CN1202490C - 虹膜纹理归一化处理方法 - Google Patents

Abstract

本发明为一种虹膜纹理归一化处理方法，主要包括采用Log算子对采样的虹膜图像进行边缘提取，采用Hough变换，定位虹膜内外圆的圆心和半径，并根据其坐标偏差情况，采用不同的校正模型分别对生理性偏差和采样偏差进行纠正；根据瞳孔缩放情况，对不均匀缩放进行校正。最后将采样纹理点展开成矩形虹膜纹理图像。本发明方法大大提高了虹膜图像的可靠性，也降低了对图像采集的要求，为图像的自动采集提供了可能，并进一步为虹膜识别技术实际应用创造了条件。

Description

虹膜纹理归一化处理方法

技术领域

本发明属于眼睛虹膜识别技术领域，具体涉及一种虹膜纹理归一化处理方法。

背景技术

身份识别在现代高速信息化的社会生活中有广泛的需求。与人类自身密切相关的生物特征如相貌、指纹、虹膜、声音、步态和签名等均有“人各有异，终生不变，随身携带”等特点。其中虹膜尤为“不可改造，难以伪装”，将成为未来身份识别的重要途径。

虹膜位于人眼黑色瞳孔和白色巩膜之间的环状部分，其中呈现一种由里到外的放射状结构，包括许多相互交错的类似于斑点、细纹、冠状、隐窝等形状的细微特征，称为虹膜纹理信息。由于虹膜具有独特的生理特性，虹膜识别技术有着广泛的应用前景。

虹膜识别的全过程包括采样，图像预处理，虹膜归一化，特征提取和编码匹配五个步骤。采集得到的虹膜图像经过预处理，被变换为一定分辨率和灰度的标准虹膜图像。对标准虹膜图像进行归一化处理，可以将环形的虹膜图像展开成固定分辨率的矩形图像，矩形图像中包含了全部可用的虹膜纹理信息。该矩形图像中的虹膜纹理信息被进一步编码，以供匹配。由上述过程可见，虹膜归一化是其中非常重要的环节。

眼睛虹膜是环形结构，内边缘是虹膜与瞳孔的交界，外边缘是虹膜与巩膜的交界。眼科学研究表明，虹膜的内外边缘并不是正圆形，但可以采用正圆形对边缘进行拟合。利用瞳孔和虹膜接近圆形的特性和虹膜边缘灰度的梯度变化，可以定位图像中的虹膜位置，并确定其内外圆心和半径。所谓“虹膜归一化”就是将环形的虹膜纹理图像展开成固定分辨率的矩形图像。虹膜归一化的过程就是在虹膜定位完成后，以内外圆圆心坐标和半径为参数，将笛卡尔坐标系下虹膜的灰度图像I(x，y)映射到双无量纲的极坐标系图像I(r，θ)，可以表示如下：

I(x(r，θ)，y(r，θ))-I(r，θ)         其中r∈(0，1)，θ∈(0，2π)

传统的虹膜归一化处理是基于“标准虹膜”的。所谓标准虹膜，就是假设虹膜的内外边缘是同心圆结构，即认为虹膜的内外圆圆心完全重合，同时假设虹膜的伸缩是完全均匀的，各向同性的。利用标准虹膜的同心圆特性和均匀伸缩性，建立了如下虹膜归一化的传统算法。如图1所示。设内外圆圆心重合于一点O(x₀，y₀)，内圆半径为R₀，外圆半径为R₁，以同心圆圆心作为极坐标系统的原心。从圆心出发，做与水平线成a角的射线，它与虹膜内外圆各有一个交点，分别记作A(R₀，a)和B(R₁，a)。该射线可以认为是一条典型的放射状虹膜纹理。虹膜归一化算法所要做的就是，将射线上A，B两点之间的笛卡尔坐标系下的任意一点C(x，y)映射到极坐标下的点C(r，a)：

x＝r×cos a+x₀

y＝r×sin a+y₀

显见，以上的映射关系可以推广到整个虹膜区域，其中，θ∈(0，2π)，r∈[R₀，R₁]。接下来将虹膜外圆的半径归一化，即半径变为1。则上式变形为：

x＝[r×(R₁-R₀)+R₀]×cosθ+x₀

y＝[r×(R₁-R₀)+R₀]×sinθ+y₀

其中，θ∈(0，2π)，r∈[0，1]。

由此可见，以上变换是一一映射关系，对虹膜纹理区域内的各点进行以上坐标变换之后，则极坐标系单位区域内的任意点都可以在原笛卡尔坐标系虹膜纹理区域内找到对应的像素。这种变换在极坐标系下重建了虹膜纹理，并且该纹理的尺寸是统一的(极坐标系下的单位区域面积)，不受笛卡尔坐标系下原始图像尺寸的约束。

在标准虹膜的前提下，即虹膜内外圆心完全重合，瞳孔收缩到最小的情况下，以上归一化理想模型具有良好的处理结果。但是当虹膜内外圆心存在比较大的偏差(当虹膜图片分辨率：350*220，内外圆心偏差：3个像素以上)或者瞳孔扩张时(即为非标准虹膜)，如果仍然采用传统的归一化算法，会导致虹膜边缘部分纹理的丢失或将瞳孔与巩膜区域误认为虹膜区域。这样的问题会严重影响虹膜编码的准确性，甚至导致识别错误。

这是因为，传统的虹膜归一化算法忽略了两个重要的问题：(1)采集过程中的眼球转动或先天的生理性原因造成了虹膜内外圆心不重合；(2)由光照刺激造成的瞳孔收缩与扩张并不是完全均匀的。

事实上，在采集得到的虹膜图像中，虹膜内外圆心不重合与瞳孔不均匀收缩扩张的情况是非常多见的。

虹膜内外圆心不重合的原因可以从以下两个方面来进行分析。第一，由眼睛的生理结构决定的。眼科学研究表明，人眼的虹膜与瞳孔不是正圆形，而是椭圆形或近椭圆形。所以在用正圆形对虹膜边缘进行拟合时，会出现内外圆心偏差。大量观察发现，由生理性原因造成的虹膜内外圆心偏差一般都比较小，在350*220的分辨率下，生理原因造成的圆心偏差一般小于2个像素。第二，采集过程中，由于眼球转动造成的圆心偏差。由于眼球是生物活体，在拍摄过程中不可能始终保持固定不动。由于微距成像的“桶形失真效应”，当眼球转动一个微小角度时，虹膜图像就会产生很大的畸变，从而导致内外圆心的偏差。这样的偏差一般比较严重，在虹膜图像分辨率为350*220的情况下，多数圆心偏差将大于3个像素。

瞳孔不均匀的收缩扩张是由虹膜的生理特点决定。眼科学研究表明，瞳孔的收缩和放大主要是虹膜的环状肌纤维和放射状肌纤维共同作用的结果。环状肌纤维分布在虹膜内边缘附近，放射状肌纤维分布在虹膜外边缘附近。其中，环状肌纤维是构成虹膜纹理的主要部分。

当瞳孔受到光照刺激进行收缩或扩张时，靠近虹膜内边缘的环状肌纤维大幅度的伸缩，而外围的放射状肌纤维的伸缩幅度却很小，表现在虹膜图像上，此时虹膜内边缘的纹理会随之明显的压缩或伸展，而虹膜外边缘的纹理却几乎没有变化。所以，瞳孔收缩扩张并不是均匀的线性的，而是非线性的，不具有仿射不变性。

考虑到普遍存在的虹膜内外圆心偏差和瞳孔缩放的不均匀性，针对传统虹膜归一化处理方法的不足，采用一种全新的虹膜归一化处理方法是非常必要的。

发明内容

本发明的目的在于提出一种可针对非标准虹膜的虹膜纹理归一化处理方法，

本发明提出的虹膜纹理归一化处理方法，具体步骤如下：

(1)采用高斯-拉普拉斯变换对虹膜边缘进行提取，以平滑掉虹膜纹理图像采集中造成的噪声；

(2)采用Hough变换，来定位虹膜内外圆的圆心与半径；

(3)计算虹膜内外圆圆心的坐标偏差，根据该偏差的范围确定属于生理性偏差或采样偏差；

(4)对圆心偏差进行纠正：采用不同的校正模型分别对生理性偏差和采样偏差进行纠正；

(5)计算虹膜内外边缘半径比，并以此作为眼睛瞳孔缩放程度的度量；

(6)采用校正函数，以虹膜内外边缘半径比为参数，进行径向的非线性采样，对瞳孔不均匀缩放进行校正；

(7)将采样纹理点展开成矩形的虹膜纹理图像。

下面对各个步骤作进一步介绍。

1、采用高斯-拉普拉斯变换对虹膜边缘进行提取。

首先利用高斯-拉普拉斯算子检测标准虹膜图像的边缘。考虑到采集时，虹膜反光造成的噪声点(灰度与周围点相差很大的点)会对边缘检测有一定的影响，所以采用高斯拉普拉斯(LOG)算子。高斯-拉普拉斯算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测。考虑到虹膜是环形的，具有各向同性的特点，所以不宜采用平行边缘算子或垂直边缘算子，否则会丢失某一方向的边缘信息。而高斯-拉普拉斯算子是各向同性的，更有利于边缘的检测。

具体地，Log算子可采用4×4、5×5，或6×6的模板等，例如5×5的模板可采用：

$\left[\begin{array}{ccccc}-2& -4& -4& -4& -2\\ -4& 0& 8& 0& -4\\ -4& 8& 24.& 8& -24\\ -4& 0& 8& 0& -4\\ -2& -4& -4& -4& -2\end{array}\right].$

2、采用Hough变换来定位虹膜内外圆的圆心与半径

本发明采用的Hough变换可以是经典的Hough变换，也可以采用区域优先的快速Hough变换。所谓区域优先的快速Hough变换是针对经典Hough变换的存储空间大、精度不够的缺点而进行的一种改进。目标图像是经过高斯-拉普拉斯变换后得到的二值图像。

因为虹膜区域在图像中所占的比例很大，目标圆的数量较少，而且位置相对固定，所以虹膜内外圆心和圆半径R的搜索范围可以大大缩小，进而减小存储量，提高运算速度。区域优先的快速Hough变换就是将搜索范围根据具体的虹膜图像确定，从而可对某一类虹膜图像进行优化。

3、根据虹膜内外圆心偏差的范围，确定其属于生理性偏差或采样偏差

经过Hough变换，我们得到了虹膜内外圆心的半径和圆心坐标，并可计算得虹膜内外圆心的坐标偏差。

眼科学研究表明，人眼的虹膜与瞳孔不是正圆形，而是椭圆形或近椭圆形。所以在用Hough变换对虹膜边缘进行正圆形的拟合时，会出现内外圆心偏差。大量观察发现，由生理性原因造成的虹膜内外圆心偏差一般都比较小。而采集过程中，由于微距成像的“桶形失真效应”，当眼球转动一个微小角度时，虹膜图像就会产生很大的畸变，也会导致内外圆心的偏差，这种偏差一般比较大。可以设定一个阈值来判断圆心偏差是属于生理性的还是由于眼球转动造成的。当虹膜内外圆心偏差大于该阈值时，可以认为是生理性偏差；当虹膜内外圆心偏差小于该阈值时，则认为是采集时眼球转动造成的偏差。阈值的设定与虹膜图像的分辨率有关，虹膜图像的分辨率越大，该阈值也就越大；反之，就越小。一般阈值为3-5个像素。

4、对圆心偏差进行纠正

当虹膜内外圆偏差小于所设定的阈值时，即认为该偏差是由生理性因素引起的，应采用以下校正模型进行归一化，称之为“第一校正模型”。

设虹膜的内圆圆心为O₁(x₁，y₁)，内圆半径为R₁，外圆圆心为O₂(x₂，y₂)，外圆半径为R₂，见图3。以外圆圆心O₂作为原点建立笛卡尔坐标系，内外圆圆心的偏差可以具体分为4种情况：1)x₁＜x₂，y₁＜y₂；2)x₁＞x₂，y₁＞y₂；3)x₁＜x₂，y₁＞y₂；4)＞x₂，y₁＜y₂。不失一般性，以情况2)x₁＞x₂，y₁＞y₂为例，以下利用第一校正模型进行归一化。如3所示。内外圆圆心连线与水平方向所成的角为a，以内圆圆心O₁为极坐标的原心，过O₁引出一条射线，分别交内外圆于点A，B，该射线与O₁O₂的连线所成的角为b。该射线可以认为是一条典型的放射状虹膜纹理。C是射线上A，B两点之间极坐标下的任何一点，则笛卡尔坐标系下的任意一点C(x，y)都可以映射到极坐标系下某一点C(r，θ)：

x＝r×cos(a+b)+X₁

y＝r×sin(a+b)+y₁

以上映射关系可以推广到整个虹膜区域：

x＝r×cos(a+θ)+X₁

y＝r×sin(a+θ)+y₁

其中， $a=\mathrm{arctg}\left|\frac{y_2-y_1}{x_2-x_1}\right|,$ θ∈(0，2π)，r∈[R₁，R₂]。x₁，y₁为虹膜内圆圆心的坐标点。接下来将虹膜外圆的半径归一化，即半径变为1。

        x＝(r×(BO₁-R₁)+R₁)×cos(a+θ)+X₁             (1)

        y＝(r×(BO₁-R₁)+R₁)×sin(a+θ)+y₁             (2)

记∠BO₁O₂＝∠c，∠O₂BO₁＝∠d，∠BO₂O₁＝∠e，则有：

$\frac{\sin d}{O_1{O}_2}=\frac{\sin c}{{\mathrm{BO}}_2}=\frac{\sin e}{{\mathrm{BO}}_1},---\left(3\right)$

由(3)可得 $d=\arcsin (O_1{O}_2\×\frac{\sin c}{{\mathrm{BO}}_2})---\left(4\right)$

又e＝π-c-d，则sin e＝sin(c+d)                        (5)

由(3)(4)(5)可得

${\mathrm{BO}}_1=\sin (c+d)\×\frac{{\mathrm{BO}}_2}{\sin c}=\sin (c+d)\×\frac{R_2}{\sin c}---\left(6\right)$

将(6)式代入(1)(2)可得

$x=\{r\×[\sin (c+d)\×\frac{R_2}{\sin c}-R_1]+R_1\}\×\cos (a+\mathrm{\θ})+X_1$

$y=\{r\×[\sin (c+d)\×\frac{R_2}{\sin c}-R_1]+R_1\}\×\sin (a+\mathrm{\θ})+y_1---\left(7\right)$

其中θ∈(0，2π)，r∈[0，1]。

由以上的推导过程可见，第一修正模型利用了这样的虹膜纹理特性：当虹膜内外圆圆心存在偏差时，其放射状纹理的延长线仍然相交于虹膜内圆圆心，即瞳孔中心。眼科学研究表明，瞳孔的收缩和放大主要是外围的环状肌纤维和放射状肌纤维共同作用的结果，肌纤维分布方向的延长线确实指向瞳孔中心。事实上，环状肌纤维和放射状肌纤维也正是虹膜纹理的主要组成部分，两者所处的位置不同，放射状肌纤维分布于虹膜内边缘，而环状肌纤维分布于虹膜外边缘。事实上，“虹膜纹理延长线相交于瞳孔中心”的假设是具有生理学依据的。大量实验证明，如果虹膜内外圆心偏差主要是由生理原因引起的，并且偏差不大，则采用第一修正模型可以排除内圆心偏差的干扰，从而得到好的归一化效果。

当虹膜内外圆偏差大于所设定的阈值时，即认为该偏差是由于眼球转动引起的，应采用以下校正模型进行归一化，称之为“第二校正模型”。

当虹膜内外圆心偏差由眼球的转动引起，并且偏差较大时，由于“虹膜纹理延长线交于瞳孔中心”的假设不再成立，所以第一修正模型的性能将急剧下降。针对眼球转动产生的圆心偏差，提出第二修正模型。效果如图4所示，设虹膜的内圆圆心为O₁(x₁，y₁)，内圆半径为R₁，外圆圆心为O₂(x₂，y₂)，外圆半径为R₂.虹膜内外圆的圆心偏差分为以下4种情况：1)x₁＜x₂，y₁＜y₂；2)x₁＞x₂，y₁＞y₂；3)x₁＜x₂，y₁＞y₂；4)x₁＞x₂，y₁＜y₂。为比较第一校正模型和第二校正模型，仍然以情况2)x₁＞x₂，y₁＞y₂为例，说明第二校正模型归一化算法.

AB为第二修正模型的径向采样线，该采样线应该与某一条放射状的虹膜纹理相重合。该径向采样线与虹膜的内外圆分别交于A，B两点。A点坐标为(x_A，y_A)，B点坐标为(x_B，y_B)，并且AO₁与BO₂所成的角是相等的，均为b.则A，B两点坐标为：

x_A＝x₁+R₁×cos b

y_A＝y₁+R₁×sin b

x_B＝x₂+R₂×cos b

y_B＝y₂+R₂×sin b

由此可得AB两点之间的距离：

$\mathrm{AB}=\sqrt{{(x_A-x_B)}^2+{(y_A-y_B)}^2}---\left(8\right)$

$=\sqrt{{(x_2+R_2\×\cos b-x_1-R_1\×\cos b)}^2+{(y_2+R_2\×\sin b-y_1-R_1\×\sin b)}^2}$

设直线AB与水平线所成的角为α，则有

$a=\mathrm{arctg}\frac{y_B-y_A}{x_B-x_A}$

综上，线段AB上任意点的坐标可表示如下：

x＝r×AB×cosa+x₁

y＝r×AB×sina+y₁                                          (9)其中0≤r≤1.以上映射关系是在线段AO₁与水平线成角为b时推导出的，显见可将其推广到整个虹膜区域，即b∈(0，2π)。

眼科学测量统计表明，成年人眼球平均半径为23-24mm，瞳孔半径为2-3mm(白光均匀照射，亮度1.0cd/m²)，虹膜平均半径为11-12mm。可见，瞳孔与虹膜的半径远小于眼球半径，同时考虑到虹膜外边缘纹理比较稀疏，大部分纹理都集中在靠近瞳孔的区域，即具有有效虹膜纹理信息的虹膜区域半径更小，所以这一纹理区域的曲率也非常小。

以上的第二校正模型正是利用了虹膜纹理区域曲率很小的性质，将虹膜看作平面上的弹性橡皮膜，由此可知：虽然在采集过程中眼球发生了转动，但是在图像中，虹膜纹理在虹膜内外边缘上的起止点是不会发生变化，起止点间的虹膜纹理只是沿内外圆心的连线方向被压缩或拉长。此时，虹膜纹理的起止点应满足如下定义：虹膜内圆上的点到内圆圆心连线与虹膜外圆上的点到外圆圆心连线平行，这样两个点构成虹膜纹理的起止点。由此可见，只要找到虹膜内外边缘上的所有起止点，那么起止点的对应连线就是虹膜纹理。

5、计算虹膜内外边缘半径比

因为每次采集过程中，虹膜图像的分辨率都是不同的，由于不具有可比性，所以不能用瞳孔直径这样的绝对尺度来衡量图像中瞳孔的大小。眼科学的测量统计表明，成年人眼的虹膜直径是一致的，个体之间的差异性非常小，所以可以采用瞳孔直径与虹膜直径之比作为衡量瞳孔缩放程度的量度。

虹膜图像经过Hough变换，可以得到虹膜的内外圆直径。其中，虹膜内圆直径就是瞳孔直径，外圆直径就是虹膜直径，内圆直径与外圆直径之比即可作为瞳孔缩放程度的量度。

6、对瞳孔不均匀缩放进行校正

对一个虹膜图像序列，用快速Hough变换求出序列中每一幅图像的瞳孔半径R₀与虹膜半径R₁，计算二者之比 将每幅图像对应的比值 记为S_i.选择虹膜纹理内某一点为标记点，该标记点在每幅图像中对应的归一化半径为r_i，所谓“归一化半径”，就是在双无量纲的极坐标系下，虹膜区域内的点所对应的半径。显见，当瞳孔的缩放程度不同时，不同虹膜图像中同一个标记点所对应的r_i是不同的。

将S_i按照从小到大的顺序进行排序，选择S_i最小的图像作为纹理校正的标准图像。因为S_i值最小的图像，即瞳孔收缩到最小，此时虹膜纹理完全展开，可用纹理的面积最大。该图像的标记点对应的归一化半径记为r.设校正函数为F(S_i)，则有r_i＝F(S_i)，r_i是序列中每幅图像标记点的归一化半径。只要求得F(S_i)的表达式，就可以实现纹理径向畸变的校正。将r_i＝F(S_i)用如下多项式来拟合：

$r_i=(\underset{j=0}{\overset{+\∞}{\mathrm{\Σ}}}{a}_j\×S_i^j)\×r=(a_0+a_1\×S_i+a_2\×S_i^2+a_3\×S_i^3+\mathrm{\Λ}+a_n\×S_i^n+\mathrm{\Λ})\×r$

显见，以上校正函数是以图像的瞳孔与虹膜半径之比S_i作为参数的，在这里，S_i表征了瞳孔缩放的程度。实际上，在满足一定的精度要求的情况下，以上多项式的高次项可以忽略.通过求解如下线性方程组，可以确定多项式的前n项的系数。

一般，n取3、4或5即可。

由此，可以用有限项多项式拟合出F(S_i)表达式.则每幅图像经畸变校正后所得的标记点半径可表示为(即校正模型)

R_i＝r_i×(R₁-R₀)+R₀

  ＝F(S_i)×r×(R₁-R₀)+R₀                               (11)

其中，S_i是瞳孔与虹膜半径之比，r是虹膜的归一化半径，满足0≤r≤1。

以上是从虹膜纹理区域内，任意选择某一点作为标记点的进行校正的。事实上，考虑到虹膜纹理伸缩幅度是不均匀的，应该将虹膜纹理沿半径方向划分为多个环形区域，在每一个环形区域内选择一个标记点，进行以上校正，则每个环形的纹理区域都对应一个F_j(S_i)，从而得到更为准确的分段校正模型。

R_i＝r_i×(R₁-R₀)+R₀

  ＝F_j(S_i)×r×(R₁-R₀)+R₀                              (12)

其中，S_i是瞳孔与虹膜半径之比，F_j(S_i)是第j个环形虹膜区域的校正函数(该环形区域内半径r_j，外半径r_j+1)，r是环形虹膜区域的归一化半径，满足r_j≤r≤r_j+1。

7、展开成矩形纹理图像

经过以上圆心偏差校正和瞳孔不均匀缩放校正，可以得到一系列的虹膜纹理采样点。在极坐标系下，这些采样点呈固定尺寸的矩形分布，并且与原来笛卡尔坐标系下的图像分辨率无关。

传统的虹膜归一化方法没有考虑眼球转动或生理性因素造成的影响，也没有对瞳孔不均匀缩放进行校正，所以导致很多虹膜图像不可用，即经过归一化的矩形纹理图像仍然存在较大的畸变。

本发明提出的的虹膜归一化方法对虹膜内外圆心偏差和瞳孔不均匀缩放进行了有效地校正，这使得大量存在圆心偏差和瞳孔不均匀缩放的虹膜图像仍然可以被系统处理，从而极大的提高了虹膜图像的可用性。

由于新的虹膜归一化方法降低了对输入图像的要求，不需要被采集者的眼球严格固定或采用强光照射的方法来刺激瞳孔收缩，所以使得采集过程更简单也更容易被接受。被采集者不需要经过任何专门的训练，采集过程中，只需保持眼睛的自然平视即可。经过新的虹膜归一化算法校正，一定范围内的眼球转动或瞳孔不均匀缩放不会对编码和匹配的准确性造成严重影响。

由于新的虹膜归一化算法有效的避免了圆心偏差和瞳孔不均匀缩放造成的影响，所以为虹膜图像质量的自动评价提供了可能，这对于虹膜图像的自动采集具有极为重要的意义。眼球转动和瞳孔不均匀收缩长期以来一直是困扰虹膜图像自动采集的难题。如果在自动采集阶段进行眼球转动和瞳孔不均匀缩放的判断，由于Hough变换的复杂度很高，需要较长的运算时间，这必然会影响自动采集设备的反应速度。而对于实时采集系统而言，反应速度慢是致命的弱点。现在新的虹膜归一化算法有效的解决了眼球转动和瞳孔不均匀缩放的问题，图像采集过程不需要再进行类似的处理，极大的提高了系统的反应速度，使得自动采集成为可能。

附图说明

图1为基于“标准虹膜”的归一化处理方法图示。

图2为本发明的虹膜纹理归一化方法的处理流程图示。

图3为第一校正模型的坐标图示。

图4为第二校正模型的坐标图示。

图5为第一校正模型的采样线图示。

图6为第二校正模型的采样线图示。

图7为实施例中一个采集的原始虹膜纹理图像。

图8为图7中图像经高斯-拉普斯变换后得到的边缘点图像。

图9为对图8图像的优先区域划分图示。

图10为经Hough变换得到的虹膜纹理图像的内外圆圆心及半径图示。

图11为实施例中另一个采集的原始虹膜纹理图像。

图12为图11中图像经高斯-拉普斯变换后得到的边缘点图像。

图13为对图11中图像的优先区域划分图示。

图14为经Hough变换得到的虹膜纹理图像的内外圆圆心及半径图示。

图15和图19为瞳孔缩放不同的两个采集的原始虹膜纹理图像。

图16和图20为对图15和图19经高斯-拉普斯变换后得到的边缘点图像。

图17和图21为对图16和图20的优先区域划分图示。

图18和图22为经Hough变换得到的虹膜纹理图像的内外圆圆心及半径图示。

图23为环形区划分图示。

具体实施方式

实施例

一.内外圆偏差校正

选择两幅内外圆偏差较大的虹膜图像进行处理。图7、图11为采集的两个原始虹膜纹理图像。

高斯-拉普拉斯变换的模板采用前述的5×5模板。

图8和图12分别利用高斯-拉普拉斯变换得到的边缘点图像。由图明显可见虹膜内外圆边缘。高斯-拉普拉斯变换模板要根据虹膜图像的对比度，清晰度来选择。

在边缘点图像中确定Hough变换的优先检测区域，见图9和图13所示，两条线之间的区域，该优先检测区域从虹膜图像高度的1/4处起，至图像高度的3/4处止，该区域的面积为图像整体面积的1/2。由图可见，优先检测区域之内虹膜的内外边缘比较明显，而优先区域之外则存在大量的干扰边缘，如眼睑边缘，睫毛边缘，在优先区域内进行Hough变换可以有效的排除这些伪边缘的干扰，极大的提高处理速度和准确度。

优先区域的选取与虹膜图像的分辨率，虹膜有效面积的百分比由很大关系，一般根据具体图像具体确定。

对优先检测区域进行Hough变换，确定虹膜内外圆的半径及圆心，从而可得内外圆心的偏差值。见图10和图14所示。

前一幅图中，虹膜内外圆圆心偏差为3个像素，以5个像素作为阈值，可判断该偏差为生理性偏差。该图像应采用第一校正模型。

后一幅图中，虹膜内外圆心偏差为10个像素，以5个像素作为阈值，可知该偏差为采样偏差。该图像应采用第二校正模型。

对比以上两幅图像的处理结果，可见，虹膜内外圆心的生理性偏差比较小，而采样偏差比较大。

二.瞳孔缩放校正

选择两幅瞳孔缩放幅度较大的虹膜图像进行处理。图15和图19为采集的原始虹膜纹理图象。经过如前述相同的处理。分别得到边缘点图像，见图16和图20，优先区域划分图示，见图17和图2，以及经Hough变换的结果，见图18和图22。

对于前一幅图18，该虹膜内外圆半径比为0.321，(内圆半径52个像素，外圆半径162个像素)，以虹膜内外圆半径比0.30为判断阈值，可以判断这个图像是瞳孔放大的图像。

对于第二幅图22该虹膜内外圆半径比为0.271，(内圆半径46个像素，外圆半径170个像素)，以虹膜内外圆半径比0.30为判断阈值，该虹膜图像是瞳孔收缩的图像。

对比以上两幅图像的处理结果，可见，虹膜纹理在瞳孔缩放时呈现明显的非线性畸变。表现为：靠近虹膜内边缘的纹理畸变幅度较大，而靠近外边缘的纹理畸变幅度较小。

选择虹膜区域的一系列特征点时，应该保持特征点在虹膜径向方向上均匀分布，这样才能保证各个特征点全面准确地反映瞳孔缩放时径向纹理的畸变情况。

如图23所示，将虹膜区域沿径向方向均匀的分成4个环形区域，每个环形区域内取一个特征点，进行虹膜纹理的径向畸变校正。

采用以上的校正方法，可得到径向纹理的畸变校正函数，该函数是一个分段函数，在虹膜的4个环形区域内具有不同的表达式：F₁(S)＝1.18-S                                         0≤r≤0.25(第一环形区域) $F_2\left(S\right)=1.18-S+\frac{1}{2}\×S^2+a$                  0.25≤r≤0.5(第二环形区域)F₃(S)＝1.18-S+S²+b                                   0.5≤r≤0.75(第三环形区域) $F_4\left(S\right)=1.18-S+S^2+\frac{1}{2}\×S^3+c$          0.75≤r≤1(第四环形区域)

S是虹膜的内外圆半径比。

为了保证归一化采样的连续性，应该满足以下三个等式：

$1.18-S=1.18-S+\frac{1}{2}\×S^2+a$

$1.18-S+\frac{1}{2}\×S^2+a=1.18-S+S^2+b$

$1.18-S+S^2+b=1.18-S+S^2+\frac{1}{2}\×S^3+c$

由以上三个等式来确定a，b，c三个参数。

利用上述校正函数，对瞳孔缩放畸变进行了有效校正。最后通过通常方法将纹理点展开成矩形的虹膜纹理图像，并以数据形式存放。

Claims (4)

1、一种眼睛虹膜纹理归一化处理方法，其特征在于具体步骤如下：

(1)采用高斯-拉普拉斯变换对虹膜边缘进行提取，以平滑掉虹膜纹理图像采集中造成的噪声；

(2)采用Hough变换，来定位虹膜内外圆的圆心与半径；

(3)计算虹膜内外圆圆心的坐标偏差，根据该偏差的范围确定属于生理性偏差或采样偏差：当虹膜内外圆心偏差d＞阈值do时，判定其为生理性偏差；反之，判定其为采样偏差；其中，阈值do取3-5个像素；

(4)对圆心偏差进行纠正：采用不同的校正模型分别对生理性偏差和采样偏差进行纠正；其中，对于生理性偏差，采用如下校正模型进行归一化处理：

$x=\{r\×[\sin (c+d)\×\frac{R_2}{\sin c}-R_1]+R_1\}\×\cos (a+\mathrm{\θ})+X_1$

$y=\{r\×[\sin (c+d)\×\frac{R_2}{\sin c}-R_1]+R_1\}\×\sin (a+\mathrm{\θ})+y_1---\left(7\right)$

其中θ∈(0，2π)，r∈[0，1]，R₁为虹膜内圆半径，R₂为虹膜外圆半径，C＝∠BO₁O₂，d＝∠O₂BO₁，X₁、y₁为虹膜内圆圆心坐标点，x、y为虹膜纹理放射线上笛卞尔坐标系下的任一点坐标，r、θ为该点在极坐标系下的坐标；

对于采样偏差，采用如下校正模型进行归一化处理：

x＝r×AB×cosa+x₁

y＝r×AB×sina+y₁                                             (9)

其中 $\mathrm{AB}=\sqrt{{(x_A-x_B)}^2+{(y_A-y_B)}^2}---\left(8\right)$

$=\sqrt{{(x_2+R_2\×\cos b-x_1-R_1\×\cos b)}^2+{(y_2+R_2\×\sin b-y_1-R_1\×\sin b)}^2}$

$a=\mathrm{arctg}\frac{y_B-y_A}{x_B-x_A}$ x₁、y₁为虹膜内圆圆心O₁的坐标点，R₁为内圆半径，x₂、y₂为虹膜外圆圆心O₂坐标点，R₂为外圆半径，r∈[0，1]，A、B为径向采样线与虹膜的内、外圆的交点，b∈(0，2π)，b为AO₁与水平线的夹角；

(5)计算虹膜内外边缘半径比，并以此作为眼睛瞳孔缩放程度的度量；

(6)采用校正函数，以虹膜内外边缘半径比为参数，进行径向的非线性采样，对瞳孔不均匀缩放进行校正；进行校正所采用的校正函数为

$r_i=(\underset{j=0}{\overset{+\∞}{\mathrm{\Σ}}}{a}_j\×S_i^j)\×r=(a_0+a_1\×S_i+a_2\×S_i^2+a_3\×S_i^3+\·\·\·{+a}_n\×S_i^n+\·\·\·)\×r---\left(10\right)$

于是，每幅图像经畸变校正后的标记点半径Ri表示为

R_i＝F(S_i)×r×(R₁-R₀)+R₀                           (11)

其中，R₀、R₁为分别由Hough变换求得的序列中每幅虹膜图像的瞳孔半径和虹膜半径，Si为每幅图像对应的R₀/R₁比值，r为{Si}中最小值所对应图像的标记点的归一化半径，r∈[0，1]；

(7)将采样纹理点展开成矩形的虹膜纹理图像。

2、根据权利要求1所述的方法，其特征在于所说的高斯-拉普拉斯变换算子取为4×4、5×5或6×6的模板。

3、根据权利要求1所述的方法，其特征在于所采用的Hough变换为区域优先的快速Hough变换。

4、根据权利要求1所述的方法，其特征在于校正函数可取有限项的多项式：

$r_i=(\underset{j=0}{\overset{+\∞}{\mathrm{\Σ}}}{a}_j\×S_i^j)\×r=(a_0+a_1\×S_i+a_2\×S_i^2+a_3\×S_i^3+\·\·\·+a_n\×S_i^n)\×r---\left(10\right)$

这里n取3、4或5。

Images