基于內外邊緣分離的虹膜定位方法

呂金花，孫建平

(華北電力大學 控制與計算機工程學院，河北保定071003)

?

基于內外邊緣分離的虹膜定位方法

呂金花，孫建平

(華北電力大學 控制與計算機工程學院，河北保定071003)

虹膜定位在身份識別過程中具有舉足輕重的地位，定位的好壞直接影響到定位之后的特征提取，進而影響虹膜的識別精度。鑒于虹膜定位經典算法的定位精度不高、時間長等問題，有人提出基于感興趣區域的定位算法，在該算法的基礎上進行改進，采用內外邊緣分別定位，即內邊界采用區域屬性獲得最大面積區域即瞳孔區域，再用最小二乘完成內邊界的定位；外邊界定位時尋找一個感興趣區域，以減少眼瞼、睫毛等的干擾，經仿真得出該算法與基于感興趣區域的虹膜定位算法相比，定位準確度提高了，而且快速性也有了提高。

虹膜定位；區域屬性；最小二乘；感興趣區域；邊緣檢測

0　引言

在這個信息化高速發展的時代，信息安全受到越來越高的重視，人們對這方面的要求也越來越高，尋找一種好的識別方法以保證個人身份安全成為當前的一個關鍵問題。傳統的識別方法[1-2]比如密碼、用戶名、證件等容易丟失或被偽造已經不能滿足要求，依靠人體的固有特征屬性或行為特征進行身份識別是目前流行的方法，常見的有指紋、虹膜、步態、人臉等，虹膜因其獨特的紋理和復雜的結構受到人們廣泛的關注，它具有高度的防偽特性，即使是左右眼也會有所差別；不因年齡而變化，穩定性好；位于人眼內部，具有非侵犯性，基于上述特性，虹膜識別成為當下的焦點。

利用虹膜進行身份識別固然是好，但也存在一些問題，眾所周知虹膜定位是識別的關鍵技術，它直接關系到虹膜識別的精度，人眼主要由瞳孔、虹膜、鞏膜組成，如何準確定位以獲取虹膜的內外邊界是人們一直在研究的問題，定位時將內外邊界近似等效成圓。目前公認的兩種經典的定位算法分別是1993年劍橋大學John Daugman提出的微積分算法[3-4]和1996年Richard Wildes提出的邊緣檢測和Hough變換相結合的方法[5]，之后人們大都是在這兩種方法的基礎上進行改進，并沒有形成統一的方法。鑒于經典算法存在定位準確度不高或快速性差等問題，此處采用一種定位方法，即對內邊界利用區域屬性的分析方法；對外邊界尋找感興趣區域[6-7]，并利用最小二乘擬合完成定位，通過仿真得出該方法在提高精度的同時也加快了識別的速度。

1　傳統的虹膜定位算法

虹膜的紋理脈絡復雜，近年來在身份識別中得到廣泛應用，其剖面結構[1]4如圖1所示；人眼的前視圖[2]15如圖2所示，由圖可以看出瞳孔的灰度值小，與周圍的虹膜、鞏膜差距大，在處理時根據設定的閾值可以將瞳孔和瞳孔之外的部分分開。虹膜定位有兩種傳統的定位算法，分別為Daugman的微積分算法和Wildes的Hough變換法，之后雖然也出現了多種定位算法，但都是以這兩種算法為基礎，不斷改進，下面將分別介紹這兩種定位算法。

圖1　虹膜的剖面結構

圖2　人眼的前視圖

1.1Daugman的微積分算法

Daugman提出的微積分算法是對內外邊緣采用由粗到精的方法分別估算圓心和半徑完成定位，該算法的數學表達式為

(1)

(2)

1.2Wildes的Hough變換法

Wildes的算法分為兩步：首先利用基于梯度的邊緣檢測算子[7]對圖像進行邊緣檢測，得到一個二值圖像，然后再利用Hough變換[8]求其圓心和半徑，完成定位。

雖然這兩種方法一直被視作是虹膜定位的經典算法，但也存在定位精度不高、時間長等問題，針對該情況，決定采用一種基于內外邊緣分離的定位算法，即對內外邊界采用不同的定位方法。

2　基于內外邊界分離的定位算法

2.1內邊界定位

內邊界定位采用區域屬性和最小二乘[9]相結合的方法，具體步驟如下：

(1)根據灰度直方圖選擇一個合適的閾值，其中圖3為原始圖像，圖4為灰度直方圖，閾值T的選擇會影響到二值化的效果，如果不加以說明，二值化的默認閾值是127。由于瞳孔區的灰度值小，為了減少睫毛等噪聲的干擾，更好地分離出瞳孔區域，由直方圖看出閾值選在90左右比較合適，而根據虹膜庫統計的情況，閾值選擇在[46-110]比較合適，因此選擇T=91。

圖3　原始圖像

圖4　灰度直方圖

(2)根據上面選擇的閾值進行二值化，為了后面計算方便將原二值圖像進行反轉，然后求其標簽矩陣，即通過對圖像的連通體編號，其中正整數代表像素值為1的區域，0代表像素值為0的區域，通過計算不同整數的個數來確定各區域的面積，由原圖像知道瞳孔區域的面積最大，因此將小于該區域面積的目標去掉，便獲得瞳孔區域，其中圖5為反轉前的二值圖像，圖6為反轉前確定的瞳孔區域，表1為將圖像反轉后選取的部分矩陣排列情況。

圖5　反轉前的二值圖像

圖6　瞳孔區域

列數/列行數/行29029129229329479000008000076081680000826800077836868000846868000

(3)將得到的瞳孔區域進行邊緣檢測，在這里采用sobel算子進行檢測，檢測后只剩下瞳孔區域的邊緣線；然后利用最小二乘法求其圓心和半徑，從而完成內邊界的定位，顯示在原圖上，結果如圖7所示。

圖7　內邊界定位結果

2.2外邊界定位

考慮到虹膜外邊界會受到眼瞼和睫毛等干擾的影響，所以選擇一個感興趣區域，通過處理獲得其部分邊界，進而實現定位。

(1)基于感興趣區域的虹膜外邊界的定位是在內邊界完成的基礎上實現的，一般情況下，虹膜外邊界到瞳孔的距離小于瞳孔半徑的3.5倍，前面已經得到瞳孔的圓心(xn,yn)和半徑r，因此截取行為[xn,xn+r]，列為[yn-3.5r,yn+3.5r]的區域作為感興趣區域，結果如圖8所示，二值化圖像如圖9所示。

圖8　感興趣區域

圖9　二值化圖像

(2)去除干擾。利用數學形態學對其進行相關操作，然后進行孔洞填充，得到圖10；然后利用canny算子進行邊緣檢測，其結果和sobel算子邊緣檢測類似，也是只留下圖10中的兩段弧形檢測線。

圖10　去噪后的圖像

(3)根據上述得到的部分邊界利用最小二乘法進行擬合，得到一個擬合圓，其中圓心為(5.87,139.37)，半徑為111.29，單位均是單位像素值；將外邊界顯示在原圖像上，結果如圖11所示；將內外邊界結合，得到最終的虹膜定位結果如圖12所示。

圖11　外邊界定位結果

圖12　虹膜定位結果

3　實驗結果及其分析

所有的編程實現均是在Matlab2015a下進行的，所使用的虹膜圖像來自CASIA標準虹膜庫[10]，分辨率為320×280，表2對虹膜定位的不同算法進行了對比，結果表明該方法具有較高的準確性和較高的快速性。

表2　不同算法的定位結果比較

4　結論

針對經典算法的不足，選擇采用一種內外邊界分離的算法，內邊界采用基于區域屬性的分析方法，對反轉后的二值圖像的連通體進行編號，并將小于瞳孔區域面積的部分去掉，可以有效地去除瞳孔內的噪聲，有助于提高識別精度；外邊界尋找一個感興趣區域，即選擇其中受眼瞼、睫毛等干擾較小的區域，然后通過邊界擬合完成外邊界的定位，與其他幾種方法相比，該方法不僅提高了定位精度而且縮短了定位時間，且簡單易于實現。

[1]陳英. 虹膜定位和識別算法的研究[D]. 長春：吉林大學，2014:1-8.

[2]劉揚. 基于虹膜身份識別算法的研究[D]. 大慶：東北石油大學，2014:15-19.

[3]DAUGMAN J. High confidence visual recognition of persons by a test of statistical independence[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,15(11):1148-1161.

[4]DAUGMAN J.Statistical richness of visual phase information：update on recognizing persons by iris patterns[J].International Journal of Computer Vision，2001,45(1):25-38.

[5]WILDES R P. Iris recognition: an emerging biometric technology[J]. Proceeding of the IEEE, 1997,85(9):1348-1363.

[6]王博凱，楊淑瑩，王光彪，等. 基于感興趣區域的快速虹膜定位方法[J]. 天津理工大學學報，2012,28(S1):24-27.

[7]劉洋，李霞，王娜，等. 基于特定感興趣區采樣的虹膜定位改進算法[J]. 光子學報，2008,37(6):1277-1280.

[8]楊杰. 數字圖像處理及MATLAB實現[M]. 北京：電子工業出版社，2010.

[9]李乾. 虹膜圖像預處理研究[D]. 哈爾濱：哈爾濱工程大學，2012.

[10]CASIA Iris Image Databases [EB/OL]. http://www.cbsr.ia.ac.cn/IrisDatabase.htm, 2014:2-26.

Iris Location Algorithm Based on Separating the Inner and Outer Edges

LU Jinhua, SUN Jianping

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Iris Location plays a decisive role in the identification process, which has a direct influence on the feature extraction in the process, thereby affecting the accuracy of iris recognition. In consideration of the lower accuracy and more time of the classical algorithm, some researchers posed a method based on the region of interest. This paper makes some improvements based on the new method, by selecting different methods position the inner and outer edges, where the inner edge uses a regional property to obtain the maximum area, also known as pupil area, then completes positioning with the least square circle fitting method. In order to reduce the interference of eyelids and eyelashes, etc., this paper looks for an interesting field. Finally, compared with iris location algorithm based on the region of interest, the method applied in this paper not only improves the accuracy but also reduces the simulating time.

iris localization；area properties；least square circle；interesting filed；edge detection

2016-05-17。

呂金花(1992-)，女，碩士研究生，研究方向為自動化模式識別與智能系統，E-mail:1204572694@qq.com。

TM73

A

10.3969/j.issn.1672-0792.2016.08.013