CN110781745B - 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法 - Google Patents

Abstract

本发明公开了基于复合窗及梯度加权方向滤波的尾部睫毛检测方法。该方法首先以方向一致性为评判标准，选取方向一致性最大的外窗与内窗构成复合窗，其中尾部睫毛起始点作为大小1×1的内窗，尾部睫毛起始点为中心的k×k邻域为外窗；然后采用梯度向量加权投影对尾部睫毛的方向预测；最后设计大小为S×S的水平方向滤波器，实现对尾部睫毛的图像增强，获得尾部睫毛检测结果图。本发明针对虹膜区域中的尾部睫毛进行检测，针对与虹膜纹理对比度低且方向多样的各种睫毛，检测效果较好，提高了整体睫毛的检测精度，虹膜识别系统的性能得以增强。

Description

基于复合窗及梯度加权方向滤波的尾部睫毛检测方法

技术领域

本发明属于生物特征识别及信息安全的技术领域，具体涉及一种基于复合窗及梯度加权方向滤波的尾部睫毛检测方法。

背景技术

虹膜识别是一种生物识别技术，它具有适于作为身份特征的许多良好特性，包括普遍性、唯一性、稳定性、受保护性等。相比其他生物特征识别技术，虹膜识别是更实用、更可靠的身份鉴别方法，更具有吸引力。

目前针对于睫毛检测的相关研究多是从灰度特征出发，在空域或者变换域内采用单一的阈值分割法检测睫毛。Kong等人将睫毛分为密集和稀疏两种类型，分别在时域和Gabor变换域对睫毛进行阈值分割，然后利用连通机制原理连接候选睫毛点并排除非睫毛点(KongW,Zhang D.Accurate iris segmentation based on novel reflection andeyelash detection model[C].Proceedings of 2001 International Symposium onIntelligent Multimedia,Video and Speech Processing,Hong Kong,2001:263-266.)；这种方法具有一定的针对性，检测精度较好，但需要设置的参数过多，而且并未给出稀疏型睫毛与密集型睫毛的判别标准。而ZHU等人以眼睑轮廓为模型上下逐步移动一定距离，标记出眼睑轮廓模型上极小值点中的最大值，将所有标记值中的最大值作为分割睫毛像素点的阈值(ZhuWenyao，Zhao Zemao，Wu Yufeng.An Algorithm of Eyelashes Detection forIris Recognition[J].International Journal of Security and ItsApplications.2016,10(7):195-202)。该方法在检测精度及检测速度上实现了一定程度的提升，但是对于尾部睫毛的检测效果较差。这几种近期典型的睫毛检测算法虽然各有优势，但是存在一个共同的不足点，即不管是在空域内还是在Gabor变换后的变换域内，最终都只采用了单一的阈值分割法来检测睫毛，对于尾部睫毛存在很大程度的漏检，导致的睫毛检测精度较低。

发明内容

针对现有技术对于尾部睫毛存在很大程度的漏检，导致的睫毛检测精度较低的情况，本发明提供了一种基于复合窗及梯度加权方向滤波的尾部睫毛检测方法，专门用于检测尾部睫毛，提高检测精度。

一种基于复合窗及梯度加权方向滤波的尾部睫毛检测方法步骤如下：

步骤(1).以方向一致性为评判标准，选取方向一致性最大的外窗与内窗构成复合窗，其中尾部睫毛起始点作为大小1×1的内窗，尾部睫毛起始点为中心的k×k邻域为外窗；

步骤(2).采用梯度向量加权投影对尾部睫毛的方向预测；

步骤(3).设计大小为S×S的水平方向滤波器，通过二维高斯函数离散化为高斯核获得中心部分的系数值，高斯核大小取5×5，δ＝2，将系数值f(x,y)作100倍放大处理；

将滤波器中内环与外环坐标点以串联移位的形式独立完成旋转，通过水平方向滤波器对尾部睫毛图像进行增强，获得尾部睫毛检测结果图。

步骤(1).具体方法如下：

步骤(1.1)利用sobel梯度算子求取尾部睫毛点k×k邻域内像素点在x方向的梯度G_x(p,q)和y方向的梯度G_y(p,q)，构成梯度向量V＝[G_x,G_y]，将梯度向量的方向范围进行归一化到[0,π]，公式表达如下：

式中，f(p,q)表示图像中第p行、第q列像素点的像素值。

步骤(1.2)遍历k×k邻域内所有像素点，分别求取每一个像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)，取所有Cos(t)中的最大值作为k×k窗口的方向一致性Coh(k)，公式如下：

Coh(k)＝max{Cos(t)},t＝1,2,…,k² (6)

式中，V_t表示第t个像素点的梯度向量，(t＝1,2,…,k²)，V_i表示第i个像素点的梯度向量，(i＝1,…,t-1,t+1,…,k²)：

步骤(1.3)对窗口大小k＝1,2,…,L进行遍历(3≤L≤5)，选取方向一致性最大值所对应的窗口作为复合窗的外窗。

步骤(2).具体方法如下：

假定一个最优投影向量U，局部区域方向与最优投影向量U垂直，将局部区域内各像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)作为各点梯度向量的权重，将各点梯度向量在方向U上的投影进行加权求和S,求得满足S取最大值条件下的最优投影向量U和对应的局部区域方向即尾部睫毛的方向。

本发明有益效果如下：

本发明根据睫毛尾部与虹膜纹理对比度低且方向多样的特点，首先利用方向一致性作为复合窗尺度的选择标准构建复合窗，然后采用梯度向量加权投影对尾部睫毛进行方向预测，最后设计一种动态方向滤波器，实现尾部睫毛增强，以完成低对比度且方向多样的睫毛尾部检测。

本发明方法针对虹膜区域中的尾部睫毛进行检测，针对与虹膜纹理对比度低且方向多样的各种睫毛，检测效果较好，提高了整体睫毛的检测精度，虹膜识别系统的性能得以增强。采用梯度向量加权投影对尾部睫毛进行方向预测，该方法以梯度向量方向相似度对各梯度向量进行加权，遵循了有效点梯度向量被增强，无效点梯度向量被抑制原则，且经实验验证，该方法鲁棒性好，对于低质量图像区域的方向提取也能达到不错的效果。

附图说明

图1为本发明方法流程图。

图2为本发明方法中水平方向滤波器的结构图；

图3为水平方向滤波器中内环与外环坐标点相对角度示意图；

图4为水平方向滤波器模板转换示意图。

具体实施方式

下面结合附图对本发明进一步说明。

如图1所示，本发明方法具体步骤如下：

步骤(1).以方向一致性为评判标准，选取方向一致性最大的外窗与内窗构成复合窗，其中尾部睫毛起始点作为大小1×1的内窗，尾部睫毛起始点为中心的k×k邻域为外窗：

步骤(1.1)利用sobel梯度算子求取尾部睫毛点k×k邻域内像素点在x方向的梯度G_x(p,q)和y方向的梯度G_y(p,q)，构成梯度向量V＝[G_x,G_y]，将梯度向量的方向范围进行归一化到[0,π]，公式表达如下：

式中，f(p,q)表示图像中第p行、第q列像素点的像素值。

步骤(1.2)遍历k×k邻域内所有像素点，分别求取每一个像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)，取所有Cos(t)中的最大值作为k×k窗口的方向一致性Coh(k)，公式如下：

Coh(k)＝max{Cos(t)},t＝1,2,…,k² (6)

式中，V_t表示第t个像素点的梯度向量，(t＝1,2,…,k²)，V_i表示第i个像素点的梯度向量，(i＝1,…,t-1,t+1,…,k²)：

步骤(1.3)对窗口大小k＝1,2,…,L进行遍历(3≤L≤5)，选取方向一致性最大值所对应的窗口作为复合窗的外窗。

步骤(2).采用梯度向量加权投影对尾部睫毛的方向预测：

假定一个最优投影向量U，局部区域方向与最优投影向量U垂直，将局部区域内各像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)作为各点梯度向量的权重，将各点梯度向量在方向U上的投影进行加权求和S,求得满足S取最大值条件下的最优投影向量U和对应的局部区域方向即尾部睫毛的方向。

步骤(3).如图2所示，设计大小为5×5的水平方向滤波器，通过二维高斯函数离散化为高斯核获得中心部分的系数值，高斯核大小取5×5，δ＝2，将系数值f(x,y)作100倍放大处理；

将滤波器中内环与外环坐标点以串联移位的形式独立完成旋转，通过水平方向滤波器对尾部睫毛图像进行增强，获得尾部睫毛检测结果图。

图3为水平方向滤波器中内环与外环坐标点相对角度的示意图；

图4为水平方向滤波器模板转换示意图。

Claims (1)

1.基于复合窗及梯度加权方向滤波的尾部睫毛检测方法，其特征在于，该方法步骤如下：

步骤(1).以方向一致性为评判标准，选取方向一致性最大的外窗与内窗构成复合窗，其中尾部睫毛起始点作为大小1×1的内窗，尾部睫毛起始点为中心的k×k邻域为外窗；

步骤(2).采用梯度向量加权投影对尾部睫毛的方向预测；

步骤(3).

设计大小为S×S的水平方向滤波器，其中S的大小根据不同图像分辨率下的尾部睫毛宽度W确定，取2*W上下范围的奇数，通过二维高斯函数离散化为高斯核获得中心部分的系数值，高斯核大小取S×S，δ＝S/2，将系数值作a倍放大处理得最终系数值f(x,y)，其中a的取值应满足使得f(x,y)大于等于1；

将滤波器中内环与外环坐标点以串联移位的形式独立完成旋转，通过水平方向滤波器对尾部睫毛图像进行增强，获得尾部睫毛检测结果图；

步骤(1).具体方法如下：

步骤(1.1)利用sobel梯度算子求取尾部睫毛点k×k邻域内像素点在x方向的梯度G_x(p,q)和y方向的梯度G_y(p,q)，构成梯度向量V＝[G_x,G_y]，将梯度向量的方向范围进行归一化到[0,π]，公式表达如下：

式中，f(p,q)表示图像中第p行、第q列像素点的像素值；

步骤(1.2)遍历k×k邻域内所有像素点，分别求取每一个像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)，取所有Cos(t)中的最大值作为k×k窗口的方向一致性Coh(k)，公式如下：

Coh(k)＝max{Cos(t)},t＝1,2,…,k² (6)

式中，V_t表示第t个像素点的梯度向量，t＝1,2,…,k²，V_i表示第i个像素点的梯度向量，i＝1,…,t-1,t+1,…,k²：

步骤(1.3)对窗口大小k＝1,2,…,L进行遍历，3≤L≤5，选取方向一致性最大值所对应的窗口作为复合窗的外窗；

步骤(2).具体方法如下：

假定一个最优投影向量U，局部区域方向与最优投影向量U垂直，将局部区域内各像素点与剩余k²-1个像素点的梯度向量余弦相似性之和Cos(t)作为各点梯度向量的权重，将各点梯度向量在方向U上的投影进行加权求和S,求得满足S取最大值条件下的最优投影向量U和对应的局部区域方向即尾部睫毛的方向。

Images