虹膜边缘定位方法与流程

本发明涉及虹膜边缘定位方法。

背景技术：

虹膜识别是一种利用虹膜来识别人的身份的生物特征识别方法。虹膜拥有丰富的纹理信息，虹膜识别系统是生物识别系统(比如其他指纹、人脸、声纹、掌纹识别等)中准确率最高的，因为这些优势，虹膜识别已经开始广泛应用。一般情况下，虹膜识别系统包括虹膜定位、归一化、特征提取和比对。

在虹膜定位中，首先定位虹膜的内、外边界和眼睑的上、下边界，然后检测并去掉反光区域和眼睫毛区域。在归一化步骤中，笛卡尔坐标转换为极坐标，将定位好的虹膜区域转换为固定大小的矩形区域。由于归一化步骤使用内外边界，内外边界的定位准确度是影响整个虹膜识别系统性能的重要因素。

虹膜边界定位的代表方法有基于圆形Hough变换的方法和基于Daugman积分-微分算子的方法。这些方法均是把虹膜边界看作圆形处理。基于圆形Hough变换的方法采用边缘检测算法获得边缘图像，然后对边缘图像进行圆形Hough变换得到圆形边界的半径和圆心。但是由于含有大量噪声的虹膜图像是很难准确获得边缘图像，这种方法就可能失败。基于Daugman积分微分的方法，通过圆形边界像素值的变换来估计虹膜边界。当虹膜边缘有噪声比如存在反射区域时，这种方法找不到正确的虹膜边缘。

技术实现要素：

本发明阐述一种无论图像质量好坏均可以快速、稳定地定位虹膜内、外边界的方法及应用该虹膜边界定位方法的虹膜识别系统。

本发明的技术方案一提供一种虹膜边界定位方法。该虹膜定位方法，根据虹膜图像进行虹膜内边界定位处理和虹膜外边界定位处理，

在所述虹膜内边界定位处理中，

在虹膜图像中选取一系列能够作为虹膜内边界的圆，

对每个圆计算上述圆的内接矩形中面积最大的矩形的平均像素，并计算圆周围的预定的多个小矩形各自的平均像素，

将多个小矩形的平均像素与大矩形的平均像素进行比较并计数平均像素大于大矩形的平均像素的小矩形的数量，

将所计数的小矩形的数量大于零的圆作为内圆边界的候选而添加到内圆边界候选列表中，

对内圆边界候选列表中的每个圆，选取圆上的多个采样点，对每个采样点计算梯度，并计算梯度向量和梯度向量的互相关系数(corr)作为第一互相关系数，并求出多个上述第一互相关系数的总和作为与该圆对应的第一互相关系数总和，

选取内圆边界候选列表中具有最大的第一互相关系数总和的圆作为虹膜内边界；

在虹膜外边界定位处理中，

在虹膜图像中选取一系列包含上述已被确定为内圆的圆作为外圆边界的候选而添加到外圆边界候选列表中，

对每个圆选取圆边界上的多个采样点，对每个采样点计算圆内与圆外的预定区域的方差，根据方差计算互相关系数作为第二互相关系数，并求出多个上述第二互相关系数的总和作为与该圆对应的第二互相关系数总和，

选取外圆边界候选列表中具有最大的第二互相关系数总和的圆作为虹膜外边界。

本发明的技术方案二提供一种虹膜识别系统。该虹膜识别系统包括：

虹膜定位模块，应用权利要求1的虹膜定位方法，定位虹膜的内边界及外边界；

归一化模块，利用虹膜定位模块所定位的虹膜内边界及外边界，将虹膜区域转换为固定大小的矩形区域；

特征提取模块，对归一化后的上述矩形区域进行局部直方图均衡化；及

比对模块，对于两幅虹膜图像，分别进行上述定位来获得虹膜的内边界及外边界的处理并进行上述归一化模块的处理，提取N*4个采样点，对每个采样点提取M维向量，对两幅图像中的互相对应的采样点的M维向量计算归一化向量差得到N*4个归一化向量差，将N*4个归一化向量差相加而求出总类似度，如果总类似度大于规定的阈值，则判断为两幅图像来自同一个眼睛，其中，M、N为大于0的自然数。

发明的效果

根据本发明的虹膜边界定位方法及虹膜识别系统，能够无论图像质量好坏均可以快速、稳定地定位虹膜内、外边界。

附图说明

图1是定位虹膜内边界时应用的概略示意图。

图2是定位虹膜外边界时应用的概略示意图。

图3是虹膜识别系统的框图。

图4是虹膜特征提取的说明图。

具体实施式

下面，结合附图，对本发明的虹膜边界定位方法及使用该虹膜边界定位方法的虹膜识别系统进行详细说明。

虹膜边界定位方法包括定位虹膜内边界的处理和定位虹膜外边界的处理。一般情况下，虹膜内、外边界近似于圆形，在本发明中，也是将虹膜内、外边界看作圆形进行处理。

<定位虹膜内边界>

虹膜内边界的定位包括建立候选列表步骤和内边界定位步骤。

在建立候选列表步骤中，进行如下处理：

(1)计算图1中圆形内大矩形的平均像素值m₀；

(2)计算图1中圆周围的8个小矩形(矩形的大小可根据实验确定)的平均像素值m₁～m₈；

(3)在m₁～m₈中查找比m₀大对应的区域个数n；

(4)如果n＞0，则添加这个圆在候选列表中。

在内边界定位步骤中，进行如下处理：

(1)对候选列表中的每个圆，计算下列量corr_sum。

具体而言，

首先，取圆上的128个采样点，对每个采样点(i₀，j₀)计算

(i₀，j₀)＝(i+sin(2πk/128)，j+cos(2πk/128))，k＝1，2，…，128

其中(i，j)是圆心，R是圆的半径，

接着，对每个采样点计算梯度：

gradx＝SImg(i₀，j₀+step)-SImg(i₀，j₀-step)

grady＝SImg(i₀+step，j₀)--SImg(i₀-step，j₀)

其中SImg是平滑后的虹膜图像，step是预先定义的常量。

然后，计算上述梯度向量和向量(sin(2πk/128)，cos(2πk/128))的互相关系数corr。

ss＝gradx*gradx+grady*grady；

如果ss＜Thr(其中，Thr为预先设定的阈值)

则corr＝0；

其他

$\mathrm{ss}=\sqrt{\mathrm{ss}};$

corr＝(gradx*cos(2πk/128)+grady*sin(2πk/128))/ss

如果corr＜0，则corr＝0.

corr＝corr*ss^0.25；

corr_sum是所有128个采样点的corr加和。

(2)在候选圆中选取具有最大的corr_sum的圆作为内圆边界。

<定位虹膜外边界>

定位虹膜外边界的过程如下

首先，对于可变半径和圆心的圆，选取包含已确定为内圆的圆。

其次，对于包含内圆的圆，按照如下步骤计算corr_sum_w。

如上所述，选取圆边界上的128个采样点，计算互相关系数corr。

·对于每个采样点，计算如图2中两个区域A、B(A、B区域的大小根据实验确定)的方差。

·用上面的计算量，如下那样计算corr_w。

corr_w＝corr/(10+var)；

其中，var为两个方差的最大值

corr_sum_w为128个corr_w之和

corr_sum_w最大值所在的圆为虹膜外边界。

如上所述，能够定位出虹膜的内边界和外边界。

下面，结合图3和图4对使用了本发明的虹膜边界定位方法的虹膜识别系统进行说明。

虹膜识别系统包括虹膜定位模块、归一化模块、特征提取模块及比对模块。

虹膜定位模块执行如下处理。

·确定虹膜的内外边界；

·确定眼皮的上下边界；

·检测并去除反射区域；

·检测并去除眼睫毛区域。

归一化模块执行如下处理。

利用定位的虹膜内外边界将虹膜区域转换为固定大小的矩形区域。

特征提取模块执行如下处理。

·对归一化矩形图像进行局部直方图均衡化；

·选在归一化的矩形图像中选取64×4个采样点；

·对于每个采样点，计算4个频率8个方向的Gabor系数的绝对值。对每个采样点得到32维的向量。

比对模块执行如下处理。

对于两个图像对应的采样点，计算32维向量的归一化向量差并进行加和得到总类似度，如果类似度大于定义的阈值，则认为两幅图 像是同一个眼睛。

本发明人通过实验验证了本发明的效果。

在CASIAv1数据库上的测试结果如下：

该数据库包含108人的756幅图像，虹膜边界的准确定位率为98％，等错误率为0。因此，通过本发明的虹膜边界定位方法，对于现有技术无法定位正确的虹膜边缘的情况，也能够快速、稳定地定位虹膜内、外边界。

如上所述，对本发明的优选的实施方式进行了说明，但上述实施方式仅仅是作为例子来提示的，并不对本发明的保护范围进行限定，例如，上述涉及的小矩形的数量、所取的采样点的数量、向量的维数等也仅仅是例示，根据实际要求的速度、定位精度等，也可以是其他的数量。