虹膜识别算法研究及实现 - 图文(5)

还要对干扰部分进行检测，以便分割出有效的虹膜区域。

3.2.1眼睑检测

由于生理和光照原因，采集到的虹膜数字图像可能会受眼睑的遮挡。由于在不同时间、不同光照情况下，虹膜被遮挡范围可能会不同，为了提高识别精度，有必要将眼睑区域从虹膜区域中剔除。

大部分图像上的的眼睑边缘非常不明显，特别是上眼睑，易受到眼睫毛的干扰及眼睑皮肤对照明光源的反光，因此精确定位眼睑是很困难的。瞳孔上方的虹膜常受到上眼睑和睫毛的干扰，且越靠近虹膜外边缘，纹理越少，因此瞳孔上方的虹膜区域常常是无效的虹膜区域。另外，上眼睑的精确检测也比较困难。考虑到眼睑的定位精度不会像虹膜内外边缘定位那样对后续的识别产生重大的影响，本论文对容易受到上眼睑和睫毛干扰的虹膜区域不作考虑，这样就可以不用定位上眼睑。

相对上眼睑，下眼睑的检测容易些，且虹膜下方区域主要受到下眼睑的干扰。从形状上分析，眼睑接近于抛物线。因此采用最小二乘法对下眼睑进行抛物线拟合。

1）上眼睑检测

图3-7是从原虹膜图像中选取的矩形虹膜区域。用直线直接划掉上面弓形部分的虹膜，如图3-8所示。假设虹膜半径为rj,瞳孔半径为ri，虹膜外边缘圆心为（xr , yr)，设ds?rj?ri2，把从瞳孔上方到虹膜中心的垂直距离大于ds的像素删除。

这种方式能简单快速的消除上眼睑和部分睫毛的干扰。

图3-7包含虹膜的矩形图像 图3-8消除上眼睑干扰后的图像

2 ）下眼睑检测

在下眼睑的检测过程中，再次对传统的Canny算子进行改进，使其对水平

-21-

方向进行的边缘进行检测，在通过最小二乘法进行抛物线拟合。下眼睑检测的具体步骤如下：

首先，从获得的虹膜图像中选取包含下眼睑的矩形图片，如图3-9（a）。 其次，眼睑主要在水平方向，眼睑边缘很模糊，传统的Canny 算子通常检测出很多无用信息，有时还很难检测出眼睑边缘，如图3-9（b）所示。因此对传统Canny 算子进行改进，使其在水平方向检测边缘，如图3-9（c）所示，不仅可以检测出眼睑边缘，还减少了其他方向的噪声影响。

再次，图3-9（c）中除了眼睑边缘外，还有一些其他的较短的边缘。对二值边缘图像在10邻域进行对象标注，并计算各个对象的面积。根据各对象面积，移除小对象，保留眼睑边缘，如图3-9（d）所示。

最后，使用最小二乘法对下眼睑边缘进行抛物线拟合，得到抛物线的参数。图3-9（e）是采用抛物线拟合后得到的下眼睑边界。

(a) (b) (c) (d) (e)

(a)包含下眼睑的矩形图像 (b)传统Canny 算子检测的边缘图像 (c)改进的Canny算子检测的边缘图像 (d)移除小对象后的边缘图像 (e)抛物线拟合的下眼睑边界

图3-9下眼睑检测过程

3.2.2 睫毛检测

虹膜区域的睫毛，在很多情况下会严重影响虹膜的准确分割，的同时也给识别带来影响。这种噪声在虹膜区域内的表现形式从以下两方面来考察： ① 稀疏还是浓密；

② 在虹膜区域投影长还是短。

当眼睫毛稀疏且短时，对虹膜识别的影响还不是很大。睫毛稀疏但较长时，每根睫毛的边缘都会产生非常大的灰度梯度变化，因而对外圆的定位会造成比较大的干扰。如果眼睫毛的数量较多、较长时，虹膜编码算法很容易将这些眼睫毛认为是虹膜的纹理部分，得到错误的虹膜编码，从而会严重影响特征提取和匹配的性能，因此进行睫毛的检测也是必要的。

为了降低对阈值选取的敏感性，采用双阈值法来检测睫毛[26]。双阈值法是

-22-

Canny 边缘检测算法中的一个步骤。选择两个不同的阈值T1和T2，而且满足T1>T2。首先搜索虹膜图像，灰度小于T1的像素点被标记为睫毛上的点：然后判断已标记为睫毛点的像素的10个邻域（10-连通规则），如果灰度值小于T2，则也标记为睫毛点。

由于瞳孔轮廓并非标准的圆形，所以在分割得到的虹膜图像上可能会残留少部分灰度值很低的瞳孔边界，且与瞳孔相连的虹膜区域纹理丰富，灰度值偏低。这样，用双闭值法判断时，容易把残留的瞳孔边界点和与之相连的部分虹膜纹理误认为睫毛点。所以本节对瞳孔边界向外扩展三个像素后，在剩余区域内对睫毛进行检测。根据连接标准，睫毛点应该与其临近的睫毛或眼睑上的点相连，如果邻域内的任何一点都不属于眼睑或眼睫毛，那么当前点也不是眼睫毛点。利用这种方式可以避免把灰度较低的纹理误认为眼睫毛，以消除非睫毛点的影响。实验结果如图3-10 所示：

图3-10睫毛点检测结果

(a)瞳孔定位结果 (b)双闽值法检测到的睫毛图像 (c)本节方式的结果图

3.3虹膜数字图像归一化及增强

虹膜图像归一化就是在虹膜定位完成后，以内外边缘圆心坐标跟半径为参数，将直角坐标系下的灰度图像映射到极坐标系图像。对图像进行归一化操作，可以将环形的图像展开成具有固定分辨率的矩形图像，矩形图像中含有全部可用的虹膜纹理信息。该图像中的虹膜纹理信息还要被进一步编码以供匹配操作使用。图像归一化的目的是将每幅原始图像调整到相同大小的尺寸和相对应的位置，从而消除平移、缩放和旋转过程中对于虹膜识别的影响。

本论文采用一种基于辐射线段提取的归一化方式，该方式采用若千条线段表示两个非同心圆圆周间的区域，只要规定好这些线段上的点数就会起到很好的归一化效果，并且该方式运用过程中只产生一种分析模型。

-23-

图3-4为本论文采用的虹膜归一化方式的原理图，两个非同心的虹膜内外边缘分别为c-pupil和c-iris，圆心分别为Ox和Oy。

图3-4基于辐射线段提取的归一化过程

方式思路为在Daugman橡皮片模型的基础上展开的。瞳孔中心看作参考点，辐射向量穿过虹膜区域，如图3-4所示。在每一条向量上我们选取一些数据，数据的个数我们称为辐射分辨率。而辐射线的条数我们称为角度分辨率。因为瞳孔可以和虹膜不是一个中心，一个重新的映射公式去重新度量围绕着圆周的角，即:

r′=?????2-?-rI (3-9)

2O22其中??Ox?Oy，??cos(??arctan(y)??)，此时虹膜中心偏离瞳孔中心距

Ox离为Ox和Oy, r′是在一个角度上瞳孔边缘和虹膜边缘的距离，rI虹膜半径。重新映射公式首先给出了作为方向?上的环状虹膜区域半径。

每条放射线上选取固定数目的点，以便固定点数据的提取，在这个过程中不考虑每个固定角度半径的宽窄。归一化模式是从射线和角度的位置去寻找笛卡尔坐标的数据点。从环状虹膜区域，归一化产生了2D向量组，水平维数为角度分辨率，竖直为辐射分辨率。另外的一个2D向量是由分离过程中反射，眼睫毛和眼睑产生的。为了避免非虹膜数据破坏归一化表达，在瞳孔边界或者虹膜边界的数据点被舍去。

以上述方式，把环形部分展成一个大小为α×β的矩阵，α为角方向?上的跨度，β为径方向r上的跨度。把内边缘c-pupil和外边缘c-iris都在圆周上平均分为α份，将内外边缘周上的点分别编号Aj和Bj，其中j=1-α;将Aj和Bj相连接，组成AjBj，这样的线段一共有α条;然后把线段AjBj平分成β份，分别编号

-24-

为Ci，j(表示第j条线段上的第i个点)，其中j=1-m，这样就可以把α条线段上的 α×β个点对应的灰度值对应到α×β矩阵上的每一个元素。

假设已经得到的虹膜的内、外边界圆周的参数分别为：(x1,y1,r1)、(x2,y2,r2)。把圆周平分为β，就是把角方向2π/β，这样点Bj的坐标为:

2?j?x?x?cos1?Bj??,其中1?j?n (3-10) ??2?jy?y?sin1?Bj??

同理点Aj的坐标为:

2?j?x?x?cos2?Aj??,其中1?j?? (3-11) ??2?jy?y?sin2?Aj??

由此可得线段AjBj的方程为:

yj?yBj?yAjxBj?xAj(xj?xBj)?yBj (3-12)

还可求得半径rj，即为线段AjBj的长度:

rj?(yBj?yAj)2?(xBj?xAj)2 (3-13)

把r平分为α份后，每份为r/α，若用(xji，yji)来表示第j条线段上的第i个点的坐标，则线段AjBj上的每一个的坐标为:

-25-

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(5)在线全文阅读。