专利名称：：一种基于灰度梯度和分类器的虹膜外边界定位方法
技术领域：
：本发明属于图像处理
技术领域：
，主要涉及生物特征鉴别中的虹膜身份识别技术。
背景技术：
：随着日益增长的安全防护的需求，虹膜识别作为一种可靠、安全、使用的生物识别技术，已经被逐渐应用在各种高安全要求的场合。在电子商务、国家安全、出入境管理等社会生活的各个方面都起到了不可忽视的作用。同时虹膜识别已经在一些世界经济科技发达国家开始应用。例如银行、公安、机场、网络等方面，虹膜识别已经被成功应用。譬如SiemensNixdorf公司研制的集成在自动取款机上虹膜身份识别系统，纽约肯尼迪机场和波士顿洛根机场试用的虹膜扫描识别系统，以及在美国德克萨斯联合银行的三个营业部内运行的虹膜识别系统。这也可以说明这项技术在中国市场上具有巨大的经济价值和现实意义。不仅如此，虹膜识别技术还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展，虹膜身份识别系统己经日趋成熟。详见文献JohnGDaugm叫"HowMsRecognitionWorks,"7EE^7hmsac"'cwowCV>cwto分饰肌々rTec/wo/ogKVolume14,Issue1,pp.21-30,2004禾口文献JohnG.Daugman,"ProbingtheUniquenessandRandomnessofIrisCodes:ResultsFrom200BillionIrisPairComparisons,"77zeProceedingofIEEEVol.94，No.11,November2006，pp.1927-1934，2006所述。目前，虹膜识别技术在国外已经获得了蓬勃的发展，世界发达国家已逐步开展了虹膜识别的商品化过程。美国新泽西州的Plumsted学校已经在校园里面安装了虹膜识别的装置进行安全控制，任何学校的学生以及员工都不再使用任何形式的卡片与证件，只要他们在虹膜摄像头之前经过，他们的位置，身份便被系统识别出来，所有外来的人员都必须进行虹膜资料的登录才能进入到校园中。同时，通过中央登录与权限控制系统对进入这个活动范围进行控制。系统安装以后，校园内的各种违反校规以及侵犯、犯罪活动大大减少，极大的减轻了校园管理难度。英国作为虹膜识别技术的最初拥有国，也已经将虹膜识别系统用于现实生活，英国伦敦希思罗机场的安全检测系统巳经采用了虹膜识别系统，从而大大提高了机场安全检测的效率。国内从事虹膜识别的研究相对较晚，主要的研究单位有中科院自动化所、华中科技大学、浙江大学等。虽然起步较晚，我国还是研究出了拥有自主知识产权的虹膜识别系统。由于使用人群的增加，各种类型的虹膜图像都有可能出现在系统中。譬如光斑纹理过深，隐形眼镜的佩带，睫毛过于浓密等无法预知的情况，而且这些情况也不能完全被虹膜图像库完全涵盖。所以这就要求在设计虹膜识别系统时充分预见到系统应用的环境和所面对的人群，设计出有一定适应性而且强壮的系统算法。但是，由于在虹膜识别系统的实际应用中，特征提取与匹配部分已经有相当高的自适应度，但是在之前预处理，尤其是虹膜定位方面，由于考虑到的情况过于复杂和庞大，一直没有精确度高、适应性好、运行时间快的方法。一般来说，普通基于经典数字图像处理的方法速度比较快，由于其一般针对虹膜图像做灰度梯度等简单运算，只要适当控制计算像素范围的大小，实时性的要求一般可以达到。但是，这种方法对虹膜图像的质量比较倚赖，一旦干扰比较明显，噪声增加时，就无法正确定位到虹膜的外边缘了。而一些利用形态学或者SNAKE方法等高级算法时，系统的实时性要求又难以突破。另外，现行的各种虹膜外边界定位的方法并没有对于图像质量差的虹膜图像进行定位，尤其是对于一些睫毛遮挡明显的噪声类型，现在的方法都不能准确而又快速的进行定位。所以，这里提出一种准确快速而且适应性高的虹膜外边界定位方法。
发明内容本发明提供一种基于灰度梯度和分类器的虹膜外边界定位方法，采用本发明所提供的基于灰度梯度和分类器的虹膜外边界定位方法，能够快速、准确的定位出虹膜样本图像中的虹膜外边界，从而有利于提高虹膜的识别效率和准确率。为了方便地描述本
发明内容，首先对一些术语进行定义。定义l:瞳孔半径和瞳孔中心。由于虹膜是包裹着瞳孔的，所以虹膜的内边界就是瞳孔的外边界。我们一般把虹膜内边界定位叫作瞳孔定位，内边界半径叫做瞳孔半径，内边界中心叫做瞳孔中心，彼此名词可以相互替代。定义2:虹膜半径和虹膜中心。因为虹膜图像中的虹膜外边界近似是圆形，所以假设其为圆。对虹膜外边界的定位就是寻找其外边界所形成的圆的半径和中心，即为虹膜半径和虹膜中心。定义3:直方图拉伸。一种数字图像处理中基本灰度变换的算法，即将虹膜图像的直方图平均分布在灰度空间。对那些灰度分布比较集中的图像，进行函数变换使其灰度均匀分布于0255这一范围之内，以此来增加图像对比度，此函数变换式为/W-tanh(二;c)，其中X代表输入的灰度值，/0)代表变换后的灰度值，tanh为双正切函数。cr表示灰度图像的均方差，c表示一个常数。定义4:自适应的全局阈值。一种简单的自适应阈值计算方法。根据灰度图像的直方图分布，寻找一个最佳分割点，作为整幅图像的全局阈值。定义5:交叉组合。把任意两个不同分类的点放到同一边界点矩阵中，并将该矩阵输出到曲线拟合中。定义6:径向梯度值。在拟合后的虹膜边界上某一点的法线方向的灰度梯度值。本发明技术方案如下-一种基于灰度梯度和分类器的虹膜外边界定位方法，如图1所示，包括以下步骤步骤l:采集虹膜样本图像并确定虹膜的大致区域；首先采集虹膜样本图像，具体采集虹膜样本图像时保证瞳孔中心位置大致位于图像中间；然后进行瞳孔定位，得到瞳孔半径rjmpil和瞳孔中心位置(x_pupil，y_pupil);再提取在瞳孔中心上方50行，瞳孔中心下方2倍瞳孔半径，瞳孔中心左右方各3倍瞳孔半径的区域作为搜索虹膜外边界的子图sublmage，其高度为subHeight，宽度为subWidth。步骤2:对搜索虹膜外边界的子图sublmage进行灰度直方图拉伸，然后提取在瞳孔边界最低点上下各7~30行、左右各7~30列的子图进行自适应的全局阈值计算，得到睫毛灰度阈值Eyelash一Threshold。步骤3:提取搜索虹膜外边界的子图sublmage中的虹膜外边界点，得到虹膜左外边界点集合PointSet—L和虹膜右外边界点集合PointSet_R。具体包括以下分步骤歩骤3-l:以瞳孔中心为界，将搜索虹膜外边界的子图sublmage划分为左右两个区域，得至Usublmage—L和subImage_R;步骤3-2:计算步骤3-1所得的左边区域sublmage—L中每相邻三行的像素点按照列对应位置加权相加的平均灰度向量Vec,=[a,,"2,…,a,]，其中a'=爿xPu+5xA+w+CxA+2;。其中Vec,表示第/行、第(HI)行和第(/+2)行这相邻三行像素点的平均灰度向量，/从1到(subHdght-2);^表示Vec,中第_/列三个像素点的灰度加权和值，_/从1到(^subWidth-r_pupil);爿、万和C表示加权系数，通常0.5《爿<1，0<S《0.5，0<C^0.3，且J+B+C-l;/^.表示像素点(i，p的灰度值。具体计算时，若其中某点像素的灰度值小于睫毛灰度阈值Eyelash—Threshold,即该像素点属于睫毛点，则该点像素点的像素值以零代替后进行计算。步骤3-3:对向量VeCi进行扩展，得到扩展向量F"ec;4[flp…,a丄8，Vec,,[a"，…a丄J。其中，[",，…，a丄s表示在向量Vec,.的前面放置8个fl,,[""，…"丄,表示在Vec,的后面放置7个a,,，其中"=*subWi她-r』upil。步骤3-4:对扩展向量K《做差分运算，得到灰度梯度向量"r",=[《,《,.《]，具体方法如下《=Zk-^-8|，1其中A、A_8e^C;。步骤3-5:搜索灰度梯度向量DK。的局部极小值。如果存在《<《+1且《<《—p《e，则将该坐标0A:)位置所在的像素点作为虹膜左外边界点并放入虹膜左外边界点集合PointSet_L。步骤3-6:按照步骤3-2至步骤3-5的具体方法计算步骤3-1所得的右边区域sublmage一R的虹膜右边界点并放入虹膜右外边界点集合PointSet_R。步骤4:分别计算虹膜左、右外边界点集合PointSet一L与PointSet一R中的每一个点与瞳孔中心之间的距离，删除其中大于3倍瞳孔半径或者小于1.5倍瞳孔半径的部分伪虹膜外边界点，得到左、右外边界点集合PointSet—Ll与PointSet一Rl。步骤5:分别对虹膜左、右外边界点集合PointSet—Ll与PointSet_Rl中的虹膜外边界点进行第一次分类，然后删除其中属于伪虹膜外边界点类别的点，再对剩余虹膜外边界点类别的点进行第二次分类。具体步骤如下步骤5-l:对虹膜左外边界点集合PointSet—Ll内的点进行第一次分类；对虹膜左外边界点集合PointSetJLl内的每一个点，按坐标位置从左上至右下的顺序，逐一判断每个点的7V^(力邻域内是否存在已有被分类的点，若某一点A的邻域内存在己被分类的点，则将A点归入与其iV^04)邻域内已被分类且"距离"A点最近的点所属的类别；若某一点A的邻域内不存在已被分类的点，则将A点归入新的类别。其中，某一点A的A^(j)邻域的点指按照表(a)中A点附近标有数字1至16的这16个点；这16个点的数字1至16表示相应点与A点之间的"距离"。<table>tableseeoriginaldocumentpage10</column></row><table>步骤5-2:统计虹膜左外边界点集合PointSet—Ll中各个分类子集所包含的虹膜边界点的点数，删除分类点数小于15的分类子集，得到虹膜左外边界点集合PointSet一L2。步骤5-3:对虹膜左外边界点集合PointSet_L2进行第二次分类；按照虹膜左外边界点集合PointSet—L2中点与瞳孔中心之间的距离大小，将虹膜左外边界点集合PointSet—L2中点分成m类子集，同一类子集中的点与瞳孔中心之间的距离相差不超过10个像素，其中n^ll.5xrjupi1/101，其中|*|表示将*取整。步骤5-4:统计虹膜左外边界点集合PointSet—L2总的点数iV，并统计步骤5-3所得w类子集中每一类子集中的点数巧，1^^附；判断是否存在子集点数大于A7丄-5的分类，其中丄的初始值等于5:若存在，则得到子集点数大于JV/丄-5的分类集合PointSet—L3，以及子集点数大于7V/丄-5的类别数NcL;若不存在，则将丄的值增加1，直到存在子集点数大于iV/Z-5的分类，并得到子集点数大于JV/Z-5的分类及子集点数大于iWZ-5的类别数NcL。步骤5-5:对虹膜右外边界点集合PointSeLRl中的虹膜外边界点，采取步骤5-1至步骤5-4相应的处理方法，得到子集点数大于W/i:-5的分类集合PointSet一R3，以及子集点数大于A7丄-5的类别数NeR。其中对虹膜右外边界点集合PointSet_Rl内的点进行第一次分类时，某一点A的iV^04)邻域的点指按照表(b)中A点附近标有数字1至16的这16个点。步骤6:分别任取一个来自于左区域分类集合PointSet_L3和一个来自于右区域分类集合PointSet—R3的分类子集的虹膜外边界点进行组合，得到NcLxNcR个虹膜外边界点矩阵；然后对每个虹膜外边界点矩阵采用最小二乘法进行圆拟合，得到NcLxNcR个待选虹膜外边界。步骤7:根据径向灰度分布特性删除NcLxNcR个待选虹膜外边界中的伪虹膜外边界，得到最终定位的虹膜外边界。具体方法如下步骤7-1:若步骤6所得的NcLxNcR个待选虹膜外边界中，存在两个待选虹膜外边界的圆心距和半径差都在IO个像素以内，且两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则判定这两个待选虹膜外边界重合。对于重合的两个待选虹膜外边界，将用以分别拟合该两个待选虹膜外边界的，来自于左、右区域分类集合PointSet_L3和P0intSet_R3的分类子集的虹膜外边界点全部组合成一个虹膜外边界点矩阵，然后采用最小二乘法拟合得到一个新的待选虹膜外边界；设重新拟合后的待选虹膜外边界的数目为S，则S〈NcLxNcR。若步骤6所得的NcLxNcR个待选虹膜外边界中，不存在两个待选虹膜外边界的圆心距和半径差都在10个像素以内或两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则直接执行步骤7-2。步骤7-2:在步骤7-1所得的S个待选虹膜外边界中，选出待选虹膜外边界的圆心与瞳孔中心的距离小于IO像素的待选虹膜外边界，然后转为执行步骤7-3;若步骤7-1所得的S个待选虹膜外边界中，所有待选虹膜外边界的圆心与瞳孔中心的距离大于10像素以上，则判定虹膜外边界定位失败。若定位失败，则计算每个待选虹膜外边界中用以拟合该待选虹膜外边界的，来自于左、右区域分类集合PointSet—L3和PointSet—R3的分类子集的虹膜外边界点到该待选虹膜外边界的距离，并删除其中距离较大的10%的点，然后重新拟合该待选虹膜外边界；然后在重新拟合的S个新的待选虹膜外边界中，选出其中待选虹膜外边界的圆心与瞳孔中心的距离小于10像素的待选虹膜外边界，再转为执行步骤7-3。步骤7-3:在步骤7-2的基础上，计算每个待选虹膜外边界上所有点的径向梯度和值《KS;再计算G,与所有径向梯度和值G,中的最大值G，x的比值G,/G,;然后剔除那些比值G,/G,小于0.4的待选虹膜外边界。步骤7-4:计算所有剩余的待选虹膜外边界的圆心与瞳孔中心的距离，把其中最小距离所对应的待选虹膜外边界作为最终定位的虹膜外边界。通过以上步骤1至步骤7，就能得到最终定位的虹膜外边界。需要说明的是-1、在步骤1中，若搜索虹膜外边界的子图sublmage大于虹膜样本图像尺寸，则根据虹膜样本图像修改搜索虹膜外边界的子图sublmage的大小，以确保其不会溢出。2、在步骤2中，若计算得到的睫毛灰度阈值Eyelash—Threshold大于了70,则取70作为睫毛灰度阈值Eyelash—Threshold。本发明的创新之处在于-本发明利用虹膜图像的灰度、位置等简单的数字图像信息，能够快速而准确的找到虹膜外边界。其中利用多行灰度值的叠加来求梯度，克服了虹膜周围睫毛的干扰；而梯度和的计算方法又有效抑制了突变的噪声点；同时简单的二次分类使得真正的虹膜外边界点和睫毛形成的短边界点以及虹膜内部纹理形成的伪边界点被正确区分，从而快速的排除了干扰，得到正确的虹膜边界点集合；利用最小二乘法作为曲线拟合算法的核心，在良好边界点检测下，选择最小二乘保证算法能有更短的运行时间，可以很好的得到正确的虹膜中心和半径的大小；最后充分利用虹膜内外边界是同心圆的先验经验来确定最终的虹膜外边界。综上所述，采用本发明所提供的基于灰度梯度和分类器的虹膜外边界定位方法，能够快速、准确的定位出虹膜样本图像中的虹膜外边界，从而有利于提高虹膜的识别效率和准确率。图1:本发明提供的基于灰度梯度和分类器的虹膜外边界定位方法的流程示意图。图2:本发明提供的基于灰度梯度和分类器的虹膜外边界定位方法的步骤3的具体流程示意图。图3:本发明提供的基于灰度梯度和分类器的虹膜外边界定位方法的步骤5的具体流程示意图。具体实施例方式首先用虹膜红外镜头采集图像，作为虹膜识别的样本。其次把虹膜图像作为原始数据输入到用c编写的软件中进行处理。最终对于每一幅虹膜图像都得到一个虹膜中心和虹膜半径。实验共采用702幅自拍图像、1200幅CASIA-IrisV2-device2和3183幅CASIA-MsV3-Twins的公用虹膜图像库。在702幅自拍图像中，正确定位700幅，正确定位率为99.86%。1200幅CASIA-IrisV2-device2库图中能够定位有1179幅，瞳孔正确定位1177幅，其中1170幅的虹膜外边界被正确定位，正确定位率为99.41%。由于CASIA-IrisV3-Twins库的图像质量比较差，就图像本身而言，大量图像的虹膜信息不完整或者被严重损坏，存在无法定位的情况。即便如此，在3183幅公用虹膜图像库中，被正确定位的瞳孔有3060幅。其中，37幅被严重损坏，无法定位；86幅瞳孔定位失败而导致虹膜定位失败。在瞳孔被正确定位的3060幅虹膜图像中，应用本发明，被正确定位的虹膜外边界为3022幅，正确定位率为98.76%。由此可见，本方法完全符合系统对精确度的要求。最后，平均每幅图像的定位时间一般为80ms，完全符合系统实时性要求。权利要求1、一种基于灰度梯度和分类器的虹膜外边界定位方法，包括以下步骤步骤1采集虹膜样本图像并确定虹膜的大致区域；首先采集虹膜样本图像，具体采集虹膜样本图像时保证瞳孔中心位置大致位于图像中间；然后进行瞳孔定位，得到瞳孔半径r_pupil和瞳孔中心位置(x_pupil，y_pupil)；再提取在瞳孔中心上方50行，瞳孔中心下方2倍瞳孔半径，瞳孔中心左右方各3倍瞳孔半径的区域作为搜索虹膜外边界的子图subImage，其高度为subHeight，宽度为subWidth；步骤2对搜索虹膜外边界的子图subImage进行灰度直方图拉伸，然后提取在瞳孔边界最低点上下各7～30行、左右各7～30列的子图进行自适应的全局阈值计算，得到睫毛灰度阈值Eyelash_Threshold；步骤3提取搜索虹膜外边界的子图subImage中的虹膜外边界点，得到虹膜左外边界点集合PointSet_L和虹膜右外边界点集合PointSet_R；具体包括以下分步骤步骤3-1以瞳孔中心为界，将搜索虹膜外边界的子图subImage划分为左右两个区域，得到subImage_L和subImage_R；步骤3-2计算步骤3-1所得的左边区域subImage_L中每相邻三行的像素点按照列对应位置加权相加的平均灰度向量Veci＝[a1，a2，…，aj…]，其中aj＝A×pi，j+B×pi+1，j+C×pi+2，j；其中Veci表示第i行、第(i+1)行和第(i+2)行这相邻三行像素点的平均灰度向量，i从1到(subHeight-2)；aj表示Veci中第j列三个像素点的灰度加权和值，j从1到id="icf0001"file="A2009100593480002C1.tif"wi="39"he="9"top="175"left="21"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>A、B和C表示加权系数，通常0.5≤A＜1，0＜B≤0.5，0＜C≤0.3，且A+B+C＝1；pi，j表示像素点(i，j)的灰度值；具体计算时，若其中某点像素的灰度值小于睫毛灰度阈值Eyelash_Threshold，即该像素点属于睫毛点，则该点像素点的像素值以零代替后进行计算；步骤3-3对向量Veci进行扩展，得到扩展向量Vec′i＝{[a1，…，a1]1×8，Veci，[an，…an]1×7}；其中，[a1，…，a1]1×8表示在向量Veci的前面放置8个a1，[an，…an]1×7表示在Veci的后面放置7个an，其中<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>n</mi><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mi>subWidth</mi><mo>-</mo><mi>r</mi><mo>_</mo><mi>pupil</mi><mo>;</mo></mrow>]]></math>id="icf0002"file="A2009100593480002C2.tif"wi="42"he="9"top="236"left="41"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>步骤3-4对扩展向量Vec′i做差分运算，得到灰度梯度向量DVeci＝[d1，d2，…dn]，具体方法如下<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>d</mi><mi>j</mi></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mi>j</mi><mo>+</mo><mn>8</mn></mrow><mrow><mi>j</mi><mo>+</mo><mn>18</mn></mrow></munderover><mo>|</mo><msub><mi>a</mi><mi>k</mi></msub><mo>-</mo><msub><mi>a</mi><mrow><mi>k</mi><mo>-</mo><mn>8</mn></mrow></msub><mo>|</mo><mo>,</mo></mrow>]]></math>id="icf0003"file="A2009100593480002C3.tif"wi="33"he="10"top="260"left="36"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>1≤j≤n，其中ak、ak-8∈Vec′i；步骤3-5搜索灰度梯度向量DVeci的局部极小值；如果存在dk＜dk+1且dk＜dk-1，dk∈DVeci，则将该坐标(i，k)位置所在的像素点作为虹膜左外边界点并放入虹膜左外边界点集合PointSet_L；步骤3-6按照步骤3-2至步骤3-5的具体方法计算步骤3-1所得的右边区域subImage_R的虹膜右边界点并放入虹膜右外边界点集合PointSet_R；步骤4分别计算虹膜左、右外边界点集合PointSet_L与PointSet_R中的每一个点与瞳孔中心之间的距离，删除其中大于3倍瞳孔半径或者小于1.5倍瞳孔半径的部分伪虹膜外边界点，得到左、右外边界点集合PointSet_L1与PointSet_R1；步骤5分别对虹膜左、右外边界点集合PointSet_L1与PointSet_R1中的虹膜外边界点进行第一次分类，然后删除其中属于伪虹膜外边界点类别的点，再对剩余虹膜外边界点类别的点进行第二次分类；具体步骤如下步骤5-1对虹膜左外边界点集合PointSet_L1内的点进行第一次分类；对虹膜左外边界点集合PointSet_L1内的每一个点，按坐标位置从左上至右下的顺序，逐一判断每个点的NKK(A)邻域内是否存在已有被分类的点，若某一点A的邻域内存在已被分类的点，则将A点归入与其NKK(A)邻域内已被分类且“距离”A点最近的点所属的类别；若某一点A的邻域内不存在已被分类的点，则将A点归入新的类别；其中，某一点A的NKK(A)邻域的点指按照表(a)中A点附近标有数字1至16的这16个点；这16个点的数字1至16表示相应点与A点之间的“距离”；<tablesid="tabl0001"num="0001"></tables>表(a)表(b)步骤5-2统计虹膜左外边界点集合PointSet_L1中各个分类子集所包含的虹膜边界点的点数，删除分类点数小于15的分类子集，得到虹膜左外边界点集合PointSet_L2；步骤5-3对虹膜左外边界点集合PointSet_L2进行第二次分类；按照虹膜左外边界点集合PointSet_L2中点与瞳孔中心之间的距离大小，将虹膜左外边界点集合PointSet_L2中点分成m类子集，同一类子集中的点与瞳孔中心之间的距离相差不超过10个像素，其中m≥|1.5×r_pupil/10|，其中|·|表示将·取整；步骤5-4统计虹膜左外边界点集合PointSet_L2总的点数N，并统计步骤5-3所得m类子集中每一类子集中的点数Wi，1≤i≤m；判断是否存在子集点数大于N/L-5的分类，其中L的初始值等于5若存在，则得到子集点数大于N/L-5的分类集合PointSet_L3，以及子集点数大于N/L-5的类别数NcL；若不存在，则将L的值增加1，直到存在子集点数大于N/L-5的分类，并得到子集点数大于N/L-5的分类及子集点数大于N/L-5的类别数NcL；步骤5-5对虹膜右外边界点集合PointSet_R1中的虹膜外边界点，采取步骤5-1至步骤5-4相应的处理方法，得到子集点数大于N/L-5的分类集合PointSet_R3，以及子集点数大于N/L-5的类别数NcR；其中对虹膜右外边界点集合PointSet_R1内的点进行第一次分类时，某一点A的NKK(A)邻域的点指按照表(b)中A点附近标有数字1至16的这16个点；步骤6分别任取一个来自于左区域分类集合PointSet_L3和一个来自于右区域分类集合PointSet_R3的分类子集的虹膜外边界点进行组合，得到NcL×NcR个虹膜外边界点矩阵；然后对每个虹膜外边界点矩阵采用最小二乘法进行圆拟合，得到NcL×NcR个待选虹膜外边界；步骤7根据径向灰度分布特性删除NcL×NcR个待选虹膜外边界中的伪虹膜外边界，得到最终定位的虹膜外边界；具体方法如下步骤7-1若步骤6所得的NcL×NcR个待选虹膜外边界中，存在两个待选虹膜外边界的圆心距和半径差都在10个像素以内，且两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则判定这两个待选虹膜外边界重合；对于重合的两个待选虹膜外边界，将用以分别拟合该两个待选虹膜外边界的，来自于左、右区域分类集合PointSet_L3和PointSet_R3的分类子集的虹膜外边界点全部组合成一个虹膜外边界点矩阵，然后采用最小二乘法拟合得到一个新的待选虹膜外边界；设重新拟合后的待选虹膜外边界的数目为S，则S＜NcL×NcR；若步骤6所得的NcL×NcR个待选虹膜外边界中，不存在两个待选虹膜外边界的圆心距和半径差都在10个像素以内或两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则直接执行步骤7-2；步骤7-2在步骤7-1所得的S个待选虹膜外边界中，选出待选虹膜外边界的圆心与瞳孔中心的距离小于10像素的待选虹膜外边界，然后转为执行步骤7-3；若步骤7-1所得的S个待选虹膜外边界中，所有待选虹膜外边界的圆心与瞳孔中心的距离大于10像素以上，则判定虹膜外边界定位失败；若定位失败，则计算每个待选虹膜外边界中用以拟合该待选虹膜外边界的，来自于左、右区域分类集合PointSet_L3和PointSet_R3的分类子集的虹膜外边界点到该待选虹膜外边界的距离，并删除其中距离较大的10％的点，然后重新拟合该待选虹膜外边界；然后在重新拟合的S个新的待选虹膜外边界中，选出其中待选虹膜外边界的圆心与瞳孔中心的距离小于10像素的待选虹膜外边界，再转为执行步骤7-3；步骤7-3在步骤7-2的基础上，计算每个待选虹膜外边界上所有点的径向梯度和值Gi，1≤i≤S；再计算Gi与所有径向梯度和值Gi中的最大值Gmax的比值Gi/Gmax；然后剔除那些比值Gi/Gmax小于0.4的待选虹膜外边界；步骤7-4计算所有剩余的待选虹膜外边界的圆心与瞳孔中心的距离，把其中最小距离所对应的待选虹膜外边界作为最终定位的虹膜外边界。全文摘要一种基于灰度梯度和分类器的虹膜外边界定位方法，属于图像处理
技术领域：
，涉及虹膜身份识别技术。首先通过瞳孔边界信息，确定虹膜外边界的大致区域；其次对该区域进行直方图拉伸并计算睫毛灰度阈值；接着利用虹膜外边界的形状特性和分布特性，设计两个边界点分类器，得到虹膜外边界点集合；然后根据得到的虹膜外边界集合，采用最小二乘法拟合出待选虹膜外边界；最后利用瞳孔位置信息对待选虹膜外边界进行比较，得到最接近的虹膜外边界曲。本发明与现有的虹膜外边界定位方法相比，不仅速度快、定位精准，而且鲁棒性高，对图像质量较差的虹膜图像仍然能正确定位，从而有利于提高虹膜的识别效率和准确率。文档编号G06K9/00GK101576951SQ200910059348公开日2009年11月11日申请日期2009年5月20日优先权日2009年5月20日发明者梅解,韬郑申请人:电子科技大学