CN111161276B - 一种虹膜归一化图像的形成方法 - Google Patents

Abstract

本发明公开种虹膜归一化图像的形成方法，包括步骤：对包含单只眼部的图像分割形成虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像、环状虹膜有效区域掩膜图像；对虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像形态学操作膨胀和腐蚀后，计算虹膜外边界覆盖区域掩膜图像有效区域中心，得到归一化中心；计算虹膜外边界覆盖区域和瞳孔边界覆盖区域的边界到归一化中心的距离并对边界距离平滑处理；在以归一化中心为起点的每条极坐标射线所经过的虹膜外边界与瞳孔外界间均匀采样，将目标图像极坐标像素点按映射关系填充到条状归一化图像对应坐标位置，得到长条形的环状虹膜及环状虹膜有效区域的归一化图像。本发明适应性强，运行效率高。

Description

一种虹膜归一化图像的形成方法

技术领域

本发明涉及生物特征识别技术领域，特别是涉及一种虹膜归一化图像的形成方法。

背景技术

虹膜识别作为一种高效且稳定的生物特征识别方法，相较于人脸、指纹等其他生物特征识别手段，具有高度安全性，高度稳定性，防伪性能好等优势，已经广泛的应用于通关、安防、考勤、金融、社保等多种需要精准身份认证的场景中。虹膜图像归一化是虹膜图像预处理的重要步骤，一般是指是将采集到图像中的环状虹膜区域按照极坐标等方式展开成条状的归一化图像，得到归一化图像后进行虹膜特征的提取。现有实现方案，是使用椭圆或者圆拟合的方法获取到虹膜与瞳孔交界(内圆)以及虹膜与巩膜交界(外圆)的参数化表示，通过拟合出的内外圆参数对虹膜区域进行极坐标映射和展开，得到长条形的虹膜归一化图像。

现有的虹膜归一化方法使用霍夫(Hough)变换等方法进行圆拟合或者椭圆拟合，因需要多次迭代优化，不断地调整和更新形状拟合的参数，导致计算量大，效率低下。同时，圆拟合或者椭圆拟合的方法对于图像质量要求较高，需要虹膜区域在采集设备的景深范围内，对焦情况比较理想的情况下，呈现出清晰的边缘。这种虹膜图像的获取成本比较高，同时在很多较远距离和用户非受限的应用场景中虹膜区域成像受到离焦、运动模糊、瞳孔缩放等多种因素的干扰，往往获取的图像质量较差，边缘难以清晰分辨，导致圆拟合或者椭圆拟合这些参数化估计的方法直接失效，严重偏离虹膜内外圆的真实情况。另外，在实际应用场景中如果用户的眼睛配合程度不够，眼睛不是正对设备，出现斜视、眨眼或者眼皮严重遮挡等情况时，虹膜形状会出现多种变化，往往不能用圆或者椭圆进行拟合，圆拟合或者椭圆拟合这些参数化估计的方法在这些情况下也会直接失败。综上，这些虹膜内外圆拟合的参数化估计方法运行效率、适应性和鲁棒性总体都比较差。

发明内容

本发明的目的是针对现有技术中存在的针对远距离、用户非受限等复杂条件下获取的虹膜图像，存在不同程度的离焦模糊、运动模糊、眼睛斜视、瞳孔缩放、眼皮遮挡、虹膜尺寸变化等降质和干扰因素，导致圆拟合或者椭圆拟合这些参数化估计的方法失败的问题，而提供一种虹膜归一化图像的形成方法，可以直接从分割网络得到的掩膜图像无参数自适应的归一化成虹膜识别模板，不需要复杂计算，具备非常广泛的适应性和鲁棒性；使用边界拟合方法在保留虹膜所有纹理细节信息的同时增强了对齐，提升了最终虹膜识别模板的性能。

为实现本发明的目的所采用的技术方案是：

一种虹膜归一化图像的形成方法，包括以下步骤：

对包含单只眼部的图像分割，形成虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像、环状虹膜有效区域掩膜图像；

对虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像形态学操作膨胀和腐蚀后，计算虹膜外边界覆盖区域掩膜图像有效区域中心，得到归一化中心；

计算虹膜外边界覆盖区域和瞳孔边界覆盖区域的边界到归一化中心的距离，并对边界平滑处理；

在以归一化中心为起点的每条极坐标射线所经过的虹膜外边界与瞳孔外界间均匀采样，将目标图像极坐标像素点按映射关系填充到条状归一化图像对应坐标位置，得到长条形的环状虹膜归一化图像与环状虹膜有效区域的归一化图像。

本发明使得在传统方法中椭圆拟合或者圆拟合不成功的情况下，依然可以进行环状虹膜区域进行展开，得到较好的归一化模板，适应性强。

另外，在虹膜边界不清晰或者图像质量较差的情况下，本发明可以自动地对分割模型得到的环状虹膜区域进行优化和补全，可进一步对齐归一化图像中的每一个极坐标列，从而使得虹膜纹理信息得以较好保持，有利于后续虹膜识别特征模板的提取，鲁棒性好。

另外，本发明方法中没有使用任何参数和任何复杂的拟合优化迭代过程，所以运行效率极高。

附图说明

图1是本发明的虹膜归一化图像的形成方法流程图；

图2是本发明的虹膜归一化图像的形成方法原理示意图；

图3是本发明形成虹膜归一化图像的映射关系原理图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出的虹膜归一化图像的形成方法，是直接从深度神经网络等分割模型得到虹膜外边界覆盖区域掩膜图像、瞳孔边界覆盖区域掩膜图像和环状虹膜有效区域掩膜图像，并通过形态学操作去除噪声点和漏点影响，然后计算虹膜外边界覆盖区域掩膜图像的中心作为归一化中心，计算虹膜外边界覆盖区域和瞳孔边界覆盖区域的边界到归一化中心的距离，并进行边界平滑处理；之后，将每条以归一化中心为起点的极坐标射线经过的虹膜外边界覆盖区域和瞳孔边界覆盖区域这每两个边界之间均匀采样，按照原图极坐标和归一化图像之间的映射关系，选取原图相应极坐标的像素点，填充到条状归一化图像对应坐标位置，同时得到长条形的环状虹膜归一化图像和虹膜有效区域掩膜的归一化图像。

下面，结合图1-3所示，对本发明的详细实现步骤说明如下：

本发明中，输入是包含单只眼部的图像，眼部占据图像的主要区域，在经过深度神经网络等分割模型的处理，得到虹膜外边界覆盖区域、瞳孔覆盖区域以及环状虹膜有效区域后，通过本发明的提出的虹膜归一化算法得到环状虹膜区域的归一化图像和有效区域掩膜归一化图像的，

参见图1，2所示，输入的眼部图像I_eye图像经过深度神经网络等分割模型得到三张输出图像分别为虹膜外边界覆盖掩膜图像I_{iris_circle}和瞳孔边界覆盖区域掩膜图像I_{pupil_circle}，以及环状虹膜有效区域掩膜图像I_mask。所得三张掩膜图像和原始图像尺寸一致，且掩膜图像均为二值图像，分割出有效区域像素值为1，其余背景区域像素值为0。

首先，对获得的虹膜外边界覆盖区域掩膜图像I_{iris_circle}和瞳孔边界覆盖区域掩膜图像I_{pupil_circle}二者进行形态学操作膨胀和腐蚀，以消除噪声点和漏点。

D表示对为I_{iris_circle}中心、半径为K的圆内的像素点的膨胀操作，b表示以像素点a为中心的半径为K的圆内的所有像素点，表示I_{iris_circle}上每个一个像素点向外膨胀为半径为K的圆，E是逆向腐蚀操作，表示边界向内收缩。

对I_{iris_circle}和I_{pupil_circle}反复进行多轮形态学操作，得到新的

和

然后通过计算

有效区域的中心得到归一化处理的中心点(X_{iris_center},Y_{iris_center}):

式中，X_{iris_center}为虹膜圆形区域中心x坐标，Y_{iris_center}为虹膜圆形区域中心y坐标，

表示形态学操作后的虹膜圆区域所有像素点x坐标总和，

表示形态学操作后的虹膜圆区域所有像素点y坐标总和，

表示形态学操作后的虹膜圆区域所有像素点总数。

接下来，根据极坐标展开的条数计算在虹膜外边界覆盖区域和瞳孔边界覆盖区域相应的边界，例如要把原图归一化成N*M(N和M均为整数)，即将环状的360°均分成M份，在每一个角度i处计算一组边界距离

即边缘，分别表示从虹膜中心出发此角度i上瞳孔的边界和虹膜的外边界到中心点的距离：

式中，

表示这个为支点，在这个圆的内部，dis_p表示是找到的对应方向的边界距离圆心的距离，P表示在对应方向上对应圆内部最大的连续元素(即最大的边界)的数量。

为增强归一化的鲁棒性，计算P个边缘最小值的平均值，以防止存在的野点和噪声等因素对归一化结果的干扰，接下来对获取到的M组边界距离值进行平滑，进一步对边界进行对齐。

使用边界平滑而不是对归一化图像整体进行平滑的原因在于，虹膜图像最主要的区分性自于虹膜有效区域的细节纹理等信息，对全图平滑的话会损失具有判别力的特征信息，造成整体识别性能的下降；采用边界平滑可有效保留虹膜纹理信息，提升最终虹膜识别效果，可以保持更好的虹膜纹理细节信息。

其中，上述的边界平滑是对M组边界距离

每一个位置都重复Q轮以下操作：

Q表达的是一阶平滑，就是把角度i上边界值用相邻的2Q+1个做一下平均，计算出的M个边界位置，每一个位置上都要与相邻的2Q+1个做平均。

最后，将每条以归一化中心(X_{iris_center},Y_{iris_center})为起点的极坐标射线，所经过的虹膜外边界和瞳孔边界之间均匀采样N个点，按照原图极坐标和归一化图像间映射关系，选取原图相应极坐标的像素点，填充到条状归一化图像对应坐标位置，得到整体映射成M*N的虹膜归一化图像N_iris；同理，将环状虹膜有效区域掩膜图像I_mask，按照同样方式映射成归一化的环状虹膜有效区域掩膜图像N_mask。映射坐标关系为：

N_iris(i,j)＝I_eye(X,Y)

N_mask(i,j)＝I_mask(X,Y)

式中，(i,j)表示归一化图像坐标，(X,Y)表示原始对应位置图像坐标，这样一个环形区域就能与一个长条形区域一一对应上，极坐标中心为虹膜中心。

本发明通过深度神经网络等模型分割出输入图像中的虹膜外边界覆盖区域、瞳孔覆盖区域，以及环状虹膜有效区域，然后无需瞳孔、虹膜边界拟合，直接对估计出的环状虹膜有效区域计算归一化中心和内外边界，然后进行坐标映射和像素填充来获取虹膜归一化图像，从而大大提升了计算速度，显著降低了对虹膜图像质量的要求，鲁棒性和适应性强。

与现有技术相比，本发明具有以下有益效果：

1.不使用圆拟合或者椭圆拟合等参数化估计的方法，直接从深度神经网络等分割模型网络得到的虹膜外边界覆盖区域掩膜图像、瞳孔边界覆盖区域掩膜图像和环状虹膜有效区域掩膜图像中，通过本发明归一化方法直接得到虹膜归一化图像，流程简捷，计算速度快，同时显著降低了现有技术对虹膜图像质量的要求，鲁棒性和适应性强。

2.本发明方法适合于各种复杂场景，例如远距离、用户非受限等场景下采集到的低质量虹膜图像，大大增强了虹膜识别实际应用的场景。

以上所述仅是本发明的优选实施方式，应当指出的是，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种虹膜归一化图像的形成方法，其特征在于，包括以下步骤：

对包含单只眼部的图像分割，形成虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像、环状虹膜有效区域掩膜图像；

对虹膜外边界覆盖区域掩膜图像、瞳孔覆盖区域掩膜图像形态学操作膨胀和腐蚀后，计算虹膜外边界覆盖区域掩膜图像有效区域中心，得到归一化中心；

计算虹膜外边界覆盖区域和瞳孔边界覆盖区域的边界到归一化中心的距离，并对边界平滑处理；

在以归一化中心为起点的每条极坐标射线所经过的虹膜外边界与瞳孔外界间均匀采样，将目标图像极坐标像素点按映射关系填充到条状归一化图像对应坐标位置，得到长条形的环状虹膜归一化图像与环状虹膜有效区域的归一化图像。

2.根据权利要求1所述虹膜归一化图像的形成方法，其特征在于，所述映射关系表示如下：

N_iris(i,j)＝I_eye(X,Y)

N_mask(i,j)＝I_mask(X,Y)

式中，(i,j)表示归一化图像坐标，(X,Y)表示目标图像对应位置坐标，N_mask表示环状虹膜有效区域的归一化图像，N_iris表示环状虹膜归一化图像，I_mask表示环状虹膜有效区域掩膜图像，I_eye表示输入的眼部图像，X_{iris_center}为虹膜圆形区域中心x坐标，Y_{iris_center}为虹膜圆形区域中心y坐标，

表示平滑处理后的角度i上的边界，M表示环状虹膜360°均分成的份数，N表示在每条极坐标射线所经过的虹膜外边界与瞳孔外界间的均匀采样点。

3.根据权利要求2所述虹膜归一化图像的形成方法，其特征在于，平滑处理后的角度i上的边界的计算方式如下：

式中，

表示从虹膜中心出发，角度i上瞳孔的边界和虹膜的外边界到中心点的距离，dis_p表示对应方向的边界距离圆心的距离，P表示在对应方向上对应圆内部最大的边界的数量，Q表达一阶平滑，即把角度i上边界用相邻的2Q+1个做一下平均。

4.根据权利要求3所述虹膜归一化图像的形成方法，其特征在于，所述的归一化中心的坐标如下：

式中，X_{iris_center}为虹膜圆形区域中心x坐标，Y_{iris_center}为虹膜圆形区域中心y坐标，

表示形态学操作后的虹膜圆区域所有像素点x坐标总和，

表示形态学操作后的虹膜圆区域所有像素点y坐标总和，

表示形态学操作后的虹膜圆区域所有像素点总数。

Images