果第一待定区域图像和第二待定区域图像均含有噪声,或者第一待定区域图像和第二待定区域图像均不含噪声,则将第一待定区域图像和第二待定区域图像作为虹膜区域图像。
第二处理子模块,用于如果第一待定区域图像含有噪声,且第二待定区域图像不含噪声,则将第一待定区域图像替换为第二待定区域图像。
第三处理子模块,用于如果第一待定区域图像不含噪声,且第二待定区域图像含有噪声,则将第二待定区域图像替换为第一待定区域图像。
可选的,在本发明上述实施例中,第二处理模块包括:
第二判断子模块,用于判断第三待定区域图像是否含有光斑噪声。
第四处理子模块,用于如果第三待定区域图像含有光斑噪声则将第四待定区域图像作为瞳孔边缘区域图像。
第五处理子模块,用于如果第三待定区域图像不含光斑噪声则将第三待定区域图像作为瞳孔边缘区域图像。
可选的,在本发明上述实施例中,提取模块包括:
第一计算模块,用于计算虹膜区域图像的去均值对比度归一化系数,并利用广义高斯分布,对去均值对比度归一化系数进行拟合,得到特征向量。
第二计算模块,用于计算虹膜区域图像的水平方向和竖直方向的差分信号矩阵,并对水平方向和竖直方向的差分信号矩阵进行分块处理,得到子特征集,其中,子特征集至少包括:差分信号整体活跃度,局部分块活跃度和低强度信号个数。
第三处理模块,用于根据特征向量和子特征集,得到第一特征集。
可选的,在本发明上述实施例中,第二计算模块包括:
第六处理子模块,用于按照水平预设像素和竖直预设像素,分别对水平方向和竖直方向的差分信号矩阵进行分块处理,得到多个分块。
第一计算子模块,用于计算每个分块的块边界平均梯度,得到水平方向的整体活跃度和竖直方向的整体活跃度,并计算水平方向的整体活跃度和竖直方向的整体活跃度的平均值,得到差分信号整体活跃度。
第一提取子模块,用于提取每个分块的块内平均差分的绝对值,得到水平方向的局部分块活跃度和竖直方向的局部分块活跃度,并计算水平方向的局部分块活跃度和竖直方向的局部分块活跃度的平均值,得到局部分块活跃度。
获取子模块,用于分别从水平方向和竖直方向的差分信号矩阵中,获取差分信号小于预设值的个数,得到水平方向的低强度信号个数和竖直方向的低强度信号个数,并计算水平方向的低强度信号个数和竖直方向的低强度信号个数的平均值,得到低强度信号个数。
可选的,在本发明上述实施例中,提取模块包括:
采样模块,用于对瞳孔边缘区域图像进行两次下采样,得到采样图像和二次采样图像。
分块模块,用于分别对瞳孔边缘区域图像,采样图像和二次采样图像进行分块,得到多个第一图像块,多个第二图像块和多个第三图像块。
转换模块,用于分别对每个第一图像块,每个第二图像块和每个第三图像块进行离散余弦转换,得到处理后的多个第一图像块,处理后的多个第二图像块和处理后的多个第三图像块。
第四处理模块,用于分别对处理后的多个第一图像块,处理后的多个第二图像块和处理后的多个第三图像块进行特征提取,得到瞳孔边缘区域图像的第二特征集,采样图像的第二特征集和二次采样图像的第二特征集,其中,第二特征集至少包括:形状参量,频率域方向特征和频率域能量特征。
可选的,在本发明上述实施例中,采样模块包括:
第一采样子模块,用于利用第一低通滤波器对瞳孔边缘区域图像进行滤波,并对滤波后的瞳孔边缘区域图像进行下采样,得到采样图像。
第二采样子模块,用于利用第二低通滤波器对采样图像进行滤波,并对滤波后的采样图像进行下采样,得到二次采样图像。
可选的,在本发明上述实施例中,分块模块包括:
第一分块子模块,用于按照第一预设分块大小,对瞳孔边缘区域图像进行分块处理,得到多个第一图像块。
第二分块子模块,用于按照第二预设分块大小,对采样图像进行分块处理,得到多个第二图像块。
第三分块子模块,用于按照第三预设分块大小,对二次采样图像进行分块处理,得到多个第三图像块。
可选的,在本发明上述实施例中,第四处理模块包括:
第二提取子模块,用于分别对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的形状参量,采样图像的形状参量,以及二次采样图像的形状参量。
分区子模块,用于分别将每个第一图像块,每个第二图像块和每个第三图像块沿主对角线方向划分为多个区域,得到每个第一图像块的多个分区,每个第二图像块的多个分区,以及每个第三图像块的多个分区。
第三提取子模块,用于分别对分区后的每个第一图像块,分区后的每个第二图像块和分区后的每个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域方向特征,采样图像的频率域方向特征,以及二次采样图像的频率域方向特征。
第四提取子模块,用于分别对多个第一图像块,多个第二图像块和多个第三图像块进行特征提取,得到瞳孔边缘区域图像的频率域能量特征,采样图像的频率域能量特征,以及二次采样图像的频率域能量特征。
可选的,在本发明上述实施例中,第二提取子模块包括:
第一拟合子模块,用于利用广义高斯参数模型,分别对每个第一图像块,每个第二图像块和每个第三图像块进行拟合,得到每个第一图像块的第一特征,每个第二图像块的第一特征,以及每个第三图像块的第一特征,其中,第一特征包括:第一参数和第二参数。
第二计算子模块,用于分别计算多个第一图像块的第一特征,多个第二图像块的第一特征,以及多个第三图像块的第一特征的平均值,得到多个第一图像块的第一平均值,多个第二图像块的第一平均值,以及多个第三图像块的第一平均值。
第一排序子模块,用于分别对多个第一图像块的第一参数,多个第二图像块的第一参数,以及多个第三图像块的第一参数进行升序排序,并对多个第一图像块的第二参数,多个第二图像块的第二参数,以及多个第三图像块的第二参数进行降序排序。
第三计算子模块,用于分别计算排序最前的预设个数的第一图像块的第一特征,排序最前的预设个数的第二图像块的第一特征,以及排序最前的预设个数的多个第三图像块的第一特征的平均值,得到多个第一图像块的第二平均值,多个第二图像块的第二平均值,以及多个第三图像块的第二平均值。
第七处理子模块,用于分别根据多个第一图像块的第一平均值和多个第一图像块的第二平均值,多个第二图像块的第一平均值和多个第二图像块的第二平均值,以及多个第三图像块的第一平均值和多个第三图像块的第二平均值,得到瞳孔边缘区域图像的形状参量,采样图像的形状参量,以及二次采样图像的形状参量。
可选的,在本发明上述实施例中,第三提取子模块包括:
第二拟合子模块,用于利用广义高斯分布,对每个第一图像块的每个分区,每个第二图像块的每个分区,以及每个第三图像块的每个分区进行拟合,得到每个第一图像块的每个分区的概率密度,每个第二图像块的每个分区的概率密度,以及每个第三图像块的每个分区的概率密度。
第四计算子模块,用于分别计算每个第一图像块的多个分区的概率密度,每个第二图像块的多个分区的概率密度,以及每个第三图像块的多个分区的概率密度的方差,得到每个第一图像块的第二特征,每个第二图像块的第二特征,以及每个第三图像块的第二特征。
第五计算子模块,用于分别计算多个第一图像块的第二特征,多个第二图像块的第二特征,以及多个第三图像块的第二特征的平均值,得到多个第一图像块的第三平均值,多个第二图像块的第三平均值,以及多个第三图像块的第三平均值。
第二排序子模块,用于对多个第一图像块的第二特征,多个第二图像块的第二特征,以及多个第三图像块的第二特征进行降序排序。
第六计算子模块,用于分别计算排序最前的预设个数的第一图像块的第二特征,排序最前的预设个数的第二图像块的第二特征,以及排序最前的预设个数的第三图像块的第二特征的平均值,得到多个第一图像块的第四平均值,多个第二图像块的第四平均值,以及多个第三图像块的第四平均值。
第八处理子模块,用于分别根据多个第一图像块的第三平均值和多个第一图像块的第四平均值,多个第二图像块的第三平均值和多个第二图像块的第四平均值,以及多个第三图像块的第三平均值和多个第三图像块的第四平均值,得到瞳孔边缘区域图像的频率域方向特征,采样图像的频率域方向特征,以及二次采样图像的频率域方向特征。
可选的,在本发明上述实施例中,第四提取子模块包括:
第五提取子模块,用于分别对每个第一图像块,每个第二图像块和每个第三图像块沿反对角线方向进行能量提取,得到每个第一图像块的多个能量,每个第二图像块的多个能量,以及每个第三图像块的每个分区的多个能量。
第七计算子模块,用于分别计算每个第一图像块的多个能量,每个第二图像块的多个能量,以及每个第三图像块的每个分区的多个能量的差值,得到每个第一图像块的多个能量差,每个第二图像块的多个能量差,以及每个第三图像块的每个分区的多个能量差。
第八计算子模块,用于分别计算每个第一图像块的多个能量差,每个第二图像块的多个能量差,以及每个第三图像块的每个分区的多个能量差的平均值,得到每个第一图像块的能量特征,每个第二图像块的能量特征,以及每个第三图像块的能量特征。
第九计算子模块,用于分别计算多个第一图像块的能量特征,多个第二图像块的能量特征,以及多个第三图像块的能量特征的平均值,得到多个第一图像块的第五平均值,多个第二图像块的第五平均值,以及多个第三图像块的第五平均值。
第三排序子模块,用于对每个第一图像块的能量特征,每个第二图像块的能量特征,以及每个第三图像块的能量特征进行排序。
第十计算子模块,用于分别计算排序最高的预设个数的第一图像块的能量特征,排序最高的预设个数的第二图像块的能量特征,以及排序最高的预设个数的多个第三图像块的能量特征的平均值,得到多个第一图像块的第六平均值,多个第二图像块的第六平均值,以及多个第三图像块的第六平均值。
第九处理子模块,用于分别根据多个第一图像块的第五平均值和多个第一图像块的第六平均值,多个第二图像块的第五平均值和多个第二图像块的第六平均值,以及多个第三图像块的第五平均值和多个第三图像块的第六平均值,得到瞳孔边缘区域图像的频率域能量特征,采样图像的频率域能量特征,以及二次采样图像的频率域能量特征。
可选的,在本发明上述实施例中,检测模块包括:
筛选模块,用于利用压缩估计,对第一特征集和第二特征集进行筛选,得到虹膜图像的特征集。
可选的,在本发明上述实施例中,检测模块包括:
分类模块,用于利用预设分类器,对虹膜图像的特征集进行分类,得到待检测的虹膜图像的分类结果。
第五处理模块,用于根据待检测的虹膜图像的分类结果,得到检测结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。