一种用于虹膜识别的人眼快速定位方法与流程

本发明涉及计算机视觉与图像识别
技术领域：
，特别涉及一种用于虹膜识别的人眼快速定位方法。
背景技术：
：随着现代社会的高速发展和信息时代的到来，身份识别技术变得越来越重要，相对于一些传统的识别技术，生物特征识别具有更安全、更便捷、更保密等优势，常见的指纹识别，人脸识别都属于生物特征识别，但其中安全性最高的要属虹膜识别，虹膜识别的编码空间丰富，每个人的虹膜纹路都独一无二并且容易区分。不仅如此，人体中的虹膜在不同光照条件下可以表现出不同的形状，因此只有活体虹膜可以通过检测，这就杜绝了类似复制指纹之类的安全隐患。尽管虹膜识别安全性较高，但是需要用户和设备之间距离很近才能进行识别，在用户体验上来说不是很好，远距离虹膜识别是近年来比较火热的识别技术，用户和设备之间只需要保持正常间距(大约为0.5米至1米之间)，设备便可以采集到虹膜信息，快速识别。然而，因为虹膜信息的采集需要极高分辨率的设备(一般在1080P及以上)，如果在远距离采集虹膜信息，那将花费很多的时间，因为有很多的图像区域包括人脸其他部分及背景图像都不能够为虹膜识别带来有用的信息，这也是为什么虹膜识别往往是近距离识别的原因。目前人眼定位的方法有很多，早期的算法有灰度投影积分、模板匹配、Hough圆变换等，后又有角点检测、对称变换法、等照度线等算法，近年来，随着机器学习算法的发展，在人眼定位方面的应用也越来越多，如根据Haar特征与Adaboost分类在人脸检测中的原理，同样利用这种方法来定位人眼，此外还有SVM(支持向量机)，KNN(K近邻)等算法，但是这些算法要么计算复杂度太高，要么定位精度不够，无法满足实时定位人眼中心的需求。因此，计算机视觉与图像识别
技术领域：
急需一种用于虹膜识别的人眼快速定位方法，利用了积分投影和梯度两个重要的图像特征，在光照条件不良的情况下，也可以正常工作，具有较强的鲁棒性；采用了人眼粗定位与精确定位相结合的方式，避免计算图像所有区域，降低了计算复杂度，操作更加快速、容易，人眼定位更加准确。技术实现要素：本发明为了解决上述问题，提供了一种用于虹膜识别的人眼快速定位方法，技术方案如下：一种用于虹膜识别的人眼快速定位方法，包括如下步骤：步骤一、输入待测图像，使用人脸检测算法，提取出人脸图像；步骤二、将步骤一种的人脸图像转换为灰度图像，在灰度图像中粗提取出人眼区域图像；步骤三、根据步骤二中得到的人眼区域图像，计算出精确的人眼中心坐标。优选的，在上述的一种凸面镜成像校正方法中，灰度积分投影算法的具体步骤为：灰度积分投影算法的具体步骤为：A)对待测图像进行人脸检测，将第i个人脸图像记为在中根据先验知识进行人眼定位，即得出左眼、右眼候选区域，分别记为和B)计算步骤A)中得出的和在水平方向上的积分并得到归一化结果；h(y)=1ymax-ymin∫yminymaxI(x,y)dx]]>其中，I(x,y)表示人脸图像(x,y)点的灰度值，ymax、ymin是根据先验知识获得的，表示眼睛区域横坐标的范围，h(y)表示或在水平方向上归一化投影函数；C)分别计算投影函数h(y)在人眼纵坐标区间[xmin,xmax]内的均值和标准差，使用均值减去一定倍数的标准差作为动态阈值T(h(y))；过滤掉所有小于动态阈值T(h(y))的纵坐标，即得到集合{y|h(y)≥T(h(y))}，y|h(y)表示h(y)的纵坐标，并按照纵坐标从小到大进行排序，取出纵坐标排序中四分之一分位数的纵坐标作为参考纵坐标x，以该参考纵坐标x为中心，0.1宽度作为区间带，即人眼纵坐标的范围表示为[x-0.1×height,x+0.1×height，height表示人脸图像的高度，进一步地，取[x,(ymax+ymin)/2]作为粗定位的人眼中心坐标；D)以步骤C)中求出的人眼中心坐标为中心以及先验知识粗略定位人眼区域图像Diris，Diris坐标范围为：横坐标[ymax,ymin]，纵坐标范围[x-0.1*height,x+0.1*height，粗定位人眼中心坐标为[x,(ymax+ymin)/2]。优选的，在上述的一种凸面镜成像校正方法中，步骤三中计算得出的精确人眼中心坐标的方法采用梯度算法。优选的，在上述的一种凸面镜成像校正方法中，梯度算法的具体步骤为：1)针对步骤二中粗定位的人眼区域图像Diris，针对步骤一中灰度图像的灰度值I(x,y)，计算出梯度值具体公式如下：Gx(x,y)=-101-202-101×I(x,y);]]>Gy(x,y)=121000-1-2-1×I(x,y);]]>▿·I(x,y)=Gx(x,y)2+Gy(x,y)2]]>其中，Gx(x,y)和Gy(x,y)分别表示x方向和y方向的梯度值，2)为了求得人眼中心坐标c，则目标函数的公式为：F(c)=Σi=1N(d→i·g→i)]]>d→i=xi-c||xi-c||2]]>g→i=g→i′||g→i′||2]]>g→i′=▿·I(x)|(x=xi)]]>其中，x1,x2,…xi…,xN表示灰度图像中的像素点，表示xi点的梯度值，表示点xi到点c两点之间的归一化向量，表示点xi处梯度向量，表示点xi处梯度向量的归一化值，F(c)表示人眼中心点c的目标函数；3)针对目标函数F(c)，将其进行优化，选取优化后的目标函数F(c)的最大值，该F(c)最大值对应的中心点C的坐标作为精确的人眼中心坐标，优化后的公式为：F(c)=Σi=1Nω(c)·max(d→i·g→i,0),]]>w(c)＝(Max-I(x,y))r其中，w(c)表示人眼中心坐标C的权重值，Max表示灰度图像中像素点的最大值。本发明的有益效果：1、本发明采用了人眼粗定位与精确定位相结合的方式，避免计算图像所有区域，降低了计算复杂度。2、本发明利用了积分投影和梯度两个重要的图像特征，在光照条件不良的情况下，也可以正常工作，具有较强的鲁棒性。3、本发明在计算梯度目标函数时，剔除了部分模长较短的梯度向量，采用了分段选取目标函数最大值的方式，降低了计算复杂度。4、本发明可以与虹膜识别相结合，通过快速定位人眼中心，提取虹膜周围图像，避免了虹膜识别一开始就计算人脸全部区域，提高了识别的准确性和实时性。附图说明下面结合附图和具体实施方式来详细说明本发明：图1是一种用于虹膜识别的人眼快速定位方法的流程图。图2是C点位于中心点和非中心点的结构示意图。具体实施方式为了使本发明技术实现的措施、创作特征、达成目的与功效易于明白了解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例1：图1是一种用于虹膜识别的人眼快速定位方法的流程图。如图1所示，一种用于虹膜识别的人眼快速定位方法，包括如下步骤：步骤一、输入待测图像，使用人脸检测算法，提取出人脸图像；步骤二、将步骤一种的人脸图像转换为灰度图像，在灰度图像中粗提取出人眼区域图像；步骤三、根据步骤二中得到的人眼区域图像，计算出精确的人眼中心坐标。实施例2：图1是一种用于虹膜识别的人眼快速定位方法的流程图。如图1所示，一种用于虹膜识别的人眼快速定位方法，包括如下步骤：步骤一、输入待测图像，使用人脸检测算法，提取出人脸图像；步骤二、将步骤一种的人脸图像转换为灰度图像，利用灰度积分投影算法粗提取出人眼区域图像；灰度积分投影算法的具体步骤为：A)对待测图像进行人脸检测，将第i个人脸图像记为在中根据先验知识进行人眼定位，即得出左眼、右眼候选区域，分别记为和B)计算步骤A)中得出的和在水平方向上的积分并得到归一化结果；h(y)=1ymax-ymin∫yminymaxI(x,y)dx]]>其中，I(x,y)表示人脸图像(x,y)点的灰度值，ymax、ymin是根据先验知识获得的，表示眼睛区域横坐标的范围，h(y)表示或在水平方向上归一化投影函数；C)分别计算投影函数h(y)在人眼纵坐标区间[xmin,xmax]内的均值和标准差，使用均值减去一定倍数的标准差作为动态阈值T(h(y))；过滤掉所有小于动态阈值T(h(y))的纵坐标，即得到集合{y|h(y)≥T(h(y))}，y|h(y)表示h(y)的纵坐标，并按照纵坐标从小到大进行排序，取出纵坐标排序中四分之一分位数的纵坐标作为参考纵坐标x，以该参考纵坐标x为中心，0.1宽度作为区间带，即人眼纵坐标的范围表示为[x-0.1×height,x+0.1×height，height表示人脸图像的高度，进一步地，取[x,(ymax+ymin)/2]作为粗定位的人眼中心坐标；D)以步骤C)中求出的人眼中心坐标为中心以及先验知识粗略定位人眼区域图像Diris，Diris坐标范围为：横坐标[ymax,ymin]，纵坐标范围[x-0.1*height,x+0.1*height，粗定位人眼中心坐标为[x,(ymax+ymin)/2]；步骤三、根据步骤二中得到的人眼区域图像Diris，利用梯度算法计算出精确的人眼中心坐标；梯度算法的具体步骤为：1)针对步骤二中粗定位的人眼区域图像Diris，针对步骤一中灰度图像的灰度值I(x,y)，计算出梯度值具体公式如下：Gx(x,y)=-101-202-101×I(x,y);]]>Gy(x,y)=121000-1-2-1×I(x,y);]]>▿·I(x,y)=Gx(x,y)2+Gy(x,y)2]]>其中，Gx(x,y)和Gy(x,y)分别表示x方向和y方向的梯度值，2)为了求得人眼中心坐标c，则目标函数的公式为：F(c)=Σi=1N(d→i·g→i)]]>d→i=xi-c||xi-c||2]]>g→i=g→i′||g→i′||2]]>g→i′=▿·I(x)|(x=xi)]]>其中，x1,x2,…xi…,xN表示灰度图像中的像素点，表示xi点的梯度值，表示点xi到点c两点之间的归一化向量，表示点xi处梯度向量，表示点xi处梯度向量的归一化值，F(c)表示人眼中心点c的目标函数；3)针对目标函数F(c)，将其进行优化，选取优化后的目标函数F(c)的最大值，该F(c)最大值对应的中心点C的坐标作为精确的人眼中心坐标，优化后的公式为：F(c)=Σi=1Nω(c)·max(d→i·g→i,0),]]>w(c)＝(Max-I(x,y))r其中，w(c)表示人眼中心坐标C的权重值，Max表示灰度图像中像素点的最大值。下面结合具体数据对本发明进行具体说明：步骤一、输入待测图像，使用人脸检测算法，提取出人脸图像；步骤二、根据步骤一中得到的人脸图像，利用灰度积分投影算法提取出出人眼的大致区域；首先，需要把人脸图像的非人脸背景部分删去，根据统计发现，横坐标[0,0.1]∪[0.9,1]的区域往往不是人脸，将该横坐标所处于的背景图像删除，因此，[0.1,0.9]为人脸横坐标；进一步地，左右脸各占人脸的一般面积，因此分别选取横坐标[0.1,0.5]和[0.5,0.9]分别作为左眼和右眼的候选区域；进一步地，以左眼为例，对左眼候选区域进行水平方向积分投影，投影函数h(y)为：h(y)=10.5-0.1∫0.10.5I(x,y)dx;]]>其中，I(x,y)表示人脸图像的灰度值；右眼将右眼横坐标代入上述公式进行计算即可；通过统计分析以及先验知识，发现眼睛的纵坐标区间一般为[0.5,0.8]，该纵坐标区间眉毛和眼睛所在位置由于较暗，所有积分值较低，本实施例使用设定动态阈值的方法来确定人眼的纵坐标，具体方法如下：A)分别计算投影函数h(y)在纵坐标区间[0.5,0.8]内的均值和标准差；B)使用均值减去适当倍数的标准差作为动态阈值；C)过滤掉所有小于动态阈值的纵坐标，并按照纵坐标从小到大排序，取出其中四分之一分位数作为参考纵坐标；D)将以该参考坐标为中心，0.1为宽度的区间带作为人眼纵坐标的范围；得到左、右眼中心纵坐标后，假设左右眼横坐标分别为0.25和0.75，以两个眼睛为中心，选取长为0.4，宽为0.3的左右眼粗定位区域。步骤三、根据步骤二中得到的人眼粗定位区域图像，利用梯度算法计算出精确的人眼中心坐标，具体步骤为：1)计算梯度，首先计算人脸图像灰度值I(x,y)的梯度值这里使用Sobel算子进行梯度计算，其中x方向和y方向的梯度分别为Gx(x,y)和Gy(x,y)，具体公式为：Gx(x,y)=-101-202-101×I(x,y);]]>Gy(x,y)=121000-1-2-1×I(x,y);]]>▿·I(x,y)=Gx(x,y)2+Gy(x,y)2]]>2)计算左眼中心点C的目标函数F(c)，具体公式为：F(c)=Σi=1Nω(c)·max(d→i·g→i,0);]]>w(c)＝(255-I(x,y))r；d→i=xi-c||xi-c||2]]>g→i=g→i′||g→i′||2]]>g→i′=▿·I(x)|(x=xi)]]>其中，r根据实验效果取0.5，图2是C点位于中心点和非中心点的结构示意图，根据图2的示意图可以看出，只有当c在圆心时，目标函数值为最大；3)选取所有点中目标函数F(c)值最大的点，即为精确定位的人眼中心。本发明采用了人眼粗定位与精确定位相结合的方式，避免计算图像所有区域，降低了计算复杂度。本发明利用了积分投影和梯度两个重要的图像特征，在光照条件不良的情况下，也可以正常工作，具有较强的鲁棒性。本发明在计算梯度目标函数时，剔除了部分模长较短的梯度向量，采用了分段选取目标函数最大值的方式，降低了计算复杂度。本发明可以与虹膜识别相结合，通过快速定位人眼中心，提取虹膜周围图像，避免了虹膜识别一开始就计算人脸全部区域，提高了识别的准确性和实时性。以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。当前第1页1 2 3