CN108171201B - 基于灰度形态学的睫毛快速检测方法 - Google Patents

基于灰度形态学的睫毛快速检测方法 Download PDF

Info

Publication number
CN108171201B
CN108171201B CN201810042811.6A CN201810042811A CN108171201B CN 108171201 B CN108171201 B CN 108171201B CN 201810042811 A CN201810042811 A CN 201810042811A CN 108171201 B CN108171201 B CN 108171201B
Authority
CN
China
Prior art keywords
eyelash
image
detection
pixel
pupil
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810042811.6A
Other languages
English (en)
Other versions
CN108171201A (zh
Inventor
韩民
高书芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810042811.6A priority Critical patent/CN108171201B/zh
Publication of CN108171201A publication Critical patent/CN108171201A/zh
Application granted granted Critical
Publication of CN108171201B publication Critical patent/CN108171201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于灰度形态学的睫毛快速检测方法，包括以下步骤：(1)对原始虹膜图像进行瞳孔粗定位，根据瞳孔圆心位置和半径参数选取睫毛搜索区域；(2)使用结构元素对选取的睫毛搜索区域进行形态学闭运算操作，并计算出睫毛搜索区域闭运算操作前后的差值图像；(3)采用OTSU算法计算差值图像二值化的最优分割阈值，对差值图像中像素点进行判断，生成二值化图像，对原始虹膜图像中的睫毛像素点进行粗检测；(4)在粗检测基础上,根据睫毛像素点的灰度特征和方向特征对睫毛点进行精检测，最终将遮挡虹膜纹理的睫毛全部标记出来。该方法在取得良好睫毛检测效果的前提下大大降低了算法复杂度，减少了耗时，符合图像预处理阶段对速度和精确度的要求。

Description

基于灰度形态学的睫毛快速检测方法
技术领域
本发明涉及一种基于灰度形态学的睫毛快速检测方法，属于生物特征识别技术领域。
背景技术
生物特征识别技术直接使用个人的生理和行为特征进行身份识别。目前应用较多的生物识别有人脸、虹膜、指纹、声音、静脉等生理特征以及签名动作、步态等行为特征。这些特征因人而异、携带方便并且稳定可靠。目前，生物特征识别凭借其独特优势，已经在信息安全、电子商务、医疗卫生等领域获得应用。
虹膜识别作为生物特征识别的一种，在生物特征识别的发展中占有重要地位。与其他生物特征相比，虹膜具有很高的稳定性、独特性和防侵犯性等优点，已经得到科学界和工业界的高度关注，并在安防、矿业、金融等领域得到广泛应用。在虹膜的识别系统中，一般包括图像采集、预处理、特征提取和特征匹配等四部分，其中虹膜预处理是整个虹膜识别系统的关键，它为后续的特征提取和编码过程提供有效信息。在虹膜图像预处理中噪声检测是一个十分重要的环节，而睫毛是主要干扰噪声之一。睫毛遮挡不仅会造成虹膜定位失败，有些睫毛还会在后续特征提取时被误检测为虹膜纹理而严重影响匹配识别的准确度。因此睫毛检测方法的研究非常关键，一个好的睫毛检测方法可以快速有效的检测出睫毛，从而提高识别系统的工作效率和可靠性。
目前关于睫毛检测的方法主要有以下几种：
(1)Masek通过设定一个经验阈值进行检测，当虹膜区域像素点的灰度值低于阈值时，就认为该点为睫毛点。该检测方法简单、快速，但当图像灰度值因外界环境的不同而有较大差别时，该经验阈值方法检测失效，鲁棒性较差(L.Masek.Recognition of HumanIris Patterns for Biometric Identification.Bachelor of Engineering DegreeThesis,The University of Western Australia,Australia,2003)。
(2)Kong和Zhang提出的聚集与分散两步检测睫毛的方法,采用一维Gabor滤波器来提取聚集睫毛，灰度方差来检测分散睫毛。这种方法检测效果较好，但需将睫毛分为两类分别进行检测，大大增加了算法复杂度，实际应用性较差(W.K.Kong,D.Zhang.Accurateiris segmentation based on novel reflection and eyelash detection model.In:Proc.Internet.Symposium on Intelligent Multimedia,Video and SpeechProcessing,PP:263-266,2001)。
(3)Junzhou Huang提出了一种基于相位一致性的噪声检测方法,根据边缘信息定位睫毛区域，该方法检测后会产生一些孤立噪声点，效果不是很理想(Huang Junzhou，WangYunhong，Tan Tieniu,et al.A New Iris Segmentation Method for Recognition[C]//Proceedings of the 17th International Conference on PatternRecognition.Cambridge,UK:IEEE-CS Press,2004,3:554-557)；(4)T.Wang提出一种基于EM算法和GMM的睫毛检测方法,该方法通过对图像进行GMM建模，然后用EM算法求出模型的各个参数，从而完成睫毛区域的分割。该方法需要事先对图像进行建模，迭代求其参数，其复杂度较高，同时分割效果易受光照等外界环境的影响(Wang T,Han M,Wan H,et al.ARobust and Fast Eyelash Detection Basted on Expectation Maximization andGaussian Mixture Model[M]//Informatics in Control,Automation andRobotics.Springer Berlin Heidelberg,2011:93-97)。上述现有检测方法在提高精确性的同时增加了结构复杂度，计算量大，而睫毛检测属于虹膜识别系统中预处理部分,因此算法复杂度以及所耗费的时间等因素是不容忽视的问题。
发明内容
针对现有睫毛检测算法存在的复杂度高、耗时长和精确度较低等问题，本发明提出了一种基于灰度形态学的睫毛快速检测方法，该方法能取得良好的睫毛检测效果，且结构复杂度低，耗时少。
本发明的基于灰度形态学的睫毛快速检测方法，包括如下步骤：
(1)确定睫毛搜索区域：首先对原始虹膜图像I中的瞳孔进行粗定位，然后根据瞳孔圆心位置和半径参数r选取瞳孔上方一矩形区域为睫毛搜索区域。
所述步骤(1)中瞳孔粗定位采用投影法，具体过程如下：
首先对原始虹膜图像I进行形态学开运算，得到消除瞳孔内部反光点的图像Io，这里采用的结构元素记为se,大小为5×5矩形，即：
Figure GDA0001593062040000021
Figure GDA0001593062040000022
其中Θ
Figure GDA0001593062040000023
分别表示腐蚀和膨胀运算，其公式如下：
Figure GDA0001593062040000024
Ip为图像I腐蚀操作后的图像，DI、
Figure GDA0001593062040000025
Dse分别为I、Ip、se的定义域；
得到图像Io后，设置阈值tp对图像Io进行二值化，低于阈值tp的像素灰度值设为0，高于阈值tp的像素灰度值设为1，从而得到二值化图像B，即：
Figure GDA0001593062040000026
其中Io(x,y)表示图像Io中点(x,y)处的像素值；Iomin(i)表示图像Io中第i行的像素最小值，i＝1,2,……,N-1,N；N为原始虹膜图像I像素总行数N(也是图像Io的像素总行数)；tp表示Iomin(i)的均值；
得到二值化图像B之后，对图像B再次进行形态学开运算，得到新的二值化图像Bo，然后通过对图像Bo垂直投影和水平投影，分别对行和列像素求和，取像素灰度和最小的行值x0以及像素灰度和最小的列值y0作为瞳孔的粗定位圆心(x0,y0)；最后使用canny算子对图像Bo进行边缘检测，把边缘点到圆心(x0,y0)的平均距离作为瞳孔的估计半径r。
所述步骤(1)中确定的睫毛搜索区域为
Figure GDA0001593062040000031
其中x0和y0分别为瞳孔粗定位的圆心行坐标和列坐标，r为瞳孔估计半径，N为原始虹膜图像I像素总行数，M为原始虹膜图像I像素总列数。
(2)睫毛搜索区域图像预处理：根据睫毛像素宽度因素和形状特征设计形态学结构元素，然后使用结构元素对选取的睫毛搜索区域进行形态学闭运算操作，并计算出其闭运算操作前后的差值图像。
所述步骤(2)中结构元素的设计过程是：
选取结构元素SE，大小为5×5，方向为水平和±45°，该结构元素检测出垂直向下、向右下方和向左下方生长的睫毛，结构元素SE矩阵表示如下所示：
Figure GDA0001593062040000032
所述步骤(2)中图像闭运算操作的过程是：
采用结构元素SE对步骤(1)中确定的睫毛搜索区域图像I'进行形态学闭运算操作，经闭运算操作后得到图像I′c，其公式表示如下：
Figure GDA0001593062040000033
其中
Figure GDA0001593062040000034
Θ分别表示膨胀、腐蚀运算，其公式表示如下：
Figure GDA0001593062040000035
其中I′1为图像I'膨胀操作后的图像，DI'、
Figure GDA0001593062040000043
DSE分别为图像I'、I′1、SE的定义域；
对图像闭运算操作得到图像I′c之后，求图像I′c与睫毛搜索区域原始图像I'的差值图像I'd，公式如下所示：
I'd＝I′c-I'。
(3)睫毛粗检测：采用OTSU算法(最大类间方差法)计算差值图像二值化的最优分割阈值TH1，对差值图像中像素点进行判断，高于阈值TH1的像素灰度值置为1，得到睫毛区域；否则置为0，得到非睫毛区域，从而生成二值化图像，根据二值化图像对原始虹膜图像中的睫毛像素点进行粗检测。
所述步骤(3)中睫毛粗检测的过程具体是：
根据二值化图像B'a对原始虹膜图像I进行睫毛粗检测，若图像B'a中一点被标记为睫毛点，且其m×n邻域内被标记为睫毛像素点的个数大于k，则该点被认为是真正的睫毛像素点，否则该点为伪睫毛像素点，睫毛粗检测标记后的虹膜图像记为I1，粗检测过程公式如下：
Figure GDA0001593062040000041
其中I(x,y)为原始虹膜图像I中点(x,y)处的灰度值；x＝1,2，……，N，y＝1,2，……，M，N为原始虹膜图像I像素总行数，M为原始虹膜图像I像素总列数；B'a(x,y)为二值化图像B'a中点(x,y)处的灰度值。
(4)睫毛精检测：在步骤(3)粗检测的基础上，根据睫毛像素点的灰度特征和方向特征对睫毛点进行精检测，最终将遮挡虹膜纹理的睫毛全部标记出来。
所述步骤(4)中对睫毛进行精检测的具体过程是，首先根据原始虹膜图像中粗检测出的睫毛像素灰度均值设置阈值TH2，然后在完成睫毛粗检测的图像内进行搜索，若一非睫毛像素点灰度值小于阈值TH2，且其垂直方向和对角线方向邻域内睫毛像素点的个数不小于1，且该点到瞳孔圆心的距离d大于瞳孔半径r,则该点被认为是遗漏的睫毛点，并对其进行标记；否则该点为非睫毛像素点；经精检测之后，遮挡虹膜纹理的睫毛将全部得到标记。
所述阈值TH2的公式如下：
Figure GDA0001593062040000042
其中I1(x,y)为完成睫毛粗检测图像I1中点(x,y)处的灰度值；I(x,y)为原始虹膜图像I中点(x,y)处的灰度值；S为粗检测睫毛像素点的个数；av为粗检测的睫毛像素灰度均值，α为调节参数(α取值5)。
所述在完成睫毛粗检测的图像内进行搜索的过程如下所示：
Figure GDA0001593062040000051
其中I1(x,y)为图像I1中点(x,y)的灰度值；x0、y0、r分别为瞳孔粗定位的圆心行坐标、列坐标和估计半径；num为点(x,y)邻域内睫毛点的数目，dxy为以判断点(x,y)为中心的垂直和对角方向邻域。
所述d＝r+2。
本发明基于灰度形态学对睫毛进行检测，与现有方法相比，本发明在取得良好睫毛检测效果的前提下大大降低了算法复杂度，减少了耗时，符合图像预处理阶段对速度和精确度的要求。
附图说明
图1是原始虹膜图像I。
图2是选取的睫毛搜索区域图像I'。
图3是结构元素SE示意图。
图4是闭运算操作后的睫毛搜索区域图像I′c。
图5是闭运算操作前后的睫毛搜索区域差值图像I'd。
图6是睫毛搜索区域的二值化图像B'。
图7是原始虹膜图像的二值化图像B'a。
图8是睫毛粗检测后的虹膜图像I1。
图9是以判断点(x,y)为中心的垂直和对角方向邻域示意图。
图10是睫毛精检测后的虹膜图像I2。
具体实施方式
本发明基于灰度形态学的睫毛快速检测方法，包括四个步骤，具体过程如下。
1.确定睫毛搜索区域
由大量实验可知，遮挡虹膜纹理的睫毛对虹膜识别效果影响较大，而其他位置的睫毛几乎无影响，因此可只对遮挡虹膜区域内的睫毛进行检测。
首先对原始虹膜图像进行瞳孔粗定位，然后根据瞳孔圆心位置和半径参数r选取瞳孔上方一矩形区域为睫毛搜索区域。
具体过程如下：
①瞳孔粗定位：这里采用投影法粗定位瞳孔。首先对原始虹膜图像I(大小为N×M,N为原始虹膜图像I像素总行数，M为原始虹膜图像I像素总列数，如图1所示)进行形态学开运算，得到消除瞳孔内部反光点的图像Io，这里采用的结构元素记为se,大小为5×5矩形，即：
Figure GDA0001593062040000061
Figure GDA0001593062040000062
其中Θ
Figure GDA0001593062040000063
分别表示腐蚀和膨胀运算，其公式如下：
Figure GDA0001593062040000064
Ip为图像I腐蚀操作后的图像，DI、
Figure GDA0001593062040000065
Dse分别为I、Ip、se的定义域。
得到图像Io后，根据瞳孔区域灰度值低这一特点，设置阈值tp对图像Io进行二值化，低于阈值tp的像素灰度值设为0，高于阈值tp的像素灰度值设为1，从而得到二值化图像B，即：
Figure GDA0001593062040000066
其中Io(x,y)表示图像Io中点(x,y)处的像素值；Iomin(i)表示图像Io中第i行的像素最小值(i＝1,2,……,N-1,N)；N表示图像Io的像素总行数；tp表示Iomin(i)的均值。
得到二值化图像B之后，对图像B再次进行形态学开运算(过程同上述公式(1)、(2))，去除其含有的少量睫毛信息，得到新的二值化图像Bo，然后通过对图像Bo垂直投影和水平投影，分别对行、列像素求和，取像素灰度和最小的行值x0以及像素灰度和最小的列值y0作为瞳孔的粗定位圆心(x0,y0)；最后使用canny算子对图像Bo进行边缘检测，把边缘点到圆心(x0,y0)的平均距离作为瞳孔的估计半径r。
②确定睫毛搜索区域：为减少不必要的计算量，只对遮挡虹膜区域内的睫毛进行检测。由虹膜V3库中图像的实验统计可知，在纵横比为3:4大小为N×M的图像中，虹膜半径跨越像素数范围约为
Figure GDA0001593062040000071
因此,根据图像像素总行数N和总列数M，选取
Figure GDA0001593062040000072
为睫毛搜索区域I',其中x0、y0分别为瞳孔粗定位的圆心行坐标和列坐标，r为瞳孔估计半径，该区域可包含遮挡虹膜的大部分睫毛像素点。
本实施例中使用的虹膜图像大小为480×640,即N＝480，M＝640，选取睫毛搜索区域I'为[x0-100:x0-r，y0-200:y0+200]，如图2所示。
2.睫毛搜索区域图像预处理
根据睫毛像素宽度因素和形状特征设计形态学结构元素，然后使用结构元素对选取的睫毛搜索区域进行形态学闭运算操作，并计算出其闭运算操作前后的差值图像。
具体过程如下：
①设计结构元素：结构元素的选择会直接影响到睫毛检测效果。经对V3库中图像睫毛分析发现：睫毛生长方向主要为垂直向下、右下方、左下方，睫毛像素跨越宽度一般为1～4个像素。综合考虑睫毛像素宽度因素和其形状特征，选取结构元素SE，其大小为5×5，方向为水平和±45°，该结构元素可以检测出垂直向下、向右下方和向左下方生长的睫毛,其图像如图3所示，其矩阵表示如下所示：
Figure GDA0001593062040000073
②图像闭运算操作：采用结构元素SE对步骤1中确定的睫毛搜索区域图像I'进行形态学闭运算操作(即先膨胀后腐蚀)，经闭运算操作后得到图像I′c，其公式表示如下：
Figure GDA0001593062040000074
其中
Figure GDA0001593062040000075
Θ分别表示膨胀、腐蚀运算，其公式表示如下：
Figure GDA0001593062040000076
其中I′1为图像I'膨胀操作后的图像，DI'、
Figure GDA0001593062040000081
DSE分别为图像I'、I′1、SE的定义域，经闭运算操作后的图像I′c如图4所示。
对图像闭运算操作得到图像I′c之后，求图像I′c与睫毛搜索区域原始图像I'的差值图像I'd，公式如下所示：
I'd＝I′c-I' (7)
差值图像I'd如图5所示。
3.睫毛粗检测
采用OTSU算法得到差值图像二值化的最优分割阈值TH1，对差值图像中像素点进行判断。高于阈值TH1的像素灰度值置为1，得到睫毛区域；低于阈值TH1的像素灰度值置为0，得到非睫毛区域，从而生成二值化图像，根据二值化图像对原始虹膜图像中的睫毛像素点进行粗检测。
具体过程如下：
①二值化处理：在得到的差值图像I'd中对睫毛像素点的存在进行判断，这里采用OTSU方法计算二值化的最优分割阈值。在OTSU方法中，对差值图像I'd中睫毛(即目标)和背景的分割阈值记为T,睫毛像素点数占整幅图像比例记为ω1,其平均灰度为μ1；背景像素点数占整幅图像比例记为ω2,其平均灰度为μ2，图像的总平均灰度记为μ,类间方差记为g，差值图像I'd的大小为N'×M'(N'为睫毛搜索区域图像像素总行数，M'为睫毛搜索区域图像像素总列数),图像I'd中像素灰度值小于阈值T的像素个数记作N1,像素灰度值大于阈值T的像素个数记作N2,则有:
Figure GDA0001593062040000082
由公式(8)可知类间方差g间接为T的函数，令T从0～255变化，计算在不同T值下的类间方差g,使类间方差g最大时的T值即为所求的最优分割阈值TH1，即：
Figure GDA0001593062040000091
其中gmax为当T从0～255变化时类间方差g的最大值。
得到阈值TH1之后，对差值图像I'd中像素点进行判断，生成二值化图像B'，公式如下所示：
Figure GDA0001593062040000092
其中I'd(x,y)为图像I'd中点(x,y)处的像素值，当其像素值大于阈值TH1时，则该点被标记为可能的睫毛点，阈值判断后生成的睫毛搜索区域的二值化图像B'如图6所示。
同时由B'扩展成与原始虹膜图像尺寸一致的二值化图像B'a(大小为N×M,N为原始图像像素总行数，M为原始图像像素总列数)，其B'a中相对应的睫毛搜索区域的像素值与B'中像素值一致，其他位置像素值均为0，即:
Figure GDA0001593062040000093
二值化图像B'a如图7所示。
②睫毛粗检测：根据二值化图像B'a对原始虹膜图像I进行睫毛粗检测，若图像B'a中一点被标记为睫毛点，且其m×n邻域内被标记为睫毛像素点的个数大于k，则该点被认为是真正的睫毛像素点，否则该点为伪睫毛像素点(仅为便于显示检测到的睫毛像素位置，把检测到的睫毛像素点灰度值置为255，其他像素点灰度值保持不变)，睫毛粗检测标记后的虹膜图像记为I1，粗检测过程如公式(12)所示：
Figure GDA0001593062040000094
其中I(x,y)为原始虹膜图像I中点(x,y)处的灰度值；x＝1,2，……，N，y＝1,2，……，M；B'a(x,y)为二值化图像B'a中点(x,y)处的灰度值。
本实施例中使用的虹膜图像大小为480×640(N＝480，M＝640)，选择参数k＝1，m＝n＝2。睫毛粗检测标记后的虹膜图像I1如图8所示。
4.睫毛精检测
经过粗检测，虹膜图像I中大部分睫毛已被标记出来，但少数睫毛出现了断裂，眼睑和虹膜交界处尤为明显，为解决这一问题，在粗检测的基础上对睫毛进行精检测。具体实施如下：
首先根据已被粗检测出的睫毛像素灰度值设置阈值TH2，如公式(13)所示：
Figure GDA0001593062040000101
其中I1(x,y)为图像I1中点(x,y)处的灰度值；I(x,y)为原始虹膜图像I中点(x,y)处的灰度值；B'a(x,y)为二值化图像B'a中点(x,y)处的灰度值；S为粗检测睫毛像素点的个数；av为粗检测的睫毛像素灰度均值，α为调节参数。本实施例中选取α值为5。
然后在完成睫毛粗检测的图像I1内进行搜索，若非睫毛一点的像素灰度值小于阈值TH2，且其垂直方向和对角线方向邻域内睫毛像素点的个数不小于1，且该点到瞳孔圆心的距离d略大于瞳孔半径(本实施例中取d＝r+2),则该点被判断为遗漏的睫毛点，对其进行睫毛标记；否则该点为非睫毛点(仅为便于显示检测到的睫毛像素位置，把检测到的睫毛像素点灰度值置为255，其他像素点灰度值保持不变),经睫毛精检测标记后的虹膜图像记为I2。具体搜索过程如公式(14)所示：
Figure GDA0001593062040000102
其中I1(x,y)为图像I1中点(x,y)的灰度值；x0、y0、r分别为瞳孔粗定位的圆心行坐标、列坐标和估计半径；num为点(x,y)邻域内睫毛点的数目，dxy为以判断点(x,y)为中心的垂直和对角方向邻域，如图9所示。
睫毛精检测后的虹膜图像I2如图10所示。

Claims (1)

1.一种基于灰度形态学的睫毛快速检测方法，其特征是：包括以下步骤：
(1)确定睫毛搜索区域：首先对原始虹膜图像I中的瞳孔进行粗定位，然后根据瞳孔圆心位置和半径参数r选取瞳孔上方一矩形区域为睫毛搜索区域；
(2)睫毛搜索区域图像预处理：根据睫毛像素宽度因素和形状特征设计形态学结构元素，然后使用结构元素对选取的睫毛搜索区域进行形态学闭运算操作，并计算出其闭运算操作前后的差值图像；
(3)睫毛粗检测：采用OTSU算法计算差值图像二值化的最优分割阈值TH1，对差值图像中像素点进行判断，高于阈值TH1的像素灰度值置为1，得到睫毛区域；低于阈值TH1的像素灰度值置为0，得到非睫毛区域，从而生成二值化图像B'a，根据二值化图像B'a对原始虹膜图像I中的睫毛进行粗检测；
(4)睫毛精检测：在步骤(3)粗检测的基础上，根据睫毛像素点的灰度特征和方向特征对睫毛点进行精检测，最终将遮挡虹膜纹理的睫毛全部标记出来；
所述步骤(1)中确定的睫毛搜索区域为
Figure FDA0003224234930000011
其中x0和y0分别为瞳孔粗定位的圆心行坐标和列坐标，r为瞳孔估计半径，N为原始虹膜图像I像素总行数，M为原始虹膜图像I像素总列数；
所述步骤(4)中睫毛精检测的过程是：
首先根据原始虹膜图像中粗检测出的睫毛像素灰度均值设置阈值TH2，然后在完成睫毛粗检测的图像内进行搜索，若一非睫毛像素点灰度值小于阈值TH2，且其垂直方向和对角线方向邻域内睫毛像素点的个数大于1，且该点到瞳孔圆心的距离d大于瞳孔半径r,则该点被认为是遗漏的睫毛点，并对其进行标记；否则该点为非睫毛像素点；经精检测之后，遮挡虹膜纹理的睫毛将全部得到标记；
所述阈值TH2的公式如下：
Figure FDA0003224234930000012
其中I1(x,y)为完成睫毛粗检测图像I1中点(x,y)处的灰度值；I(x,y)为原始虹膜图像I中点(x,y)处的灰度值；S为粗检测睫毛像素点的个数；av为粗检测的睫毛像素灰度均值，α为调节参数。
CN201810042811.6A 2018-01-17 2018-01-17 基于灰度形态学的睫毛快速检测方法 Active CN108171201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810042811.6A CN108171201B (zh) 2018-01-17 2018-01-17 基于灰度形态学的睫毛快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810042811.6A CN108171201B (zh) 2018-01-17 2018-01-17 基于灰度形态学的睫毛快速检测方法

Publications (2)

Publication Number Publication Date
CN108171201A CN108171201A (zh) 2018-06-15
CN108171201B true CN108171201B (zh) 2021-11-09

Family

ID=62514998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810042811.6A Active CN108171201B (zh) 2018-01-17 2018-01-17 基于灰度形态学的睫毛快速检测方法

Country Status (1)

Country Link
CN (1) CN108171201B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389033B (zh) * 2018-08-28 2022-02-11 江苏理工学院 一种新型的瞳孔快速定位方法
CN109325421B (zh) * 2018-08-28 2021-01-26 武汉真元生物数据有限公司 一种基于边缘检测的睫毛去除方法及系统
CN109255816A (zh) * 2018-08-30 2019-01-22 武汉古奥基因科技有限公司 失活鱼卵识别装置、方法及计算机可存储介质
CN110245626B (zh) * 2019-06-19 2021-06-22 北京万里红科技股份有限公司 一种在虹膜图像中精确检测眼睫毛图像的方法
CN110398182B (zh) * 2019-07-04 2022-02-01 西人马帝言(北京)科技有限公司 自动报靶系统、方法、设备及介质
CN110781745B (zh) * 2019-09-23 2022-02-11 杭州电子科技大学 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法
CN110781747B (zh) * 2019-09-23 2022-03-01 杭州电子科技大学 一种基于变异系数的睫毛遮挡区域预检测方法
CN110610468B (zh) * 2019-09-23 2022-11-01 厦门美图宜肤科技有限公司 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025575A1 (en) * 2004-03-22 2008-01-31 Microsoft Corporation Iris-Based Biometric Identification
CN101539991A (zh) * 2008-03-20 2009-09-23 中国科学院自动化研究所 用于虹膜识别的有效图像区域检测和分割方法
CN101787824A (zh) * 2010-01-28 2010-07-28 南京信息工程大学 智能防盗锁系统
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104244113A (zh) * 2014-10-08 2014-12-24 中国科学院自动化研究所 一种基于深度学习技术的视频摘要生成方法
CN104881955A (zh) * 2015-06-16 2015-09-02 华中科技大学 一种驾驶员疲劳驾驶检测方法及系统
CN104978548A (zh) * 2014-04-02 2015-10-14 汉王科技股份有限公司 一种基于三维主动形状模型的视线估计方法与装置
CN105404851A (zh) * 2015-10-23 2016-03-16 北京无线电计量测试研究所 一种基于中值滤波的虹膜图像睫毛干扰检测方法
CN105447450A (zh) * 2015-11-12 2016-03-30 北京天诚盛业科技有限公司 虹膜识别中判断左右虹膜的方法和装置
CN105574865A (zh) * 2015-12-14 2016-05-11 沈阳工业大学 基于改进蚁群算法提取睫毛的方法
CN105825482A (zh) * 2016-03-15 2016-08-03 四川用联信息技术有限公司 一种深度图像的修复算法
US20160278628A1 (en) * 2012-12-11 2016-09-29 Elwha Llc Unobtrusive active eye interrogation
CN107066957A (zh) * 2017-03-27 2017-08-18 北京理工大学 可见光眼部图像中的虹膜定位方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025575A1 (en) * 2004-03-22 2008-01-31 Microsoft Corporation Iris-Based Biometric Identification
CN101539991A (zh) * 2008-03-20 2009-09-23 中国科学院自动化研究所 用于虹膜识别的有效图像区域检测和分割方法
CN101787824A (zh) * 2010-01-28 2010-07-28 南京信息工程大学 智能防盗锁系统
US20160278628A1 (en) * 2012-12-11 2016-09-29 Elwha Llc Unobtrusive active eye interrogation
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104978548A (zh) * 2014-04-02 2015-10-14 汉王科技股份有限公司 一种基于三维主动形状模型的视线估计方法与装置
CN104244113A (zh) * 2014-10-08 2014-12-24 中国科学院自动化研究所 一种基于深度学习技术的视频摘要生成方法
CN104881955A (zh) * 2015-06-16 2015-09-02 华中科技大学 一种驾驶员疲劳驾驶检测方法及系统
CN105404851A (zh) * 2015-10-23 2016-03-16 北京无线电计量测试研究所 一种基于中值滤波的虹膜图像睫毛干扰检测方法
CN105447450A (zh) * 2015-11-12 2016-03-30 北京天诚盛业科技有限公司 虹膜识别中判断左右虹膜的方法和装置
CN105574865A (zh) * 2015-12-14 2016-05-11 沈阳工业大学 基于改进蚁群算法提取睫毛的方法
CN105825482A (zh) * 2016-03-15 2016-08-03 四川用联信息技术有限公司 一种深度图像的修复算法
CN107066957A (zh) * 2017-03-27 2017-08-18 北京理工大学 可见光眼部图像中的虹膜定位方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A robust eyelash detection based on iris focus assessment;Byung Jun Kang 等;《ScienceDirect》;20070419;第1630-1639页 *
Accurate Iris Segmentation Based on Novel Reflection and Eyelash Detection Model;W.K.Kong等;《Proceedings of 2001 International Symposium on Intelligent Multimedia, Mdeo and Speech Processing》;20010504;第263-266页 *
一种快速有效的虹膜图像预处理方法;龚军辉 等;《图学学报》;20120831;第33卷(第4期);第93-97页 *
用于虹膜识别的眼睑及眼睫毛遮挡检测;来毅 等;《计算机辅助设计与图形学学报》;20070331;第19卷(第3期);第346-350页 *
虹膜图像中噪声检测算法的研究;来毅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070615(第6期);I138-558 *

Also Published As

Publication number Publication date
CN108171201A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108171201B (zh) 基于灰度形态学的睫毛快速检测方法
Radman et al. Automated segmentation of iris images acquired in an unconstrained environment using HOG-SVM and GrowCut
Qiu et al. Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer
Cherabit et al. Circular hough transform for iris localization
Kusakunniran et al. Gait recognition across various walking speeds using higher order shape configuration based on a differential composition model
Khan et al. Multiple human detection in depth images
Shen et al. Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement
WO2013075295A1 (zh) 低分辨率视频的服装识别方法及系统
He et al. Robust eyelid, eyelash and shadow localization for iris recognition
Song et al. Feature extraction and target recognition of moving image sequences
KR101326691B1 (ko) 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법
Yu et al. Improvement of face recognition algorithm based on neural network
Mohammed et al. Accurate pupil features extraction based on new projection function
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Ng et al. An effective segmentation method for iris recognition system
Chen et al. A computational efficient iris extraction approach in unconstrained environments
Wang et al. V-Vibe: A robust ROI extraction method based on background subtraction for vein images collected by infrared device
Wu et al. Face detection based on YCbCr Gaussian model and KL transform
Stojmenovic et al. Fast iris detection via shape based circularity
Kuo et al. Eye tracking in visible environment
Gao et al. A fast eyelash detection algorithm based on morphological operation
Yi et al. Face detection method based on skin color segmentation and facial component localization
CN110032976B (zh) 一种基于掩膜处理新型步态能量图的获取及身份识别方法
Aydoğdu et al. A study on liveness analysis for palmprint recognition system
Ren et al. A linear hybrid classifier for fingerprint segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant