CN110084789A - 一种虹膜图像的质量评价方法及计算设备 - Google Patents
一种虹膜图像的质量评价方法及计算设备 Download PDFInfo
- Publication number
- CN110084789A CN110084789A CN201910299773.7A CN201910299773A CN110084789A CN 110084789 A CN110084789 A CN 110084789A CN 201910299773 A CN201910299773 A CN 201910299773A CN 110084789 A CN110084789 A CN 110084789A
- Authority
- CN
- China
- Prior art keywords
- marginal
- iris image
- marginal point
- point
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种虹膜图像的质量评价方法及计算设备。其中,该质量评价方法包括步骤:提取虹膜图像的光斑边缘点;对光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆;根据拟合的椭圆计算拟合参数;基于拟合参数,确定虹膜图像的质量评价结果。此外,本发明还一并公开了用于执行上述方法的计算设备及对应的可读存储介质。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种虹膜图像的质量评价方法及计算设备。
背景技术
虹膜是位于人眼白色巩膜和黑色瞳孔之间的环状组织,包含了最丰富的纹理信息。从外观上看,虹膜由许多腺窝、褶皱和色素斑等构成,是人体中最独特的结果之一。作为重要的身份识别特征,虹膜识别具有唯一性、稳定性、可采集性和非侵犯性等优点。因而,虹膜识别技术是一项能够精确鉴别个体的生物特征识别技术,有着巨大的应用前景。
虹膜识别系统越来越多地被用于大规模应用场景,通常,虹膜识别系统的工作流程为:先采集注册图像生成注册模板;再采集识别图像生成识别码,将识别码与数据库中的识别模板进行比对,完成一次识别工作。可以看出,获取虹膜图像贯穿整个识别系统,而在实际应用中,由于用户个体差异,虹膜图像视频流中常常存在斜视、闭眼和模糊等质量不理想的图像。如果将质量不佳的图像进行虹膜识别,会增加识别时间,造成不良的用户体验,同时还会增加错误识别的风险。因此,无论是注册阶段还是识别阶段,通过虹膜图像质量评价筛选出满足要求的虹膜图像,都是至关重要的。
现有的虹膜图像的质量评价方法,如文献《虹膜图像的质量评价研究》中提出的虹膜图像的质量评价方法,采用高斯拉普拉斯(LoG)算子提取瞳孔两侧局部虹膜图像的高频能量,来生成虹膜图像的清晰度评价指标。研究认为,评价指标越高,虹膜图像越清晰,即,质量越好。但申请人在研究中发现,由于高频能量与图像本身的信息量相关,对于一些纹理、细节较多的虹膜图像,其高频能量也较多,即便图像清晰度不够,但计算出的清晰度评价指标仍然会高于那些纹理较少的、清晰的虹膜图像。因此,在实际应用中,不同个体虹膜区域褶皱和色素斑等构成要素的差异,会极大地影响评价指标的差异。
鉴于上述原因,需要一种优化的虹膜图像的质量评价方案,能够克服不同个体的虹膜差异对质量评价的影响。
发明内容
为此,本发明提供了一种虹膜图像的质量评价方法及计算设备,以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一方面,提供了一种虹膜图像的质量评价方法,该方法包括步骤:提取虹膜图像的光斑边缘点;对光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆;根据拟合的椭圆计算拟合参数;基于拟合参数,确定虹膜图像的质量评价结果。
可选地,在根据本发明的方法中,提取虹膜图像的光斑边缘点的步骤包括:计算虹膜图像的梯度;根据所算得的梯度,提取虹膜图像中的边缘点;根据所提取的边缘点的灰度变化,从边缘点中选出候选边缘点;根据候选边缘点的坐标,从候选边缘点中筛选出光斑边缘点。
可选地,在根据本发明的方法中,根据所算得的梯度,提取虹膜图像的边缘点的步骤包括:计算虹膜图像中每个像素点的梯度方向;基于像素点的梯度方向,确定该像素点的最大梯度;基于像素点的最大梯度,提取虹膜图像的边缘点。
可选地,在根据本发明的方法中,基于像素点的最大梯度,提取虹膜图像的边缘点的步骤包括:若像素点的梯度值大于该像素点的最大梯度,则确定该像素点为边缘点;若像素点的梯度值不大于该像素点的最大梯度,则确定该像素点不是边缘点。
可选地,在根据本发明的方法中,根据所提取的边缘点的灰度变化,从边缘点中选出候选边缘点的步骤包括:计算边缘点四个方向的灰度变化;确定灰度变化的绝对值最大的方向;在绝对值最大的方向上,从边缘点中确定出候选边缘点。
可选地,在根据本发明的方法中,根据候选边缘点的坐标,从候选边缘点中筛选出光斑边缘点的步骤包括:通过计算所有候选边缘点的坐标的平均值,生成中心点坐标;通过计算各候选边缘点与中心点的距离值,生成所有距离值的平均值,作为距离均值;通过从候选边缘点中选取距离值不大于距离均值的边缘点,来确定新的候选边缘点;通过计算新的候选边缘点的距离值的方差,来确定出光斑边缘点。
可选地,在根据本发明的方法中,通过计算新的候选边缘点的距离值的方差,来确定出光斑边缘点的步骤包括:若方差小于预定值,则将新的候选边缘点作为光斑边缘点;若方差不小于预定值,则对新的候选边缘点,重复上述生成中心点坐标和距离均值、以及确定新的候选边缘点和计算方差的步骤,直到所算得的方差小于预定值,将所确定的新的候选边缘点作为光斑边缘点。
可选地,在根据本发明的方法中,对光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆的步骤包括:根据光斑边缘点的连通关系,将光斑边缘点分为两个光斑;将两个光斑分别拟合为椭圆。
可选地,在根据本发明的方法中,拟合参数包括:每个椭圆的面积、离心率和两个椭圆之间的距离。
可选地,在根据本发明的方法中,基于拟合参数,确定虹膜图像的质量评价结果的步骤包括:根据每个椭圆的面积,确定面积和;若面积和处于第一预定区间、且每个椭圆的离心率均处于第二预定区间、且两个椭圆之间的距离处于第三预定区间,则确定虹膜图像为清晰图像。
可选地,在根据本发明的方法中,基于拟合参数,确定虹膜图像的质量评价结果的步骤还包括:若面积和不处于第一预定区间,则确定虹膜图像为第一模糊类型;若每个椭圆的离心率均不处于第二预定区间,则确定虹膜图像为第二模糊类型;若两个椭圆之间的距离不处于第三预定区间,则确定虹膜图像为第一模糊类型或第二模糊类型。
可选地,在根据本发明的方法中,第一模糊类型为离焦模糊,所述第二模糊类型为运动模糊。
可选地,根据本发明的方法还包括步骤:对原始的虹膜图像进行压缩和滤波处理。
根据本发明的又一方面,提供了一种计算设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行如上所述的方法中的任一方法的指令。
根据本发明的再一方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当计算设备执行时,使得计算设备执行如上所述的方法中的任一方法。
根据本发明的虹膜图像的质量评价方案,通过提取虹膜图像的光斑、并对其进行分析,得出关于虹膜图像的质量评价结果。由于光斑不会因被拍摄对象的个体差异而变化,因此根据本发明的方案能够摆脱由于不同个体的虹膜纹理差异所引入的判断错误。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一些实施例的计算设备100的示意图;
图2A-2C示出了根据本发明一个实施例的不同清晰程度的虹膜图像的对比图;
图3示出了根据本发明一些实施例的虹膜图像的质量评价方法300的流程图;
图4A和图4B分别示出了根据本发明一个实施例的包含候选边缘点和包含光斑边缘点的虹膜图像;
图5示出了根据本发明一个实施例的拟合出椭圆的虹膜图像的部分示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为包括桌面计算机和笔记本计算机配置的个人计算机,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等。
在一些实施例中,计算设备100被配置为执行根据本发明实施方式的虹膜图像的质量评价方法300。其中,计算设备100的一个或多个应用122包括用于执行根据本发明的虹膜图像的质量评价方法300的指令。
如前文所述,采集虹膜图像的质量好坏直接影响识别是否成功。在一些实施方式中,影响虹膜图像质量(即,虹膜图像的清晰度)的因素主要有:对焦不准确所引起的离焦模糊、移动所引起的运动模糊、眼睑和睫毛等对虹膜区域的遮挡所引起的模糊等。在如下的方法300中,主要针对虹膜图像的离焦模糊和运动模糊,来进行图像质量评价。
另外,申请人发现,在虹膜识别系统中,通常在近红外照射下拍摄对象的眼部图像,这样,近红外照射灯会在瞳孔或者虹膜上形成光斑。对于相同设备在相同环境条件下所采集的虹膜图像,图像中的光斑不会因被拍摄对象的个体差异而变化。并且,运动模糊和离焦模糊均会对应一定的光斑形态的改变。如图2A-2C,示出了根据本发明一个实施例的不同清晰程度的虹膜图像的对比图。在图中用白色的圆点表示光斑。其中,图2A为清晰的虹膜图像,图2B和图2C为模糊的虹膜图像,并且,图2B和图2C的模糊类型不同(图2B属于运动模糊,图2C属于离焦模糊)。对比图2A-图2C可以看出,针对不同模糊类型(图2A可以看做是无模糊的类型)的虹膜图像,其包含的光斑有明显差别。
图3示出了根据本发明一些实施例的虹膜图像的质量评价方法300的流程图。
如图3所示,该方法300始于步骤S310。在步骤S310中,采集虹膜图像,并提取该虹膜图像的光斑边缘点。
根据本发明的一种实施例,为提高运算速度,在提取虹膜图像的光斑边缘点之前,还包括步骤:对原始的虹膜图像(即,所采集的虹膜图像)进行压缩和滤波处理。可选地,当原始虹膜图像的像素数大于最大像素数(在一种实施例中,最大像素数取60000,但不限于此,可根据应用场景和需求进行调整)时,就对原始虹膜图像进行压缩,得到压缩后的图像。然后,对压缩后的图像进行滤波,典型的压缩方法如均值压缩,典型的滤波方法如高斯滤波,但本发明的实施例对此不做限制,任何已知或未来可知的图像压缩和滤波方法,均可以与本发明的实施例相结合,以实现方法300。
接着,对经压缩和滤波处理后的虹膜图像进行如下四个步骤的处理(应当了解,若是无需对原始的虹膜图像进行压缩和滤波处理,则直接对原始的虹膜图像进行如下四个步骤的处理,为便于表述,下文中统称为虹膜图像),以提取出光斑边缘点。
第一步,计算虹膜图像的梯度。
根据一种实施例,对于虹膜图像中的每个像素点,计算其在X方向和Y方向(即,水平方向和垂直方向)上的梯度值,再得出该像素点的梯度。遍历所有的像素点,就得到了虹膜图像的梯度。对于图像梯度的计算可以采用各种梯度算子,如Sobel算子、Robert算子、拉普拉斯算子等。
以下示出根据本发明一个实施例的计算虹膜图像中像素点(i,j)的梯度pGradient(i,j)的公式,其中,GradV和GradH分别表示像素点(i,j)在X方向和Y方向上的梯度值。
GradV=img(i-1,j-1)+img(i-1,j)*2+img(i-1,j+1)-img(i+1,j-1)
-img(i+1,j)*2-img(i+1,j+1)
GradH=img(i-1,j-1)+img(i,j-1)*2+img(i+1,j-1)-img(i-1,j+1)
-img(i,j+1)*2-img(i+1,j+1)
第二步,根据所算得的梯度,提取虹膜图像中的边缘点。
根据本发明的实施例,在本步骤中,通过计算估计虹膜图像中边缘的局部方向(即,梯度的方向),而后利用梯度方向找到局部梯度值的最大值,以此来确定虹膜图像的边缘点。以下给出根据本发明一个实施例的执行本步骤的具体过程。
首先,根据上一步中计算出的每个像素点的梯度值,计算虹膜图像中每个像素点的梯度方向。具体地,根据每个像素点在X方向和Y方向上的梯度值,计算该像素点的梯度方向。在一种实施例中,可以根据如下公式来计算像素点(i,j)的梯度方向pGradOritation(i,j):
然后,基于像素点的梯度方向,确定该像素点的最大梯度。在根据本发明的一个实施例中,将像素点的梯度方向区分为4个区间,当像素点的梯度方向属于哪个区间时,就按照该区间的方式来计算该像素点的最大梯度。例如,按如下公式计算像素点(i,j)的最大梯度MAXGrad。
上式中,maxGradTH为配置参数,可选地,其值设为100。函数max(a,b,c)表示取a,b,c三者中的最大值。
最后,基于像素点的最大梯度,提取虹膜图像的边缘点。
在一种实施例中,基于像素点的最大梯度和该像素点的梯度值的大小关系,来确定该像素点是否为边缘点。具体地,若像素点的梯度值大于该像素点的最大梯度,则确定该像素点为边缘点;若像素点的梯度值不大于该像素点的最大梯度,则确定该像素点不是边缘点。可选地,可以根据上述最大梯度和梯度值的大小关系,生成二值图,来表征提取出的边缘点。生成二值图的过程可通过如下公式来表示:
上式中,pGradMask(i,j)为像素点(i,j)在二值图中的像素值,pGradient(i,j)为像素点(i,j)的梯度值,MAXGrad为像素点(i,j)的最大梯度。
至此,所提取的边缘点就包含了处于眼睛、虹膜、光斑等轮廓上的像素点。在接下来的第三步中,根据所提取的边缘点的灰度变化,从边缘点中选出候选边缘点。
根据一种实施例,先计算边缘点四个方向的灰度变化;确定灰度变化的绝对值最大的方向;在绝对值最大的方向上,从边缘点中确定出候选边缘点。
具体通过如下公式进行进一步阐述。
设边缘点的坐标为(i,j),将虹膜图像记作small_img,用small_img(i,j)代表边缘点(i,j)的灰度值,按照如下一组公式,计算虹膜图像中各边缘点在四个方向的灰度变化,分别记作a,b,c,d:
a=small_img(i-1,j-1)-small_img(i+1,j+1)
b=small_img(i,j-1)-small_img(i,j+1)
c=small_img(i-1,j+1)-small_img(i+1,j-1)
d=small_img(i-1,j)-small_img(i+1,j)
分别计算a,b,c,d的绝对值,分别记作:abs(a),abs(b),abs(c),abs(d)。确定出这4个绝对值中绝对值最大的值,记作max,并确定max对应的方向(的序号N)。例如,若max=abs(a),则N=1;若max=abs(b),则N=2;若max=abs(c),则N=3;若max=abs(d),则N=4。
若边缘点(i,j)为光斑边缘点,则在灰度变化的绝对值最大的方向上,光斑内的点像素值大,光斑外的点像素值小。据此,若在绝对值最大的方向上,边缘点(i,j)两侧的两个像素点同时大或者同时小,则确定该边缘点不是光斑边缘点。也就是说,在绝对值最大的方向上,从边缘点中确定出候选边缘点。
继续如上例,计算虹膜图像中所有像素点的灰度值的均值,记作meanimg。对于每个边缘点(i,j),按照如下流程来确定其是否为候选边缘点。
若N=1,则在边缘点(i,j)满足下述条件时,确定边缘点(i,j)为候选边缘点:
small_img(i-1,j-1)<meanimg且small_img(i+1,j+1)>meanimg,或者
small_img(i-1,j-1)>meanimg且small_img(i+1,j+1)<meanimg。
若N=2,则在边缘点(i,j)满足下述条件时,确定边缘点(i,j)为候选边缘点:
small_img(i,j-1)<meanimg且small_img(i,j+1)>meanimg,或者
small_img(i,j-1)>meanimg且small_img(i,j+1)<meanimg。
若N=3,则在边缘点(i,j)满足下述条件时,确定边缘点(i,j)为候选边缘点:
small_img(i-1,j+1)<meanimg且small_img(i+1,j-1)>meanimg,或者
small_img(i-1,j+1)>meanimg且small_img(i+1,j-1)<meanimg。
若N=4,则在边缘点(i,j)满足下述条件时,确定边缘点(i,j)为候选边缘点:
small_img(i-1,j)<meanimg且small_img(i+1,j)>meanimg,或者
small_img(i-1,j)>meanimg且small_img(i+1,j)<meanimg。
第四步,根据候选边缘点的坐标,从候选边缘点中筛选出光斑边缘点。
以下示出根据本发明一种实施例的筛选光斑边缘点的过程。
(1)通过计算所有候选边缘点的坐标的平均值,生成中心点坐标。
设候选边缘点的坐标为(xi,yi),i=1,2...n,其中n表示候选边缘点的个数,那么,候选边缘点的坐标的平均值可以通过如下公式来计算:
即,中心点坐标为(meanX,meanY)。
(2)通过计算各候选边缘点与中心点的距离值Di,生成所有距离值的平均值,作为距离均值meanD。
可以通过如下公式来计算Di:
上式中,(xi,yi)表示候选边缘点的坐标,(meanX,meanY)表示中心点坐标。
(3)通过从候选边缘点中选取距离值不大于距离均值的边缘点,来确定新的候选边缘点。即,从候选边缘点中删除Di>meanD的点,将删除后剩下的候选边缘点作为新的候选边缘点。
(4)通过计算新的候选边缘点的距离值的方差,来确定出光斑边缘点。
关于方差的计算,此处不再赘述,将新的候选边缘点的距离值的方差记作stdD。
若方差stdD小于预定值(可选地,预定值取3,但不限于此,可根据经验和应用场景设置合适的值),则将新的候选边缘点作为光斑边缘点。
若方差stdD不小于预定值,则对新的候选边缘点,重复上述生成中心点坐标和距离均值、以及确定新的候选边缘点和计算方差的步骤(即,重复上述步骤(1)~(4)),直到所算得的方差小于预定值,将所确定的新的候选边缘点作为光斑边缘点。
在另一种实施例中,也可以重复上述步骤(1)~(3),直到新的候选边缘点的数量不再减少为止,将最终所确定的新的候选边缘点作为光斑边缘点。
如图4A和图4B,分别示出了根据本发明一个实施例的包含候选边缘点和包含光斑边缘点的虹膜图像。可以看出,在图4A中,大部分候选边缘点是处于瞳孔中心的光斑上的轮廓点,还有少部分候选边缘点散落在巩膜上(如图4A中眼角部分);而在图4B中,散落在巩膜上的边缘点已经被删除。
随后,在步骤S320中,对光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆。
椭圆拟合的基本思路是:对于给定平面上的一组样本点,寻找一个椭圆,使其尽可能靠近这些样本点。关于椭圆拟合的具体方法此处不做详细展开,本领域技术人员可采用诸如最小二乘法等方法来对光斑边缘点进行椭圆拟合。
在一种实施例中,根据光斑边缘点的连通关系,将光斑边缘点分为两个光斑。关于像素点间的连通关系,可以通过像素通路来描述。假设在像素集T中,从坐标为(x,y)的像素p到坐标为(s,t)的像素q的通路,是由一系列的特定像素组成的序列,其坐标依次为:(x,y),(x1,y1),…,(s,t),并且相邻的两个像素是邻接的。在这种情况下,从像素p到像素q就形成了一个像素通路。若像素集T中只有一条像素通路,那么,像素p和q在S中就是连通的。
一般地,光斑边缘点可以分为左右两个光斑。
而后,将这两个光斑分别拟合为椭圆。将拟合得到的椭圆记作:Ax2+Bxy+Cy2+Dx+Ey+F=0。
如图5示出了根据本发明一个实施例的拟合出椭圆的虹膜图像的部分示意图。图5中,两个白色的圆形区域表示光斑,在光斑内用黑色曲线描绘出的就是这两个光斑对应的拟合的椭圆。
随后,在步骤S330中,根据拟合的椭圆计算拟合参数。在根据本发明的实施例中,拟合参数包括:每个椭圆的面积、离心率和两个椭圆之间的距离。以下示出计算上述拟合参数的过程。
继续如上所述的椭圆方程的一般表达式:Ax2+Bxy+Cy2+Dx+Ey+F=0,可以表示出椭圆的几何中心Xc和Yc:
这样,按如下公式可分别计算出椭圆的长半轴a和短半轴b:
接着,就可以计算出椭圆的面积S:
S=πab
进一步计算出椭圆的离心率e:
对拟合出的两个椭圆分别进行上述计算,分别求得两个椭圆的面积(分别记作S1和S2)和离心率(分别记作e1和e2)。
此外,连接两个椭圆的几何中心,与两个椭圆形成4个交点,计算在几何中心之间的两个交点的距离,作为这两个椭圆的距离DIS。
随后在步骤S340中,基于上述拟合参数,确定虹膜图像的质量评价结果。
在一种实施例中,根据每个椭圆的面积,确定面积和。也就是说,将两个椭圆的面积相加,得到面积和Ssum=S1+S2。当虹膜图像中求得的拟合参数同时满足下面的条件时,确定该虹膜图像为清晰图像:面积和Ssum处于第一预定区间、且每个椭圆的离心率e1和e2均处于第二预定区间、且两个椭圆之间的距离DIS处于第三预定区间。在根据本发明的实施例中,第一预定区间设为[Smin_th,Smax_th],第二预定区间设为(0,eth],第三预定区间设为[DISth,+∞)。
另外,若面积和Ssum不处于第一预定区间,则确定该虹膜图像为第一模糊类型。在本发明的实施例中,第一模糊类型为离焦模糊。更进一步地,若面积和Ssum<Smin_th,则确定该虹膜图像为远离焦模糊;若面积和Ssum>Smax_th,则确定该虹膜图像为近离焦模糊。其中,Smin_th和Smax_th为经验值,与虹膜图像的大小和采集虹膜图像时所使用的近红外灯的照度大小有关。
若每个椭圆的离心率e1和e2均不处于第二预定区间,则确定该虹膜图像为第二模糊类型。在本发明的实施例中,第二模糊类型为运动模糊。其中,eth为经验值(在根据本发明的一个实施例中,eth取0.5),与采集虹膜图像时所使用的近红外灯的形状和摆放方式有关。
若两个椭圆之间的距离DIS不处于第三预定区间,则确定该虹膜图像为第一模糊类型或第二模糊类型。更进一步地,此时虹膜图像可能是近焦模糊,也可能是运动模糊。
为对比说明各拟合参数和虹膜图像的质量之间的关系,表1示出了根据本发明实施例的拟合参数与图像质量之间的关系。
表1拟合参数与图像质量的关系
根据本发明的虹膜图像的质量评价方案,通过提取虹膜图像的光斑、并对其进行分析,得出关于虹膜图像的质量评价结果。由于光斑不会因被拍摄对象的个体差异而变化,因此根据本发明的方案能够摆脱由于不同个体的虹膜纹理差异所引入的判断错误。
此外,根据本发明的方案,提供了一种椭圆的拟合参数与图像质量的对应关系。针对不同的虹膜采集系统,可以通过调节第一、第二、第三预定区间中的阈值(即,Smin_th,Smax_th,eth,DISth),以适用不同的应用场景(例如,通过根据近红外灯的照度大小来调节Smin_th和Smax_th的值)。同时,也可以通过调节上述阈值来调整图像质量评价的严格程度。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
以示例而非限制的方式,可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中,算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明一并公开了:
A9、如A8所述的方法,其中拟合参数包括:每个椭圆的面积、离心率和两个椭圆之间的距离。A10、如A9所述的方法,其中,基于拟合参数,确定虹膜图像的质量评价结果的步骤包括:根据每个椭圆的面积,确定面积和;若面积和处于第一预定区间、且每个椭圆的离心率均处于第二预定区间、且两个椭圆之间的距离处于第三预定区间,则确定虹膜图像为清晰图像。A11、如A10所述的方法,其中,基于拟合参数,确定虹膜图像的质量评价结果的步骤还包括:若面积和不处于第一预定区间,则确定虹膜图像为第一模糊类型;若每个椭圆的离心率均不处于第二预定区间,则确定虹膜图像为第二模糊类型;若两个椭圆之间的距离不处于第三预定区间,则确定虹膜图像为第一模糊类型或第二模糊类型。A12、如A11所述的方法,其中,第一模糊类型为离焦模糊,第二模糊类型为运动模糊。A13、如A1-12中任一项所述的方法,其中,在提取虹膜图像的光斑边缘点的步骤之前,还包括步骤:对原始的虹膜图像进行压缩和滤波处理。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种虹膜图像的质量评价方法,包括步骤:
提取虹膜图像的光斑边缘点;
对所述光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆;
根据拟合的椭圆计算拟合参数;
基于所述拟合参数,确定所述虹膜图像的质量评价结果。
2.如权利要求1所述的方法,其中,所述提取虹膜图像的光斑边缘点的步骤包括:
计算所述虹膜图像的梯度;
根据所算得的梯度,提取所述虹膜图像中的边缘点;
根据所提取的边缘点的灰度变化,从所述边缘点中选出候选边缘点;
根据所述候选边缘点的坐标,从所述候选边缘点中筛选出光斑边缘点。
3.如权利要求2所述的方法,其中,所述根据所算得的梯度,提取虹膜图像的边缘点的步骤包括:
计算虹膜图像中每个像素点的梯度方向;
基于像素点的梯度方向,确定该像素点的最大梯度;
基于像素点的最大梯度,提取虹膜图像的边缘点。
4.如权利要求3所述的方法,其中,所述基于像素点的最大梯度,提取虹膜图像的边缘点的步骤包括:
若像素点的梯度值大于该像素点的最大梯度,则确定该像素点为边缘点;
若像素点的梯度值不大于该像素点的最大梯度,则确定该像素点不是边缘点。
5.如权利要求2-4中任一项所述的方法,其中,所述根据所提取的边缘点的灰度变化,从边缘点中选出候选边缘点的步骤包括:
计算所述边缘点四个方向的灰度变化;
确定灰度变化的绝对值最大的方向;
在所述绝对值最大的方向上,从边缘点中确定出候选边缘点。
6.如权利要求2-5中任一项所述的方法,其中,所述根据候选边缘点的坐标,从候选边缘点中筛选出光斑边缘点的步骤包括:
通过计算所有候选边缘点的坐标的平均值,生成中心点坐标;
通过计算各候选边缘点与中心点的距离值,生成所有距离值的平均值,作为距离均值;
通过从候选边缘点中选取距离值不大于距离均值的边缘点,来确定新的候选边缘点;
通过计算新的候选边缘点的距离值的方差,来确定出光斑边缘点。
7.如权利要求6所述的方法,其中,所述通过计算新的候选边缘点的距离值的方差,来确定出光斑边缘点的步骤包括:
若所述方差小于预定值,则将新的候选边缘点作为光斑边缘点;
若所述方差不小于预定值,则对新的候选边缘点,重复所述生成中心点坐标和距离均值、以及确定新的候选边缘点和计算方差的步骤,直到所算得的方差小于预定值,将所确定的新的候选边缘点作为光斑边缘点。
8.如权利要求1-7中任一项所述的方法,其中,所述对光斑边缘点进行椭圆拟合,以得到至少一个拟合的椭圆的步骤包括:
根据光斑边缘点的连通关系,将所述光斑边缘点分为两个光斑;
将所述两个光斑分别拟合为椭圆。
9.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1-8所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行如权利要求1-8所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299773.7A CN110084789B (zh) | 2019-04-15 | 2019-04-15 | 一种虹膜图像的质量评价方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299773.7A CN110084789B (zh) | 2019-04-15 | 2019-04-15 | 一种虹膜图像的质量评价方法及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084789A true CN110084789A (zh) | 2019-08-02 |
CN110084789B CN110084789B (zh) | 2021-11-09 |
Family
ID=67415018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299773.7A Active CN110084789B (zh) | 2019-04-15 | 2019-04-15 | 一种虹膜图像的质量评价方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084789B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705401A (zh) * | 2019-09-19 | 2020-01-17 | 武汉虹识技术有限公司 | 一种虹膜采集识别装置及方法 |
CN111476808A (zh) * | 2020-03-19 | 2020-07-31 | 北京万里红科技股份有限公司 | 虹膜图像的清晰度评价方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN102902970A (zh) * | 2011-12-16 | 2013-01-30 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法 |
US20140219516A1 (en) * | 2013-02-07 | 2014-08-07 | Ittiam Systems (P) Ltd. | System and method for iris detection in digital images |
-
2019
- 2019-04-15 CN CN201910299773.7A patent/CN110084789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN102902970A (zh) * | 2011-12-16 | 2013-01-30 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法 |
US20140219516A1 (en) * | 2013-02-07 | 2014-08-07 | Ittiam Systems (P) Ltd. | System and method for iris detection in digital images |
Non-Patent Citations (3)
Title |
---|
徐海颖: "《虹膜图像的质量评价及自采集的研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王琪: "《虹膜识别中的若干关键问题研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
王琪等: "《基于椭圆拟合的晃动虹膜图像的检测算法》", 《东北大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705401A (zh) * | 2019-09-19 | 2020-01-17 | 武汉虹识技术有限公司 | 一种虹膜采集识别装置及方法 |
CN111476808A (zh) * | 2020-03-19 | 2020-07-31 | 北京万里红科技股份有限公司 | 虹膜图像的清晰度评价方法及装置 |
CN111476808B (zh) * | 2020-03-19 | 2023-12-26 | 北京万里红科技有限公司 | 虹膜图像的清晰度评价方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110084789B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6778247B2 (ja) | 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および/またはサブ顔領域との融合 | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
WO2005109344A1 (ja) | 虹彩登録方法、虹彩登録装置および虹彩登録プログラム | |
CN110162567B (zh) | 基于颜色表优化的二维标量场数据可视化方法及系统 | |
CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
CN105631417A (zh) | 应用于互联网视频直播的视频美化系统及方法 | |
CN108108676A (zh) | 人脸识别方法、卷积神经网络生成方法及装置 | |
CN105335719A (zh) | 活体检测方法及装置 | |
CN108765264B (zh) | 图像美颜方法、装置、设备及存储介质 | |
Koutras et al. | A perceptually based spatio-temporal computational framework for visual saliency estimation | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN111062891A (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
CN109859217A (zh) | 人脸图像中毛孔区域的分割方法及计算设备 | |
CN110084789A (zh) | 一种虹膜图像的质量评价方法及计算设备 | |
CN109299634A (zh) | 斑检测方法、系统、设备及存储介质 | |
CN110189341A (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
Chidananda et al. | Entropy-cum-Hough-transform-based ear detection using ellipsoid particle swarm optimization | |
CN109815823A (zh) | 数据处理方法及相关产品 | |
Sharma et al. | Image recognition system using geometric matching and contour detection | |
Ramenahalli et al. | Local spectral anisotropy is a valid cue for figure–ground organization in natural scenes | |
CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
Lin et al. | Multi-scale contour detection model based on fixational eye movement mechanism | |
CN112102348A (zh) | 图像处理设备 | |
JP7360217B2 (ja) | ユーザのバイオメトリック特性を有する当該ユーザの物体の画像からデータを取得するための方法 | |
KR102634186B1 (ko) | 사용자의 생체 특성을 가지는 이미지 내에서 객체를 식별하고 생체 특성을 포함하는 이미지의 일부를 이미지의 다른 부분으로부터 분리함으로써 사용자의 신원을 식별하기 위한 방법(Method for verifying the identity of a user by identifying an object within an image that has a biometric characteristic of the user and separating a portion of the image comprising the biometric characteristic from other portions of the image) |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230826 Address after: No. 8, Row 9, Fatou Dongli Middle Yard, Chaoyang District, Beijing, 100020 Patentee after: Wang Xiaopeng Address before: 541000 building D2, HUTANG headquarters economic Park, Guimo Avenue, Qixing District, Guilin City, Guangxi Zhuang Autonomous Region Patentee before: Guangxi Code Interpretation Intelligent Information Technology Co.,Ltd. |