-
ALLGEMEINER STAND DER TECHNIK
-
1. Erfindungsgebiet
-
Die
vorliegende Erfindung betrifft Vorrichtungen und Verfahren zum Identifizieren
von Personal und insbesondere Vorrichtungen und Verfahren zum Identifizieren
von Personal auf der Basis von visuellen Charakteristiken der Iris
ihrer Augen.
-
2. Beschreibung des verwandten Stands
der Technik.
-
Die
Iriserkennung oder ”Iriserfassung” ist ein Verfahren
zur biometrischen Personalidentifikation, das Mustererkennungsalgorithmen
basierend auf Bildern von mindestens einer der Iris der Augen einer Person
verwendet. Die Iriserkennung verwendet Kameratechnologie, um Bilder
von den Details der Iris herzustellen. Diese Bilder werden in digitale
Schablonen umgewandelt und liefern mathematische Darstellungen der
Iris, die zum Identifizieren von individuellen Personen verwendet
werden.
-
Bei
den meisten Iriserfassungssystemen verschmieren erfaßte
Irisbilder leicht, wenn sich der Benutzer außerhalb der
Schärfentiefe (DOF – Depth of Field) der Kamera
befindet oder wenn er sich bewegt. Die übliche Lösung
besteht darin zu versuchen, daß der Benutzer das System
wieder testet und das System veranlaßt, daß seine
Iris wieder gelesen wird, weil die Qualität der zuvor erfaßten
verschmierten Irisbilder zur Erkennung nicht gut genug ist.
-
Was
in der Technik weder offenbart noch nahegelegt wird, ist ein Iriserfassungssystem,
das das Verschmieren (Blurring) von erfaßten Bildern so
korrigieren und/oder kompensieren kann, daß die Notwendigkeit
zum Wiederholen der Erfassung des Irisbildes aufgrund von Verschmieren
reduziert wird.
-
KURZE DARSTELLUNG DER ERFINDUNG
-
Die
vorliegende Erfindung liefert einen neuartigen Iris-Deblurring-Algorithmus,
der zum Verbessern der Robustheit oder nicht-Intrusivität
aller Iriserfassungssysteme verwendet werden kann. Im Gegensatz
zu anderen Iris-Deblurring-Algorithmen wird das Irisbildern eigene
Domänenwissen (oder vorherige Wissen) benutzt. Das Domänenwissen
kann in der Form von Statistiken vorliegen, die globale Irisbilder
betreffen (d. h. Bilder der Iris und des umgebenden Bereichs, möglicherweise
einschließlich etwas Haut), oder von Statistiken, die Charakteristiken
von lokalen Pupillen oder Spitzlichtern betreffen (d. h. der Abschnitt
der Pupille, der die höchste Lichthelligkeit zur Kamera
reflektiert), als Beispiel.
-
Bei
einer Ausführungsform umfaßt die vorliegende Erfindung
ein Verfahren zum Identifizieren eines Lebewesens, einschließlich
Verwenden einer Kamera zum Erfassen eines verschmierten visuellen Bildes
einer Iris des Lebewesens. Das verschmierte visuelle Bild wird auf
der Basis einer Verteilung von Augenbildgradienten in einer empirisch
gesammelten Probe von Augenbildern digital geschärft. Das
geschärfte Bild wird verarbeitet, um eine Identität
des Lebewesens zu bestimmen.
-
Bei
einer weiteren Ausführungsform umfaßt die vorliegende
Erfindung ein Verfahren zum Identifizieren eines Lebewesens, einschließlich
Verwenden einer Kamera zum Erfassen eines verschmierten visuellen
Bildes einer Iris des Lebewesens. Das verschmierte visuelle Bild
wird auf der Basis von lokalen Farbwertstatistiken, die von Messungen
einer Population von Pupillen abgeleitet sind, und globalen Farbwertstatistiken,
die von Messungen einer Population von Augengebieten abgeleitet
sind, digital geschärft. Das geschärfte Bild wird
verarbeitet, um eine Identität des Lebewesens zu bestimmen.
-
Bei
noch einer weiteren Ausführungsform umfaßt die
vorliegende Erfindung ein Verfahren zum Identifizieren eines Lebewesens
einschließlich Erfassen eines verschmierten visuellen Bildes
einer Iris des Lebewesens. Das verschmierte visuelle Bild wird auf
der Basis von lokalen Spitzlicht-Farbwertstatistiken, die von Messungen
von Spitzlichtgebieten einer Population von Pupillen abgeleitet
sind; lokalen nicht-Spitzlicht-Farbwertstatistiken, die von Messungen
von nicht-Spitzlichtgebieten einer Population von Pupillen abgeleitet
sind; und globalen Farbwertstatistiken, die von Messungen einer
Population von Augengebieten abgeleitet sind, digital geschärft.
Das geschärfte Bild wird verarbeitet, um eine Identität
des Lebewesens zu bestimmen.
-
Ein
Vorteil der vorliegenden Erfindung besteht darin, daß sie
verschmierte Bilder so korrigieren kann, daß sie bei der
Iriserkennung verwendet werden können.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
Die
oben erwähnten und weitere Merkmale und Aufgaben der vorliegenden
Erfindung und die Art und Weise, um sie zu erzielen, werden durch
Bezugnahme auf die folgende Beschreibung einer Ausführungsform
der Erfindung in Verbindung mit den beiliegenden Zeichnungen offensichtlicher
und die Erfindung selbst wird besser verstanden werden. Es zeigen:
-
1 ein
Blockdiagramm einer Ausführungsform eines Iriserfassungssystems
gemäß einer Ausführungsform der Erfindung;
-
2 ein
Operationsblockdiagramm des Iriserfassungssystems von 1;
-
3 ein
Beispiel einer angepaßten Kurve für die gemessenen
Fokuspositionen der Kamera des Systems von 1 als Funktion
der Tiefe zwischen der Kameralinse und dem Objekt;
-
4a Beispiele
Kurven der Standardabweichung der Gaußschen Blur-Kernel-Verteilung
als Funktion der Fokusposition der Kamera des Systems von 1 für
verschiedene Abstände zwischen der Kamera und der Iris
gemäß einer Ausführungsform eines Verfahrens
der vorliegenden Erfindung zum visuellen Erkennen einer Iris;
-
4b die
Kurve von 4a entsprechend einem Abstand
von 3,30 Metern zwischen der Kamera und der Iris;
-
4c die
Kurve von 4a entsprechend einem Abstand
von 2,97 Metern zwischen der Kamera und der Iris;
-
4d die
Kurve von 4a entsprechend einem Abstand
von 2,56 Metern zwischen der Kamera und der Iris;
-
4e die
Kurve von 4a entsprechend einem Abstand
von 2,00 Metern zwischen der Kamera und der Iris;
-
4f die
Kurve von 4a entsprechend einem Abstand
von 1,58 Metern zwischen der Kamera und der Iris;
-
4g die
Kurve von 4a entsprechend einem Abstand
von 1,43 Metern zwischen der Kamera und der Iris;
-
4h eine
Kurve, die zeigt, wie eine Standardabweichung, die eine Blur-Kernel-Verteilung
definiert, die für das Schärfen angemessen ist,
gemäß einer Ausführungsform eines Verfahrens
der vorliegenden Erfindung berechnet werden kann; und
-
5 ist
eine Kurve der Verteilungen von Bildgradienten von zufälligen
natürlichen Bildern und von globalen Irisbildern.
-
Entsprechende
Referenzzeichen zeigen in den mehreren Ansichten entsprechende Teile
an. Wenngleich die Zeichnungen Ausführungsformen der vorliegenden
Erfindung darstellen, sind die Zeichnungen nicht notwendigerweise
maßstabsgetreu und bestimmte Merkmale können übertrieben sein,
um die vorliegende Erfindung besser zu veranschaulichen und zu erläutern.
Wenngleich die hierin dargelegte Exemplifikation Ausführungsformen
der Erfindung in verschiedenen Formen zeigt, sollen die unten offenbarten
Ausführungsformen nicht erschöpfend sein oder
so ausgelegt werden, daß sie den Schutzbereich der Erfindung
auf die offenbarten präzisen Formen beschränken.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Die
im folgenden offenbarten Ausführungsformen sollen nicht
erschöpfend sein oder die Erfindung auf die in der folgenden
Beschreibung offenbarten präzisen Formen beschränken.
Vielmehr werden die Ausführungsformen so gewählt
und beschrieben, daß andere Fachleute ihre Lehren nutzen
können.
-
Nunmehr
unter Bezugnahme auf die Zeichnungen und insbesondere auf 1 wird
eine Ausführungsform eines Iriserfassungssystems 20 der vorliegenden
Erfindung gezeigt, die folgendes enthält: eine NFOV-NIR-Kamera 22 mit
justierbarem Fokus, eine NIR-Leuchte 24 und einen Tiefensensor 26, alle
in elektronischer Kommunikation mit einem Zentralprozessor 28.
Das System 20 kann Bilder von sich bewegenden Objekten
wie etwa einem Menschen 30 oder einem Menschen 32 erfassen
und deren Positionen detektieren, wenn er sich einer Türöffnung
nähert, wo die Kamera 22, die Leuchte 24 und
der Sensor 26 montiert sind, wie etwa in einer durch Pfeil 36 angegebenen
Richtung. Die Kamera 22 kann mit einer Montagehöhe
H und einem Neigungswinkel α installiert sein, so daß ein
Standoff-Abstand 38 für den Benutzer etwa zwischen
1,5 Metern und 3,5 Metern liegt und der Durchmesser der erfaßten
Iris über 150 Pixel liegt. Bei einer Ausführungsform
beträgt die Höhe H etwa 250 Zentimeter. Die Breite
eines Erfassungsvolumens 40 kann in der Größenordnung
von 20 Zentimetern liegen. Bei der in 1 gezeigten Ausführungsform
beträgt eine Breite 42 des Erfassungsvolumens 40,
wo das Bild und die Gestalt der größeren Person 30 erfaßt
werden, etwa 17 Zentimeter, und eine Breite 44 des Erfassungsvolumens 40, wo
das Bild und die Gestalt der kürzeren Person 32 erfaßt
werden, beträgt etwa 30 Zentimeter. Viele Einrichtungen
sind für das Messen von Tiefeninformationen bekannt, wie
etwa Stereokameras, Laufzeitsensoren und Strukturlichter.
-
Bei
Ausführungsformen, bei denen die NFOV-Kamera 22 keine
Schwenk- und Neigfähigkeiten besitzt, muß der
Mensch, dessen Bild und Gestalt erfaßt werden, beim Annähern
an die Türöffnung auf die Kamera 22 blicken.
Die Iriserfassung kann für Benutzer mit unterschiedlichen
Höhen bei unterschiedlichen Standoff-Abständen
ausgelöst werden.
-
Der
Tiefensensor 26 kann an verschiedenen Positionen und in
verschiedenen Orientierungen installiert werden. Der Tiefensensor 26 kann
sehr nahe an der NFOV-Kamera 22 positioniert werden, um
ein kompakteres Design zu gestatten. Die NIR-Leuchte 24 kann
an einem beliebigen Ort plaziert werden, solange sie das Erfassungsvolumen 40 beleuchtet.
-
Das
System 20 kann auf andere mögliche Umgebungen
angewendet werden, in denen der Tiefensensor 26 verwendet
wird. Beispielsweise kann die Kamera 22 in Form einer Hochgeschwindigkeits-Hochleistungs-Videokamera
vorliegen. Alternativ kann die Kamera 22 einen festen Fokus
oder einen justierbaren Fokus auf der Basis des Abstands zwischen
der Kamera und dem Benutzer aufweisen. Es ist auch möglich,
daß die Kamera 22 Schwenk-Neigungs-Fähigkeiten
enthält, um das Erfassungsvolumen weiter zu vergrößern.
-
Ein
Operationsblockdiagramm von System 20 ist in 2 gezeigt.
Die vom Tiefensensor 26 gemessenen dreidimensionalen Informationen
können auf unterschiedliche Weisen innerhalb des Systems 20 verwendet
werden. Zuerst kann an den vom Tiefensensor 26 erfaßten, überabgetasteten
Intensitätsbildern 48 eine Gesichtsdetektion und
-verfolgung 46 durchgeführt werden. Die dreidimensionale
Position des Auges kann dann anhand eines oberen Abschnitts der
detektierten Gesichtstiefenkarten geschätzt werden. Der
nächste Augenort für das sich bewegende Objekt
kann in Echtzeit präzise vorhergesagt werden. Beispielsweise
können Zeitraten der Änderung der dreidimensionalen
Position der Augen extrapoliert werden, um zukünftige Augenorte
vorherzusagen. Zweitens kann die dreidimensionale Position dazu
verwendet werden zu bestimmen, ob Augen innerhalb des Blickfeldes
liegen und ob der Standoff-Abstand innerhalb der Schärfentiefe
liegt. Wenn diese beiden Bedingungen erfüllt sind, kann
die NFOV-Kamera angewiesen werden, eine Bilderfassung durchzuführen,
wie bei 50. Drittens können die Tiefeninformationen
verwendet werden, um die Fokusposition der Linse der NFOV-Kamera 22 dynamisch
zu steuern. Schließlich können die Tiefeninformationen
verwendet werden, um den Blur-Kernel 52 für das
Deblurring der Iris zu schätzen, wie bei 53. Das
Deblurring kann bei einem Iriserkennungsalgorithmus 55 nützlich
sein. Präzisere Tiefeninformationen könnten verwendet
werden, um die Geschwindigkeit und zukünftigen Positionen
des Menschen vorherzusagen, so daß die reale oder gewünschte Fokusposition
selbst dann präziser geschätzt werden kann, wenn
die Systemverzögerung existiert. Die reale oder gewünschte
Fokusposition kann diejenige Fokusposition darstellen, die für
die zukünftige geschätzte Position des Menschen
ideal ist.
-
Eine
Kalibrierung zwischen der NFOV-Kamera 22 und dem Tiefensensor 26 kann
durchgeführt werden, wie bei 54. Bei einer Ausführungsform
könnte der Tiefensensor 26 ein TOF-Sensor sein.
Viele existierende TOF-Sensoren enthalten eine systematische Tiefenvoreinstellung
von der Demodulation der Korrelationsfunktion und von einfallenden
Lichtern, und so kann eine Kalibrierung oder sogenannte ”Vorkalibrierung” des
TOF-Sensors zu einer besseren Tiefenmessung führen. Bei
einem ersten Schritt eines neuartigen Kalibrierungsverfahrens der
vorliegenden Erfindung kann eine große plane Platte in
unterschiedlichen Tiefen und mit unterschiedlichen Orientierungen
positioniert werden. Eine robuste Ebenenanpassung kann dann für
die plane Platte an jeder Position angewendet werden. Die Tiefenvoreinstellung
kann dann geschätzt werden, indem die Differenz zwischen
der gemessenen Tiefe und der angepaßten Ebene berechnet
wird. Nach der Kalibrierung des TOF-Sensors 26 kann die
Tiefenungenauigkeit stark reduziert werden, insbesondere die Tiefenungenauigkeit
zwischen 1, 3 und 2 Metern. Um die Tiefe in dem Koordinatensystem
des TOF-Sensors 26 zu der der NFOV-Kamera 22 zu
transformieren, kann eine volle Systemkalibrierung durchgeführt werden.
Die NFOV-Kamera mit einem Teleobjektiv kann als eine affine Kamera
approximiert werden. Ein planes Schachbrettmuster wird in verschiedenen
Tiefen erfaßt. Da die Übereinstimmungen zwischen
den zweidimensionalen Punkten x von der NFOV-Kamera 22 und
dreidimensionalen Punkten X vom TOF-Sensor 26 bekannt sind,
kann die Projektionsmatrix P durch Minimieren der Rückprojektionsfehler berechnet
werden. Die itrinsischen und extrinsischen Matrizen können
durch eine RQ-Zerlegung von P erhalten werden.
-
Ein
Blur-Kernel-Schätzschritt 52 für das Iris-Deblurring
ist optional. Solange der Iris-Deblurring-Algorithmus die präzisen
Tiefeninformationen verwenden muß, können die
vom TOF-Sensor 26 gelieferten Tiefeninformationen ausreichen.
Wenn in Erfassungssystemen keine Tiefeninformationen zur Verfügung
stehen, können gewisse Statistiken des erfaßten
Bildes (z. B. Fokuspunkte) verwendet werden, um den Blur-Kernel
zu schätzen.
-
Die
Bildunschärfe kann als ein Konvolutionsprozeß modelliert
werden: I = L ⊗ h + n (1)wobei I,
L, h und n das verschmierte Bild, das geschärfte Bild,
die Punktspreizfunktion (PSF) oder den Blur-Kernel beziehungsweise
zusätzliches Rauschen darstellen. Für die Unschärfe
hängt die PSF h von dem Streukreis R ab. Für Kameras
mit einem justierbaren Fokus ist R eine Funktion von zwei Parametern auf
der Basis des typischen Lochkameramodells. Die beiden Parameter
sind der Abstand d von dem Objekt zu der Linse und der Abstand s
zwischen der Linse und der Bildebene, R
= Ds2 |1f – 1d – 1s | (2)wobei
D der Radius der Linse und f die Brennweite der Linse ist. Für
Kameras mit fester Brennweite s wird R nur durch d bestimmt.
-
Die
PSF h für die Unschärfe kann als ein Gaußscher
Kernel modelliert werden,
-
Weil
das erfaßte Augengebiet üblicherweise parallel
zu der Bildebene verläuft, kann die PSF h verschiebungsinvariant
sein.
-
Das
Blur-Kernel-Schätzverfahren der vorliegenden Erfindung
wird nun unter der Annahme beschrieben, daß die Tiefendifferenz
gemessen wird. Wenn Kameras mit fester Brennweite verwendet werden,
ist es relativ einfach, den Kernel zu schätzen. Das Kernel-Schätzverfahren
der vorliegenden Erfindung kann den allgemeineren Fall behandeln,
d. h. Kameras mit justierbarem Fokus. Wie oben erwähnt kann
die Tiefendifferenz hauptsächlich durch die Systemverzögerung
verursacht werden, wenn sich ein Objekt bewegt.
-
Da
die Linsenfokusposition p
f proportional
zu dem Abstand s zwischen der Linse und der Bildebene ist, wenn
der Streukreis R klein genug ist, kann die Beziehung zwischen der
Schärfeposition p
f der Linse und
d auf der Basis von Gleichung (2) abgeleitet werden,
-
Nach
dem Messen von Fokuspositionen von scharfen Bildern in unterschiedlichen
Tiefen können k1 und k2 durch
Kurvenanpassung unter Verwendung von Gleichung (4) leicht geschätzt
werden. 3 zeigt ein Beispiel einer angepaßten
Kurve für die gemessenen Fokuspositionen und -tiefen.
-
Da
die Standardabweichung σh der Gaußschen
Blur-Kernel-Verteilung proportional zu R ist und s proportional
zu pf ist, dann kann, wenn d fest liegt,
die Beziehung zwischen σh und pf auf der Basis von Gleichung (2) abgeleitet
werden, σh =
|k3pf + k4|. (5)
-
Wenngleich
die Parameter k1, k2,
k3 und k4 Charakteristiken
des Kamerasystems sind, besitzen sie keine offensichtliche physikalische
Bedeutung oder Darstellung. Die Standardabweichung σh, die die Gaußsche Blur-Kernel-Verteilung
definiert, kann nicht direkt gemessen werden. Somit kann der folgende
neuartige Algorithmus der vorliegenden Erfindung σh schätzen und dann k3 und
k4 entsprechend lernen.
-
In
einem ersten Schritt des Algorithmus werden scharfe und unscharfe
Schachbrettbilder unter verschiedenen Tiefen und unterschiedlichen
Fokuspositionen erfaßt. Da scharfe und unscharfe Bilder bekannt
sind, ist nur σ
h unbekannt. Die
Standardabweichung σ
h wird geschätzt
durch
Das Subscript 2 in der Formel
bezeichnet eine Euklidische Norm oder eine L2-Norm.
-
Im
nächsten Schritt werden k3 und
k4 durch ar gmink3.k4||k3pf + k4 – σh||22 . geschätzt.
-
Die 4a–g
zeigen Beispiele der Anpassungsergebnisse für pf und σh auf
der Basis von Gleichung (5). Die 4a–g
sind Kurven der Fokusposition der Kamera 22 über
einer Standardabweichung der Blur-Kernel-Verteilung für
sechs verschiedene Abstände zwischen Kamera 22 und
der Iris des Objekts. Die Kurve für jeden der sechs Abstände
ist V-förmig, wobei der Ursprung des ”V” die
diesem Abstand entsprechende Schärfeposition ist. Der Parameter
k3 kann die Steigung einer entsprechenden V-förmigen
Kurve in 4a–g darstellen, und
der Parameter k4 kann den y-Achsenabschnitt
der entsprechenden V-förmigen Kurve darstellen. Die V-förmige Kurve 60 entspricht
einem Abstand von etwa 3,30 Metern; die V-förmige Kurve 62 entspricht
einem Abstand von etwa 2,97 Metern; die V-fömige Kurve 64 entspricht
einem Abstand von etwa 2,56 Metern; die V-förmige Kurve 66 entspricht
einem Abstand von etwa 2,00 Metern; die V-förmige Kurve 68 entspricht einem
Abstand von etwa 1,58 Metern und die V-förmige Kurve 70 entspricht
einem Abstand von etwa 1,43 Metern.
-
Jeder
der Kreise in 4a–g stellt einen empirisch
gesammelten Datenpunkt dar. Die Datenpunkte an der Oberseite (Standardabweichung
= 20) von 4a–g sind die Bilder,
die stark verschmiert sind. Es ist möglicherweise nicht
machbar, in der Praxis diese Arten von schwer verschmierten Bildern selbst
mit einer großen Kernel-Größe wiederherzustellen.
Somit werden diese schwer verschmierten Bilder als Ausreißer
behandelt und werden nicht in die Schätzung aufgenommen.
-
Auf
der Basis der 3 und 4a–g
kann geschlossen werden, daß die in Gleichungen (4) und (5)
beschriebenen Modelle für reale Kamerasysteme verwendet
werden können, selbst wenn die Ableitung der Gleichungen
(4) und (5) auf dem traditionellen Lochkameramodell basiert. Eine
praktische Verwendung der Kurven von 4a–g
besteht darin, den Blur-Kernel zu schätzen, wenn sich das
Objekt bewegt.
-
Wenn
ein Benutzer das Blickfeld des Erfassungssystems eingibt, kann die
dreidimensionale Position der Augen des Benutzers nach der Systemverzögerung
vorhergesagt werden. Wenn die vorhergesagte Augenposition der Auslösebedingung
genügt, wird die vorhergesagte scharfe Position anhand
Gleichung (4) berechnet p f und das Bild wird an dieser Position
erzeugt. Die korrekte (d. h. tatsächliche) Tiefe zur Zeit
der Bilderfassung (nach der Systemverzögerung) wird gemessen,
und die korrekte und ideale scharfe Position entsprechend der tatsächlichen p f Tiefemessung
wird berechnet. Beispielsweise kann unter der Annahme, daß die
korrekte oder ideale scharfe Position wie für eine tatsächliche
gemessene Tiefe 15 p f beträgt (wie bei dem Ursprung
der V-förmigen Kurve in 4h gezeigt),
kann ein neues Modell interpoliert werden (d. h. Gleichung (5) mit
verschiedenen Werten für k3 und
k4). Das neue Modell ist als die gestrichelte
V-förmige Kurve gezeigt, die am Fokuspunkt 15 in 4h entspringt.
Unter der Annahme, daß die vorhergesagte scharfe p f Position, die
tatsächlich zum Erzeugen des Irisbildes verwendet wurde,
13,5 beträgt, wie durch das Rechteck bei 13,5 in 4h gezeigt,
ist die Standardabweichung σh,
die die für die Verwendung beim Deblurring angebrachte
Blur-Kernel-Verteilung definiert, in 4h als
etwa 8 gezeigt. Die Standardabweichung σh kann berechnet
werden, indem die vorhergesagte Fokusposition von 13,5 genommen
wird, die tatsächlich zum Erzeugen des Bildes verwendet
wurde, und dieser Wert von 13,5 in Gleichung (5) zusammen mit den
Werten von k3 und k4 eingesetzt
wird, die der tatsächlichen Tiefemessung entsprechen (d.
h. der tatsächlichen Tiefemessung, die einer idealer Fokusposition
von 15 entspricht).
-
Die
oben beschriebene Berechnung der Gaußschen Blur-Kernel-Verteilung
kann dazu verwendet werden, ein erfaßtes verschmiertes
Gebiet zu schärfen, wie unten ausführlich beschrieben.
Insbesondere kann der Prozeß des Bildschärfens
im bayesanischen Ansatz durch den Satz von Bayes formuliert werden, P(L\σh, I) ∝ P(I\L, σh)P(L)wobei wie in der Gleichung P(I\L, σh) die Wahrscheinlichkeit ist, daß L
das klare Bild ist, wenn ein durch eine Gaußsche Verteilung
definierter Blur-Kernel gegeben ist, der wiederum durch eine Standardabweichung σh definiert ist. P(L) stellt den Prior an
dem nichtverschmierten Bild L dar. Eine Prior-Wahrscheinlichkeit
oder ein ”Prior” ist eine marginale Wahrscheinlichkeit,
interpretiert als das, was über eine Variable in Abwesenheit
einer gewissen Evidenz bekannt ist. Die spätere Wahrscheinlichkeit
ist dann die konditionale Wahrscheinlichkeit der Variablen unter
Berücksichtigung der Evidenz. Die spätere Wahrscheinlichkeit
kann anhand des Prior und der Likelihood-Funktion über
den Satz von Bayes berechnet werden.
-
Verschiedene,
in diesem Ansatz gewählte Priors können zu verschiedenen
Deblurring-Algorithmen mit unterschiedlichen Leistungen führen.
Der neuartige Iris-Deblurring-Algorithmus der vorliegenden Erfindung
kann in jedem Iriserfassungssystem zum Behandeln der Unschärfe
angewendet werden. Der Prior für das nichtverschmierte
Bild L kann von drei Prior-Komponenten abhängen, die auf
globalen und lokalen Irisbildstatistiken basieren: P(L)
= Pg(L)Pp(L)Ps(L).
-
Der
erste Prior Pg(L) kann anhand einer empirisch
bestimmten globalen Verteilung der Irisbildgradienten berechnet
werden; Pp(L) kann auf der Basis von Charakteristiken
eines dunklen Pupillengebiets berechnet werden, und Ps(L)
kann anhand des Pupillensättigungsgebiets berechnet werden
(d. h. das Spitzlichtgebiet der Pupille, das mit Intensitätswerten
von hoher Helligkeit gesättigt ist). Für ein allgemeines
Bild-Deblurring kann die Gaußsche Verteilung von Irisbildgradienten
durch eine Mischung von Gaußschen Verteilungen, Exponentialfunktionen
und stückweisen stetigen Funktionen approximiert werden.
Gaußsche Mischverteilungen werden beschrieben in "Removing
camera shake from a single photograph", R. Fergus, B. Singh,
A. Hertzmann, S. T. Roweis und W. T. Freeman, ACM Transactions an
Graphics, 2006, Exponentialfunktionen werden beschrieben
in "Image and depth from a conventional camera with
a coded aperture", A. Levin, R. Fergus, F. Durand und W.
T. Freeman, ACM Transactions an Graphics, 2007; und stückweise
stetige Funktionen werden beschrieben in "High-quality
motion deblurring from a single image", Q. Shan, J. Jia
und A. Agarwala, in SIGGRAPH 2008, die alle in ihrer Gänze
durch Bezugnahme hier aufgenommen sind.
-
Weil
der Anwendungsbereich Irisbilder anstatt natürliche Bilder
ist, kann gemäß einer Ausführungsform
der vorliegenden Erfindung die globale Verteilung nur aus Irisbildern
berechnet werden. Wie in 5 gezeigt, weist die Verteilung
von allgemeinen natürlichen Bildern (d. h. allen in der
Natur angetroffenen Bildern wie etwa Himmel, Wasser, Landschaft)
eine größere Unbestimmtheit auf als die Verteilung
von globalen Irisbildern. Die vorliegende Erfindung nutzt den engen
Bereich der globalen Irisbildstatistiken.
-
Infolge
der engeren Irisbildstatistiken ist die Verteilung von Irisbildgradienten
ein stärkerer Prior. Eine zwei-stückweise quadratische
Funktion (d. h. eine stückweise quadratische Funktion mit
zwei separaten stetigen Abschnitten) kann zum Approximieren der
Verteilung verwendet werden, so daß die auf diesem bayesanischen
Problem basierende Optimierung einfacher und effizienter wird. Eine
allgemeine Form der zwei-stückweisen quadratischen Funktion kann
lauten:
wobei der Gradient für
ein Pixel und k der Schwellwert zwischen zwei Funktionen ist. Eine
derartige zwei-stückweise quadratische Funktion kann durch die
angepaßte Kurve in
5 dargestellt
werden, wobei sich der Schwellwert k an den Übergängen zwischen
den niederfrequenten und hochfrequenten Gebieten befindet.
-
Der
zweite P
p(L) und dritte P
s(L)
Prior können anhand des lokalen Pupillengebiets berechnet
werden, weil das dunkle Pupillengebiet im Vergleich zu den nahegelegenen
Irismustern wahrscheinlich glatt ist und das Spitzlichtgebiet wahrscheinlich
gesättigt ist. Deshalb können diese beiden Priors
beim Wiederherstellen von nahegelegenen Irismustern besonders nützlich
sein. Da das glatte Pupillengebiet im allgemeinen kleine Gradienten
besitzt, die für die Unschärfe unempfindlich sind,
und das gesättigte Spitzlichtgebiet im allgemeinen die
höchste Intensität enthält, können
die beiden Priors wie folgt berechnet werden:
wobei Ω
1 das
dunkle Pupillengebiet ist (d. h. ohne das Spitzlichtgebiet) und Ω
2 das gesättigte Spitzlichtgebiet
innerhalb der Pupille ist. Das dunkle Pupillengebiet und das gesättigte
Spitzlichtgebiet innerhalb der Pupille können durch Bildverarbeitungstechniken
wie etwa Schwellwertbildung, Erosion und Dilation detektiert werden.
Der 255-Term in der P
s(L)-Formel stellt den
höchsten (d. h. weißesten) Farbwert auf einer Skala
von 0 bis 255 dar.
-
Wenn
alle diese Priors zusammengelegt werden, kann das Iris-Deblurring-Problem
durch Minimieren einer Energiefunktion E in der folgenden quadratischen
Form gelöst werden: E ∝ ||I – L ⊗ h||2
+ λ1(||a1(∂L)2 +
b1||·M1 +
||a2(∂L)2 +
b2||·M2)
+ λ2(||∂L – ∂I||2·M3 + ||L – 255||2·M4,wobei
M1, M2, M3 und M4 Masken eines
niederfrequenten Gebiets, eines hochfrequenten Gebiets, eines dunklen
Pupillengebiets und eines Spitzlichtgebiets in der Pupille sind;
I das von der Kameralinse erfaßte bekannte verschmierte
Bild ist; h der Blur-Kernel ist, der wie oben ausführlicher
erörtert geschätzt werden kann; und L das klare
Bild ist, das bestimmt wird. Somit kann bei gegebenen bekannten Werten
für das verschmierte Bild I und den Blur- Kernel h ein Bild
L bestimmt werden, das E minimiert, und dieses Bild L kann als eine
Darstellung einer klaren scharfen Version des erzeugten verschmierten Bilds
I verwendet werden.
-
Der
Deblur-Kernel h kann basierend auf der Tiefeninformation oder den
Fokuspunkten bestimmt werden. Wenn der Blur-Kernel nicht bekannt
ist, ist es möglich, einen Gaußschen Prior anstelle
des Blur-Kernels hinzuzufügen, um die nicht-blinde Dekonvolution
in eine blinde zu konvertieren, die immer noch durch den Optimierungsansatz
gelöst werden kann.
-
Wenngleich
die vorliegende Erfindung so beschrieben worden ist, daß sie
ein beispielhaftes Design aufweist, kann die vorliegende Erfindung
weiter innerhalb des Gedankens und Schutzbereichs dieser Offenbarung
modifiziert werden. Diese Anmeldung soll deshalb alle Variationen,
Verwendungen oder Adaptationen der Erfindung unter Verwendung ihrer allgemeinen
Prinzipien abdecken. Weiterhin soll die vorliegende Anmeldung solche
Abweichungen von der vorliegenden Offenbarung abdecken, die innerhalb
der bekannten oder üblichen Praxis in der Technik liegen,
auf die sich die vorliegende Erfindung bezieht.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- - ”Removing
camera shake from a single photograph”, R. Fergus, B. Singh,
A. Hertzmann, S. T. Roweis und W. T. Freeman, ACM Transactions an Graphics,
2006 [0048]
- - ”Image and depth from a conventional camera with
a coded aperture”, A. Levin, R. Fergus, F. Durand und W.
T. Freeman, ACM Transactions an Graphics, 2007 [0048]
- - ”High-quality motion deblurring from a single image”,
Q. Shan, J. Jia und A. Agarwala, in SIGGRAPH 2008 [0048]
