一种虹膜图像的采集方法、装置及存储介质
技术领域
本发明涉及图像处理领域,具体涉及一种虹膜图像的采集方法、装置及存储介质。
背景技术
虹膜识别是一种非侵犯性的生物识别技术,具有身份识别的唯一性,易于通过机器视觉进行远程检查,因此,可以将虹膜特征作为每个人的身份识别对象。
为了实现具有高准确性的虹膜识别,在自动虹膜识别系统的图像采集过程中,不符合标准的虹膜图像需要进行质量评价、筛选等预处理,以形成高质量的虹膜图像,虹膜图像预处理可以有效提高虹膜识别系统的稳定性和识别率。
因此,如何提供高质量的虹膜图像成为值得解决的问题。
发明内容
为解决上述问题,本发明提供一种虹膜图像的采集方法、装置及存储介质,能够提供高质量的虹膜图像。
为了实现上述目的,本发明提供以下技术方案:
根据本发明第一方面实施例提供的一种虹膜图像的采集方法,包括:
响应控制指令打开摄像头,读取摄像头拍摄的视频;
从所述视频中选取清晰度达到阈值的第一图像;
提取所述第一图像中的虹膜区域,生成虹膜图像;
对获取的虹膜图像进行保存,并触发摄像头停止拍摄。
优选的,所述从所述视频中选取清晰度达到阈值的第一图像,包括:
以设定时间间隔从所述视频中截取彩色图像;
将所述彩色图像转换为灰度图像,获取所述灰度图像中全部像素点的灰度值;
计算所述灰度图像的对比度,保留对比度大于100的灰度图像;
计算所述保留的灰度图像中相邻像素点的平方差,从所述平方差中获取最大平方差和最小平方差;
当所述最大平方差和最小平方差的比值大于3时,将所述灰度图像作为第一图像。
进一步,所述计算所述灰度图像的对比度,保留对比度大于100的灰度图像,具体包括:
通过以下公式计算灰度图像的对比度:
其中,I
max为所述灰度图像中最亮的亮度,
为所述灰度图像的平均亮度,C为灰度图像的对比度;
判断灰度图像的对比度C是否大于100,若是,则保留所述灰度图像。
优选的,所述提取所述第一图像中的虹膜区域,生成虹膜图像,包括:
对所述第一图像进行高斯滤波,得到第二图像;
对所述第二图像进行边缘像素增强;
检测所述第二图像的边缘轮廓,生成所述边缘轮廓的最小外界矩形,得到局部图像;
对局部图像进行局部增强,对局部增强后的局部图像进行二值化处理,得到虹膜图像。
根据本发明第二方面实施例提供的一种虹膜图像的采集装置,包括:
读取模块,用于响应控制指令打开摄像头,读取摄像头拍摄的视频;
第一图像选取模块,用于从所述视频中选取清晰度达到阈值的第一图像;
虹膜图像生成模块,用于提取所述第一图像中的虹膜区域,生成虹膜图像;
虹膜图像保存模块,用于对获取的虹膜图像进行保存,并触发摄像头停止拍摄。
优选的,所述第一图像选取模块具体用于:
以设定时间间隔从所述视频中截取彩色图像;
将所述彩色图像转换为灰度图像,获取所述灰度图像中全部像素点的灰度值;
计算所述灰度图像的对比度,保留对比度大于100的灰度图像;
计算所述保留的灰度图像中相邻像素点的平方差,从所述平方差中获取最大平方差和最小平方差;
当所述最大平方差和最小平方差的比值大于3时,将所述灰度图像作为第一图像。
优选的,所述虹膜图像生成模块具体用于:
对所述第一图像进行高斯滤波,得到第二图像;
对所述第二图像进行边缘像素增强;
检测所述第二图像的边缘轮廓,生成所述边缘轮廓的最小外界矩形,得到局部图像;
对局部图像进行局部增强,对局部增强后的局部图像进行二值化处理,得到虹膜图像。
根据本发明第三方面实施例提供的一种虹膜图像的采集装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人导航程序,所述机器人导航程序被所述处理器执行时实现如第一方面任一项所述的虹膜图像的采集方法的步骤。
根据本发明第四方面实施例提供的一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如第一方面任一项所述的虹膜图像的采集方法。
本发明的有益效果是:本发明公开一种虹膜图像的采集方法、装置及存储介质,所述方法为:首先响应控制指令打开摄像头,读取摄像头拍摄的视频;进而从所述视频中选取清晰度达到阈值的第一图像;接着提取所述第一图像中的虹膜区域,生成虹膜图像;对获取的虹膜图像进行保存,并触发摄像头停止拍摄,本发明还相应的提供了虹膜图像的采集装置和存储介质,本发明能够提供高质量的虹膜图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种虹膜图像的采集方法的流程示意图;
图2是本发明实施例图1中步骤S100的流程示意图;
图3是本发明实施例中一种虹膜图像的采集模块的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为一种虹膜图像的采集方法,包括以下步骤:
步骤S100、响应控制指令打开摄像头,读取摄像头拍摄的视频。
在一个具体的实施例中,当控制器与摄像头同属于一个终端时,可通过总线传输控制指令直接对摄像头进行控制,实现对摄像头的本地控制;也可通过远程发送摄像头的控制指令数据(如建立RTMP推送地址、打开RTMP流等),再基于HTTP协议发送控制指令以远程摄像头,实现远程读取摄像头拍摄的视频。为了实现保存视频的功能,可通过添加定时器,每隔一段时间来读取一帧视频图像,从而读取摄像头拍摄的视频。
步骤S200、从所述视频中选取清晰度达到阈值的第一图像。
由于获取到的虹膜图像可能会受到光照、摄像头分辨率、摄像头抖动等因素影响,导致存在对比度不够、图像模糊等问题,因此,需要对视频中的图像进行筛选。
本步骤中,所述清晰度是指图像具有足够高的对比度、且噪音信号所占比例足够低,通过设置合理的阈值以进行评判,本实施例采用清晰度这一指标从所述视频中选取第一图像,避免低质量的图像对后续虹膜图像的采集造成的干扰,有利于提高虹膜图像的采集的准确度。
步骤S300、提取所述第一图像中的虹膜区域,生成虹膜图像。
由于第一图像是经过选取的具有较高清晰度的图像,从第一图像中提取的虹膜图像不包含眼睑和眼毛等干扰,使虹膜特征提取和匹配等过程不会受到各种干扰的影响,从而保证虹膜识别方法的鲁棒性。
步骤S400、对获取的虹膜图像进行保存,并触发摄像头停止拍摄。
本实施例中,通过持续不断的对拍摄到的视频进行筛选判断,得到满足清晰度要求的第一图像,进而从第一图像中生成到理想的虹膜图像,当获取到虹膜图像后,采集工作即告结束,可保存虹膜图像,供后续处理,同时停止摄像头拍摄视频,结束本次任务,当再次触发控制指令时,开始下一次的虹膜图像采集任务。
本实施例首先响应控制指令打开摄像头,读取摄像头拍摄的视频;进而从所述视频中选取清晰度达到阈值的第一图像;接着提取所述第一图像中的虹膜区域,生成虹膜图像;对获取的虹膜图像进行保存,并触发摄像头停止拍摄,通过以上步骤能够提供高质量的虹膜图像。
参考图2,在一个优选的实施例中,所述步骤S100具体包括:
步骤S110、以设定时间间隔从所述视频中截取彩色图像。
步骤S120、将所述彩色图像转换为灰度图像,获取所述灰度图像中全部像素点的灰度值。
将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中(R、G、B)的值叫灰度值,因此,灰度图像的每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255个值可取,这样一个像素点可以有1600多万的颜色的变化范围。而在灰度图像中,一个像素点的变化范围仅有255种,所以在数字图像处理中一般先将彩色图像转变成灰度图像,以减少后续的图像的计算量。灰度图像与彩色图像一样仍然能反映整幅图像的色度分布和亮度等级。灰度化处理的方式有分量法、最大值法、平均值法,加权平均法等。本实施例使用平均值法对图像进行灰度化。
步骤S130、计算所述灰度图像的对比度,保留对比度大于100的灰度图像。
其中,对比度是一种衡量图像质量的指标,具体来说,灰度图像的对比度是图像中包含的黑色像素点与白色像素点的比值,用于表征灰度图像从黑色到白色的渐变层次。该比值越大,说明灰度图像从黑色到白色的渐变层次越多,从而色彩表现越丰富。对比度对视觉效果的影响非常关键,一般来说对比度越大,图像越清晰醒目,色彩也越鲜明艳丽。对比度高的灰度图像在一些暗部场景中的细节表现、清晰度更加明显。本实施例通过图像对比度这一因素,过滤掉对比度较差的灰度图像,以保证采集的虹膜图像的高质量。
步骤S140、计算所述保留的灰度图像中相邻像素点的平方差,从所述平方差中获取最大平方差和最小平方差。
步骤S150、当所述最大平方差和最小平方差的比值大于3时,将所述灰度图像作为第一图像。
其中,最大平方差反映灰度图像中的虹膜信号,最小平方差反映灰度图像中的噪音信号。本实施例通过最大平方差和最小平方差的比值这一因素,进一步过滤掉噪音信号较大的灰度图像,以保证采集的虹膜图像的高质量。
在一个改进的实施例中,所述步骤S200具体包括:
(1)对所述第一图像进行高斯滤波,得到第二图像;
高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个卷积(掩模)扫描图像中的每一个像素,用卷积确定的邻域内像素的加权平均灰度值替代模板中心像素点的值。
(2)对所述第二图像进行边缘像素增强。本实施例采用差分梯度法对所述第二图像进行边缘像素增强,以定位虹膜图像轮廓。
(3)检测所述第二图像的边缘轮廓,生成所述边缘轮廓的最小外界矩形,得到局部图像。本实施例采用索贝尔算子检测所述第二图像的边缘轮廓,索贝尔算子包含水平边缘检测和垂直边缘检测,索贝尔算子对于像素位置的影响进行加权,可以降低边缘模糊程度,具有良好的边缘轮廓检测效果。
(4)对局部图像进行局部增强,对局部增强后的局部图像进行二值化处理,得到虹膜图像。本实施例采用直方图均衡法对局部图像进行局部增强,消除光照不均匀等影响;采用平均灰度值法对局部增强后的局部图像进行二值化处理,得到虹膜图像。
本实施例中,从摄取的第一图像中将虹膜图像分离出来,排除噪声干扰,消除漂移、光照等影响,得到高质量的虹膜图像。
在一个改进的实施例中,所述步骤S130中具体包括:
通过以下公式计算灰度图像的对比度:
其中,I
max为所述灰度图像中最亮的亮度,
为所述灰度图像的平均亮度,C为灰度图像的对比度;
判断灰度图像的对比度C是否大于100,若是,则保留所述灰度图像。
参考图3,本发明还提供的一种虹膜图像的采集装置,包括:
读取模块100,用于响应控制指令打开摄像头,读取摄像头拍摄的视频;
第一图像选取模块200,用于从所述视频中选取清晰度达到阈值的第一图像;
虹膜图像生成模块300,用于提取所述第一图像中的虹膜区域,生成虹膜图像;
虹膜图像保存模块400,用于对获取的虹膜图像进行保存,并触发摄像头停止拍摄。
优选的,所述第一图像选取模块200具体用于:
以设定时间间隔从所述视频中截取彩色图像;
将所述彩色图像转换为灰度图像,获取所述灰度图像中全部像素点的灰度值;
计算所述灰度图像的对比度,保留对比度大于100的灰度图像;
计算所述保留的灰度图像中相邻像素点的平方差,从所述平方差中获取最大平方差和最小平方差;
当所述最大平方差和最小平方差的比值大于3时,将所述灰度图像作为第一图像。
优选的,所述虹膜图像生成模块300具体用于:
对所述第一图像进行高斯滤波,得到第二图像;
对所述第二图像进行边缘像素增强;
检测所述第二图像的边缘轮廓,生成所述边缘轮廓的最小外界矩形,得到局部图像;
对局部图像进行局部增强,对局部增强后的局部图像进行二值化处理,得到虹膜图像。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供一种虹膜图像的采集装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人导航程序,所述机器人导航程序被所述处理器执行时实现以上所述的虹膜图像的采集方法的步骤。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供一种存储介质,所述计算机可读存储介质上存储有机器人导航程序,所述机器人导航程序被处理器执行时实现以上所述的虹膜图像的采集方法的步骤。
可见,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。上述方法实施例中的内容均适用于本实施例中,本实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式,以嵌入式软件加载到处理器中,以有效利用各种传感器采集的数据,控制机器人以设定的路径自主定位导航。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于路径匹配的机器人主动避障系统的控制中心,利用各种接口和线路连接整个基于路径匹配的机器人主动避障系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于路径匹配的机器人主动避障系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。