虹膜识别方法及虹膜识别系统与流程

本发明涉及计算机算法，具体地涉及一种虹膜识别方法以及虹膜识别系统。

背景技术

生物特征识别(biometrics)是指通过对人类特有的生理或者行为特征(如人脸、虹膜、指纹、步态和笔迹等)进行分析处理来鉴别个体身份的技术。与传统的身份识别方法(如身份证、工作卡、口令和密码等)相比，利用人体生物特征进行个体身份鉴别更加稳定可靠且不易伪造。

由于虹膜的有效区域相对较小，虹膜图像质量对成像设备景深、用户配合度和光照条件的依赖性较高，此外，上下眼皮和睫毛又往往造成有效虹膜区域遮挡，这些不利因素都会导致在实际应用中虹膜识别系统的识别精度严重下降。在较少约束成像条件下，影响虹膜图像质量的原因有：图像采集时用户眼皮眨动导致上下眼皮对虹膜有效区域的遮挡、睫毛对虹膜区域的遮挡、光源在虹膜区域的反射光斑对虹膜区域信息的破坏以及超出采集设备景深的成像距离等。

现有的解决低质量虹膜图像识别问题的技术大多采用图像融合的策略，将多幅虹膜图像归一化到固定尺寸大小的模板上进行去噪、融合等操作。但是，对低质量虹膜图像来说，由于受到各种不利因素的影响虹膜区域的精确分割是一个难题。将精度本来就不高的虹膜环状区域进行线性变化后归一化，则归一化后的矩形区域(以daugman方法为例)同样存在精度和噪音干扰的问题。然而，传统的虹膜图像配准技术普遍采用这种归一化的方法来简化图像配准操作。

公开于本发明背景部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现要素：

鉴于上述问题，本发明旨在提供一种能够提供高分辨率的虹膜图像并且能够确保虹膜识别的高精度化的虹膜识别方法及虹膜识别系统。

本发明的虹膜识别方法，其特征在于，包括：

分割步骤，对被输入的虹膜序列的每一帧图像进行虹膜区域分割；

配准步骤，对被分割后的虹膜区域进行图像配准；

去噪步骤，在经所述配准步骤进行图像配准的基础上对虹膜图像序列进行清晰图像信息提取和去噪音；以及

融合步骤，对去噪音后的清晰虹膜图像序列进行融合。

可选地，在所述分割步骤中包括：

对输入的每一帧虹膜图像进行canny边缘检测以检测出图像中的边缘点；以及

对检测出来的边缘点利用hough变换搜索出虹膜区域的内外边界。

可选地，作为所述虹膜区域的内外边界，搜索出虹膜区域的内外半径大小和圆心位置。

可选地，所述配准步骤包括：

对低质量虹膜图像配准问题建立数学模型；以及

利用迭代最近点算法进行虹膜图像配准。

可选地，作为所述数据模型，包括：仿射变换t＝(a,t)以及两个虹膜区域的重叠比率因子λ1和λ2，其中，a表示仿射矩阵，t为平移变量，

在利用所述迭代最近点算法的过程中包括：

根据黄金分割搜索算法估计出输入的两幅待配准虹膜图像的重叠比率因子λ1和λ2；

进入算法的迭代过程：根据变换关系的初始值建立两对点集之间的对应关系，根据点集的对应关系更新点集的变换关系，直到算法满足给定的停止条件。

可选地，所述配准步骤中，利用下式(1)和(2)进行对虹膜图像序列进行清晰图像信息提取和去噪音：

其中，矩阵x和n分别为低秩矩阵和噪音稀疏矩阵，y为输入虹膜图像序列组成的矩阵，对上式(1)利用下式(2)进行凸松弛:

其中，将矩阵的秩和零范数分别用核范数和一范数代替。

可选地，在所述融合步骤中，对去噪音后的清晰虹膜图像序列采用图像均值融合方法进行融合。

本发明的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的虹膜识别方法。

本发明的计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的虹膜识别方法。

本发明的虹膜识别系统，其特征在于，包括：

分割模块，对被输入的虹膜序列每一帧图像进行虹膜区域分割；

配准模块，对被分割后的虹膜区域进行图像配准；

去噪模块，在经所述配准模块进行图像配准的基础上对虹膜图像序列进行清晰图像信息提取和去噪音；以及

融合模块，对去噪音后的清晰虹膜图像序列进行融合。

可选地，所述分割模块包括：

检测子模块，用于对输入的每一帧虹膜图像进行canny边缘检测以检测出图像中的边缘点；以及

搜索子模块，用于对检测出来的边缘点利用hough变换搜索出虹膜区域的内外边界。

可选地，作为虹膜区域的内外边界，所述搜索子模块搜索出虹膜区域的内外半径大小和圆心位置。

可选地，所述配准模块用于对低质量虹膜图像配准问题建立数学模型并且利用迭代最近点算法进行虹膜图像配准。

可选地，作为所述数据模型，包括：仿射变换t＝(a,t)以及两个虹膜区域的重叠比率因子λ1和λ2，其中，a表示仿射矩阵，t为平移变量，

在利用所述迭代最近点算法的过程中包括：

根据黄金分割搜索算法估计出输入的两幅待配准虹膜图像的重叠比率因子λ1和λ2；

进入算法的迭代过程：根据变换关系的初始值建立两对点集之间的对应关系，根据点集的对应关系更新点集的变换关系，直到算法满足给定的停止条件。

可选地，所述配准模块中，利用下式(1)和(2)进行对虹膜图像序列进行清晰图像信息提取和去噪音：

其中，矩阵x和n分别为低秩矩阵和噪音稀疏矩阵，y为输入虹膜图像序列组成的矩阵，对上式(1)利用下式(2)进行凸松弛:

其中，将矩阵的秩和零范数分别用核范数和一范数代替。

可选地，所述融合模块对去噪音后的清晰虹膜图像序列采用图像均值融合方法进行融合。

如上所述，根据本发明的虹膜识别方法及虹膜识别系统，能够解决较少约束条件下的虹膜识别问题，本发明在传统虹膜识别技术的基础上，借鉴图像融合的思想，将采集到的多幅低质量虹膜图像通过图像配准、特征提取、去噪音以及图像融合，最终得到具有高分辨率的虹膜图像，从而确保虹膜识别方法的高精确度。

通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式，本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。

附图说明

图1是表示本发明的虹膜识别方法的流程示意图。

图2是表示本发明的虹膜识别系统的构造示意图。

图3是表示分割模块的构造示意图。

具体实施方式

下面介绍的是本发明的多个实施例中的一些，旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。

本发明的虹膜识别方法以及虹膜识别系统涉及的内容属于虹膜图像预处理，其实质是提供了一个虹膜图像预处理的框架，其目的是借助图像配准和低秩矩阵分解将多幅低质量虹膜图像融合为一幅高分辨率的虹膜图像。本发明的虹膜识别方法以及虹膜识别系统提出了针对视频序列的虹膜图像配准策略，在配准的基础上利用低秩矩阵分解提取清晰的虹膜纹理信息，同时最大程度上抑制睫毛、眼皮等噪音干扰，进一步还提出了将去噪音后的虹膜图像序列进行融合得到一幅高分辨率的虹膜图像。

首先，对于本发明的虹膜识别方法进行说明。

图1是表示本发明的虹膜识别方法的流程示意图。

如图1所示，本发明的虹膜识别方法包括下述步骤：

分割步骤s100：对输入的虹膜序列每一帧图像进行虹膜区域分割；

配准步骤s200：对分割后的虹膜区域进行图像配准；

去噪步骤s300：在步骤s200的基础上对虹膜图像序列进行清晰图像信息提取和去噪音；以及

融合步骤s400：对去噪音后的清晰虹膜图像序列进行融合得到高分辨率的虹膜图像。

分割步骤s100是对输入的每一帧虹膜图像进行区域分割，包括两个步骤：第一步对一帧图像进行canny边缘检测，第二步利用hough变换搜索出虹膜区域的内外边界。

配置步骤s200涉及到对分割后的虹膜图像序列进行配准，包括两个步骤：第一步对低质量虹膜图像配准问题建立数学模型，第二步利用迭代最近点(icp)算法进行虹膜图像配准。

去噪步骤s300包括将配准后的虹膜图像进行低秩矩阵分解，以便提取出清晰的虹膜图像信息。

融合步骤s400是对得到的清晰虹膜图像采用均值法(meanfusion)进行融合。

接着，对于这些步骤进行具体说明。

首先，通过图像采集设备获取一个虹膜图像序列，目前通常的图像获取方式是采用850nm波长近红外光源辅助照明的方式。对东方人眼的纹理特征来说，采用700nm(波长介于可见光与近红外光之间)光源辅助照明效果更佳。

步骤s100中，对输入的虹膜图像序列中的每一帧图像进行虹膜区域分割。在本发明中，假设虹膜区域为非同心圆环状结构。虹膜有效区域分割的过程即为搜寻内外圆心位置和半径大小。首先，对输入的每一帧图像用canny边缘检测器将图像中的所有边缘点标记出来，再通过经典的hough变换对检测出来的边缘点进行投票从而可以确定虹膜的内外半径大小和圆心位置。在本发明中，不需要对虹膜的上下眼皮和眼睫毛等遮挡进行单独检测。

在步骤s200中，对分割后的虹膜图像序列进行配准。考虑到本发明处理对象是短时间内连续拍摄的虹膜图像序列，此外，虹膜有效区域往往受到上下眼皮遮挡、睫毛以及光斑等的影响，因此，在本发明中虹膜图像配准建模为部分数据丢失或者存在异常点时的点集仿射配准。

在配准过程中遵循以下原则：模型中匹配点对越多，平均误差和越小；模型中非匹配点对越多，平均误差和越大。模型中包括仿射变换t＝(a,t)(其中，a表示仿射矩阵，t为平移变量)，和两个虹膜区域的重叠比率因子λ1和λ2。

在配准过程中采用经典的迭代最近点(iterativeclosestpoint,icp)算法。在算法的初始阶段，首先根据黄金分割搜索算法估计出输入的两幅待配准虹膜图像的重叠比率因子λ1和λ2，然后进入算法的迭代过程：根据变换关系的初始值建立两对点集之间的对应关系，根据点集的对应关系更新点集的变换关系，直到算法满足给定的停止条件。

在步骤s300中，基于低秩矩阵分解的虹膜图像去噪音。对输入的虹膜图像序列配准以后，由于同一眼睛的虹膜区域结构稳定，理论上讲，配准后的虹膜数据集构成的矩阵应该具有秩最小的特征。

此外，在实际的工程应用中，一个常用的假设是感兴趣的信号分布在低维的线性子空间中，由于虹膜纹理结构稳定，可假设无噪音干扰的虹膜信息处于低秩子空间中。因此，可以利用低秩矩阵分解的思想来提取清晰虹膜信息同时去除各种噪音的干扰。如下式所示：

式中，矩阵x和n分别为低秩矩阵和噪音稀疏矩阵，y为输入虹膜图像序列组成的矩阵。对上式进行凸松弛(convexrelaxation):

将矩阵的秩和零范数分别用核范数和一范数代替。此问题转化为l1范数下的标准凸优化问题。对于此类优化问题，本发明采用经典的交替方向方法求解(alternatingdirectionmethods,adm)。

在步骤s400中，对上一步步骤s300处理后的虹膜图像序列进行融合以恢复出高分辨率的虹膜图像。优选地，在本发明中采用简单的图像均值融合方法。

以上对于本发明的虹膜识别方法进行了说明。接着对于本发明的虹膜识别系统进行说明。

图2是表示本发明的虹膜识别系统的构造示意图。

如图2所示，本发明的的虹膜识别系统100，其特征在于，包括：

分割模块110，用于对被输入的虹膜序列每一帧图像进行虹膜区域分割；

配准模块120，用于对被分割后的虹膜区域进行图像配准；

去噪模块130，用于在经所述配准模块120进行图像配准的基础上对虹膜图像序列进行清晰图像信息提取和去噪音；以及

融合模块140，用于对去噪音后的清晰虹膜图像序列进行融合。

图3是表示分割模块的构造示意图。

分割模块110进一步包括：

检测子模块111，用于对输入的每一帧虹膜图像进行canny边缘检测，检测出图像中的边缘点；以及

搜索子模块112，用于对检测出来的边缘点利用hough变换搜索出虹膜区域的内外边界。

其中，搜索子模块112对检测出来的边缘点利用hough变换搜索出虹膜区域的内外半径大小和圆心位置。

进一步，配准模块130用于对低质量虹膜图像配准问题建立数学模型并且利用迭代最近点算法进行虹膜图像配准。其中，作为所述数据模型，包括：仿射变换t＝(a,t)以及两个虹膜区域的重叠比率因子λ1和λ2，其中，a表示仿射矩阵，t为平移变量。

在利用所述迭代最近点算法的过程中包括：

根据黄金分割搜索算法估计出输入的两幅待配准虹膜图像的重叠比率因子λ1和λ2；

进入算法的迭代过程：根据变换关系的初始值建立两对点集之间的对应关系，根据点集的对应关系更新点集的变换关系，直到算法满足给定的停止条件。

具体地，配准模块130利用下式(1)和(2)进行对虹膜图像序列进行清晰图像信息提取和去噪音：

其中，矩阵x和n分别为低秩矩阵和噪音稀疏矩阵，y为输入虹膜图像序列组成的矩阵，对上式(1)利用下式(2)进行凸松弛:

其中，将矩阵的秩和零范数分别用核范数和一范数代替。

最后，融合模块140对去噪音后的清晰虹膜图像序列采用图像均值融合方法进行融合。

进一步，本发明还提供一种计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的虹膜识别方法。

进一步，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的虹膜识别方法。

根据本发明的虹膜识别方法及虹膜识别系统，能够解决较少约束条件下的虹膜识别问题，本发明在传统虹膜识别技术的基础上，借鉴图像融合的思想，将采集到的多幅低质量虹膜图像通过图像配准、特征提取、去噪音以及图像融合，最终得到具有高分辨率的虹膜图像，从而确保虹膜识别方法的高精确度。在虹膜识别产品中，图像采集设备通常会得到一个图像序列，然后进行图像质量评估，选取适合后续环节处理的一幅高质量虹膜图像并丢弃其他图像。在约束较少的情况下，采集到的虹膜图像通常质量较差，但是通过多幅图像有效融合，可以最大程度上利用各帧图像的有用信息，从而得到一幅较高质量的虹膜图像。以上例子主要说明了本发明的虹膜识别方法及虹膜识别系统。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。