虹膜识别方法与流程

本发明涉及虹膜识别技术领域，尤其涉及一种虹膜识别方法。

背景技术：

在虹膜识别中，正确识别虹膜周边和瞳孔位置，是确保虹膜识别正确率的基本要求。一旦虹膜识别中的分区产生问题，虹膜识别的结果一定是错误的。这对于虹膜识别最大和最具备价值的品质：高安全性，会产生严重的问题，导致严重的后果。

目前，大部分的自动虹膜识别系统使用daugman核心算法。请参阅说明书附图1所示，基于daugman的瞳孔2及虹膜1分割方法，它是利用瞳孔2相较于虹膜1颜色偏暗及虹膜1相较于白膜3颜色偏暗的特点，通过卷积的方法计算瞳孔2及虹膜1的边缘位置。因为这种方法是利用明暗的偏差计算虹膜1的边缘，如果在边缘位置附近存在光斑点4的情况下，必将导致虹膜1分区的结果会向光斑点4靠近，即导致虹膜1分区错误。

日常生活中，很多人都会佩戴眼镜，在佩戴眼镜的的情况下，由于镜面对于补光光源的折射，导致光斑点4的产生是不可避免的。因此，佩戴眼镜或者其他造成大面积光斑情况下虹膜分割的正确率有待提高。

有鉴于此，有必要设计一种改进的虹膜识别方法，以解决上述问题。

技术实现要素：

本发明的目的在于提供一种在采集的虹膜图片存在光斑的情况下提升虹膜分区正确率的虹膜识别方法。

为实现上述发明目的，本发明提供了一种虹膜识别方法，包括以下步骤：

s1、采集虹膜原始图片，判定所述虹膜原始图片有无光斑；

s2、定位光斑位置并对所述虹膜边缘处光斑做去光斑处理，得到无光斑图片；

s3、对所述无光斑图片进行虹膜分区，得到虹膜分区模板；

s4、根据所述虹膜分区模板，对所述虹膜原始图片进行分割，得到虹膜的环形区域图像；

s5、对所述环形区域图像进行归一化处理和特征提取；

s6、将步骤s5得到的虹膜图像特征与系统内存储的虹膜数据库信息分别进行比对，进行虹膜识别，输出结果。

作为本发明的进一步改进，所述s2的具体步骤如下：

s21、对所述虹膜原始图片进行基于阈值的二值化分割，得到所述虹膜原始图片的二值掩模图像；

s22、对所述二值掩模图像进行开运算处理，去除所述二值掩模图像中的小连通域；

s23、进行连通域扩充；

s24、对s23得到的图片进行梯度插值，得到要去除的光斑区域；

s25、去除所述虹膜原始图片中的所述光斑区域，得到无光斑图片。

作为本发明的进一步改进，所述s24中的所述梯度插值的计算过程如下：

s241、计算s23得到的图片的光斑边缘的水平梯度和竖直梯度,公式是：

diffxi＝(xi+1-xi-1)/2；

diffyi＝(yi+1-yi-1)/2；

其中，x表示光斑区域的水平方向上像素值向量，y表示光斑区域竖直方向上像素值向量，i表示第几个像素值；

s242、使用如下公式对s23得到的图片的整个光斑区域的每一行进行循环插值，公式是：

其中，q表示光斑区域，q0表示当前待插值的行的左边缘像素点的灰度值，qend表示待插值的行的右边缘的像素点的灰度值，diffx,diffy是在第一步计算得到的梯度值，i,j分别表示水平方向和竖直方向上的像素标号。

作为本发明的进一步改进，在s21中使用图像直方图统计的算法估算所述虹膜原始图片的阈值t,记所述虹膜原始图片上位于(x,y)处的像素点的灰度值为vxy,当vxy≥t时，令vxy＝255；当vxy＜t时，令vxy＝0，得到所述二值掩模图像。

作为本发明的进一步改进，在s22中所述开运算处理的具体步骤如下：

s221、对所述二值掩模图像进行腐蚀处理，来滤除瞳孔和虹膜上的小光斑，以及所有的噪声白点；

s222、对所述二值掩模图像进行膨胀，来减少腐蚀操作对大光斑边缘的影响，以防止大光斑面积缩减。

作为本发明的进一步改进，在s23中所述连通域扩充为将所述二值掩模图像的区域向外扩大指定的像素，从而增加所述二值掩模图像的面积并平滑所述二值掩模图像的边缘。

作为本发明的进一步改进，在s23中所述连通域扩充为将所述二值掩模图像的区域向外扩大2个像素。

作为本发明的进一步改进，在步骤s4中，提取所述虹膜原始图片中对应于所述虹膜分区模板中虹膜环形区域内的图像信息，从而对所述虹膜原始图片进行分割，得到所述环形区域图像。

作为本发明的进一步改进，在步骤s4中，将所述虹膜原始图片中对应于所述虹膜分区模板中虹膜环形区域内的数据信息代入所述虹膜分区模板，得到所述环形区域图像。

本发明的有益效果是：本发明虹膜识别方法首先去除虹膜原始图片上靠近所述虹膜边缘的光斑，得到去光斑图片；然后对去光斑图片进行虹膜分区，得到虹膜分区模板并保存；根据所述得到的虹膜分区模板，对所述虹膜原始图片进行分割，得到虹膜的环形区域，在虹膜环形区域的图像上进行归一化处理和特征提取进行虹膜识别。通过本方法采集的最终虹膜图片不会改变虹膜原始图片中虹膜区域的数据信息，保证了虹膜的准确性，提高了虹膜识别的准确率。

附图说明

图1为带有光斑的虹膜图片基于daugman算法得到的虹膜分区图。

图2为本发明虹膜识别方法的流程示意图。

图3为图2中s2的具体流程图。

图4为图1去除光斑后的去光斑图片。

图5为图1去除光斑后的虹膜分区图。

图6为图1的虹膜分区模板。

图7为图1采用本发明得到的虹膜分区图。

图8为对图7进行几何归一化处理后的图像。

图9为对图7进行灰度归一化处理后的图像。

附图标记

1-虹膜；2-瞳孔；3-白膜；4-光斑点。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

请参阅图2所示的本发明虹膜识别方法的流程示意图，本发明提供了一种虹膜识别方法，包括以下步骤：

s1、采集虹膜原始图片，判定所述虹膜原始图片有无光斑；

s2、定位光斑位置并对所述虹膜边缘处光斑做去光斑处理，得到无光斑图片；

s3、对所述无光斑图片进行虹膜分区，得到虹膜分区模板；

s4、根据所述虹膜分区模板，对所述虹膜原始图片进行分割，得到虹膜的环形区域图像；

s5、对所述环形区域图像进行归一化处理和特征提取；

s6、将步骤s5得到的虹膜图像特征与系统内存储的虹膜数据库信息分别进行比对，进行虹膜识别，输出结果。

请参阅图3所示的所述s2的具体流程图，所述s2的具体步骤如下：

s21、对所述虹膜原始图片进行基于阈值的二值化分割，得到所述虹膜原始图片的二值掩模图像；

s22、对所述二值掩模图像进行开运算处理，去除所述二值掩模图像中的小连通域；

s23、进行连通域扩充；

s24、对s23得到的图片进行梯度插值，得到要去除的光斑区域；

s25、去除所述虹膜原始图片中的所述光斑区域，得到无光斑图片。

在本发明中，在s21中使用图像直方图统计的算法估算所述虹膜原始图片的阈值为t。记所述虹膜原始图片上位于(x,y)处的像素点的灰度值为vxy,当vxy≥t时，令vxy＝255；当vxy＜t时，令vxy＝0，使得所述虹膜原始图片上所有的像素点为灰度值为0或者255的黑白图片，从而得到所述二值掩模图像，所述二值掩模图像准确反映了所述虹膜原始图片上的光斑和部分噪声白点的区域。

在s22中所述开运算处理的具体步骤如下：

s221、对所述二值掩模图像进行腐蚀处理。所述腐蚀处理是使图像边界向内部收缩的过程，可以用来滤除所述瞳孔2和所述虹膜1上的小的所述光斑点4，以及所有的噪声白点；

s222、对所述二值掩模图像进行膨胀处理。所述膨胀处理是使图像边界向外部扩张的过程，可以用来填补图片中的空洞，用来减少腐蚀处理操作对大光斑边缘的影响，以防止大光斑面积缩减。

为了减轻所述开运算处理对所述二值掩模图像的光斑区域的影响，在步骤s23中进行连通域扩充，即将所述二值掩模图像的区域向外扩大指定的像素，从而增加所述二值掩模图像的面积并平滑所述二值掩模图像的边缘。在本发明中，将所述二值掩模图像的区域向外扩大2个像素，得到的所述二值掩模图像中像素点的灰度值不为0的区域即为所述虹膜原始图片中需要去除的光斑区域。

在s24中，对所述光斑区域进行一种加权赋值，实现对整个所述光斑区域的插值处理。在本发明中，采用梯度插值对整个所述光斑区域进行插值处理，从而得到所述虹膜原始图片中最终需要去除的光斑区域。

所述梯度插值的具体计算过程如下：

s241、计算s23得到的图片的光斑边缘的水平梯度和竖直梯度,公式是：

diffxi＝(xi+1-xi-1)/2；

diffyi＝(yi+1-yi-1)/2；

其中，x表示光斑区域的水平方向上像素值向量，y表示光斑区域竖直方向上像素值向量，i表示第几个像素值；

s242、使用如下公式对s23得到的图片的整个光斑区域的每一行进行循环插值，公式是：

其中，q表示光斑区域，q0表示当前待插值的行的左边缘像素点的灰度值，qend表示待插值的行的右边缘的像素点的灰度值，diffx,diffy是在第一步计算得到的梯度值，i,j分别表示水平方向和竖直方向上的像素标号。

请参阅图4所示的图2去除光斑后的无光斑图片。在s25中，去除所述虹膜原始图片中的最终需要去除的光斑区域。至此，在不产生新的边缘的情况下去除了所述虹膜原始图片中的光斑区域，得到了无光斑图片。

请参阅图5至图6所示。在s3中，对所述无光斑图片进行虹膜分区，得到所述虹膜原始图片的虹膜分区模板，提取并保存所述虹膜分区模板。根据图5可以看到，所述无光斑图片的虹膜分区的准确性明显提升。

请参阅图7至图9并结合图1所示。如图7所示，根据步骤s3得到的虹膜分区模板，对所述虹膜原始图片进行分割，得到虹膜的环形区域图像。在本发明中，通过提取所述虹膜原始图片中对应于所述虹膜分区模板中虹膜环形区域内的图像信息，从而对所述虹膜原始图片进行分割，得到所述环形区域图像；或者将所述虹膜原始图片中对应于所述虹膜分区模板中虹膜环形区域内的数据信息代入所述虹膜分区模板，得到所述环形区域图像。

请参阅图8和图9所示，对所述虹膜的环形区域图像进行归一化处理和特征提取；然后将得到的虹膜图像特征与系统内存储的虹膜数据库信息分别进行比对，进行虹膜识别，输出结果。如此操作，避免了去除光斑处理过程中的运算影响所述虹膜原始图片中虹膜的纹路信息，保证了所述最终虹膜图片的准确性。根据图7可以看到，与图1相比，所述最终虹膜图片的虹膜分区的准确性明显提升。

在本发明中，所述小的光斑或者大的光斑中的小和大均为本领域技术人员所熟悉的描述，本领域的普通技术人员应当理解。

综上所述，本发明虹膜识别方法通过对虹膜原始图片进行二值化分割，来产生反映虹膜原始图片的光斑区域的二值掩模图像，再对二值掩膜图像进行梯度插值，从而得到最终需要去除的光斑区域；然后去除虹膜原始图片上的光斑区域，得到去光斑图片；对去光斑图片进行虹膜分区得到虹膜分区模板，根据所述得到的虹膜分区模板，对所述虹膜原始图片进行分割，得到虹膜的环形区域图像信息，进而进行虹膜识别。通过本方法采集的所述最终虹膜图片不会改变虹膜原始图片中虹膜区域的数据信息，保证了虹膜的准确性，提高了虹膜识别的准确率。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。