专利名称：一种基于混合高斯模型的虹膜图像分割算法的制作方法
技术领域：
本发明涉及一种基于混合高斯模型的虹膜图像分割算法。
背景技术：
生物特征识别(Biometrics)是指通过信息技术，利用人类自身的生理或行为特征实现个人身份认定。这些特征包括虹膜、指纹、掌纹、人脸、声音等人体的生理特征，以及签名动作、行走步态、敲击键盘的力度等行为特征。由于这些生理或行为特征因人而异且具有相当的稳定性，因此成为鉴别身份的可靠依据。近年来，生物特征识别技术已在信息安全、金融交易、社会安全、人员管理、医疗卫生等领域获得了广泛应用[I]。作为一项重要的生物特征识别技术，虹膜识别得到了科学界和工业界的高度关注[2，3]，原因在于与其他生物特相比，虹膜唯一性高、精度高、稳定性好，适用人群广泛。目前，一个典型的虹膜识别系统主要由虹膜图像预处理、特征提取、归一化和编码几部分组成。其中虹膜图像预处理的主要任务是正确分割图像中的虹膜区域，即定位虹膜内外边界、消除睫毛和眼睑遮挡，从而为后续的特征提取和编码过程提供有效信息。预处理是整个识别过程的基础和关键，它会对最终的识别效果产生重要影响。最早的虹膜边界定位方法由Daugman 提出，即经典的积分 / 微分算子(Integro-differential operator)[4] ；ffildes 提出的算法将边缘检测与Hough变换相结合M ；Boles等采用一维三次样条小波提取出的图像过零点作为特征[6]。随后，人们在虹膜图像预处理阶段引入了多种工具，如活动轮廓模型、傅里叶变换与几何投影、统计方法、Gabor滤波器等[7’8]，取得了良好效果。近年来，考虑至蚍膜识别方法的实用性，人们开始更多的关注虹膜的识别[9，1(U1，12，13]。虹膜图像由于存在反光、睫毛和眼睑遮挡等干扰，图像质量大为降低，这为虹膜边界的准确定位带来了很大困难。因此，虹膜识别的关键在于虹膜的内外边界定位。考虑到虹膜识别系统的实用性，研究者已经对虹膜预处理给予很大关注。由于存在反光、睫毛和眼睑遮挡等干扰，虹膜边界的准确定位存在很大困难。为此，人们近年来提出了许多方法。例如，Proencat9]等提出利用k均值模糊聚类对虹膜图像灰度的特征分类；Pundlik等_通过图割分割虹膜，缺点是图割依赖于像素间的统计关系，忽略了边界信息，且迭代过程较长；He等[11]提出了一种混合分割方法，即首先利用线性插值技术消除反光，再由弦长均衡方法搜索瞳孔中心Jarjes等[12]利用snake模型和角积分投影进行虹膜分割；Roy等M通过水平集演化实现虹膜边界提取。需要指出，由于Snake和水平集方法均依赖于由偏微分方程控制的曲线演化模型，此类方法收敛速度慢，且对曲线的初始化位置非常敏感。此外，Verma等M提出利用图像增强技术分割虹膜。参考文献:[I] A K Jain, A Ross, S Pankant1.Biometrics: a tool for informationsecurity[J].1EEE Trans.1nformation Forensics and Security,2006, I (2), 125-143.
[2] J Daugman.How iris recognition works[J].1EEE Trans.Circuits andSystems for Video Technology, 2004, 14(I):21-30.
[3]K W Bowyerj K Hollingsworth, P J Flynn.1mage-understanding for irisbiometrics:a survey[J].Computer Vision and Image Understanding，2008，110(2):281-307.
[4] J Daugman.High confidence visual recognition of persons by a test ofstatistical independence[J].1EEE Trans.Pattern Analysis and Machine Intelligence，1993，15(11):1148-1161.
[5]R P Wildes.1ris recognition:an emerging biometrics technology[A].Proc.1EEE [C]，1997，85 (9): 1348-1363.
[6]W Boles,B Boashah.A human identification technique using images ofthe iris and wavelet transform[J].1EEE Trans.Signal Processing，1998，46 (4):1185-1188.
[7] J Daugman.New methods in iris recognition [J].IEEE Trans.System, Man, and Sybernetics—Part B: Cybernetics，2007，37(5):1167-1175.
[8] L Yuj D Zhang, K Wang.The relative distance of key point based irisrecognition[J].Pattern Recognition, 2007，40 (2):423-430.
[9] H Proenga..L A Alexandre.1ris segmentation methodology fornon-cooperative recognition [A].1EE Proc.VISP[C]，2006，153(2):199-205.
[10] S J Pundlikj D L Woodard, S T Birchfield.Non-1deal iris segmentationusing graph cuts [A].Proc.1EEE CVPR[C], 2008:1-6.
[11]Z He，T Tan，Z Sun, X Qiu.Toward accurate and fast iris segmentationfor iris biometrics [J].1EEE Trans.Pattern Analysis and Machine Intelligence, 2009,31(9):1670-1684.
[12] A A Jarjesj K Wang, G J Mohammed.A new iris segmentation method basedon improved snake model and angular integral projection.Research Journal ofApplied Science, Engineering and Technology, 2011, 3(6):558-568.
[13]K Roy, P Bhattacharyaj C Y Suen.1ris segmentation using variationallevel set method.0ptics and Laser in Engineering，2011，49 (I):578-588.
[ 14] A Vermaj C Liuj J Jia.1ris recognition based on robustiris segmentation and image enhancement,International Journal ofBiometrics, 2012，4 (I): 56-75.
[15]N Shentalj A Bar-Hillelj T Hertz,D Weinshall.Computing Gaussianmixture models with EM using equivalence constraints.Advances in NeuralInformation Processing Systemsl6，2004， 16(8)，465-472.
[16]A Dempster, N Laird,D Robin.Maximum likelihood from incompletedata via the EM algorithm.Journal of the Royal Statistical Society,SeriesBj 1977，39(1):1-38.
发明内容
本算法提出一种基于混合高斯模型[15] (Gaussian Mixture Model, GMM)的虹膜分割方法。混合高斯模型通过多个高斯概率概率函数之和，在某种准则下实现对图像直方图的最佳逼近。由于这一方法以图像自身的统计特征(灰度的概率分布)为逼近对象，对不同图像具有很强的适应性，因此广泛应用于图像分割。在本算法方法中，在内边界定位阶段我们首先利用混合高斯模型实现对虹膜图像的建模并对其进行分割，从而实现对瞳孔的检测。考虑到瞳孔形状经常因为睫毛和眼睑遮挡而不规则，我们由弦长均衡策搜索其中心(亦即虹膜中心)坐标并确定内圆(内边界)半径。在外边界定位过程中，我们根据虹膜外边界灰度变化缓慢的特点，提出了基于区域灰度差的曲线演化策略，通过迭代搜索外边界。为确保曲线能够全局收敛，我们利用序统计滤波虹膜进行处理。最后，我们利用二次曲线实现眼睑检测。为了实现上述目的，本发明采用如下技术方案。一种基于混合高斯模型的虹膜图像分割算法，包括内边界定位、外边界定位和眼险检测；所述内边界定位具体流程如下:(S1.1)对输入的虹膜图像进行框架Laplace金字塔分解。(S1.2)基于混合高斯模型的瞳孔分割。(S1.3)基于形态学的反光区域消除。(S1.4)虹膜中心初始化。(S1.5)虹膜中心定位和内边界定位。作为本发明的进一步改进，所述虹膜中心定位为基于弦长均衡策略的虹膜中心搜索，具体步骤如下:第一步:虹膜中心的水平方向搜索；第二步:虹膜中心的垂直方向优化；第三步:计算内边界半径；所述外边界定位是基于区域平均灰度差的曲线演化方法实现外边界的定位，具体步骤如下:(S2.1)判断虹膜中心与图像左右边界的距离，若与右边界距离较大，则以虹膜中心为圆心、在角度|>，7 31 /6]范围内进行极坐标变换；否则在[11 π /6，2 31 ]范围内进行极坐标变换。此处变换所取半径为虹膜中心与左右边界距离的较大者。由此步骤得到的(极坐标变换)图像的瞳孔以外的部分，记为图像I_rp ；(S2.2)将图像I_rp按半径方向等分三部分，对距瞳孔最近的部分进行极大值滤波，最远的部分进行极小值滤波，中间部分进行中值滤波，得到图像。(S2.3)在图像中，基于区域平均灰度差的曲线演化实现外边界的定位，(S2.4)将上述迭代得到的外边界映射到原始图像I_r，即为虹膜外边界。所述(S2.3)中，基于区域平均灰度差的曲线演化实现外边界的定位，其迭代过程为:a)将中值滤波区域中靠近最小值滤波区域的边界设定为初始外边界，记为Ctl,同时得到由C。划分的两个区域Ai (靠近瞳孔的区域)和A6 (远离瞳孔的区域)；b)计算由Ctl划分的两个区域的平均灰度，其中靠近瞳孔的记为Cltl，远离瞳孔的记为(V，即
]
权利要求
1.一种基于混合高斯模型的虹膜图像分割算法，其特征是，包括内边界定位、外边界定位和眼睑检测； 所述内边界定位具体流程如下: (S1.1)对输入的虹膜图像进行框架Laplace金字塔分解； (S1.2)基于混合高斯模型的瞳孔分割； (S1.3)基于形态学的反光区域消除； (S1.4)虹膜中心初始化； (S1.5)虹膜中 心定位和内边界定位； 所述外边界定位是基于区域平均灰度差的曲线演化方法实现外边界的定位，具体步骤如下: (S2.1)判断虹膜中心与图像左右边界的距离，以虹膜中心为圆心进行极坐标变换，变换所取半径为虹膜中心与左右边界距离的大者，由此步骤得到的极坐标变换图像的瞳孔以外的部分，记为图像I_rp ； (S2.2)将图像I_rp按半径方向等分三部分，对距瞳孔最近的部分进行极大值滤波，最远的部分进行极小值滤波，中间部分进行中值滤波，得到图像; (S2.3)在图像中，基于区域平均灰度差的曲线演化实现外边界的定位； (S2.4)将上述迭代得到的外边界映射到原始图像I_r，即为虹膜外边界； 所述眼睑检测对上下眼睑定位采用相同的方法，即首先利用水平方向的序统计滤波和极大值检测定位上下眼睑，再通过二次曲线进行拟合。
2.如权利要求1所述的基于混合高斯模型的虹膜图像分割算法，其特征是，所述(S1.5)中，所述虹膜中心定位为基于弦长均衡策略的虹膜中心搜索，具体步骤如下: 第一步:虹膜中心的水平方向搜索； 第二步:虹膜中心的垂直方向优化； 第三步:计算内边界半径。
3.如权利要求1所述的基于混合高斯模型的虹膜图像分割算法，其特征是，所述(S2.3)中，基于区域平均灰度差的曲线演化实现外边界的定位，其迭代过程为: a)将中值滤波区域中靠近最小值滤波区域的边界设定为初始外边界，记为Ctl,同时得到由Ctl划分的两个区域靠近瞳孔的区域Ai和远离瞳孔的区域A6 ； b)计算由Ctl划分的两个区域的平均灰度，其中靠近瞳孔的记为Cltl，远离瞳孔的记为d0，，即 Id0 =Jnean(Aj) Irf0 = mean (^As) c)将C。向远离瞳孔的方向移动k个像素，得到新的边界C1以及区域Ai1和A61,计算以C1划分的区域的新的平均灰度d和Cl';这一过程表示为 \d = mem (A)) \d' = mean Ae1) d)按照Idc1-Ci!。|与|d-d ! I的大小关系确定边界是否继续移动，即若d0-d' ο I Id-d/ I ,令 Ctl = C1, dQ = d, d'。= d'并返回步骤 b),否则以 Ctl 作为外边界定位结果。
4.如权利要求1所述的基于混合高斯模型的虹膜图像分割算法，其特征是，所述眼睑定位过程如下: (S3.1)对内外边界定位后的虹膜图像进行水平方向的序统计滤波，得到图像I_e，消除睫毛对眼睑的遮挡； (S3.2)在垂直方向上对I_e进行差分，得到二值图像I_ed ； (S3.3)对二值图像I_ eb进行二次曲线拟合，得到最终的眼睑定位结果。
全文摘要
本发明公开了一种基于混合高斯模型的虹膜图像分割算法，包括内边界定位、外边界定位和眼睑检测的步骤；本发明本算法将混合高斯模型引入虹膜预处理，实现了对虹膜内边界的准确定位。虹膜内边界定位的难点在于瞳孔的检测。瞳孔在虹膜图像中的灰度水平最低，一般采取阈值策略进行检测。本算法利用混合高斯模型所具有的对不同数据的自适应统计特性，对原始虹膜图像进行分割，获得灰度最低的瞳孔区域；然后在瞳孔内部初始化虹膜中心，利用弦长搜索策略实现内边界定位。本算法在外边界定位过程中，同样在混合高斯模型分割的基础上，通过使局部对比度最大化实现了对外边界的准确定位。
文档编号G06T7/00GK103164704SQ201310128280
公开日2013年6月19日 申请日期2013年4月12日 优先权日2013年4月12日
发明者万洪林, 韩民 申请人:山东师范大学