虹膜识别算法研究及实现 - 图文(4)

第3章虹膜数字图像预处理

虹膜识别的第一阶段就是把虹膜从图像中提取出来。需要解决的问题是不但要定位虹膜区域，还要分离并去除人为现象。分割阶段对于虹膜识别系统的成功非常重要，因为错误表达的虹膜模式数据会破坏生成的生物体模板，最终导致低识别率。

成功的分割取决于人眼图像的质量。本论文使用的虹膜数字图像来自中国科学院自动化所（Chinese Academy of Sciences Institution of Automation,简称CASIA）CASIA-IrisV1虹膜数据库，因为使用红外光来照明所以没有镜面反射。

3.1虹膜边缘定位

虹膜定位的目的是找出人体眼睛图像中瞳孔与虹膜，虹膜与巩膜之间的两个边界，即虹膜的内边界和外边界，把虹膜从其他无用信息中提取出来。本论文针对虹膜特点，采用不同的定位方式定位虹膜内、外边缘。

3.1.1虹膜内边缘粗定位

瞳孔粗定位的目的是获取粗略的瞳孔圆心和半径，为精定位提供搜索范围。其具体步骤如下：

l ）首先分析虹膜图像的灰度直方图，如图3-1所示。

根据虹膜图像的灰度分布特点，可以得出这样的结论：第一个波峰对应瞳孔区域，第二个波峰对应虹膜区域，第三个波峰对应巩膜区域。因此，找到第一个和第二个波峰之间的波谷作为二值化阈值，从虹膜原图像中分割出瞳孔，如图3-2所示

图3-1 虹膜图像的直方图 图3-2分割的瞳孔图像

-16-

二值化阈值分割公式如下：

?1,f(x,y)?T （3-1） G(x,y)???0,f(x,y)?T 其中，T为分割阈值，f(x,y)为图像灰度值。

2 ）采用水平和垂直方向灰度投影法粗定位瞳孔圆心(x0,y0)和半径r0。

I(x)??I(x,y) (3-2)

x

I(x)??I(x,y) (3-3)

y

如上公式分别为水平和垂直方向的灰度投影和，其中I(x,y)是原虹膜图像灰度值矩阵。灰度投影累计和最小点(x0,y0)对应瞳孔圆心

(a)水平方向投影 (b)垂直方向投影图

3-3 瞳孔的灰度投影

在二值化后的瞳孔图像上，选取行y0?3 。对选取的每行，分别向左和向右搜索第一个灰度值为0 的点x1和x2 ,每行对应的半径r为点x1和x2平均值。最后将所有的半径取平均值，得到粗定位的瞳孔半径r0 。

3 ）己经得到粗定位瞳孔圆周的圆心和半径，是对整幅虹膜图像粗定位的结果，易受到睫毛，眼皮等噪声的影响。因此，可以选取我们感兴趣的瞳孔区域，

-17-

如图3-4所示，此瞳孔图像包含了瞳孔，部分虹膜，以及少许睫毛等噪声。

图3-4选取的瞳孔区域矩形图

分离瞳孔后，采用相同的灰度投影法再次定位瞳孔圆心(x1,y1)及半径r1 。这时分割的瞳孔因为受睫毛和眼睑等影响很小准确率非常高。

3.1.2虹膜内边缘精定位

瞳孔的圆心和半径大致确定后，就可以对内边缘进行精定位。本论文采用索贝尔（Sobel） 边缘检测算子结合Hough 投票机制精定位虹膜内边缘。 3.1.2.1索贝尔（Sobel） 边缘检测算子

边缘是分界两块灰度值相对一致区域的届线，是梯度大或灰度函数不连续的区域。图像灰度变化可以用梯度变化反映，所以可以用局部微分技术得到边缘检测算子。

由灰度分布特点可知，虹膜的边缘轮廓属于典型阶跃性边缘。对阶跃性边缘点来说，图像灰度在点的两边变化规律应是该点灰度变化的一阶导数的极值点，也就是二阶导数过零点，阶跃性边缘点使用一阶微分子算法比较有效。另外，虹膜与巩膜之间的灰度差异要比瞳孔与虹膜之间的灰度差异小，虹膜内边缘非常容易检测出来。在一阶微分算子中，索贝尔（Sobel）算子比较简单，且计算速度快，因此采用索贝尔（Sobel）算子检测瞳孔边缘。

对图3-4采用索贝尔（Sobel）算子进行边缘检测，生成如图3-5所示检测图像，检测的边缘信息基本上都是有效的瞳孔边缘点，噪声点非常少。

图3-5索贝尔（Sobel）边缘检测图像

-18-

3.1.2.2Hough 圆检测投票竞选策略

标准Hough 变换（S TH ）是一种用于提取边缘特征的简便而有效的方式，它能够提取直线、圆、椭圆、二次曲线甚至是任意形状的边缘。它所实现的是一种从图像空间到参数空间的映射关系。STH 的基本思想是将图像空间内具有一定关系的像素进行聚类，寻找能把这些像素用某一解析形式联系起来的参数空间累积对应点。

Hough 变换检测圆的原理：假设xj,yjj?1,2,3,...n为圆周上的点，则圆周上的点(x,y)满足在参数(?,?,r)系下的方程：

??(x??)2?(y??)2?r2 (3-4)

其中r 表示半径，(?,?)表示圆心坐标。上式表示一个锥面，对于图像中任意一个点，均有参数空间中的一个3D锥面与之对应。对于同一个圆周上的点集，这些3D锥面构成圆锥面族，并且相交与3D空间中的一点(?0,?0,r0)，则这个圆周的圆心坐标为(?0,?0)，半径为r0 。

Hough变换在参数空间不超过2D的情况下，有着理想的效果。但是，伴随着参数空间增大，计算量便会大幅上升，同时会耗费掉巨大的存储空间。为提高虹膜定位速度，本论文采用Chiu[25]提出的Hough圆检测投票策略方式。

根据内边缘粗定位结果，确定候选圆心集及其半径搜索范围。以

(x1?3,y1?3)作为圆心候选集，以r1?15作为瞳孔半径进行搜索，并建立相应的3D数组（大小为7 * 7 * 31 ) ，初始化为0 。对图2 一中的每个边缘点，计算时每个圆心候选点的距离rx，在数组中对应rx-1 , rx , rx+1位置加1 ，最后将数组中累加值最大的元素对应的候选圆心及半径，作为瞳孔圆心(xp,yp)和半径rp。与标准Hough变换相比，这种Hough圆检测投票策略可以有效提高速度。

3.1.3虹膜外边缘精定位

虹膜内边缘精定位后，可以根据此结果定位外边缘。目前主要的两种外边缘

-19-

定位方式是活动圆检测法和Hough 圆检测法。由于虹膜外边缘较模糊，且虹膜纹理非常丰富，用活动圆检测法很难准确定位虹膜外边缘。因此，最普遍的外边缘定位方式是边缘检测结合Hough 圆投票机制。

由于虹膜与巩膜间的灰度差异较小，因此一般的边缘检测算子很难准确的检测到虹膜外边界。Canny算法是目前公认最好的边缘检测算法，可以最大限度地消除噪声的影响，又不至于过多的丢失真正的边缘信息。理论上，Canny 算法通过调整参数可以检测到所有的边界，因此也是目前最常用的检测生物边缘特征的算法。

Canny 边缘检测算子的流程如图(3-6)所示，其基本步骤为： ① 使用2D高斯滤波模板对采集到的图像用滤波消除噪声；

② 通过微分算子来计算图像灰度两个方向的偏导数，并求出梯度的大小和

方向；

③ 对梯度幅值进行非极大值抑制: 首先将边缘的梯度方向大致地分为水

平、竖直、π/4 、3π/4方向四种，然后通过利用各个方向不同的邻近像素进行比较，决定出来局部极大值。若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，那么该像素值置为0 ，即不是边缘；

④ 用双阂值算法检测和连接边缘。使用累计直方图计算两个阂值。凡是大

于高闭值的一定是边缘；凡是小于低阂值的一定不是边缘：如果检测结果大于低闭值但又小于高闭值，那就要看这个像素的邻接像素中有没有超过高闭值的边缘像素，如果有，它就是边缘，否则就不是边缘。

图3-6Canny算子的基本流程图

3.2干扰检测

虹膜图像中中包含了眼睑、睫毛等噪声。如不消除这些干扰，而作为真实信息看待，势必会错误的表示虹膜特征，导致错误率增大。因此，虹膜边界定位后，

-20-

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库虹膜识别算法研究及实现 - 图文(4)在线全文阅读。