CN109074471B - 一种基于主动外观模型的虹膜区域分割方法及装置 - Google Patents
一种基于主动外观模型的虹膜区域分割方法及装置 Download PDFInfo
- Publication number
- CN109074471B CN109074471B CN201580085642.9A CN201580085642A CN109074471B CN 109074471 B CN109074471 B CN 109074471B CN 201580085642 A CN201580085642 A CN 201580085642A CN 109074471 B CN109074471 B CN 109074471B
- Authority
- CN
- China
- Prior art keywords
- human eye
- texture
- model
- active appearance
- appearance model
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 70
- 210000001508 eye Anatomy 0.000 claims description 222
- 210000000744 eyelid Anatomy 0.000 claims description 56
- 210000001747 pupil Anatomy 0.000 claims description 39
- 238000000513 principal component analysis Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 210000000554 iris Anatomy 0.000 description 127
- 239000011159 matrix material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 4
- 210000000720 eyelash Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003786 sclera Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于主动外观模型的虹膜区域分割方法及装置。利用预先采集的多幅人眼样本图像来建立由人眼形状模型和人眼纹理模型构成的主动外观模型（S101）；对要进行虹膜区域分割的输入人眼图像和先前建立的主动外观模型进行匹配，以获得呈现输入人眼图像中的人眼轮廓的多个特征点（S102）；以及从这些多个特征点中选择用于拟合输入人眼图像中的各条边界的特征点来进行拟合，以获得分割出的虹膜区域（S103），其中，在建立主动外观模型和匹配主动外观模型时均利用了相位一致性信息。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于主动外观模型（AAM：ActiveAppearance Model）的虹膜区域分割方法及装置。
背景技术
当今社会是一个高度信息化的社会，一方面，人们对信息的需求越来越大；另一方面，对信息安全性的要求也越来越高。传统的身份验证技术有证件、磁卡、密码等，但是这些验证技术的安全性不高。因而，生物识别技术应运而生。生物识别是指，利用人体的某些唯一性特征，采用某些技术对这些特征进行判别，从而对人的身份进行识别。相比于传统的身份验证技术，生物识别技术具有更高的有效性、安全性、可靠性。
早期的生物识别技术主要包括人脸、指纹、签名等，这些特征存在着很大的易改动性。由于虹膜具有与生俱来、不易丢失、不易受损、易于识别等特性，近年来，虹膜验证得到了学术界和工业界的高度认可与关注。
虹膜是人眼中位于黑色瞳孔和白色巩膜之间的环状区域，含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等细节特征。在采集虹膜图像时，由于物理结构的限制，通常会将瞳孔、眼睑和睫毛等连同虹膜一起拍摄进来。由于虹膜识别需要的仅仅是介于瞳孔和巩膜之间不被眼皮和睫毛遮挡的区域，而非其它的信息，因而如何对虹膜区域进行定位与分割成为虹膜识别领域一个热点与难点。
经典的虹膜分割方法有：Danugman提出的积分/微分算子和Wildes提出的将边缘检测与Hough变换结合的两部定位算法。
关于Danugman提出的积分/微分算子，其优点在于，能够在灰度图像上计算，不用对图像进行预处理，但是，其也存在如下缺点，即，其速度在对虹膜外圆的圆心及半径的粗定位不够准确时会变得非常慢，除此之外，在获取虹膜图像时形成的光斑对定位精度会有影响，特别是在光照不均匀、有阴影、有反光和有遮挡时定位容易错误，而且，由于需要在三维参数空间中进行搜索、迭代求最优解，所以计算量大、计算速度相对较慢。
另一方面，关于Wildes提出的将边缘检测与Hough变换结合的两部定位算法，由于Hough变换对图像中的噪声不敏感、鲁棒性高，因而该算法的优点在于，对噪声不敏感，但是，由于Hough变换的计算量大且提取的参数受参数空间的量化间隔制约，所以该算法过分地依赖边缘点检测的准确性，除此之外，由于在搜索圆心和半径时需要在三维参数空间进行投票，所以计算量和存储空间开销较大。
由此可见，上述这两种经典的虹膜区域分割方法均不够理想。如何快速且准确地分割出有效的虹膜区域仍然是一个亟待解决的技术课题。
发明内容
本发明正是为了解决上述技术课题而完成的，其目的在于提供一种准确的虹膜区域分割方法及装置，以便快速且鲁棒地实现虹膜区域的分割。
为了解决上述课题，与现有技术不同，本发明者们经过锐意研究将广泛应用于人脸建模、人脸定位领域的主动外观模型应用于虹膜区域分割领域，同时充分考虑了上下眼皮对虹膜遮挡的影响，提出了本发明的基于主动外观模型的虹膜区域分割方法及装置。
根据本发明的一个方面，提供了一种虹膜区域分割方法，其特征在于，所述虹膜区域分割方法是基于主动外观模型的虹膜区域分割方法，所述方法包括：主动外观模型建立步骤，利用预先采集的多幅人眼样本图像来建立由人眼形状模型和人眼纹理模型构成的主动外观模型；主动外观模型匹配步骤，对要进行虹膜区域分割的输入人眼图像和在所述主动外观模型建立步骤中建立的所述主动外观模型进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点；以及边界拟合步骤，从在所述主动外观模型匹配步骤中获得的多个特征点中选择用于拟合所述输入人眼图像中的各条边界的特征点来进行拟合，以获得分割出的虹膜区域，其中，在所述主动外观模型建立步骤和所述主动外观模型匹配步骤中均利用了相位一致性信息。
根据本发明的虹膜区域分割方法，通过在主动外观模型建立步骤中利用人眼图像的相位一致性信息，从而能够获得瞳孔、虹膜、上下眼皮的纹理特征比通过现有方法获得的纹理特征更加清晰的纹理信息，进而能够建立比现有技术更加准确的主动外观模型，此外，通过在主动外观模型匹配步骤中利用人眼图像的相位一致性信息，从而能够十分准确地呈现人眼轮廓，进而能够实现比现有技术更准确的虹膜区域分割方法。
优选地，在所述虹膜区域分割方法中，所述主动外观模型建立步骤包括：样本图像相位一致性信息计算步骤，对所述预先采集的多幅人眼样本图像中的每一幅计算相位一致性信息；以及人眼纹理模型建立步骤，利用计算出的相位一致性信息来建立构成所述主动外观模型的人眼纹理模型。
根据本发明的虹膜区域分割方法，通过利用计算出的相位一致性信息来辅助对人眼图像进行标记，从而能够获得比通过现有方式建立的纹理模型更加准确的纹理模型。
优选地，在所述虹膜区域分割方法中，所述人眼纹理模型建立步骤包括：形状划分步骤，对所述预先采集的多幅人眼样本图像的均值形状和利用所述计算出的相位一致性信息来对所述多幅人眼样本图像进行标记而获得的多个样本形状分别进行Delaunay三角划分；纹理归一化步骤，通过分片仿射变换来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及主成分分析处理步骤，利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
可替换地，在所述虹膜区域分割方法中，所述人眼纹理模型建立步骤包括：纹理归一化步骤，利用基于对应点的图像配准算法来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及主成分分析处理步骤，利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
优选地，在所述虹膜区域分割方法中，所述主动外观模型匹配步骤包括：输入图像相位一致性信息计算步骤，对所述要进行虹膜区域分割的输入人眼图像计算相位一致性信息；输入图像纹理计算步骤，利用计算出的输入人眼图像的相位一致性信息来计算所述输入人眼图像的纹理；以及外观纹理匹配步骤，将计算出的所述输入人眼图像的纹理与在所述主动外观模型建立步骤中建立的所述主动外观模型的纹理进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点。
优选地，在所述虹膜区域分割方法中，所述主动外观模型建立步骤还包括：样本图像采集步骤，预先采集不同人的左右两只眼睛的所述多幅人眼样本图像；特征点标定步骤，在所述多幅人眼样本图像上人工地标定特征点；特征点对齐步骤，将所述多幅人眼样本图像中的对应特征点对齐；人眼形状模型建立步骤，利用在所述特征点对齐步骤中进行对齐后的所述多幅人眼样本图像中的特征点来建立构成所述主动外观模型的人眼形状模型；以及合成步骤，将所建立的所述人眼形状模型和所述人眼纹理模型进行结合来获得所述主动外观模型。
优选地，在所述虹膜区域分割方法中，在所述特征点对齐步骤中，采用普氏分析来得到去除平移、尺度和旋转的对齐图像。
优选地，在所述虹膜区域分割方法中，在所述人眼形状模型建立步骤和所述人眼纹理模型建立步骤中，利用主成分分析来得到所述人眼形状模型和所述人眼纹理模型。
根据本发明的虹膜区域分割方法，为了得到形状模型和纹理模型，分别使用主成分分析来对数据进行处理，由此，能够减小需要处理的数据量，节省计算时间。
优选地，在所述虹膜区域分割方法中，所述各条边界包括虹膜边界、瞳孔边界、上下眼皮边界。
优选地，在所述虹膜区域分割方法中，在所述边界拟合步骤中拟合所述虹膜边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于虹膜左侧边界和虹膜右侧边界上的至少一部分特征点来进行拟合。
优选地，在所述虹膜区域分割方法中，在所述边界拟合步骤中拟合所述瞳孔边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于瞳孔边界上的至少一部分特征点来进行拟合。
优选地，在所述虹膜区域分割方法中，在所述边界拟合步骤中拟合所述上下眼皮边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于上下眼皮边界上的与眼角隔开一定距离的中间部分处的至少一部分特征点来进行拟合。
根据本发明的另一个方面，提供了一种虹膜区域分割装置，其特征在于，所述虹膜区域分割装置是基于主动外观模型的虹膜区域分割装置，所述装置包括：主动外观模型建立装置，其被配置为利用预先采集的多幅人眼样本图像来建立由人眼形状模型和人眼纹理模型构成的主动外观模型；主动外观模型匹配装置，其被配置为对要进行虹膜区域分割的输入人眼图像和在所述主动外观模型建立装置中建立的所述主动外观模型进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点；以及边界拟合装置，其被配置为从在所述主动外观模型匹配装置中获得的多个特征点中选择用于拟合所述输入人眼图像中的各条边界的特征点来进行拟合，以获得分割出的虹膜区域，其中，在所述主动外观模型建立装置和所述主动外观模型匹配装置中均利用了相位一致性信息。
根据本发明的虹膜区域分割装置，通过在主动外观模型建立装置中利用人眼图像的相位一致性信息，从而能够获得瞳孔、虹膜、上下眼皮的纹理特征比通过现有方法获得的纹理特征更加清晰的纹理信息，进而能够建立比现有技术更加准确的主动外观模型，此外，通过在主动外观模型匹配装置中利用人眼图像的相位一致性信息，从而能够十分准确地呈现人眼轮廓，进而能够实现比现有技术更准确的虹膜区域分割装置。
优选地，在所述虹膜区域分割装置中，所述主动外观模型建立装置包括：样本图像相位一致性信息计算部，其被配置为对所述预先采集的多幅人眼样本图像中的每一幅计算相位一致性信息；以及人眼纹理模型建立部，其被配置为利用计算出的相位一致性信息来建立构成所述主动外观模型的人眼纹理模型。
根据本发明的虹膜区域分割装置，通过利用计算出的相位一致性信息来辅助对人眼图像进行标记，从而能够获得比通过现有方式建立的纹理模型更加准确的纹理模型。
优选地，在所述虹膜区域分割装置中，所述人眼纹理模型建立部包括：形状划分单元，其被配置为对所述预先采集的多幅人眼样本图像的均值形状和利用所述计算出的相位一致性信息来对所述多幅人眼样本图像进行标记而获得的多个样本形状分别进行Delaunay三角划分；纹理归一化单元，其被配置为通过分片仿射变换来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及主成分分析处理单元，其被配置为利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
可替换地，在所述虹膜区域分割装置中，所述人眼纹理模型建立部包括：纹理归一化单元，其被配置为利用基于对应点的图像配准算法来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及主成分分析处理单元，其被配置为利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
优选地，在所述虹膜区域分割装置中，所述主动外观模型匹配装置包括：输入图像相位一致性信息计算部，其被配置为对所述要进行虹膜区域分割的输入人眼图像计算相位一致性信息；输入图像纹理计算部，其被配置为利用计算出的输入人眼图像的相位一致性信息来计算所述输入人眼图像的纹理；以及外观纹理匹配部，其被配置为将计算出的所述输入人眼图像的纹理与在所述主动外观模型建立装置中建立的所述主动外观模型的纹理进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点。
优选地，在所述虹膜区域分割装置中，所述主动外观模型建立装置还包括：样本图像采集部，其被配置为预先采集不同人的左右两只眼睛的所述多幅人眼样本图像；特征点标定部，其被配置为在所述多幅人眼样本图像上人工地标定特征点；特征点对齐部，其被配置为将所述多幅人眼样本图像中的对应特征点对齐；人眼形状模型建立部，其被配置为利用在所述特征点对齐部中进行对齐后的所述多幅人眼样本图像中的特征点来建立构成所述主动外观模型的人眼形状模型；以及合成部，其被配置为将所建立的所述人眼形状模型和所述人眼纹理模型进行结合来获得所述主动外观模型。
优选地，在所述虹膜区域分割装置中，所述特征点对齐部被配置为采用普氏分析来得到去除平移、尺度和旋转的对齐图像。
优选地，在所述虹膜区域分割装置中，所述人眼形状模型建立部和所述人眼纹理模型建立部被配置为利用主成分分析来得到所述人眼形状模型和所述人眼纹理模型。
根据本发明的虹膜区域分割装置，为了得到形状模型和纹理模型，分别使用主成分分析来对数据进行处理，由此，能够减小需要处理的数据量，节省计算时间。
优选地，在所述虹膜区域分割装置中，所述各条边界包括虹膜边界、瞳孔边界、上下眼皮边界。
优选地，在所述虹膜区域分割装置中，在所述边界拟合装置中拟合所述虹膜边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于虹膜左侧边界和虹膜右侧边界上的至少一部分特征点来进行拟合。
优选地，在所述虹膜区域分割装置中，在所述边界拟合装置中拟合所述瞳孔边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于瞳孔边界上的至少一部分特征点来进行拟合。
优选地，在所述虹膜区域分割装置中，在所述边界拟合装置中拟合所述上下眼皮边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于上下眼皮边界上的与眼角隔开一定距离的中间部分处的至少一部分特征点来进行拟合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是根据本发明的一个实施例的虹膜区域分割方法100的流程图；
图2是根据本发明的一个实施例的人眼主动外观模型的建立步骤S101的实施流程的图；
图3是人眼的示例采集图像；
图4是所选取的人眼特征点的示意图；
图5是示出对示例采集图像计算出的相位一致性信息的图；
图6是根据本发明的一个实施例的人眼纹理模型的建立步骤S1015的实施流程的图；
图7是对一个点集进行Delaunay三角划分的示意图；
图8是分片线性仿射的示意图；
图9是根据本发明的替换实施例的人眼纹理模型的建立步骤S1015’的实施流程的图；
图10是根据本发明的一个实施例的主动外观模型与新的人眼图像的匹配步骤S102的实施流程的图；
图11是示出要进行虹膜区域分割的新的人眼图像与主动外观模型进行匹配后而获得的反映人眼轮廓的一系列特征点的图；
图12是示出拟合结果的图；
图13是根据本发明的一个实施例的虹膜区域分割装置1300的框图；
图14是根据本发明的替换实施例的虹膜区域分割装置1400的框图。
附图中相同或相似的附图标记代表相同或相似的要素。
具体实施方式
以下将参照附图来更充分地描述本发明的实施例，在附图中示出了本发明的实施例。然而，可以用很多不同形式来实施本发明，并且本发明不应当被理解为受限于在此所阐述的实施例。
下面结合附图对本发明作进一步详细描述。
图1是根据本发明的一个实施例的虹膜区域分割方法100的流程图。
如图1所示，首先，在步骤S101中，建立人眼的主动外观模型。主动外观模型用于边界检定和图像分割，其是通过利用图像的形状信息和纹理信息来建立形状模型和纹理模型、然后将二者结合在一起而形成的。其目的是由一个事先训练好的模型获取目标区域的形状、仿射变换系数等。
下面以一个示例来说明如何建立人眼的主动外观模型。
图2是根据本发明的一个实施例的人眼主动外观模型的建立步骤S101的实施流程的图。
首先，对人眼样本图像进行采集并且对特征点进行标定（步骤S1011）。具体地，采集不同人的左右两只眼睛的清晰图像I。图3中所示出的图像为所采集的一幅清晰图像I。在采集了N幅这样的清晰图像I之后，在每幅清晰图像I上人工地标定n个特征点{(x i , y i )，i=1, …, n}。在标定n个特征点时，选取纹理特征变化明显处（例如，上下眼皮边界、虹膜边界、瞳孔边界等）的特征点。其中，需要注意的是，由于眼睑的遮挡，虹膜的上下边界可能不存在，因而在选取虹膜边界的特征点时，代替选取虹膜圆形边界上的全部特征点，而仅选取虹膜左右两侧未被眼睑遮挡的部分的特征点。
图4是所选取的人眼特征点的示意图。由于物理结构的限制，在采集虹膜图像时，可能会采集到瞳孔、睫毛等处的点，因此，为了避免瞳孔、睫毛等的影响，在本实施例中选取了共计68个特征点。在图4中示出了所选取的68个特征点的位置，其中，在上眼皮边界处选取了特征点19至36，共计18个点，在下眼皮边界处选取了特征点1至18，共计18个点，在瞳孔边界处选取了特征点57至68，共计12个点，在未被眼睑遮挡的虹膜左侧边界处和虹膜右侧边界处各选取了10个特征点，即左侧的特征点52至56、37至41和右侧的特征点42至51。
在对特征点进行标定之后，分别对上述N幅清晰图像I计算人眼图像的相位一致性信息（步骤S1012）。由于人眼图像主要是根据该图像中的诸如阶跃边缘、零点交叉边缘之类的低级特征来进行理解的，所以，与现有技术不同，在本发明的主动外观模型的建立过程中使用了有助于提高边缘检测的空间分辨力的相位一致性信息。这是一种利用频域空间进行边缘检测和纹理分析的方法。相位一致性是指图像的各个位置上各个频率成分的相位相似度的一种度量方式，它是一个无量纲的量，其值从1降到0，表示从显著特征降到无特征。利用相位一致性信息来对图像进行检测能够提取图像的纹理特征，而不仅仅是边沿部分，另外由于相位一致性信息对图像的亮度、对比度不敏感，因此利用这种信息还可以克服光线明暗所带来的纹理结构方面的影响。人眼清晰图像I在特征点x处的相位一致性信息可通过下式（1）来进行计算：
其中，
是一个小的正的常数，例如，可以被设为0.01，
是滤波器的方向角，
是方向数，n是在每幅图像上人工地标定的特征点的个数，
和
分别为沿
方向的局部振幅和局部能量，分别通过下式（2）和下式（3）来进行计算：
其中
，
。
和
分别为人眼清晰图像I与二维log-Gabor滤波器进行卷积后在每个特征点x处沿
方向的响应。二维log-Gabor滤波器在频域的传递函数定义如下：
其中
是滤波器的中心频率，
是滤波器的带宽，
是滤波器的角带宽。
通过上述公式对标定特征点后的图3所示的图像计算相位一致性信息，其结果在图5中示出。根据图5可知，利用相位一致性信息，能够获得上下眼皮、瞳孔、虹膜的纹理特征非常清晰的眼睛轮廓图像。
在对上述N幅清晰图像I计算人眼图像的相位一致性信息之后，将上述N幅清晰图像I中的对应特征点对齐（步骤S1013）。具体地，对标定特征点后的N幅清晰图像I进行普氏分析，其中，分别计算这N幅清晰图像I的形状的重心即形状重心，将这N个形状重心移到同一位置，然后将这N幅清晰图像I的形状通过放大或缩小伸缩到一样大小，最后通过两幅清晰图像I的形状的对应点的位置来计算出旋转角度的差别，然后旋转对象，使得清晰图像I的形状的角度一致。像这样，将不同图像的对应特征点对齐，得到去除平移、尺度和旋转的对齐的人眼图像。
在通过上述步骤S1013对所采集的N幅清晰图像I中的特征点进行对齐之后，建立构成主动外观模型的形状模型（步骤S1014）。
具体地，首先，将每幅图像已经对齐后的n个特征点相连接来组成形状向量s i ，利用下式（5）将N幅清晰图像I拼接成N×2n的人眼形状矩阵s：
其中，
。接着，利用下式（6）对拼接后的人眼形状矩阵s求平均，得到人眼平均矩阵
：
之后，对上述拼接后的人眼形状矩阵s与人眼平均矩阵
进行减法运算，得到差值矩阵D={d ij , i=1, …, 2n, j=1, …, N}，其中，
，然后，利用下式（7）计算差值矩阵D的协方差矩阵U：
在得到协方差矩阵U之后，计算该协方差矩阵U的特征值和特征向量，然后，将特征值按照从大到小的顺序进行排序，取前k个最大的特征值所对应的特征向量，使这前k个特征值的能量占总能量的95%以上。将这些对应的特征向量组成主成分分析（PCA：PrincipalComponent Analysis）投影矩阵
，得到由下式（8）给定的形状模型：
其中，
是均值形状，
是利用主成分分析得到的形状主成分特征向量所形成的变换矩阵，
是控制形状变化的统计形状参数。在上式（8）所示的形状模型中，以均值形状
为基础，可以通过调节统计形状参数
来获得一个新的形状模型。
在建立人眼的形状模型之后，利用计算出的相位一致性信息来建立构成主动外观模型的纹理模型（步骤S1015）。
具体地，在图6中示出了根据本发明的一个实施例的人眼纹理模型的建立步骤S1015的实施流程。
首先，在步骤S1015a中，对上述均值形状
和利用所计算出的上述N幅清晰图像Ｉ的相位一致性信息来对这Ｎ幅清晰图像Ｉ进行标记而获得的、均由一系列特征点表征的Ｎ个样本形状分别进行Delaunay三角划分。所谓的Delaunay三角划分是将空间点连接为三角形以便将所有三角形中的最小角最大化的技术。Delaunay三角划分的要点是任何三角形的外接圆都不包括任何其它顶点。图7是对一个点集进行Delaunay三角划分的示意图。图7所示的Delaunay三角划分的一种方法的过程如下：
1）选定该点集内的任意一点，接着选定离该任意一点距离最近的另外一点，然后连接这两个点来作为定向基线；
2）应用Delaunay判别标准来搜索位于该定向基线右侧的第三个点；
3）创建Delaunay三角形，然后把所生成的三角形中的、方向被指定为从基线的起点指向第三个点和从第三个点指向基线的终点的两条边作为新的基线；
4）重复上述2）和3），直到所有的基线被用过为止。
利用上述这样的Delaunay三角划分的过程来对上述均值形状
和上述N个样本形状分别进行Delaunay三角划分，由此，上述均值形状
和上述N个样本形状均被划分为一系列三角形。
接着，在步骤S1015b中，通过分片仿射变换来将所采集的N幅清晰图像I的相位一致性信息映射到上述均值形状
，实现对纹理的归一化。由于上述均值形状
和上述N个样本形状经过Delaunay三角划分后得到的三角形是相互对应的，所以，可以根据样本形状的三角形中的每一点的位置，通过分片线性仿射投影，计算其在对应的均值形状
的三角形中的位置，然后把该点的相位一致性的值映射到均值形状
中的对应点的位置上。
图8是分片线性仿射的示意图。如图8所示，左侧的三角形和右侧的三角形分别代表上述样本形状和上述均值形状经过Delaunay三角划分后得到的三角形。两个三角形的顶点v 1, v 2, v 3和v’ 1, v’ 2, v’ 3的位置和对应关系是已知的。对于样本形状的三角形内的一点p（p点坐标是已知的），可以利用基于重心坐标的线性仿射变换来得到其在均值形状的三角形内的对应点p’的位置，并完成对应点的相位一致性信息（即，纹理信息）的映射。
上述N幅清晰图像I中的每一幅图像的相位一致性信息（即，纹理信息）都能够通过上述方法映射到上述均值形状
上，由此，实现对纹理的归一化，即，通过分片线性仿射变换，把上述N个样本形状的相位一致性信息（即，纹理信息）映射到均值形状这个统一的参照系中，以用于下一步的纹理模型的建立。
接下来，在步骤S1015c中，利用主成分分析法处理所有归一化后的样本纹理信息来获得纹理参数，进而获得纹理模型。具体地，首先，对所有归一化后的样本纹理信息求平均，从而得到平均纹理
。接着，利用与上述步骤S1014类似的方法进行主成分分析，得到按特征值的大小进行排序后的前m个特征值所对应的特征向量。然后，将这些对应的特征向量组成主成分分析投影矩阵
，得到由下式（9）给出的纹理模型：
其中，
是平均纹理，
是利用主成分分析得到的纹理主成分特征向量所形成的变换矩阵，
是控制纹理变化的统计纹理参数。在上式（9）所示的纹理模型中，以平均纹理
为基础，可以通过调节统计纹理参数
来获得一个新的纹理模型。
需要注意的是，图6中所示出的人眼纹理模型的建立步骤S1015的实施流程只不过是一个示例，可以对其进行各种变形来实现相同的效果。例如，可以不进行图6中的Delaunay三角划分和分片仿射变换，而是利用基于对应点的图像配准算法来将所采集的N幅清晰图像I的相位一致性信息映射到上述均值形状
，实现对纹理的归一化。在图9中示出了该替换的实施流程。具体地，首先，利用诸如基于薄板样条函数的图像配准算法之类的基于对应点的图像配准算法来将所采集的N幅清晰图像I的相位一致性信息映射到上述均值形状
，实现对纹理的归一化，其中，所述基于对应点的图像配准算法的基本思想是通过计算最佳空间变换来将在不同条件下获取的或者由不同成像设备获取的两幅或多幅图像中对应的特征点的位置一一对应（步骤S1015’a），然后，与图6同样地，利用主成分分析法处理所有归一化后的样本纹理信息来获得纹理参数，进而获得纹理模型（步骤S1015c）。
关于以上描述的步骤，需要注意的是，虽然在图2中示出了在对N幅清晰图像I计算人眼图像的相位一致性信息（步骤S1012）之后，对上述N幅清晰图像I中的特征点进行对齐（步骤S1013）以及建立构成主动外观模型的形状模型（步骤S1014），但是，这些步骤彼此之间的顺序并不仅限于此。只要满足上述步骤S1012和上述步骤S1014是在建立纹理模型（步骤S1015/步骤S1015’）之前执行以及上述步骤S1013是在上述步骤S1014之前执行这两个条件，那么这些步骤的前后顺序是可以任意调换的，或者可以同时执行。例如，可以同时执行上述步骤S1012和上述步骤S1013，然后依次执行上述步骤S1014和上述步骤S1015/步骤S1015’；或者，可以在执行上述步骤S1013之后执行上述步骤S1012，然后依次执行上述步骤S1014和上述步骤S1015/步骤S1015’；又或者，可以在依次执行上述步骤S1013和上述步骤S1014之后，执行上述步骤S1012，然后执行上述步骤S1015/步骤S1015’等等。
最后，在建立形状模型和纹理模型之后，将这两个模型结合成主动外观模型（步骤S1016）。具体地，首先，将
和
按照下式（10）连接起来得到外观特征向量b：
其中，
是用来调整
和
之间的量纲差异的对角矩阵。接着，对得到的外观特征向量b进行主成分分析，以进一步消除形状和纹理之间的相关性，从而得到由下式（11）给出的主动外观模型：
其中，
是平均外观向量，Q是利用主成分分析得到的外观主成分特征向量所形成的变换矩阵，c是控制外观变化的外观模型参数。像这样，在给定外观模型参数c以及相应的相似变换矩阵（如缩放矩阵、旋转矩阵等）的情况下，可以合成一幅人眼图像。
在完成人眼的主动外观模型的建立过程之后，返回至图1，进入图1中所示出的步骤S102。在该步骤S102中，使用在步骤S101中得到的主动外观模型来匹配与上述N幅清晰图像I不同的要进行虹膜区域分割的新的人眼图像，以获得准确地呈现出该新的人眼图像中的人眼轮廓的一系列特征点。
下面以一个示例来说明如何实现主动外观模型与新的人眼图像的匹配。
图10是根据本发明的一个实施例的主动外观模型与新的人眼图像的匹配步骤S102的实施流程的图。
首先，对一幅要进行虹膜区域分割的新的人眼图像In计算相位一致性信息（步骤S1021）。其计算方法可以与图2中的步骤S1012所采用的方法相同。
接着，利用在上述步骤S1021中所计算出的相位一致性信息来计算该人眼图像In根据当前形状s变形到均值形状
而得到的纹理
（步骤S1022）。
然后，不断改变在步骤S101中得到的主动外观模型中的外观模型参数c来对由下式（12）给出的目标函数进行优化，直至该主动外观模型的外观纹理与该人眼图像In的外观纹理相一致（步骤S1023）：
其中，g s 是要进行虹膜区域分割的新的人眼图像In的纹理，g m 是在步骤S101中得到的主动外观模型的纹理，而且，
。
对上式（12）所给出的目标函数的优化过程如下：
I. 初始化迭代次数t和外观模型参数c，即，设t=0和c=0；
II. 计算该人眼图像In的纹理与在步骤S101中得到的主动外观模型的纹理之差：
；
III. 按照
来更新外观模型参数（其中，k是调节系数，此时k=1，
是外观模型参数变化量），并且，在新的外观模型参数c' 的情况下，计算该人眼图像In的纹理与主动外观模型的纹理之差
；
IV. 比较
和
。如果
，则将当前的外观模型参数值赋予c，即，使c=c'，并进入V；否则返回III，通过依次改变调节系数k（例如，令k=1.5、0.5、0.25）来继续调整主动外观模型；
V. 更新迭代次数t=t+1，判断该人眼图像In的纹理与主动外观模型的纹理之差
是否小于阈值
，如果小于，则退出；否则转回III。如果迭代次数超过预定次数，则认为该幅图像中不包含人眼。
在图11中示出了一幅要进行虹膜区域分割的人眼图像。利用上述这样的匹配步骤S102来将图11中所示出的人眼图像的纹理与先前建立的主动外观模型的纹理进行匹配，在该人眼图像上获得了一系列的特征点。根据图11可知，这些特征点与该人眼图像中的虹膜边界、瞳孔边界、上下眼皮边界非常精确地吻合，而且，这些特征点非常准确地呈现出该人眼图像的轮廓。
因此，对于任意一幅要进行虹膜区域分割的新的人眼图像In，只要像上述这样在匹配步骤S102中不断优化上式（12）所给出的目标函数直至要进行虹膜区域分割的新的人眼图像In的纹理与先前建立的主动外观模型的纹理之差小于预先确定的阈值，那么就能够获得与该人眼图像In的各条边界几乎完全吻合的若干个特征点，不但能够保证整体的匹配准确度，还能够保证各个特征点处的匹配精度，进而，能够更加准确地呈现人眼轮廓，为后续的虹膜区域分割提供准确的信息。
在对要进行虹膜区域分割的新的人眼图像匹配先前建立的主动外观模型来获得准确地呈现出该新的人眼图像中的人眼轮廓的一系列特征点之后，返回至图1，进入图1中所示出的步骤S103。在该步骤S103中，从通过上述步骤S102获得的上述一系列特征点中选择出若干个特征点，以使用最小二乘法来分别拟合虹膜边界、瞳孔边界及上下眼皮的边界。其拟合结果在图12中示出。以下将对用于拟合虹膜边界、瞳孔边界及上下眼皮的边界的特征点的选择方式进行说明。
l 虹膜边界的拟合
由于上下眼皮会对虹膜的上下边界形成遮挡，因此，在使用最小二乘法来拟合虹膜边界时，选择未被上下眼皮遮挡的虹膜左侧边界和虹膜右侧边界上的特征点。例如，可以选择图4中所示出的37至56这20个特征点来拟合虹膜边界。使用37至56这20个特征点来进行拟合而获得的虹膜边界如图12所示。当然，用于拟合虹膜边界的特征点的选择方式并不仅限于此，也可以只使用部分特征点来拟合虹膜边界，例如，使用图4中所示出的38、48、56这三个特征点或其它数量的特征点的组合来拟合虹膜边界。
l 瞳孔边界的拟合
由于瞳孔边界一般不会受到上下眼皮的影响，所以瞳孔边界上的全部特征点57至68均可用于拟合。使用57至68这12个特征点来进行拟合而获得的瞳孔边界如图12所示。当然，用于拟合瞳孔边界的特征点的选择方式并不仅限于此，也可以只使用部分特征点来拟合瞳孔边界，例如，使用图4中所示出的58、63、66这三个特征点或其它数量的特征点的组合来拟合瞳孔边界。
l 上眼皮边界的拟合
从图11可以看出，在上眼皮的特征点中，靠近左右眼角处的特征点并不适合拟合抛物线，因此，只使用23至32这10个特征点来拟合上眼皮。拟合出的上眼皮边界如图12所示。当然，用于拟合上眼皮边界的特征点的选择方式并不仅限于此，也可以使用比上述10个特征点更少数目的特征点来拟合上眼皮边界，例如，使用图4中所示出的25、28、30这三个特征点或其它数量的特征点的组合来拟合上眼皮边界。
l 下眼皮边界的拟合
从图11可以看出，在下眼皮的特征点中，靠近左右眼角处的特征点并不适合拟合抛物线，因此，只使用5至14这10个特征点来拟合下眼皮。拟合出的下眼皮边界如图12所示。当然，用于拟合下眼皮边界的特征点的选择方式并不仅限于此，也可以使用比上述10个特征点更少数目的特征点来拟合下眼皮边界，例如，使用图4中所示出的7、10、12这三个特征点或其它数量的特征点的组合来拟合下眼皮边界。
在如以上那样对虹膜边界、瞳孔边界及上下眼皮的边界分别进行拟合之后，可以获得一个位于上眼皮以下、下眼皮以上、瞳孔边界以外、虹膜边界以内的公共区域，这个公共区域便是有效的虹膜区域（如图12所示），由此，完成了对虹膜区域的分割。
根据本发明的方法，通过将人眼图像的相位一致性信息用于主动外观模型中的纹理模型的建立，从而能够获得瞳孔、虹膜、上下眼皮的纹理特征更加清晰的纹理信息，进而能够建立比现有技术更加准确的主动外观模型，此外，通过将人眼图像的相位一致性信息用于人眼图像与主动外观模型的匹配，从而能够十分准确地呈现人眼轮廓，进而能够实现比现有技术更准确的虹膜区域分割方法。
以下，将说明用于实现本发明的虹膜区域分割方法的装置。图13是根据本发明的一个实施例的虹膜区域分割装置1300的框图。
如图13所示，该虹膜区域分割装置1300包括主动外观模型建立装置1301、主动外观模型匹配装置1302、以及边界拟合装置1303。
上述主动外观模型建立装置1301是用于建立人眼图像的主动外观模型的装置，其包括：用于采集不同人的左右两只眼睛的清晰图像的样本图像采集部1301a；用于在所采集的每幅清晰图像上人工地标定特征点的特征点标定部1301b；用于对每幅清晰图像计算人眼图像的相位一致性信息的样本图像相位一致性信息计算部1301c；用于将所采集的所有清晰图像中的对应特征点对齐的特征点对齐部1301d；用于利用对齐后的所有清晰图像中的特征点来建立构成主动外观模型的形状模型的人眼形状模型建立部1301e；用于利用计算出的相位一致性信息来建立构成主动外观模型的纹理模型的人眼纹理模型建立部1301f；以及用于将所建立的人眼形状模型和人眼纹理模型进行结合来获得人眼主动外观模型的合成部1301g。
进一步，上述人眼纹理模型建立部1301f包括：用于对均值形状和利用所计算出的所有清晰图像的相位一致性信息来对所有清晰图像进行标记而获得的全部样本形状分别进行Delaunay三角划分的形状划分单元（图中未示出）；用于通过分片仿射变换来将所采集的所有清晰图像的相位一致性信息分别映射到这些清晰图像的均值形状的纹理归一化单元（图中未示出）；以及用于利用主成分分析法处理所有归一化后的样本纹理信息来获得纹理参数、纹理模型的主成分分析处理单元（图中未示出）。
根据图13可知，上述主动外观模型建立装置1301被输入不同人的左右两只眼睛的人眼样本图像，通过其中的各部1301a~1301g的处理，生成人眼的主动外观模型，并向上述主动外观模型匹配装置1302输出。
上述主动外观模型匹配装置1302是用于对要进行虹膜区域分割的新的人眼图像与从上述主动外观模型匹配装置1302输出的人眼的主动外观模型进行匹配的装置，其包括：用于对要进行虹膜区域分割的新的人眼图像计算相位一致性信息的输入图像相位一致性信息计算部1302a；用于利用计算出的相位一致性信息来计算上述要进行虹膜区域分割的新的人眼图像的纹理的输入图像纹理计算部1302b；以及用于将计算出的上述要进行虹膜区域分割的新的人眼图像的纹理与从上述主动外观模型匹配装置1302输出的主动外观模型的纹理进行匹配的外观纹理匹配部1302c。
根据图13可知，上述主动外观模型匹配装置1302被输入待分割虹膜区域的输入图像和主动外观模型，通过其中的各部1302a~1302c的处理，获得呈现该输入图像的轮廓的一系列特征点，并向上述边界拟合装置1303输出。
上述边界拟合装置1303是用于从上述一系列特征点中选择出若干个适当的特征点以使用最小二乘法来分别拟合虹膜边界、瞳孔边界及上下眼皮的边界的装置，其包括：用于拟合上述输入图像的虹膜边界的虹膜边界拟合部1303a；用于拟合上述输入图像的瞳孔边界的瞳孔边界拟合部1303b；用于拟合上述输入图像的上眼皮边界的上眼皮边界拟合部1303c；以及用于拟合上述输入图像的下眼皮边界的下眼皮边界拟合部1303d。
根据图13可知，上述边界拟合装置1303被输入通过匹配而获得的一系列特征点，通过其中的各部1303a~1303d的处理，完成对输入图像的虹膜区域的分割，获得有效的虹膜区域。
需要注意的是，图13中所示出的虹膜区域分割装置1300只不过是一个示例，可以对其进行各种变形来实现相同的效果。作为一种变形，在图14中示出了根据本发明的替换实施例的虹膜区域分割装置1400的框图。
该虹膜区域分割装置1400与图13中所示出的虹膜区域分割装置1300的不同之处仅在于，使用主动外观模型建立装置1401来代替图13中所示出的主动外观模型建立装置1301，进一步地，在该主动外观模型建立装置1401中包括人眼纹理模型建立部1401f来代替图13中所示出的人眼纹理模型建立部1301f。
具体地，上述人眼纹理模型建立部1401f包括：用于利用基于对应点的图像配准算法来将所采集的所有清晰图像的相位一致性信息分别映射到这些清晰图像的均值形状的纹理归一化单元（图中未示出）；以及用于利用主成分分析法处理所有归一化后的样本纹理信息来获得纹理参数、纹理模型的主成分分析处理单元（图中未示出）。
除了上述这些区别之外，图14中示出的虹膜区域分割装置1400与图13中示出的虹膜区域分割装置1300相同。
根据本发明的装置，通过在主动外观模型建立装置中包括对每幅清晰图像计算人眼图像的相位一致性信息的样本图像相位一致性信息计算部以及利用计算出的相位一致性信息来建立构成主动外观模型的纹理模型的人眼纹理模型建立部，从而能够获得瞳孔、虹膜、上下眼皮的纹理特征更加清晰的纹理信息，进而能够建立比现有技术更加准确的主动外观模型，此外，通过在主动外观模型匹配装置中包括对要进行虹膜区域分割的人眼图像计算相位一致性信息的输入图像相位一致性信息计算部和将根据计算出的相位一致性信息而获得的人眼图像的纹理与主动外观模型的纹理进行匹配的外观纹理匹配部，从而能够十分准确地呈现人眼轮廓，进而能够实现比现有技术更准确的虹膜区域分割装置。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，本发明的各个装置可采用专用集成电路（ASIC）或任何其它类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述的步骤或功能。同样地，本发明的软件程序（包括相关的数据结构）可以被存储到计算机可读记录介质中，例如，RAM存储器、磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落入权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其它单元或步骤，单数不排除复数。装置权利要求中陈述的多个装置或部或单元也可以由一个装置或部或单元通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (24)
1.一种虹膜区域分割方法，其特征在于，所述虹膜区域分割方法是基于主动外观模型的虹膜区域分割方法，所述方法包括：
主动外观模型建立步骤，利用预先采集的多幅人眼样本图像来建立由人眼形状模型和人眼纹理模型构成的主动外观模型；
主动外观模型匹配步骤，对要进行虹膜区域分割的输入人眼图像和在所述主动外观模型建立步骤中建立的所述主动外观模型进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点；以及
边界拟合步骤，从在所述主动外观模型匹配步骤中获得的多个特征点中选择用于拟合所述输入人眼图像中的各条边界的特征点来进行拟合，以获得分割出的虹膜区域，
其中，在所述主动外观模型建立步骤和所述主动外观模型匹配步骤中均利用了相位一致性信息。
2.根据权利要求1所述的虹膜区域分割方法，其特征在于，所述主动外观模型建立步骤包括：
样本图像相位一致性信息计算步骤，对所述预先采集的多幅人眼样本图像中的每一幅计算相位一致性信息；以及
人眼纹理模型建立步骤，利用计算出的相位一致性信息来建立构成所述主动外观模型的人眼纹理模型。
3.根据权利要求2所述的虹膜区域分割方法，其特征在于，所述人眼纹理模型建立步骤包括：
形状划分步骤，对所述预先采集的多幅人眼样本图像的均值形状和利用所述计算出的相位一致性信息来对所述多幅人眼样本图像进行标记而获得的多个样本形状分别进行Delaunay三角划分；
纹理归一化步骤，通过分片仿射变换来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及
主成分分析处理步骤，利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
4.根据权利要求3所述的虹膜区域分割方法，其特征在于，所述人眼纹理模型建立步骤包括：
纹理归一化步骤，利用基于对应点的图像配准算法来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及
主成分分析处理步骤，利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
5.根据权利要求1所述的虹膜区域分割方法，其特征在于，所述主动外观模型匹配步骤包括：
输入图像相位一致性信息计算步骤，对所述要进行虹膜区域分割的输入人眼图像计算相位一致性信息；
输入图像纹理计算步骤，利用计算出的输入人眼图像的相位一致性信息来计算所述输入人眼图像的纹理；以及
外观纹理匹配步骤，将计算出的所述输入人眼图像的纹理与在所述主动外观模型建立步骤中建立的所述主动外观模型的纹理进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点。
6.根据权利要求1所述的虹膜区域分割方法，其特征在于，所述主动外观模型建立步骤还包括：
样本图像采集步骤，预先采集不同人的左右两只眼睛的所述多幅人眼样本图像；
特征点标定步骤，在所述多幅人眼样本图像上人工地标定特征点；
特征点对齐步骤，将所述多幅人眼样本图像中的对应特征点对齐；
人眼形状模型建立步骤，利用在所述特征点对齐步骤中进行对齐后的所述多幅人眼样本图像中的特征点来建立构成所述主动外观模型的人眼形状模型；以及
合成步骤，将所建立的所述人眼形状模型和所述人眼纹理模型进行结合来获得所述主动外观模型。
7.根据权利要求6所述的虹膜区域分割方法，其特征在于，在所述特征点对齐步骤中，采用普氏分析来得到去除平移、尺度和旋转的对齐图像。
8.根据权利要求6所述的虹膜区域分割方法，其特征在于，在所述人眼形状模型建立步骤和所述人眼纹理模型建立步骤中，利用主成分分析来得到所述人眼形状模型和所述人眼纹理模型。
9.根据权利要求1所述的虹膜区域分割方法，其特征在于，所述各条边界包括虹膜边界、瞳孔边界、上下眼皮边界。
10.根据权利要求9所述的虹膜区域分割方法，其特征在于，在所述边界拟合步骤中拟合所述虹膜边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于虹膜左侧边界和虹膜右侧边界上的至少一部分特征点来进行拟合。
11.根据权利要求9所述的虹膜区域分割方法，其特征在于，在所述边界拟合步骤中拟合所述瞳孔边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于瞳孔边界上的至少一部分特征点来进行拟合。
12.根据权利要求9所述的虹膜区域分割方法，其特征在于，在所述边界拟合步骤中拟合所述上下眼皮边界时，从在所述主动外观模型匹配步骤中获得的多个特征点中选择位于上下眼皮边界上的与眼角隔开一定距离的中间部分处的至少一部分特征点来进行拟合。
13.一种虹膜区域分割装置，其特征在于，所述虹膜区域分割装置是基于主动外观模型的虹膜区域分割装置，所述装置包括：
主动外观模型建立装置，其被配置为利用预先采集的多幅人眼样本图像来建立由人眼形状模型和人眼纹理模型构成的主动外观模型；
主动外观模型匹配装置，其被配置为对要进行虹膜区域分割的输入人眼图像和在所述主动外观模型建立装置中建立的所述主动外观模型进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点；以及
边界拟合装置，其被配置为从在所述主动外观模型匹配装置中获得的多个特征点中选择用于拟合所述输入人眼图像中的各条边界的特征点来进行拟合，以获得分割出的虹膜区域，
其中，在所述主动外观模型建立装置和所述主动外观模型匹配装置中均利用了相位一致性信息。
14.根据权利要求13所述的虹膜区域分割装置，其特征在于，所述主动外观模型建立装置包括：
样本图像相位一致性信息计算部，其被配置为对所述预先采集的多幅人眼样本图像中的每一幅计算相位一致性信息；以及
人眼纹理模型建立部，其被配置为利用计算出的相位一致性信息来建立构成所述主动外观模型的人眼纹理模型。
15.根据权利要求14所述的虹膜区域分割装置，其特征在于，所述人眼纹理模型建立部包括：
形状划分单元，其被配置为对所述预先采集的多幅人眼样本图像的均值形状和利用所述计算出的相位一致性信息来对所述多幅人眼样本图像进行标记而获得的多个样本形状分别进行Delaunay三角划分；
纹理归一化单元，其被配置为通过分片仿射变换来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及
主成分分析处理单元，其被配置为利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
16.根据权利要求15所述的虹膜区域分割装置，其特征在于，所述人眼纹理模型建立部包括：
纹理归一化单元，其被配置为利用基于对应点的图像配准算法来将所述计算出的相位一致性信息分别映射到所述均值形状，以获得归一化后的样本纹理信息；以及
主成分分析处理单元，其被配置为利用主成分分析法处理所述样本纹理信息，以获得纹理参数、纹理模型。
17.根据权利要求13所述的虹膜区域分割装置，其特征在于，所述主动外观模型匹配装置包括：
输入图像相位一致性信息计算部，其被配置为对所述要进行虹膜区域分割的输入人眼图像计算相位一致性信息；
输入图像纹理计算部，其被配置为利用计算出的输入人眼图像的相位一致性信息来计算所述输入人眼图像的纹理；以及
外观纹理匹配部，其被配置为将计算出的所述输入人眼图像的纹理与在所述主动外观模型建立装置中建立的所述主动外观模型的纹理进行匹配，以获得呈现所述输入人眼图像中的人眼轮廓的多个特征点。
18.根据权利要求13所述的虹膜区域分割装置，其特征在于，所述主动外观模型建立装置还包括：
样本图像采集部，其被配置为预先采集不同人的左右两只眼睛的所述多幅人眼样本图像；
特征点标定部，其被配置为在所述多幅人眼样本图像上人工地标定特征点；
特征点对齐部，其被配置为将所述多幅人眼样本图像中的对应特征点对齐；
人眼形状模型建立部，其被配置为利用在所述特征点对齐部中进行对齐后的所述多幅人眼样本图像中的特征点来建立构成所述主动外观模型的人眼形状模型；以及
合成部，其被配置为将所建立的所述人眼形状模型和所述人眼纹理模型进行结合来获得所述主动外观模型。
19.根据权利要求18所述的虹膜区域分割装置，其特征在于，所述特征点对齐部被配置为采用普氏分析来得到去除平移、尺度和旋转的对齐图像。
20.根据权利要求18所述的虹膜区域分割装置，其特征在于，所述人眼形状模型建立部和所述人眼纹理模型建立部被配置为利用主成分分析来得到所述人眼形状模型和所述人眼纹理模型。
21.根据权利要求13所述的虹膜区域分割装置，其特征在于，所述各条边界包括虹膜边界、瞳孔边界、上下眼皮边界。
22.根据权利要求21所述的虹膜区域分割装置，其特征在于，在所述边界拟合装置中拟合所述虹膜边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于虹膜左侧边界和虹膜右侧边界上的至少一部分特征点来进行拟合。
23.根据权利要求21所述的虹膜区域分割装置，其特征在于，在所述边界拟合装置中拟合所述瞳孔边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于瞳孔边界上的至少一部分特征点来进行拟合。
24.根据权利要求21所述的虹膜区域分割装置，其特征在于，在所述边界拟合装置中拟合所述上下眼皮边界时，从通过所述主动外观模型匹配装置获得的多个特征点中选择位于上下眼皮边界上的与眼角隔开一定距离的中间部分处的至少一部分特征点来进行拟合。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2015/000940 WO2017113039A1 (zh) | 2015-12-30 | 2015-12-30 | 一种基于主动外观模型的虹膜区域分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109074471A CN109074471A (zh) | 2018-12-21 |
| CN109074471B true CN109074471B (zh) | 2022-07-26 |
Family
ID=59224079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580085642.9A Active CN109074471B (zh) | 2015-12-30 | 2015-12-30 | 一种基于主动外观模型的虹膜区域分割方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109074471B (zh) |
| WO (1) | WO2017113039A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859219B (zh) * | 2019-02-26 | 2021-02-19 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
| CN112560539A (zh) * | 2019-09-10 | 2021-03-26 | 中国电子技术标准化研究院 | 虹膜采集设备的分辨力测试方法、装置及系统 |
| CN112651389B (zh) * | 2021-01-20 | 2023-11-14 | 北京中科虹霸科技有限公司 | 非正视虹膜图像的矫正模型训练、矫正、识别方法及装置 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1092372C (zh) * | 1997-05-30 | 2002-10-09 | 王介生 | 虹膜识别方法 |
| US7756301B2 (en) * | 2005-01-26 | 2010-07-13 | Honeywell International Inc. | Iris recognition system and method |
| CN1794263A (zh) * | 2005-12-29 | 2006-06-28 | 上海交通大学 | 人体虹膜纹理的分区域识别方法 |
| CN101539991B (zh) * | 2008-03-20 | 2011-07-06 | 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 |
| US8682073B2 (en) * | 2011-04-28 | 2014-03-25 | Sri International | Method of pupil segmentation |
| CN102306289A (zh) * | 2011-09-16 | 2012-01-04 | 兰州大学 | 基于脉冲耦合神经网络的虹膜特征提取方法 |
| US9189686B2 (en) * | 2013-12-23 | 2015-11-17 | King Fahd University Of Petroleum And Minerals | Apparatus and method for iris image analysis |
| CN104463159B (zh) * | 2014-12-31 | 2017-11-28 | 北京释码大华科技有限公司 | 一种定位虹膜的图像处理方法和装置 |
| CN104680128B (zh) * | 2014-12-31 | 2022-10-25 | 北京释码大华科技有限公司 | 一种基于四维分析的生物特征识别方法和系统 |
| CN105069428B (zh) * | 2015-07-29 | 2018-10-19 | 天津市协力自动化工程有限公司 | 一种基于相似性原理的多模板虹膜识别方法及装置 |
| CN105160306B (zh) * | 2015-08-11 | 2019-05-07 | 北京眼神智能科技有限公司 | 虹膜图像模糊判断的方法和装置 |
| CN105184269A (zh) * | 2015-09-15 | 2015-12-23 | 成都通甲优博科技有限责任公司 | 一种虹膜图像的提取方法及提取系统 |
| CN107895157B (zh) * | 2017-12-01 | 2020-10-27 | 沈海斌 | 一种低分辨率图像虹膜中心精确定位的方法 |
-
2015
- 2015-12-30 CN CN201580085642.9A patent/CN109074471B/zh active Active
- 2015-12-30 WO PCT/CN2015/000940 patent/WO2017113039A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN109074471A (zh) | 2018-12-21 |
| WO2017113039A1 (zh) | 2017-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10134177B2 (en) | Method and apparatus for adjusting face pose | |
| CN109408653B (zh) | 基于多特征检索和形变的人体发型生成方法 | |
| CN102592136B (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
| KR101997500B1 (ko) | 개인화된 3d 얼굴 모델 생성 방법 및 장치 | |
| US9262671B2 (en) | Systems, methods, and software for detecting an object in an image | |
| Lee et al. | Curved glide-reflection symmetry detection | |
| Gupta et al. | Texas 3D face recognition database | |
| CN101398886B (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
| Guest et al. | Robust point correspondence applied to two-and three-dimensional image registration | |
| US8848975B2 (en) | Efficient and accurate 3D object tracking | |
| JP4780198B2 (ja) | 認証システム及び認証方法 | |
| US8280150B2 (en) | Method and apparatus for determining similarity between surfaces | |
| CN106203400A (zh) | 一种人脸识别方法及装置 | |
| JP2017016192A (ja) | 立体物検知装置及び立体物認証装置 | |
| Tang et al. | Robust multiscale stereo matching from fundus images with radiometric differences | |
| CN103778406B (zh) | 对象检测方法及设备 | |
| KR20160029629A (ko) | 얼굴 인식 방법 및 장치 | |
| CN106874850A (zh) | 一种基于三维人脸点云特征点定位方法 | |
| CN109074471B (zh) | 一种基于主动外观模型的虹膜区域分割方法及装置 | |
| US11908150B2 (en) | System and method for mobile 3D scanning and measurement | |
| JP5018029B2 (ja) | 認証システム及び認証方法 | |
| CN104036299B (zh) | 一种基于局部纹理aam的人眼轮廓跟踪方法 | |
| CN110021029A (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
| Bastias et al. | A method for 3D iris reconstruction from multiple 2D near-infrared images | |
| CN109443319A (zh) | 基于单目视觉的障碍物测距系统及其测距方法 |
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 |