CN108710832A - 一种无参考虹膜图像清晰度检测方法 - Google Patents
一种无参考虹膜图像清晰度检测方法 Download PDFInfo
- Publication number
- CN108710832A CN108710832A CN201810385820.5A CN201810385820A CN108710832A CN 108710832 A CN108710832 A CN 108710832A CN 201810385820 A CN201810385820 A CN 201810385820A CN 108710832 A CN108710832 A CN 108710832A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- pupil
- clarity
- iris
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims description 32
- 210000001747 pupil Anatomy 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 210000000744 eyelid Anatomy 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 210000000720 eyelash Anatomy 0.000 claims description 12
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 210000004209 hair Anatomy 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000385223 Villosa iris Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种无参考虹膜图像清晰度检测方法,包括如下步骤:a.在虹膜图像中选择感兴趣区域,并去掉感兴趣区域内的噪音;b.对a中感兴趣区域内的亮影进行检测;c.对b中亮影检测后的感兴趣区域进行清晰度计算;d.对c中的清晰度进行自适应调整;e.对a中的感兴趣区域直方图均衡化;f.对e中均衡化后的感兴趣区域进行清晰度计算;g.将上述步骤中计算的两种清晰度进行融合。本发明将虹膜图像感兴趣区域直方图均衡化之前的清晰度进行自适应调整后与直方图均衡化之后的清晰度进行融合,从而得到当前虹膜图像真实的清晰度。
Description
技术领域
本发明涉及图像处理、模式识别和生物特征识别等技术领域,尤其涉 及一种无参考虹膜图像清晰度检测方法。
背景技术
在实际进行虹膜识别过程中,首先需要采集到符合一定要求的虹 膜图像,由于虹膜图像采集的景深和采集范围是固定的,当使用者采 集距离处于景深以外时,会出现散焦的问题;并且由于光线和仪器的 原因,导致采集的图像会带有不同程度的噪音,同样会使图像变得模 糊;上述问题的出现,使得采集的图像无法达到清晰度的要求。
虹膜图像清晰度的计算方法通常都是使用二维的傅里叶变换技术 在频域中计算。而在实际使用中,常用一个检测算子在整个图像上进 行卷积计算。英国剑桥大学的Daugman在2004年的两篇论文中都提到了 使用8*8的算子来计算虹膜图像的清晰度;在2015年的ISO/IEC 29797-6 中提到使用一个9*9的高斯-拉普拉斯算子来计算虹膜图像的清晰度。
虽然上述两种方法在整个图像上计算虹膜图像的清晰度有一定的效 果,并且速度较快,但是由于计算的结果受到整个图像中的光照强度、 头发、眼睫毛、光斑、亮影、白色噪音等的影响,并且两种方法都没有 考虑这些噪音的影响,使得计算的结果具有不确定性。
综上所述,现有的虹膜图像清晰度计算方法仍然具有改进的余地, 如何快速、准确的计算无参考虹膜图像的清晰度仍然是一个亟待解决的 难题。
发明内容
为了解决上述虹膜清晰度计算存在的问题,本发明的目的是提供 一种可应用于复杂背景下的、实时、快速、高效的无参考虹膜图像清 晰度检测方法。
本发明是通过以下技术方案实现的:一种无参考虹膜图像清晰度检测 方法,包括如下步骤:
a.在虹膜图像中选择感兴趣区域,并去掉感兴趣区域内的噪音;
b.对a中感兴趣区域内的亮影进行检测;
c.对b中亮影检测后的感兴趣区域进行清晰度计算;
d.对c中的清晰度进行自适应调整;
e.对a中的感兴趣区域直方图均衡化;
f.对e中均衡化后的感兴趣区域进行清晰度计算;
g.将上述步骤中计算的两种清晰度进行融合。
本发明将感兴趣区域内的噪音去掉之后,再对亮影进行检测,随后进 行清晰度的计算并进行自适应调整,本发明在排除了噪音干扰的情况下, 又根据图像的亮度对清晰度进行相应调整,得到真实的清晰度;本发明将 虹膜图像感兴趣区域直方图均衡化之前的清晰度进行自适应调整后与直 方图均衡化之后的清晰度进行融合,从而得到当前虹膜图像更为真实的清 晰度;传统的“有参考”虹膜图像清晰度检测方法一般效果优于“无参考” 虹膜图像清晰度检测方法,但“有参考”虹膜图像清晰度检测方法计算得 到的是相对清晰度,不是绝对清晰度,并且不能应用于单幅虹膜图像清晰 度判断,而本发明采用的“无参考”虹膜图像清晰度检测方法得到的是绝 对清晰度,并能很好地应用于单幅虹膜图像清晰度的检测,无需使用视频 序列进行清晰度检测;本发明在提高了虹膜图像清晰度检测效率的同时, 也提高了清晰度检测的准确性。
优选地,步骤a包括以下子步骤:
a1.将虹膜图像中的瞳孔及虹膜进行分割获得分割参数,所述分割参 数包括瞳孔中心坐标(pupil_center_x,pupil_center_y)、瞳孔长半轴 pupil_a以及虹膜短半轴iris_b,在所述虹膜图像中纵坐标方向向下;
a2.在虹膜图像中划分一个矩形区域,所述矩形区域的边界坐标为:
上边界纵坐标up为:
up=pupil_center_y+pupil_a/2;
下边界纵坐标down为:
down=pupil_center_y+(pupil_a+iris_b)/2;
左边界横坐标left为:
left=pupil_center_x-(pupil_a+iris_b)/2;
右边界横坐标right为:
right=pupil_center_x+(pupil_a+iris_b)/2;
将矩形区域的边界与虹膜图像的边界进行比较,通过判断和抉择确定 矩形区域完全位于虹膜图像内;
a3.在矩形区域内以(pupil_center_x,pupil_center_y)为圆心, 以pupil_a和(pupil_a+iris_b)/2为半径分别划定圆弧,将两圆弧与矩形 区域的上边界之间形成的区域作为感兴趣区域;
a4.将感兴趣区域内的光斑、眼睫毛和眼皮等噪音去掉。
上述方案中选择的感兴趣区域位于瞳孔的下面、虹膜的下半部分,可 以有效降低光照强度、头发、眼睫毛、光斑、亮影等噪音对虹膜有效区域 的干扰,从而提高虹膜有效区域清晰度的检测效率。
进一步优选地,在步骤a2中,矩形区域的边界划定完毕后,对边 界进行判断和抉择,边界判断方法如下:
up=MAX(up,0);
down=MIN(down,height-1);
left=MAX(left,eyelids_left);
right=MIN(right,eyelids_right);
其中,MAX()是取大函数,MIN()是取小函数,height是整幅虹膜 图像的高度,eyelids_left、eyelids_right分别为上下眼睑边缘的左右边界 值;
边界抉择方法如下:
若上下边界之间的距离down-up的像素个数小于10,则计算终止, 将清晰度指定为零;否则转至步骤a3。
优选地,步骤b包含以下子步骤:
b1.在感兴趣区域内,使用亮影检测算子对亮影进行卷积计算;
b2.在进行卷积计算时根据亮影检测算子的对称性进行优化。
进一步优选地,亮影检测算子的大小为7*7,中心是3*3的正值部分, 向外一周是零的过渡带部分,最外围是负值部分,并且正值部分的系数与 负值部分的系数之和为零。
优选地,步骤c包含以下子步骤:
c1.在亮影检测后的感兴趣区域内,使用高斯-拉普拉斯算子进行卷积 计算得到清晰度;
c2.在进行卷积计算时根据高斯-拉普拉斯算子的对称性进行优化。
进一步优选地,高斯-拉普拉斯算子的大小为9*9,方差为1.4。
进一步优选地,计算清晰度的公式如下:
公式(1)中,I(x,y)代表感兴趣区域图像的像素值,F代表卷积核 大小,IF(x,y)代表在(x,y)处卷积计算的结果,w和h分别代表I(x,y)的宽 度和长度;
计算功率普power的公式如下:
power=ss/(wF+hF) (3)
公式(2)中的ss表示卷积IF(x,y)的平方和,公式(3)中的wF和hF分别为IF(x,y)的宽度和长;
根据功率普power,使用拉伸变换计算清晰度的公式如下:
公式(4)中的sp表示清晰度,c1取值为180000。
优选地,步骤d包含以下子步骤:
d1.计算感兴趣区域的光照强度,并根据光照强度对清晰度进行线性 调整;
d2.使用拉伸变换对清晰度再次调整。
由于根据计算清晰度时,图像的光照强度会直接影响计算结果,所以 消除图像光照强度才能更准确的计算出图像真实的清晰度,使用拉伸变换 进一步调整清晰度可以在某一点增强清晰度的变化。
进一步优选地,在步骤d1中,在根据光照强度对清晰度进行线性调 整时采用的计算公式为:
在上述公式中,为在计算感兴趣区域的光照强度时得到的 平均灰度值,a和b均为可调整的常量,优选地a和b分别取80和200。
在步骤d2中,使用拉伸变换对清晰度调整的方法如下:
在公式(6)中,SP1为拉伸变换后的清晰度,c2为目标取值,例如c2取0.5,表示增强清晰度在0.5左右的变化。
优选地,步骤e包括以下子步骤:
e1.计算整幅虹膜图像的像素累积概率分布,计算公式如下:
在公式(7)中,Cumulative_probability为整幅虹膜图像累积概率分布 值,probability为图像概率分布值,probability=Hist/Size,Size为图像像 素个数,Hist为图像的直方图;
e2.在感兴趣区域内根据像素累积概率分布进行直方图均衡化:计算 公式如下:
pix_value_new=d×Cumulative_probability[pix_value_old] (8)
在公式(8)中,pix_value_ol表d示直方图均衡化前的像素值, pix_value_new表示直方图均衡化后的像素值,d取1-255,优选200。
优选地,步骤g与步骤c的子步骤相同,不同之处在于使用的感兴趣 区域不同,步骤c中使用的是原图像中的感兴趣区域,而步骤f中使用的 是均衡化后的感兴趣区域。
优选地,在步骤g中,清晰度融合的计算公式如下:
SP=α×SP1+β×SP2 (9)
上述公式(9)中,SP表示融合后的清晰度,SP1和SP2分别表示步骤 d和步骤f中计算得到的清晰度,α和β分别为相应的权重因子,且 α+β=1。
优选地,步骤(e)、(f)与步骤(c)、(d)可以交换,或,步骤(e) 位于步骤(a)与步骤(f)之间的任意位置。
附图说明
图1为本发明提供的无参考图像清晰度检测方法的流程图;
图2为选择的感兴趣区域位置示意图;
图3为亮影检测算子示例;
图4为高斯-拉普拉斯算子示例;
图5a为不同光照强度下的虹膜图像;
图5b为图像清晰度调整中光照强度计算权重分布的示例;
图6为图像清晰度在拉伸变换中的示例。
具体实施方式
下面通过参考示范性实施例,来阐明本发明的目的与作用。然而,本 发明并不受限于以下所公开的示范性实施例;对其不起任何限定作用,仅 仅是为了帮助相关领域技术人员综合理解本发明的具体细节。
如图1所示,本发明提供的无参考虹膜图像清晰度检测方法包括以下 步骤:
a.在虹膜图像中选择感兴趣区域,并去掉感兴趣区域内的噪音:首先 根据虹膜分割后的数据,得到虹膜内外椭圆的参数,然后划定矩形区域和 两个弧形区域,重叠部分的即为感兴趣区域,如果矩形区域的高度太小, 说明划定的感兴趣区域无法计算,直接返回;否则,除去感兴趣区域内的 光斑、眼睫毛和眼皮等噪音,进行下一步处理。
b.对a中感兴趣区域内的亮影进行检测:在步骤a的结果上,检测矩 形区域内的亮影位置,并进行标记为mark。
c.对b中亮影检测后的感兴趣区域进行清晰度计算:根据步骤b中检 测的亮影标记mark,在感兴趣区域内除去这些亮影标记mark,然后再根 据高斯-拉普拉斯算子计算清晰度。
d.对c中的清晰度进行自适应调整:计算感兴趣区域内的图像光照强 度,然后根据图像光照强度调整清晰度,最后使用一个拉伸变换再次调整 清晰度。
e.对a中的感兴趣区域直方图均衡化:首先计算整幅虹膜图像的累积 概率分布,然后根据累积概率分布对感兴趣区域进行直方图均衡化。
f.对e中均衡化后的感兴趣区域进行清晰度计算。
g.清晰度融合:将上述步骤中计算的两种清晰度进行线性加权融合。
上述步骤a-f的顺序仅仅是示意的,在实际应用中,这些步骤可以交 换或者交叉进行,例如,步骤e中对感兴趣区域直方图均衡化可以在步骤 f中对均衡化的感兴趣区域进行清晰度计算之前、步骤a之后的任意地方; 而步骤a中感兴趣区域的选择与步骤e中对感兴趣区域直方图均衡化则可 以同时进行;步骤e-f可以在步骤c-d之前进行。下文将结合图2-6对上 述各步骤进行详细说明。
感兴趣区域的选择
由于虹膜图像中存在光照强度、头发、眼睫毛、光斑、亮影、白色噪 音等,在使用常用的虹膜图像清晰度检测方法时会受到严重影响,因此除 去这些影响至关重要。并且,由于虹膜图像清晰度检测是直接为虹膜识别 服务的,所以虹膜有效区域内的清晰度检测才是根本,为此,本发明在选 择感兴趣区域时采取的方法是在尽量减少噪音干扰的同时,选择合适的位 置。
图2示出了在图1中所示的步骤a中,根据虹膜内外椭圆参数在典型 的640*480虹膜图像中划定的感兴趣区域示意图。
在图2所示的虹膜图像中,最外侧的白色实线椭圆为采集到的用户的 虹膜外圆,中心的白色实线椭圆为瞳孔边缘,两白色实线椭圆之间的两个 白色虚线圆为同心圆,较大的白色虚线外圆的半径为R(R是指瞳孔长半 轴与虹膜外圆短半轴之和的一半),较小的白色虚线内圆的半径为r(r是 指瞳孔长半轴),两个白色虚线圆与白色矩形虚线框之间的阴影区域为感 兴趣区域(RIO,region of interest),上、下两个白色弧线分别为上、 下眼睑边缘;虹膜以及瞳孔边缘形成的椭圆,其长半轴位于水平方向,短 半轴位于竖直方向。
感兴趣区域的选择方法具体步骤如下:
a1.将虹膜图像中的瞳孔及虹膜进行分割获得分割参数,所述分割参 数包括瞳孔中心坐标(pupil_center_x,pupil_center_y)、瞳孔长半轴 pupil_a以及虹膜外圆短半轴iris_b,在所述虹膜图像中,坐标轴的原点 位于虹膜图像的左上角,纵坐标方向向下,横坐标方向向右;
a2.划定矩形区域,也即划定白色矩形虚线框,如图2所示,所述矩 形区域位置位于瞳孔中心的下方、虹膜的下半部分,包含瞳孔边界以及所 述瞳孔边界两侧的瞳孔和虹膜,选择这个位置是为了减少上、下睫毛的干 扰,划定的矩形区域边界坐标如下:
上边界纵坐标up:上边界纵坐标up为瞳孔的中心纵坐标 pupil_center_y加上瞳孔长半轴pupil_a的一半,即
up=pupil_center_y+pupil_a/2;
这是为了尽量减少眼睫毛的干扰;
下边界纵坐标down:下边界纵坐标down为瞳孔的中心纵坐标 pupil_center_y加上瞳孔长半轴pupil_a与虹膜外圆短半轴iris_b之和 的一半,即
down=pupil_center_y+(pupil_a+iris_b)/2;
左边界横坐标left:左边界横坐标left为瞳孔的中心横坐标 pupil_center_x减去瞳孔长半轴pupil_a与虹膜外圆短半轴iris_b之和 的一半,即
left=pupil_center_x-(pupil_a+iris_b)/2;
右边界横坐标right:右边界横坐标right为瞳孔的中心横坐标 pupil_center_x加上瞳孔长半轴pupil_a与虹膜外圆短半轴iris_b之和 的一半,即
right=pupil_center_x+(pupil_a+iris_b)/2;
由于上述矩形区域边界是根据虹膜分割数据计算得来的,存在超出整 幅虹膜图像的可能,也有可能由于下眼皮覆盖太多,导致划定的矩形高度 不够,因此需要对上述矩形区域的边界进行判断和抉择,具体步骤如下:
边界判断:上边界纵坐标up需要与0进行比较;下边界纵坐标down 需要与整幅虹膜图像的高度height进行比较;而左边界横坐标left、右边 界横坐标right则分别需要与上下眼睑边缘的左右边界eyelids_left、 eyelids_right进行比较,其中,虹膜图像采用640*480的像素时,整幅虹 膜图像的高度height为480,上下眼睑边缘的左右边界eyelids_left、 eyelids_right的参数(上下眼睑左右边界参数相同)在a1中对虹膜图像 进行分割时获得,本发明中提到的参数均指像素个数;比较的公式如下:
up=MAX(up,0);
down=MIN(down,height-1);
left=MAX(left,eyelids_left);
right=MIN(right,eyelids_right);
其中,MAX()是取大函数,MIN()是取小函数。
将上边界纵坐标up与0进行比较,是因为在计算上边界纵坐标up时, 不知道瞳孔中心是否在虹膜图像中,使得在计算up时有可能是负值,因 为y轴的原点位于虹膜图像的左上角;为了防止在计算下边界纵坐标 down超出虹膜图像的坐标范围,down不能超出图像的高度,所以与 height-1进行比较;由于虹膜正常情况下位于上下眼睑的左右边界之间,所以左边界横坐标left与上、下眼睑左边界eyelids_left相比较,右边界横 坐标right与上、下眼睑右边界eyelids_right相比较。
抉择:根据选取的矩形区域,上下边界之间的距离down-up应该大 于后面将要进行清晰度计算所使用的卷积核的大小,因此,如果上下边界 之间的距离down-up的像素个数小于10,则计算终止,将清晰度指定为 零,跳出清晰度计算,这是由于下眼睑遮挡虹膜太多,这样做的原因有以 下三点:A.图像可能本身不清晰;B.即使图像清晰,也有可能眼睫毛遮挡 严重;C.有效虹膜面积不够,无法进行正确识别。
a3.两个弧形区域的选择:在矩形区域内,以瞳孔中心 (pupil_center_x,pupil_center_y)为圆心,以瞳孔长半轴pupil_a和 瞳孔长半轴与虹膜外圆短半轴的一半(pupil_a+iris_)b/2为半径分别划 定圆弧,将两圆弧与矩形区域的上边界之间形成的圆环区域作为感兴趣区 域;之所以选择这样的一段圆环形作为感兴趣区域,主要原因有两点:1. 在靠近瞳孔的圆环形区域内的纹理最为丰富、清晰,并且在虹膜识别中最 为重要;2.相对来说,所选择的区域受到的噪音干扰较少。
a3.将感兴趣区域内的光斑reflection、眼睫毛eyelash和眼皮 eyelids等噪音去掉,正如上述原因所述,选择的感兴趣区域受到的干扰 较少,但是仍然会有光斑、眼睫毛和下眼皮的遮挡,并且这些都会干扰清 晰度的计算结果,因此选择的感兴趣区域要将这些噪音除去,具体方法如 下:
使用一个标记mark,其大小为上述矩形区域的大小,数值为1的点表 示噪音,不进行计算,数值为0的点表示感兴趣区域的有效点,也即在感 兴趣区域内存在光斑、眼睫毛和眼皮等噪音的地方标记1,在不存在噪音 的地方标记为0,使用标记为0的点对应的位置计算清晰度。
步骤a2中划定的矩形区域的具体长宽像素值是根据不同虹膜图像进 行变化的,为了提高虹膜图像的质量,优选地,矩形区域在长度方向的像 素个数范围为[10,350],在宽度方向的像素个数范围为[10,100];步骤 a3划定圆弧时采用的两个圆弧半径的具体长宽像素值是根据不同虹膜图 像变化的,优选地,小圆弧半径的像素个数范围为[16,140],大圆弧半 径的像素个数范围为[40,170]。
使用亮影检测算子对感兴趣区域内的亮影进行检测
步骤b包括以下子步骤:
b1.在感兴趣区域内,使用亮影检测算子对亮影进行卷积计算;
b2.在进行卷积计算时根据亮影检测算子的对称性进行优化。
在上述选择感兴趣区域的方法条件下,虽然排除了光斑的干扰,但是 还会受到光影等噪音的影响,为了尽量获得准确的清晰度,需要排除亮影 的干扰。亮影检测类似于光斑检测,但是其对光照变化更为敏感,具体方 法就是统计感兴趣区域中的某块区域,并将其与周围的区域进行比较,如 果其像素值大于周围区域的像素值,并达到一定的条件(例如像素值相差 大于350时),则可以判定为光影。检测光影得到其位置并标记到mark中, 具体方法如下:
光影的出现与判别:当使用者配戴眼镜、外界光线折射或反射时都会 在虹膜中出现一些光影,这些光影大小不一,亮度相对于光斑不太明显但 是人眼可以明显的识别出来;由于传感器等原因也有可能在虹膜中形成一 些噪音,这些都会干扰清晰度的计算,由传感器造成的噪音一般是高斯噪 音,具体表现为呈正态分布的噪音点,使用光影检测算子可以计算出部分 高斯噪音。
亮影的像素值相对于周围的像素值较大,但是相对于光斑较小,在检 测这些亮影噪音时,本发明使用了一种全新的光影检测算子用来计算亮影 在像素值方面的特征,使用的光影检测算子如图3所示,大小为7*7,中 心是3*3的正值部分,向外一周是零的过渡带部分,最外围是负值部分, 并且正值部分的系数与负值部分的系数之和为零。将光影检测算子与感兴 趣区域进行卷积计算,对卷积的结果使用阈值T进行判断,阈值T是可以 调整的,通过实验,在这里,使用的阈值是T=350,相对来说较低,除了 检测出亮影,还能够将一些零散的噪音检测出来,这些都能够在计算图像 清晰度时减少噪音的干扰。
使用高斯-拉普拉斯算子对感兴趣区域进行清晰度计算
步骤c中对感兴趣区域进行清晰度计算的步骤主要包括:使用高斯- 拉普拉斯算子对感兴趣区域进行卷积,然后根据卷积的结果计算功率普 power,最后使用一个拉伸变换power2/(power2+c2)来计算感兴趣区域的 清晰度,具体步骤如下:
c1.在亮影检测后的感兴趣区域内,使用高斯-拉普拉斯算子进行卷积 计算:
对感兴趣区域进行卷积所使用的是大小为9*9、方差为1.4的高斯- 拉普拉斯算子,其中心是3*3的负值部分,外面三周为非负值部分,并且 正负部分系数和为零,如图4所示,计算公式如下:
在上式中,I(x,y)代表感兴趣区域图像的像素值,其大小范围为0-255, I(x,y)中的每四行、每四行跟卷积核F进行一次卷积,使用IF(x,y)代表在 (x,y)处进行卷积计算后的结果,w和h分别代表I(x,y)的宽度和长度。
计算功率普power的公式如下:
power=ss/(wF+hF) (3)
公式(2)中的ss表示卷积IF(x,y)的平方和,公式(3)中的wF和hF分别为IF(x,y)的宽度和长度。
根据功率普power,使用拉伸变换计算清晰度的公式如下:
公式(4)中的sp表示清晰度,c1取值为180000,这里c1的取值跟国 际质量标准ISO_IEC_29794-6中c的取值不同,大约是其十分之一。
c2.在进行卷积计算时根据高斯-拉普拉斯算子的对称性进行优化:
在进行卷积时,根据卷积核F的对称性,尽量减去乘法的运算。
根据光照强度和拉伸变换对清晰度进行自适应调整
在步骤d中,由于根据清晰度计算所使用的算子来看,图像光照强度 会直接影响计算的结果,不同光照强度下的虹膜图像如图5a所示,因此 消除图像光照强度的变化才能准确的计算出图像真实的清晰度。对清晰度 的调整一共分为三步:第一步是计算感兴趣区域的光照强度;第二步是根 据图像的光照强度来线性调整清晰度,如图5b所示;第三步是使用拉伸 变化进一步调整,如图6所示;具体步骤如下:
感兴趣区域的光照强度:计算感兴趣区域的平均灰度值
使用图像光照强度线性调整清晰度,计算公式如下:
在公式(5)中,sp为线性调整前的清晰度,sp1为线性调整后的清晰 度,a和b是常量,是可以调整的,根据经验可分别取值为80和200。
使用拉伸变换进一步调整清晰度,为了在某点c2突出清晰度的变化, 计算公式如下:
公式(6)中的c2的取值时可以调整的,根据经验可取0.5,这是为 了增加清晰度在0.5左右的变化,SP1为拉伸变换后的清晰度。
使用全图的累积概率分布对于感兴趣区域直方图均衡化
在步骤e中,为了提升效率,在对感兴趣区域进行直方图均衡化时没 有在整幅图像上直接进行,而是先求出整幅图像的累积概率分布,然后再 在感兴趣区域内进行直方图均衡化,具体步骤如下:
(e1)计算整幅虹膜图像的像素累积概率分布:先求出图像的直方图 Hist,直方图Hist与图像像素个数Size的比值即为图像的概率分布 probability,即Hist/Size=probability,累积概率分布Cumulative_probability 就是从小到大对概率分布进行累积计算,计算公式如下:
(e2)在感兴趣区域内根据像素累积概率分布进行直方图均衡化:根 据累积概率分布,直接线性变换像素值,计算公式如下:
pix_value_new=d×Cumulative_probability[pix_value_old] (8)
在公式(8)中,pix_value_old表示原来的像素值,pix_value_new 表示直方图均衡化后的像素值,d表示变换到的最大值,在本发明中,d 取值为200,相较于一般默认选取的255,取值200可以较好地进行均衡 化处理后进行清晰度计算。
使用高斯-拉普拉斯算子对均衡化后的感兴趣区域进行清晰度计算
步骤f与步骤c完全相同,只是使用的感兴趣区域不同,步骤c中使 用的是原图像中的感兴趣区域,而步骤f中使用的是均衡化后的感兴趣区 域。
将计算得到的两种清晰度进行线性清晰度融合
在步骤g中,将步骤d和步骤f中得到的清晰度做线性加权,得到当 前图像真实的清晰度,计算公式如下:
SP=α×SP1+β×SP2 (9)
上述公式(9)中的SP表示融合后的清晰度,SP1和SP2分别表示步骤 d和步骤f中计算得到的清晰度,而α和β分别为相应的权重因子,由于 是线性加权,因此有α+β=1,例如,α=0.7,β=0.3或者α=0.3,β=0.7,α 和β的值可以根据实际情况灵活调整,在本发明中,优选地,两者的取值 分别为α=0.4,β=0.6,这组数值可以很好地反映图像真实的清晰度。
以上所述实施方式仅表达了本发明的一种或多种实施方式,其描述较 为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指 出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下, 还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种无参考虹膜图像清晰度检测方法,其特征在于,包括如下步骤:
a.在虹膜图像中选择感兴趣区域,并去掉感兴趣区域内的噪音;
b.对a中感兴趣区域内的亮影进行检测;
c.对b中亮影检测后的感兴趣区域进行清晰度计算;
d.对c中的清晰度进行自适应调整;
e.对a中的感兴趣区域直方图均衡化;
f.对e中均衡化后的感兴趣区域进行清晰度计算;
g.将上述步骤中计算的两种清晰度进行融合。
2.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤a包括以下子步骤:
a1.将虹膜图像中的瞳孔及虹膜进行分割获得分割参数,所述分割参数包括瞳孔中心坐标(pupil_center_x,pupil_center_y)、瞳孔长半轴pupil_a以及虹膜短半轴iris_b,在所述虹膜图像中纵坐标方向向下;
a2.在虹膜图像中划分一个矩形区域,所述矩形区域的边界坐标为:
上边界纵坐标up为:
up=pupil_center_y+pupil_a/2;
下边界纵坐标down为:
down=pupil_center_y+(pupil_a+iris_b)/2;
左边界横坐标left为:
left=pupil_center_x-(pupil_a+iris_b)/2;
右边界横坐标right为:
right=pupil_center_x+(pupil_a+iris_b)/2;
将矩形区域的边界与虹膜图像的边界进行比较,通过判断和抉择确定矩形区域完全位于虹膜图像内;
a3.在矩形区域内以(pupil_center_x,pupil_center_y)为圆心,以pupil_a和(pupil_a+iris_b)/2为半径分别划定圆弧,将两圆弧与矩形区域的上边界之间形成的区域作为感兴趣区域;
a4.将感兴趣区域内的光斑、眼睫毛和眼皮去掉。
3.根据权利要求2所述的无参考虹膜图像清晰度检测方法,其特征在于,在步骤a2中,矩形区域的边界划定完毕后,对边界进行判断和抉择,边界判断方法如下:
up=MAX(up,0);
down=MIN(down,height-1);
left=MAX(left,eyelids_left);
right=MIN(right,eyelids_right);
其中,MAX()是取大函数,MIN()是取小函数,height是整幅虹膜图像的高度,eyelids_left、eyelids_right分别为上下眼睑边缘的左右边界值;
边界抉择方法如下:
若上下边界之间的距离down-up的像素个数小于10,则计算终止,将清晰度指定为零;否则转至步骤a3。
4.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤b包含以下子步骤:
b1.在感兴趣区域内,使用亮影检测算子对亮影进行卷积计算,亮影检测算子大小为7*7,中心是3*3的正值部分,向外一周是零的过渡带部分,最外围是负值部分,并且正值部分的系数与负值部分的系数之和为零;
b2.在进行卷积计算时根据亮影检测算子的对称性进行优化。
5.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤c包含以下子步骤:
c1.在亮影检测后的感兴趣区域内,使用高斯-拉普拉斯算子进行卷积计算得到清晰度:
高斯-拉普拉斯算子的大小为9*9,方差为1.4;
计算清晰度的公式如下:
公式(1)中,I(x,y)代表感兴趣区域图像的像素值,F代表卷积核大小,IF(x,y)代表在(x,y)处卷积计算的结果,w和h分别代表I(x,y)的宽度和长度;
计算功率普power的公式如下:
power=ss/(wF+hF) (3)
公式(2)中的ss表示卷积IF(x,y)的平方和,公式(3)中的wF和hF分别为IF(x,y)的宽度和长度;
根据功率普power,使用拉伸变换计算清晰度的公式如下:
公式(4)中的sp表示清晰度,c1取值为180000;
c2.在进行卷积计算时根据高斯-拉普拉斯算子的对称性进行优化。
6.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤d包含以下子步骤:
d1.计算感兴趣区域的光照强度,并根据光照强度对清晰度进行线性调整:
计算感兴趣区域的光照强度的方法是:计算感兴趣区域的平均灰度值根据光照强度对清晰度进行线性调整的计算公式如下:
在公式(5)中,sp为线性调整前的清晰度,sp1为线性调整后的清晰度,a和b是常量;
d2.使用拉伸变换对清晰度再次调整:
使用拉伸变换对清晰度调整的方法如下:
在公式(6)中,SP1为拉伸变换后的清晰度,c2为目标取值。
7.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤e包括以下子步骤:
e1.计算整幅虹膜图像的像素累积概率分布:计算公式如下:
在公式(7)中,Cumulative_probability为整幅虹膜图像累积概率分布值,probability为图像概率分布值,probability=Hist/Size,Size为图像像素个数,Hist为图像的直方图;
e2.在感兴趣区域内根据像素累积概率分布进行直方图均衡化:计算公式如下:
pix_value_new=d×Cumulative_probability[pix_value_old] (8)
在公式(8)中,pix_value_ol表d示直方图均衡化前的像素值,pix_value_new表示直方图均衡化后的像素值,d取1-255。
8.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤g与步骤c的子步骤相同,不同之处在于使用的感兴趣区域不同,步骤c中使用的是原图像中的感兴趣区域,而步骤f中使用的是均衡化后的感兴趣区域。
9.根据权利要求1所述的无参考虹膜图像清晰度检测方法,其特征在于,在步骤g中,清晰度融合的计算公式如下:
SP=α×SP1+β×SP2 (9)
上述公式(9)中,SP表示融合后的清晰度,SP1和SP2分别表示步骤d和步骤f中计算得到的清晰度,α和β分别为相应的权重因子,且α+β=1。
10.根据权利要求7所述的无参考虹膜图像清晰度检测方法,其特征在于,步骤(e)、(f)与步骤(c)、(d)可以交换,或,步骤(e)位于步骤(a)与步骤(f)之间的任意位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385820.5A CN108710832B (zh) | 2018-04-26 | 2018-04-26 | 一种无参考虹膜图像清晰度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385820.5A CN108710832B (zh) | 2018-04-26 | 2018-04-26 | 一种无参考虹膜图像清晰度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710832A true CN108710832A (zh) | 2018-10-26 |
CN108710832B CN108710832B (zh) | 2021-07-30 |
Family
ID=63867403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810385820.5A Active CN108710832B (zh) | 2018-04-26 | 2018-04-26 | 一种无参考虹膜图像清晰度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710832B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801288A (zh) * | 2019-01-25 | 2019-05-24 | 淮阴师范学院 | 一种基于方向统计特性的图像聚焦测度实现方法 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN112071037A (zh) * | 2019-06-11 | 2020-12-11 | 陈军 | 现场指示灯驱动方法 |
CN112863010A (zh) * | 2020-12-29 | 2021-05-28 | 宁波友好智能安防科技有限公司 | 一种防盗锁的视频图像处理系统 |
CN113468920A (zh) * | 2020-03-31 | 2021-10-01 | 深圳市光鉴科技有限公司 | 基于人脸光斑图像的活体检测方法、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903089A (zh) * | 2012-09-07 | 2013-01-30 | 山东大学 | 一种Linux环境下生成遥感图像快视图的方法 |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN103246871A (zh) * | 2013-04-25 | 2013-08-14 | 山东师范大学 | 一种基于图像非线性增强的非理想虹膜外边界定位方法 |
CN103440481A (zh) * | 2013-08-30 | 2013-12-11 | 山东师范大学 | 一种针对非理想虹膜图像的边界定位方法 |
CN105117705A (zh) * | 2015-08-26 | 2015-12-02 | 北京无线电计量测试研究所 | 一种虹膜图像质量级联式评价方法 |
US20160019422A1 (en) * | 2008-04-17 | 2016-01-21 | Biometricore, Inc. | Computationally Efficient Feature Extraction and Matching Iris Recognition |
CN105488487A (zh) * | 2015-12-09 | 2016-04-13 | 湖北润宏科技有限公司 | 一种虹膜定位方法及装置 |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
CN106503628A (zh) * | 2016-09-30 | 2017-03-15 | 北京小米移动软件有限公司 | 用于指纹匹配的方法及装置 |
CN107123118A (zh) * | 2017-04-26 | 2017-09-01 | 山东大学 | 虹膜图像清晰度快速评价方法 |
-
2018
- 2018-04-26 CN CN201810385820.5A patent/CN108710832B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019422A1 (en) * | 2008-04-17 | 2016-01-21 | Biometricore, Inc. | Computationally Efficient Feature Extraction and Matching Iris Recognition |
CN102903089A (zh) * | 2012-09-07 | 2013-01-30 | 山东大学 | 一种Linux环境下生成遥感图像快视图的方法 |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN103246871A (zh) * | 2013-04-25 | 2013-08-14 | 山东师范大学 | 一种基于图像非线性增强的非理想虹膜外边界定位方法 |
CN103440481A (zh) * | 2013-08-30 | 2013-12-11 | 山东师范大学 | 一种针对非理想虹膜图像的边界定位方法 |
CN105117705A (zh) * | 2015-08-26 | 2015-12-02 | 北京无线电计量测试研究所 | 一种虹膜图像质量级联式评价方法 |
CN105488487A (zh) * | 2015-12-09 | 2016-04-13 | 湖北润宏科技有限公司 | 一种虹膜定位方法及装置 |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
CN106503628A (zh) * | 2016-09-30 | 2017-03-15 | 北京小米移动软件有限公司 | 用于指纹匹配的方法及装置 |
CN107123118A (zh) * | 2017-04-26 | 2017-09-01 | 山东大学 | 虹膜图像清晰度快速评价方法 |
Non-Patent Citations (3)
Title |
---|
JOHN DAUGMAN: "John Daugman", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
张立云: "虹膜图像质量评估方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨冉冉: "模糊虹膜图像预处理方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801288A (zh) * | 2019-01-25 | 2019-05-24 | 淮阴师范学院 | 一种基于方向统计特性的图像聚焦测度实现方法 |
CN112071037A (zh) * | 2019-06-11 | 2020-12-11 | 陈军 | 现场指示灯驱动方法 |
CN112071037B (zh) * | 2019-06-11 | 2022-07-01 | 虹球环艺科技集团有限公司 | 现场指示灯驱动方法 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110321844B (zh) * | 2019-07-04 | 2021-09-03 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN113468920A (zh) * | 2020-03-31 | 2021-10-01 | 深圳市光鉴科技有限公司 | 基于人脸光斑图像的活体检测方法、系统、设备及介质 |
CN112863010A (zh) * | 2020-12-29 | 2021-05-28 | 宁波友好智能安防科技有限公司 | 一种防盗锁的视频图像处理系统 |
CN112863010B (zh) * | 2020-12-29 | 2022-08-05 | 宁波友好智能安防科技有限公司 | 一种防盗锁的视频图像处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108710832B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710832A (zh) | 一种无参考虹膜图像清晰度检测方法 | |
US7035461B2 (en) | Method for detecting objects in digital images | |
JP2500726B2 (ja) | 上まぶた領域、目頭・目尻・上まぶた領域及び目の構造の検出方法及び装置 | |
Xiong et al. | An approach to locate optic disc in retinal images with pathological changes | |
CN105117705B (zh) | 一种虹膜图像质量级联式评价方法 | |
CN108932493A (zh) | 一种面部皮肤质量评价方法 | |
CN113342161B (zh) | 一种基于近眼相机的视线追踪方法 | |
WO2019165604A1 (zh) | 一种发际线轮廓的定位方法、装置及计算机可读存储介质 | |
CN111291701B (zh) | 一种基于图像梯度和椭圆拟合算法的视线追踪方法 | |
WO2007074844A1 (ja) | 顔パーツの位置の検出方法及び検出システム | |
CN103218615B (zh) | 人脸判定方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
US11877800B2 (en) | Method and system for detecting blepharoptosis | |
CN113222973B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
CN107766784A (zh) | 一种新型视频人数统计算法 | |
CN107895157A (zh) | 一种低分辨率图像虹膜中心精确定位的方法 | |
CN115797333B (zh) | 一种个性化定制的智能视觉训练方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN105631816B (zh) | 一种虹膜图像噪声分类检测方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN114333073B (zh) | 基于视觉感知的智能台灯辅助调节方法与系统 | |
CN114612384B (zh) | 一种运动护具外观材料缺陷检测方法及系统 | |
Hui et al. | Edge detection of growing citrus based on self-adaptive canny operator | |
JP4775599B2 (ja) | 目の位置の検出方法 | |
CN206363347U (zh) | 基于角点检测与匹配的药品识别系统 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Patentee after: Beijing wanlihong Technology Co.,Ltd. Address before: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Patentee before: BEIJING SUPERRED TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |