CN109446935A - 一种用于远距离行进中虹膜识别的虹膜定位方法 - Google Patents

Abstract

本发明公开一种用于远距离行进中虹膜识别的虹膜定位方法，包括：去除虹膜图像中随机分布的光斑和噪声干扰；检测瞳孔与虹膜的过渡边缘，定位虹膜内边界；及检测虹膜与巩膜的过渡边缘，定位虹膜外边界。本发明中虹膜定位方法对光照、模糊等成像条件不敏感，计算复杂度低，能有效提升远距离行进中虹膜识别系统的虹膜定位的鲁棒性和实时性，从而有助于提高系统的识别速度和准确率。

Description

一种用于远距离行进中虹膜识别的虹膜定位方法

技术领域

本发明涉及虹膜定位方法。更具体地，涉及一种用于远距离行进中虹膜识别的虹膜的定位方法。

背景技术

随着信息技术的迅速发展，人们对身份认证和信息安全的要求越来越高，为了满足人们的需求，生物特征识别技术受到日益广泛的关注。目前，指纹、人脸、虹膜等基于人体固有生物特征的识别技术已经慢慢地进入人们的生活，在机场安检、门禁系统、安全支付等诸多领域为人们的生活提供便捷服务。在诸多的生物特征识别技术中，虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势已成为生物识别领域的重点研究方向和发展趋势。

在虹膜识别系统中，虹膜定位和眼睑检测是至关重要的，虹膜定位和眼睑检测的效率和准确性直接影响到虹膜识别的速度以及匹配的准确性。只有定位准确，才能提取更多的有效虹膜特征，从而实现准确识别；相反地，虹膜定位的偏差将显著增加虹膜识别的错误率。现有的虹膜定位方法，主要是利用虹膜区域与瞳孔、巩膜区域的灰度值差异进行定位。目前的主要方法，一种是基于灰度差值的微积分检测算子方法，还有一种是基于梯度的边缘检测和霍夫变换相结合的方法。

经典的虹膜定位方法以及在其基础上的改进方法，主要是利用微积分圆检测器迭代求得圆周积分径向梯度极大值并拟合圆周参数或利用Hough变换搜索圆周参数空间和投票法拟合圆周参数的原理。这类方法针对高质量的虹膜图像可以实现精确的虹膜定位，适用于近距离静态虹膜识别系统，但同时存在以下明显的缺点：

1、微积分圆检测器、Hough变换及穷举式圆周拟合等方法由于需要对虹膜边界三维参数空间进行逐点搜索，因此复杂度高，耗时较长，对虹膜识别系统的实时性要求提出了严峻挑战。

2、此类方法严格依赖虹膜边界的高对比度成像，对噪声干扰和非均匀光照等问题较为敏感，同时难以适应各种类型的图像模糊，仅适用于高质量的虹膜成像系统，鲁棒性差，无法应用于复杂环境下的低质量虹膜成像系统。

与近距离静态虹膜识别系统不同，远距离行进中虹膜识别系统的成像条件非常复杂，获取的虹膜图像多为低质图像，往往包含多个位置随机的光斑干扰，虹膜区域更易受到物体遮挡，虹膜特征更易受到噪声污染，并常常伴随离焦模糊和运动模糊的情形。

因此，需要提供一种能有效去除随机光斑，同时对虹膜遮挡和噪声干扰不敏感，并能适应由一定程度的图像模糊造成的虹膜边界变形的用于远距离行进中虹膜识别系统的快速稳定的虹膜定位方法。

发明内容

本发明的目的在于提供一种用于远距离行进中虹膜识别系统的快速稳定的虹膜定位方法，能够增强系统的鲁棒性，有效去除随机光斑，同时对虹膜遮挡和噪声干扰不敏感，并能适应由一定程度的图图像模糊造成的虹膜边界变形。

为达到上述目的，本发明采用下述技术方案：

一种用于远距离行进中虹膜识别的虹膜定位方法，所述方法包括：

步骤S1：去除虹膜图像中随机分布的光斑和噪声干扰，包括：

步骤S11：自适应地计算光斑分割阈值并检测随机光斑；

步骤S12：对检测出的光斑进行软填充；及

步骤S13：对去除光斑后的虹膜图像进行非线性统计滤波；

步骤S2：检测瞳孔与虹膜的过渡边缘，定位虹膜内边界，包括：

步骤S21：利用硬分割的方法检测可能的瞳孔区域；

步骤S22：利用几何测定的方法从可能的瞳孔区域中筛选出真实的瞳孔区域；及

步骤S23：将瞳孔的形状近似于圆形，拟合虹膜内边界；

步骤S3：检测虹膜与巩膜的过渡边缘，定位虹膜外边界，包括：

步骤S31：绘制虹膜区域灰度扩散路径，利用灰度扩散增量算子检测虹膜外边界的采样像素点；及

步骤S32：将虹膜的形状近似于圆环，根据已检测到的虹膜外边界采样像素点通过形态几何均值测定拟合虹膜外边界。

本发明中，针对远距离行进中虹膜识别系统成像易受随机光斑和噪声干扰，用户形态各异容易产生虹膜遮挡、模糊和变形等特点，解决了主流虹膜定位算法难以对复杂成像条件下获取的虹膜图像进行快速、准确而稳健地定位的问题，本发明方法对光照、模糊等成像条件不敏感，计算复杂度低，能有效提升远距离行进中虹膜识别系统的虹膜定位的鲁棒性和实时性，从而有助于提高系统的识别速度和准确率。

优选地，自适应地计算光斑分割阈值并检测随机光斑包括：

设输入的虹膜图像为I，行坐标为x、列坐标为y处的像素灰度值为I(x,y)；

基于公式DI＝hista(I)统计I的灰度分布，其中hista为图像灰度分布统计函数，DI为I的灰度分布向量；

基于公式NI＝normapprox(DI)对DI进行正态分布逼近，使瞳孔像素和光斑像素分别向最低灰度值0和最高灰度值255方向聚集，其中normapprox为正态分布逼近函数，NI为DI的正态逼近分布向量；

基于公式TS＝findtroughs(NI,‘last’)计算NI中最后一个极小值点对应的灰度值，其中findtroughs为极小值点统计函数，TS为NI中最后一个极小值点对应的灰度值；

基于公式S＝complg(I,FS)将TS作为光斑分割阈值，对I进行硬分割，检测随机光斑的位置，其中complg为局部灰度值比较函数，FS为N×N的光斑检测滤波模板，S为光斑掩模矩阵，其元素值为1的点表示光斑的位置，也即I中相应位置的像素及其N×N邻域内的像素的灰度值均大于光斑分割阈值TS，该点被检测为光斑。

在远距离行进中虹膜识别系统中，由于被识别者姿态各异，图像采集位置和距离不固定，获取的虹膜图像中由光源形成的光斑往往随机分布，而光斑的形状和大小与瞳孔近似，因此会严重影响虹膜内边界的定位。因此，本发明中利用硬分割和软填充的方法去除随机光斑的干扰。

进一步优选地，对检测出的光斑进行软填充，去除随机光斑的干扰，具体包括：

基于公式IF＝imgfill(I,S,FF)从光斑边界由外向内逐点进行内陷填充；

其中，imgfill为光斑填充函数，FF为M×M的邻域加权滤波模板，将I中对应于S标记的光斑位置的像素点及其M×M邻域像素块与FF进行点积，由光斑边界向内逐点进行内陷滤波软填充，IF为对I进行光斑填充后的虹膜图像。

进一步优选地，对去除光斑后的虹膜图像进行非线性统计滤波，消除噪声干扰，具体包括：

基于公式IS＝imgfilt(IF,NF)利用非线性统计滤波方法消除噪声干扰；

其中，imgfilt为非线性滤波函数，NF为L×L的非线性统计滤波模板，IS为对IF进行滤波后的虹膜图像。

本发明中，由于输入虹膜图像中存在的随机噪声以及光斑填充后其边缘形成的毛刺噪声都会影响虹膜定位的精度，因此利用非线性统计滤波方法消除噪声干扰。本发明中的虹膜定位方法，与输入虹膜图像I相比，在预处理后的虹膜图像IS中，光斑和噪声干扰已被去除，同时虹膜边界得到增强，适于进行虹膜定位。

优选地，虹膜的内边界即为瞳孔与虹膜的分界边缘，利用硬分割和几何测定的方法检测并筛选出真实的瞳孔区域，然后通过形态几何测定拟合定位虹膜内边界，具体包括：

基于公式DS＝hista(IS)统计IS的灰度分布，其中hista为图像灰度分布统计函数，DS为IS的灰度分布向量；

基于公式TG＝findtroughs(DS,‘first’)计算DS中第一个极小值点对应的灰度值，其中findtroughs为极小值点统计函数，TG为DS中第一个极小值点对应的灰度值；

基于公式TP＝max(TG,σ)自适应地计算瞳孔分割阈值，其中σ为瞳孔分割阈值保护参数，TP为瞳孔分割阈值；

基于公式P＝complg(IS,FP)利用TP对IS进行硬分割，检测可能的瞳孔区域，其中complg为局部灰度值比较函数，FP为K×K的瞳孔检测滤波模板，其元素值为TP的加权，P为瞳孔掩模矩阵，其元素值为0的点表示可能的瞳孔像素点，即IS中相应位置的像素及其K×K邻域内的像素的灰度值小于瞳孔分割阈值TP的邻域加权，该点及其邻域被检测为可能的瞳孔区域。

本发明中，由于瞳孔区域与虹膜区域的像素灰度差异明显并且瞳孔像素集中在低灰度值区，因此通过自适应地计算瞳孔分割阈值检测可能的瞳孔区域。

进一步优选地，利用几何测定的方法从可能的瞳孔区域中筛选出真实的瞳孔区域，具体包括：

设P中标有n个可能的瞳孔区域，对应的像素块记为Ω_i，i＝1,2,…,n；

筛选出真实的瞳孔区域

其中，|max{|r_j-r_k|}-max{|c_j-c_k|}|<α&&max{|r_j-r_k|,|c_j-c_k|}<β， 为真实的瞳孔区域，r、c分别为Ω中像素的行、列坐标，j、k＝1,2,…,m，m为Ω中的像素个数，α为瞳孔直径容差限定值，β为虹膜直径最大限定值。

本发明中，由于眼镜框、眉毛、睫毛等区域的像素灰度与瞳孔的像素灰度接近，因此在硬分割时会检测到多个瞳孔干扰区域。利用瞳孔特有的形态，通过几何测定剔除其他物体干扰，筛选出真实的瞳孔区域。由于瞳孔的形状近似于圆形，因此其水平直径和垂直直径包含的像素数接近，同时根据具体的虹膜识别系统的成像范围和人眼虹膜的平均尺寸可以预先知道虹膜图像中瞳孔直径包含的最大像素数，据此筛选出真实的瞳孔区域。

进一步优选地，将瞳孔的形状近似于圆形，计算瞳孔边界，即拟合虹膜内边界，具体包括：

基于以下公式拟合虹膜内边界：

r_p＝round(min{r_j}+1/2(max{r_j}–min{r_j}))

c_p＝round(min{c_j}+1/2(max{c_j}–min{c_j}))

l_p＝round(1/2(max{r_j}–min{r_j}+max{c_j}–min{c_j}))

其中，round为四舍五入取整函数，(r_j,c_j)∈Ω为瞳孔区域像素的行、列坐标对，j＝1,2,…,m，m为瞳孔区域的像素个数，r_p、c_p分别为瞳孔圆心的行、列坐标，l_p为瞳孔的半径；

计算虹膜内边界BI，其中BI＝{(r_p,c_p,l_p)_circle}。

优选地，虹膜的外边界即为虹膜与巩膜的分界边缘，利用灰度扩散判别的方法检测虹膜外边界的采样像素点，然后通过形态几何测定拟合定位虹膜外边界，具体包括：

在瞳孔圆周下半部分每间隔36°采样得到6个灰度扩散路径的起点U_z，z＝1,2,…,6，产生6条灰度扩散路径L_z，z＝1,2,…,6；

基于公式分别沿着每条灰度扩散路径检测灰度扩散最大化的位置，其中δ为灰度扩散增量算子，为卷积运算符，Y_z(z＝1,2,…,6)为灰度扩散路径上灰度增量最大值的位置坐标。

本发明中，绘制虹膜区域灰度扩散路径，利用灰度扩散增量算子检测虹膜外边界的采样像素点。由于像素在从虹膜区域到巩膜区域方向上的灰度值由低到高，并且在过渡边缘灰度增加明显，因此依次在瞳孔圆周方向上采样并沿着瞳孔半径延长线方向向外绘制灰度扩散路线，通过灰度扩散增量算子检测虹膜外边界像素点的位置。考虑到虹膜外边界上半部分易受睫毛和眼睑遮挡，灰度扩散路径从瞳孔圆周下半部分沿着瞳孔半径延长线方向向外绘制，同时为了降低计算复杂度，在瞳孔圆周下半部分每间隔36°采样得到6个灰度扩散路径的起点。

进一步优选地，将虹膜的形状近似于圆环，根据已检测到的虹膜外边界采样像素点通过形态几何均值测定拟合虹膜外边界，具体包括：

分别连接Y₁Y₂、Y₃Y₄和Y₅Y₆，在虹膜外边界圆周上产生3条割线；

分别计算两两割线的中垂线交点，得到3个候选的圆心坐标点(x₁,y₁)、(x₂,y₂)和(x₃,y₃)；

计算虹膜外边界圆周圆心的行、列坐标，其中虹膜外边界圆周圆心的行坐标r_q＝round(1/3(x₁+x₂+x₃))，虹膜外边界圆周圆心的列坐标c_q＝round(1/3(y₁+y₂+y₃))，round为四舍五入取整函数；

设O_q＝(r_q,c_q)，分别连接O_q与Y_z，z＝1,2,…,6，计算虹膜外边界圆周的半径l_q＝round(1/6∑⁶ _z＝1length(O_qY_z))，其中length为求线段长度函数；

计算虹膜外边界BO，其中BO＝{(r_q,c_q,l_q)_circle}；

得到虹膜区域的内边界BI和外边界BO，完成虹膜定位。

本发明中，由圆周形态学知识，圆周上任意割线的中垂线在圆周的圆心处相交，因此分别连接Y₁Y₂、Y₃Y₄和Y₅Y₆，在虹膜外边界圆周上产生3条割线，并分别计算两两割线的中垂线交点得到3个候选的圆心坐标点，计算虹膜外边界圆周圆心的行、列坐标，并进一步计算虹膜外边界圆周的半径。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出一种用于远距离行进中虹膜识别的虹膜定位方法的流程图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

一种用于远距离行进中虹膜识别的虹膜定位方法的具体步骤是：

第一步，去除虹膜图像中随机分布的光斑和噪声干扰。

在远距离行进中虹膜识别系统中，由于被识别者姿态各异，图像采集位置和距离不固定，获取的虹膜图像中由光源形成的光斑往往随机分布，而光斑的形状和大小与瞳孔近似，因此会严重影响虹膜内边界的定位。因此，首先利用硬分割和软填充的方法去除随机光斑的干扰，具体地，

首先，自适应地计算光斑分割阈值并检测随机光斑。设输入的虹膜图像为I，I(x,y)表示行坐标x、列坐标y处的像素灰度值。统计I的灰度分布，

DI＝hista(I) (1)

式中，hista为图像灰度分布统计函数，DI为I的灰度分布向量。对DI进行正态分布逼近，使瞳孔像素和光斑像素分别向最低灰度值0和最高灰度值255方向聚集，

NI＝normapprox(DI) (2)

式中，normapprox为正态分布逼近函数，NI为DI的正态逼近分布向量。由于光斑像素在高灰度值区聚集，计算NI中最后一个极小值点对应的灰度值，

TS＝findtroughs(NI,‘last’) (3)

式中，findtroughs为极小值点统计函数，TS为NI中最后一个极小值点对应的灰度值，也即NI的极小值点中对应的最大灰度值。因此，将TS作为光斑分割阈值，对I进行硬分割，检测随机光斑的位置，

S＝complg(I,FS) (4)

式中，complg为局部灰度值比较函数，FS为3×3的光斑检测滤波模板，其元素值均为TS，将I中像素的灰度值与TS按照3×3的局部区域逐点进行比较，S为光斑掩模矩阵，其元素值为1的点表示光斑的位置，也即I中相应位置的像素及其3×3邻域内的像素的灰度值均大于光斑分割阈值TS，该点被检测为光斑。

其次，对检测出的光斑进行软填充，去除随机光斑的干扰。从光斑边界由外向内逐点进行内陷填充，

IF＝imgfill(I,S,FF) (5)

式中，imgfill为光斑填充函数，FF＝[0.25 0.25 0.125；0.25 0 0；0.125 0 0]为3×3的邻域加权滤波模板，将I中对应于S标记的光斑位置的像素点及其3×3邻域像素块与FF进行点积，由光斑边界向内逐点进行内陷滤波软填充，IF即为对I进行光斑填充后的虹膜图像。

然后，对去除光斑后的虹膜图像进行非线性统计滤波，消除噪声干扰。由于输入虹膜图像中存在的随机噪声以及光斑填充后其边缘形成的毛刺噪声都会影响虹膜定位的精度，因此利用非线性统计滤波方法消除噪声干扰，

IS＝imgfilt(IF,NF) (6)

式中，imgfilt为非线性滤波函数，NF为3×3的非线性统计滤波模板，其元素sortif(1/3,0)，sortif为统计排序判别函数，统计并计算排在中间的三个灰度值的均值，将其作为当前像素点的灰度滤波值。将IF逐点进行非线性滤波，实现灰度平滑，消除噪声干扰，IS即为对IF进行滤波后的虹膜图像。

与输入虹膜图像I相比，在预处理后的虹膜图像IS中，光斑和噪声干扰已被去除，同时虹膜边界得到增强，适于进行虹膜定位。

第二步，检测瞳孔与虹膜的过渡边缘，定位虹膜内边界。

虹膜的内边界即为瞳孔与虹膜的分界边缘，利用硬分割和几何测定的方法检测并筛选出真实的瞳孔区域，然后通过形态几何测定拟合定位虹膜内边界，具体地，

首先，利用硬分割的方法检测可能的瞳孔区域。由于瞳孔区域与虹膜区域的像素灰度差异明显并且瞳孔像素集中在低灰度值区，因此通过自适应地计算瞳孔分割阈值检测可能的瞳孔区域。统计IS的灰度分布，

DS＝hista(IS) (7)

式中，hista为图像灰度分布统计函数，DS为IS的灰度分布向量。计算DS中第一个极小值点对应的灰度值，

TG＝findtroughs(DS,‘first’) (8)

式中，findtroughs为极小值点统计函数，TG为DS中第一个极小值点对应的灰度值，也即DS的极小值点中对应的最小灰度值。自适应地计算瞳孔分割阈值，

TP＝max(TG,σ) (9)

式中，σ为瞳孔分割阈值保护参数，由实际的虹膜成像系统的成像条件决定，典型地，σ＝15，TP为瞳孔分割阈值，等于TG和σ之间的较大值。利用TP对IS进行硬分割，检测可能的瞳孔区域，

P＝complg(IS,FP) (10)

式中，complg为局部灰度值比较函数，FP＝[1.2 1.1 1.2；1.1 1.0 1.1；1.2 1.11.2]*TP为3×3的瞳孔检测滤波模板，其元素值为TP的加权，将IS中像素的灰度值与TP的加权按照3×3的局部区域逐点进行比较，P为瞳孔掩模矩阵，其元素值为0的点表示可能的瞳孔像素点，也即IS中相应位置的像素及其3×3邻域内的像素的灰度值小于瞳孔分割阈值TP的邻域加权，该点及其邻域被检测为可能的瞳孔区域。

其次，利用几何测定的方法从可能的瞳孔区域中筛选出真实的瞳孔区域。由于眼镜框、眉毛、睫毛等区域的像素灰度与瞳孔的像素灰度接近，因此在硬分割时会检测到多个瞳孔干扰区域。利用瞳孔特有的形态，通过几何测定剔除其他物体干扰，筛选出真实的瞳孔区域。

假设P中标有n个可能的瞳孔区域，对应的像素块记为Ω_i，i＝1,2,…,n。由于瞳孔的形状近似于圆形，因此其水平直径和垂直直径包含的像素数接近，同时根据具体的虹膜识别系统的成像范围和人眼虹膜的平均尺寸可以预先知道虹膜图像中瞳孔直径包含的最大像素数，据此筛选出真实的瞳孔区域，

式中，为真实的瞳孔区域，r、c分别为Ω中像素的行、列坐标，j、k＝1,2,…,m，m为Ω中的像素个数，即Ω满足条件：Ω在水平方向和垂直方向上的最大长度差小于瞳孔直径容差限定值α，同时Ω的最大宽度小于虹膜直径最大限定值β。α、β的值由实际的虹膜成像系统的成像条件决定，典型地，α＝5，β＝120。

然后，将瞳孔的形状近似于圆形，计算瞳孔边界，即拟合虹膜内边界，

r_p＝round(min{r_j}+1/2(max{r_j}–min{r_j})) (12)

c_p＝round(min{c_j}+1/2(max{c_j}–min{c_j})) (13)

l_p＝round(1/2(max{r_j}–min{r_j}+max{c_j}–min{c_j})) (14)

式中，round为四舍五入取整函数，(r_j,c_j)∈Ω为瞳孔区域像素的行、列坐标对，j＝1,2,…,m，m为瞳孔区域的像素个数，r_p、c_p分别为瞳孔圆心的行、列坐标，l_p为瞳孔的半径。于是，得到虹膜内边界BI为，

BI＝{(r_p,c_p,l_p)_circle} (15)

第三步，检测虹膜与巩膜的过渡边缘，定位虹膜外边界。

虹膜的外边界即为虹膜与巩膜的分界边缘，利用灰度扩散判别的方法检测虹膜外边界的采样像素点，然后通过形态几何测定拟合定位虹膜外边界，具体地，

首先，绘制虹膜区域灰度扩散路径，利用灰度扩散增量算子检测虹膜外边界的采样像素点。由于像素在从虹膜区域到巩膜区域方向上的灰度值由低到高，并且在过渡边缘灰度增加明显，因此依次在瞳孔圆周方向上采样并沿着瞳孔半径延长线方向向外绘制灰度扩散路线，通过灰度扩散增量算子检测虹膜外边界像素点的位置。考虑到虹膜外边界上半部分易受睫毛和眼睑遮挡，灰度扩散路径从瞳孔圆周下半部分沿着瞳孔半径延长线方向向外绘制，同时为了降低计算复杂度，在瞳孔圆周下半部分每间隔36°采样得到6个灰度扩散路径的起点U_z，z＝1,2,…,6，产生6条灰度扩散路径L_z，z＝1,2,…,6，分别沿着每条灰度扩散路径检测灰度扩散最大化的位置，

式中，δ＝[-0.25 -0.75 0.75 0.25]为灰度扩散增量算子，为卷积运算符，Y_z(z＝1,2,…,6)为灰度扩散路径上灰度增量最大值的位置坐标，即为虹膜外边界上采样像素点的坐标。

然后，将虹膜的形状近似于圆环，根据已检测到的虹膜外边界采样像素点通过形态几何均值测定拟合虹膜外边界。由圆周形态学知识，圆周上任意割线的中垂线在圆周的圆心处相交，因此分别连接Y₁Y₂、Y₃Y₄和Y₅Y₆，在虹膜外边界圆周上产生3条割线，并分别计算两两割线的中垂线交点，得到3个候选的圆心坐标点(x₁,y₁)、(x₂,y₂)和(x₃,y₃)，于是，

r_q＝round(1/3(x₁+x₂+x₃)) (17)

c_q＝round(1/3(y₁+y₂+y₃)) (18)

式中，round为四舍五入取整函数，r_q、c_q分别为虹膜外边界圆周圆心的行、列坐标。设O_q＝(r_q,c_q)，分别连接O_q与Y_z，z＝1,2,…,6，于是，

l_q＝round(1/6∑⁶ _z＝1length(O_qY_z)) (19)

式中，round为四舍五入取整函数，length为求线段长度函数，l_q为虹膜外边界圆周的半径。因此，得到虹膜外边界BO为，

BO＝{(r_q,c_q,l_q)_circle} (20)

综上所述，已检测出虹膜区域的内、外边界BI和BO，完成虹膜定位。可以看出，本发明所述技术方案，对光照、模糊等成像条件不敏感，计算复杂度低，能有效提升远距离行进中虹膜识别系统的虹膜定位的鲁棒性和实时性，解决了主流虹膜定位算法难以对复杂成像条件下获取的虹膜图像进行快速、准确而稳健地定位的问题，因此有助于提高远距离行进中虹膜识别系统的识别速度和准确率。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (9)

1.一种用于远距离行进中虹膜识别的虹膜定位方法，其特征在于，所述方法包括：

步骤S1：去除虹膜图像中随机分布的光斑和噪声干扰，包括：

步骤S11：自适应地计算光斑分割阈值并检测随机光斑；

步骤S12：对检测出的光斑进行软填充；及

步骤S13：对去除光斑后的虹膜图像进行非线性统计滤波；

步骤S2：检测瞳孔与虹膜的过渡边缘，定位虹膜内边界，包括：

步骤S21：利用硬分割的方法检测可能的瞳孔区域；

步骤S22：利用几何测定的方法从可能的瞳孔区域中筛选出真实的瞳孔区域；及

步骤S23：将瞳孔的形状近似于圆形，拟合虹膜内边界；

步骤S3：检测虹膜与巩膜的过渡边缘，定位虹膜外边界，包括：

步骤S31：绘制虹膜区域灰度扩散路径，利用灰度扩散增量算子检测虹膜外边界的采样像素点；及

步骤S32：将虹膜的形状近似于圆环，根据已检测到的虹膜外边界采样像素点通过形态几何均值测定拟合虹膜外边界。

2.根据权利要求1所述的虹膜定位方法，其特征在于，所述步骤S11具体包括：

设输入的虹膜图像为I，行坐标为x、列坐标为y处的像素灰度值为I(x,y)；

基于公式DI＝hista(I)统计I的灰度分布，其中hista为图像灰度分布统计函数，DI为I的灰度分布向量；

基于公式NI＝normapprox(DI)对DI进行正态分布逼近，使瞳孔像素和光斑像素分别向最低灰度值0和最高灰度值255方向聚集，其中normapprox为正态分布逼近函数，NI为DI的正态逼近分布向量；

基于公式TS＝findtroughs(NI,‘last’)计算NI中最后一个极小值点对应的灰度值，其中findtroughs为极小值点统计函数，TS为NI中最后一个极小值点对应的灰度值；

基于公式S＝complg(I,FS)将TS作为光斑分割阈值，对I进行硬分割，检测随机光斑的位置，其中complg为局部灰度值比较函数，FS为N×N的光斑检测滤波模板，S为光斑掩模矩阵，其元素值为1的点表示光斑的位置，也即I中相应位置的像素及其N×N邻域内的像素的灰度值均大于光斑分割阈值TS，该点被检测为光斑。

3.根据权利要求2所述的虹膜定位方法，其特征在于，所述步骤S12具体包括：

基于公式IF＝imgfill(I,S,FF)从光斑边界由外向内逐点进行内陷填充；

其中，imgfill为光斑填充函数，FF为M×M的邻域加权滤波模板，将I中对应于S标记的光斑位置的像素点及其M×M邻域像素块与FF进行点积，由光斑边界向内逐点进行内陷滤波软填充，IF为对I进行光斑填充后的虹膜图像。

4.根据权利要求3所述的虹膜定位方法，其特征在于，所述步骤S13具体包括：

基于公式IS＝imgfilt(IF,NF)利用非线性统计滤波方法消除噪声干扰；

其中，imgfilt为非线性滤波函数，NF为L×L的非线性统计滤波模板，IS为对IF进行滤波后的虹膜图像。

5.根据权利要求1所述的虹膜定位方法，其特征在于，所述步骤S21具体包括：

基于公式DS＝hista(IS)统计IS的灰度分布，其中hista为图像灰度分布统计函数，DS为IS的灰度分布向量；

基于公式TG＝findtroughs(DS,‘first’)计算DS中第一个极小值点对应的灰度值，其中findtroughs为极小值点统计函数，TG为DS中第一个极小值点对应的灰度值；

基于公式TP＝max(TG,σ)自适应地计算瞳孔分割阈值，其中σ为瞳孔分割阈值保护参数，TP为瞳孔分割阈值；

基于公式P＝complg(IS,FP)利用TP对IS进行硬分割，检测可能的瞳孔区域，其中complg为局部灰度值比较函数，FP为K×K的瞳孔检测滤波模板，其元素值为TP的加权，P为瞳孔掩模矩阵，其元素值为0的点表示可能的瞳孔像素点，即IS中相应位置的像素及其K×K邻域内的像素的灰度值小于瞳孔分割阈值TP的邻域加权，该点及其邻域被检测为可能的瞳孔区域。

6.根据权利要求5所述的虹膜定位方法，其特征在于，所述步骤S22具体包括：

设P中标有n个可能的瞳孔区域，对应的像素块记为Ω_i，i＝1,2,…,n；

筛选出真实的瞳孔区域

其中，|max{|r_j-r_k|}-max{|c_j-c_k|}|<α&&max{|r_j-r_k|,|c_j-c_k|}<β， 为真实的瞳孔区域，r、c分别为Ω中像素的行、列坐标，j、k＝1,2,…,m，m为Ω中的像素个数，α为瞳孔直径容差限定值，β为虹膜直径最大限定值。

7.根据权利要求6所述的虹膜定位方法，其特征在于，所述步骤S23具体包括：

基于以下公式拟合虹膜内边界：

r_p＝round(min{r_j}+1/2(max{r_j}–min{r_j}))

c_p＝round(min{c_j}+1/2(max{c_j}–min{c_j}))

l_p＝round(1/2(max{r_j}–min{r_j}+max{c_j}–min{c_j}))

其中，round为四舍五入取整函数，(r_j,c_j)∈Ω为瞳孔区域像素的行、列坐标对，j＝1,2,…,m，m为瞳孔区域的像素个数，r_p、c_p分别为瞳孔圆心的行、列坐标，l_p为瞳孔的半径；

计算虹膜内边界BI，其中BI＝{(r_p,c_p,l_p)_circle}。

8.根据权利要求1所述的虹膜定位方法，其特征在于，所述步骤S31具体包括：

在瞳孔圆周下半部分每间隔36°采样得到6个灰度扩散路径的起点U_z，z＝1,2,…,6，产生6条灰度扩散路径L_z，z＝1,2,…,6；

基于公式分别沿着每条灰度扩散路径检测灰度扩散最大化的位置，其中δ为灰度扩散增量算子，为卷积运算符，Y_z(z＝1,2,…,6)为灰度扩散路径上灰度增量最大值的位置坐标。

9.根据权利要求8所述的虹膜定位方法，其特征在于，所述步骤S32具体包括：

分别连接Y₁Y₂、Y₃Y₄和Y₅Y₆，在虹膜外边界圆周上产生3条割线；

分别计算两两割线的中垂线交点，得到3个候选的圆心坐标点(x₁,y₁)、(x₂,y₂)和(x₃,y₃)；

计算虹膜外边界圆周圆心的行、列坐标，其中虹膜外边界圆周圆心的行坐标r_q＝round(1/3(x₁+x₂+x₃))，虹膜外边界圆周圆心的列坐标c_q＝round(1/3(y₁+y₂+y₃))，round为四舍五入取整函数；

设O_q＝(r_q,c_q)，分别连接O_q与Y_z，z＝1,2,…,6，计算虹膜外边界圆周的半径l_q＝round(1/6∑⁶ _z＝1length(O_q Y_z))，其中length为求线段长度函数；

计算虹膜外边界BO，其中BO＝{(r_q,c_q,l_q)_circle}；

得到虹膜区域的内边界BI和外边界BO，完成虹膜定位。