基于生物形狀知識的人眼定位方法①

方淑仙, 張立武

1(中國科學院大學, 北京 100049)

2(中國科學院 軟件研究所, 北京 100190)

1 引言

隨著社會的快速發展, 身份識別的重要性與日俱增. 但是, 口令容易被遺忘, 容易受到字典攻擊和撞庫攻擊等;Ukey又因其攜帶不便、人證統一等問題阻礙了其應用. 僅僅依靠口令和Ukey已經無法滿足信息時代對身份認證的需求. 近年來, 基于人的生理或行為特征的生物特征識別技術應用越來越廣泛, 其中具有代表性的人臉識別技術因其無侵擾性等優點廣泛地應用在機場、火車站等安防監控領域.

在人臉識別技術中, 準確地定位人眼具有特別重要的意義. 一方面, 人眼作為人臉圖像中承載信息較多的特征之一, 相比于嘴鼻等器官提供了更多更重要的信息;另一方面, 人眼在人臉圖像中的位置相對比較固定, 在進行人臉特征提取時常常將瞳距作為特征矢量歸一化的依據. 除此之外, 在針對人臉進行三維建模時,需要定位出人眼各區域位置來對人眼部分細化建模.

然而, 在借助已有的虹膜識別方法定位人眼位置時, 發現現有虹膜識別方法在定位低分辨率圖像時, 結果不夠理想. 目前已有的虹膜及眼瞼定位方法更多的是針對高清眼部區域圖像, 目的在于分割出清晰的虹膜圖像獲得紋理來進行后續的虹膜識別. 而在進行人臉識別或人臉三維重建時, 獲取的圖像通常達不到虹膜識別的清晰度, 在這種條件下對人眼圖像進行定位是一項非常具有挑戰性的工作.

因此, 本文提出一種新的算法, 對人眼的虹膜、眼瞼、鞏膜等各區域進行準確快速的分割, 并對人眼定位過程中存在的干擾因素如光照條件、鏡面反射光斑、睫毛或頭發的遮擋進行了處理, 在實驗室環境下的眼部高清圖像及姿態幅度較小的無遮擋模糊人臉圖像的定位都取得了良好的定位效果, 具有較強的泛化能力.

2 相關工作

虹膜檢測中最著名的算法是在1993年由Daugman[1]提出的, 為目前許多虹膜識別技術提供了研究基礎. Daugman使用了公式(1)的積分微分算子分別檢測出虹膜的內外邊界:

除了Daugman外, 最有名的是Wildes的虹膜識別系統. 1997年, Wildes[4]結合邊緣檢測與Hough變換來定位虹膜區域. 由于虹膜區域的邊緣灰度變化比較明顯, 通過低通高斯濾波器和空間子采樣方法分離出虹膜區域, 接著對圖像進行Hough變換, 選出最符合限制條件的圓作為虹膜邊界輪廓的圓心和半徑. Wildes的方法相對Daugman的方法來說, 受噪聲等干擾的影響小, 但是對圖像邊緣提取要求較高, 容易受到異常的邊緣檢測點的影響. 2008年, Dey[5]對Wildes的定位方法進行了改進, 在對虹膜圖像進行邊緣檢測之前, 先對圖像進行縮放和顏色變換, 顯著地減小了搜索空間, 提高了圖像的閾值化效果. 然后尋找瞳孔邊界擴張區域, 再進行垂直邊緣檢測, 有效地去除了虹膜圖像中邊緣噪點的影響. 2015年, Umer和Dhara[6]提出一種基于反演變換與帶約束Hough圓變換的虹膜快速分割方法, 通過反演變換確定虹膜外邊界, Hough圓變換定位瞳孔,減少了Hough變換的搜索空間. 2016年, Kumar等人[7]提出邊緣映射圖與自適應Hough圓變換相結合的虹膜檢測算法, 通過形態學運算、Sobel邊緣檢測兩種算法檢測邊緣取交集, 生成瞳孔邊界映射圖, 得到包含噪聲的最小偽邊緣, 再利用自適應的Hough圓變換算法將虹膜的內外邊界同時累加計算, 提高了定位效率和準確度, 對噪聲有一定的容忍能力. 但是, 該方法在圖像邊緣對比度不高時, 計算出的邊緣映射圖受噪聲影響較大, 定位效果較差.

除了Daugman和Wildes的虹膜識別系統外, 其他許多專家學者也對虹膜定位進行了很多研究提出了許多新方法. 1998年, Boles和Boashash等[8]提出基于小波變換的虹膜檢測算法. 他們采用微分型的拉普拉斯或高斯卷積作為過濾器, 使用邊緣檢測技術檢測邊緣,將虹膜看作圓形, 其邊緣連接形成閉合輪廓, 將其質心作為瞳孔的參考點. 他們假設虹膜的內外輪廓為圓形,并具有共同的圓心, 對半徑大小不同的同心圓進行采樣, 再進行小波變換獲得虹膜位置. 這種方法沒有考慮虹膜圖像是二維結構, 僅考慮了虹膜中同心圓周的一維信號. 2009年, He等人[9]提出一種新的分割方法. 首先通過自適應閾值法消除虹膜部分的鏡面反射光斑,再建立一個AdaBoost級聯虹膜檢測器來提取虹膜中心的大致位置, 最后利用胡克定律從圓形虹膜邊界的中心和半徑以迭代的方式推導出彈性模型, 最終定位虹膜中心和邊界. 他們的方法在CASIA虹膜數據庫上達到了99.6%的準確率, 但是沒有考慮虹膜圖像可能包含的虛假邊緣如雙眼皮、皺紋等因素.

對于眼瞼檢測與定位的研究也有很多. 1993年,Daugman[1]提出基于拋物線的積分微分算子檢測眼瞼邊緣. 這種方法與定位虹膜一樣, 存在搜索空間大、檢測速度較慢等問題.

1994年, Wildes[10]也通過拋物線來提取眼瞼的上下邊緣. 首先經過水平或垂直方向上的邊緣檢測算子進行邊緣檢測, 接著進行二值化, 然后利用基于拋物線的Hough變換來檢測眼瞼邊緣, 將上下眼瞼按照拋物線進行擬合. 這種方法需要對三個參數在參數空間內搜索, 計算量較大, 并且沒有考慮眼瞼、睫毛等噪聲的影響. 2003年, Masek[11]利用改進的線性Hough變換來檢測上下眼瞼, 首先利用Canny算子進行邊緣檢測, 然后通過在瞳孔的外邊緣畫一條水平的直線, 保留水平線與虹膜外邊界上最近的相交點來提取眼瞼的直線段.然而, 線性的Hough變換比較耗時, 并且只在固定的數據庫上有效. 2008年, Min和Park[12]在歸一化的虹膜圖像中, 利用基于拋物線的Hough變換來定位眼瞼邊界,避免了人眼圖像旋轉問題, 減小了參數空間的維數, 但是耗時仍然較大.

此外, 還有先定位若干個眼瞼點, 再尋找眼瞼邊緣的方法. 例如, 2000年, Pardas[13]提出基于最短路徑的眼瞼邊緣檢測算法, 首先找到兩個眼角點作為起終點,在兩個眼角點間搜索最短路徑來得到眼瞼邊緣. 這種方法檢測速度較慢, 檢測結果依賴于定位眼角點的精確度. 2013年, Radman等人[14]提出一種基于livewire的眼瞼檢測方法, 通過以不同權重加權組合Canny邊緣檢測、梯度方向、梯度幅值、拉普拉斯四個算子構造代價函數, 在HSI (Hue Saturation Intensity)顏色空間中對虹膜外邊界進行徑向邊緣檢測, 對于每一個像素計算相鄰十個像素的飽和度平均值, 如果超過一個固定的閾值就認為它是虹膜與眼瞼的交點, 據此確定虹膜外邊緣與眼瞼之間的四個交點, 生成路徑代表眼瞼邊緣. 這種方式與基于最短路徑的方法一樣, 對四個交點定位要求非常嚴格.

除了以上幾種方法外, 還有許多其他專家學者提出的方法. 2015年, Cai和Wang[15]通過形態學開閉運算去除睫毛、陰影及光斑干擾, 盡可能地保留眼瞼邊緣. 通過分析眼瞼邊緣區域每一列的灰度值, 將灰度值分布的谷點視為眼瞼邊緣, 然后使用最小二乘法擬合拋物線得到眼瞼. 這種方法效率較高, 但是易受眼瞼、陰影等噪聲的影響. 2016年, Fuhl等人[16]基于平均強度、標準差、偏差和水平Sobel算子等特征構造出眼瞼似然圖, 用方框濾波器連接不連通的高似然區域, 然后利用非極大值抑制重建眼瞼邊緣. 選擇得分最高的邊分別重建上下眼瞼, 最后利用貝塞爾曲線來擬合眼瞼的輪廓. 這種方法在視頻跟蹤檢測眼瞼時實時性很高, 但是對鏡面反射光斑等干擾因素處理不夠, 在包含眼鏡等的人眼圖像中效果不好.

本文的后續章節安排如下:第3章對本文方法進行了概述, 第4–6章詳細闡述了本文算法的實現細節,第7章給出本文的實驗結果及分析, 第8章總結了本文的工作.

3 基于生物形狀知識的人眼定位方法概述

本章首先介紹人眼定位相關的背景知識, 以及在人眼定位中存在的挑戰, 然后分步驟概述本文方法的技術細節.

3.1 背景知識

人眼的精準定位包括虹膜的邊界以及上下眼瞼的定位. 如圖1所示, 人眼包含上下眼瞼、鞏膜、虹膜、瞳孔等部分, 瞳孔為中間深色部分, 眼瞼與虹膜包圍著的白色部分為鞏膜, 瞳孔和鞏膜之間的環狀部分為虹膜, 在虹膜、鞏膜外面包圍著上下眼瞼和睫毛[17]. 對人眼部分進行分割需要對虹膜、鞏膜、眼瞼等區域進行定位, 在此過程中通常會受到一些挑戰:虹膜通常容易受到睫毛、眼瞼和陰影的遮擋;上下眼瞼邊緣容易受到睫毛和鞏膜的干擾;虹膜邊緣可能受到鏡面反射光斑的影響. 因此, 在定位過程中, 要盡可能的排除眼睫毛、陰影和光照等因素的影響.

圖1 人眼結構圖

3.2 方法概述

人眼區域由虹膜、眼瞼、鞏膜三個區域組成, 虹膜和上下眼瞼檢測完成后, 虹膜及上下眼瞼包圍部分即為鞏膜. 本文針對姿態幅度較小的無遮擋人眼圖像的定位問題, 將人眼虹膜及上下眼瞼按照其生物形狀分別進行定位. 對虹膜的定位在Jan[18]關于人眼灰度分布規律闡述的啟發下, 在Wildes[4]的基礎上進行了改進;對眼瞼的定位受到Cai和Wang的啟發[15], 結合全局動態閾值、局部自適應閾值及形態學算法對上下眼瞼分別定位并擬合. 本文算法步驟如下:

步驟1. 利用已有的人臉對齊方法定位出人臉關鍵點坐標, 選擇其中的人眼區域關鍵點, 分割出人眼感興趣區域;

步驟2. 二值化人眼圖像, 建立鏡面反射光斑映射表, 利用雙線性插值法對光斑處像素點進行插值, 去除人眼圖像由光照、眼睛遮擋等導致的鏡面反射光斑;

步驟3. 分析人眼區域虹膜、鞏膜、皮膚等灰度分布規律, 確定虹膜分割閾值的上限, 為下一步定位虹膜做準備;

步驟4. 將步驟3確定的閾值上限作為Hough圓檢測算法中邊緣檢測的高閾值, 并檢測出虹膜位置(包括虹膜圓心和半徑);

步驟5. 利用OTSU方法對虹膜圖像進行全局二值化, 保留最大連通域后獲取連通域上邊緣作為過濾模板;利用局部自適應閾值對虹膜圖像進行二值化;

步驟6. 二值化圖像去掉小連通區域后與過濾模板結合定位眼瞼, 并利用最小二乘法對眼瞼進行擬合.

本文具體方法概述圖如圖2所示, 下面按圖像預處理、帶約束的Hough變換定位虹膜、基于自適應雙閾值定位眼瞼三部分詳細介紹本文算法細節.

圖2 本文方法概述圖

4 圖像預處理

要對人眼區域進行定位, 首先需要獲得包含人眼區域的圖像. 由于人的鼻子、嘴等非眼睛區域特征并不屬于我們要精確定位的范圍, 并且會對人眼的精確定位造成一定的影響. 因此, 我們首先需要正確地分割出人眼區域, 得到其中的ROI (Region Of Interest)區域.在這里, 我們使用了開源的SDM (Supervised Descent Method)算法[19]對每個人臉圖像提取68個關鍵點坐標(眼睛、眉毛、鼻子、嘴巴、臉部輪廓等部位).SDM算法的人臉對齊誤差達到了2.7個像素, 在人臉相對大姿態偏轉時, 仍然具有不錯的定位效果. 因此,我們使用其定位的12個眼部關鍵點(左右各6個)分割出矩形人眼區域. 按照人臉三庭五眼的先驗知識, 我們以眼角點為基準, 將人眼定位搜索范圍寬度從眼角處向上下左右分別擴張一定寬度, 得到人眼定位搜索區域, 減小了搜索范圍, 最終的人眼區域如圖3所示.對反射點插值, 我們對每個反射點定義周圍四個方向上的點:

圖3 人眼ROI區域定位

由于光照、遮擋、變形等影響, 對人眼的檢測及定位一直是一個具有挑戰性的課題. 目前大部分針對人眼定位的研究都是針對比較高清的眼部圖像, 為了得到合適的光照, 許多研究還會額外引入紅外光源照明來拍攝圖像. 這樣, 許多紅外光被瞳孔吸收而被虹膜反射出去, 這往往造成人眼區域出現較多的鏡面反射光斑, 這些反射不可避免地會破壞虹膜、鞏膜的結構.因此, 要對人眼圖像進行精準定位前必須去除這些光照帶來的亮斑. 通常情況下, 這些亮斑在圖像中都是比較亮的區域, 受到文獻[9]的啟發, 我們使用雙線性插值法來填充反射區域. 首先, 將圖像灰度化, 并使用自適應閾值來計算二值反射映射表M, 如圖4中所示. 為了

其中,

L控制插值點與其周圍點的距離, 則反射點處的灰度值為:

根據實驗效果, 這里我們將L設置為5. 通過計算得到的圖像如圖4所示.

圖4 圖像預處理

5 帶約束Hough變換定位虹膜

Hough變換是一種用于檢測圖像中是否存在特定形狀如直線、拋物線、圓等特征的算法, 它在計算機視覺中的應用非常廣泛. 在圖像中, 任何形式的曲線都可以由點集定義, 通常由一組參數來描述, 即曲線是可以通過數學方程參數化的[6].

人眼的虹膜部分可以看作是一個圓環, 對于分辨率較低的人眼圖像而言, 虹膜和瞳孔區域混為一體. 因此, 對于虹膜的定位實際上是對虹膜外邊緣的定位. 在這里, 我們使用基于Hough變換的圓檢測來確定虹膜邊緣的圓心和半徑. Hough變換的解析式可表示為:

其中,

然而, 標準的Hough圓變換需要在全局范圍內做參數搜索, 相當耗時. 因此, 我們對標準的Hough圓檢測增加約束. 我們觀察到, 人眼圖像包括皮膚、鞏膜、虹膜、瞳孔、眼瞼、眉毛、鏡面反射光斑等區域, 在這些區域中, 瞳孔、睫毛、眉毛和頭發可能具有相近的灰度強度[18], 與周圍皮膚、鞏膜區域相比, 通常灰度值較低;并且對于不同人而言, 虹膜與眼眶大小比值相差不大, 總在一個特定的閾值內. 因此, 我們結合灰度圖像統計和Hough變換, 提出一種方案來定位虹膜邊界.

已有研究表明, 在可見光波段下拍攝的一些人眼圖像由于存在光照不均或者強烈的鏡面反射光斑, 虹膜與鞏膜之間的邊界有時難以分開[1,20]. 我們觀察到,當圖像從RGB顏色空間轉換為HSI顏色空間時, 在色調和飽和度通道中, 原本難以分開的同一圖像的虹膜與鞏膜邊界區域清晰可見. 一些研究如文獻[14]、文獻[20]和文獻[21]在圖像的色調通道也做了一些應用, 但是根據實驗效果最終我們選擇了圖像的飽和度通道. 首先,計算圖像飽和度通道的灰度直方圖, 如圖5所示. 一般來說, 人眼的灰度通常包含三個顯著區域, 一個灰度較低的區域, 如瞳孔、睫毛和眉毛;一個中間區間, 通常包含虹膜區域;以及一個表示鞏膜和部分眼部皮膚的區域. 通過實驗我們觀察到, 實際的虹膜區域灰度值一般在80–150的范圍內, 利用自適應閾值計算出所有灰度值最低的20%作為虹膜區域的上限, 直接忽略超過這個范圍最大值的灰度級區間. 將此灰度閾值作為Canny算子邊緣檢測的高閾值, 縮小候選點數量, 并設置檢測圓的半徑小于圖像一半的高度大于1/5圖像的高度. 最終檢測效果如圖6所示.

圖5 人眼灰度直方圖

本文算法依賴于人眼各區域的灰度分布規律中閾值設置的準確性, 根據實驗效果我們給出了經驗值, 在截取的人眼部分圖像包含完整的眼角和上下眼瞼時,該值都是準確的, 因為由此算出的灰度閾值一定會落在直方圖中虹膜的灰度分布區域中, 在虹膜區域存在部分眼瞼、睫毛遮擋等影響時仍能取得較好的效果.當人眼圖像不包含完整眼角和上下眼瞼時, 可以針對具體圖像適當增加閾值比例, 根據實際效果進行調整.另外, 本文算法在虹膜被濃密的毛發(如頭發)遮擋時,圖像灰度可能不再遵循正常分布規律, 會影響虹膜區域灰度閾值的判斷, 導致無法準確地定位出虹膜.

圖6 人眼虹膜外圓定位圖

6 基于自適應雙閾值定位眼瞼

人的眼瞼包含上眼瞼和下眼瞼, 目前大部分的研究都是只檢測出靠近或者遠離虹膜區域的眼瞼邊緣[22,23],

如圖7所示. 事實上, 眼瞼是有厚度的, 尤其是上眼瞼.

因此, 本文對上眼瞼的上下邊緣及下眼瞼分別進行檢測, 找到眼瞼的邊緣點集, 并對邊緣點進行擬合.

圖7 已有研究中眼瞼定位

(1) 上眼瞼定位

人眼圖像通過預處理減小了鏡面反射光斑的干擾,但往往還存在其他噪聲. 在這里, 我們使用雙邊濾波對圖像進行去噪. 通常情況下, 我們認為傳感器引入的噪聲符合正態分布, 使用高斯濾波器來對圖像進行濾波達到去噪的目的[24]. 對于檢測邊緣點集而言, 雙邊濾波是一個保邊去噪的濾波器, 它由兩個函數構成, 一個函數是由幾何空間距離決定濾波器系數, 另一個由像素差值決定濾波器系數. 相比高斯濾波而言, 不僅有效地去除了圖像中的噪聲, 而且更好地保留了圖像的真實邊緣.

由于鞏膜與眼瞼像素比較接近, 實驗發現用一個全局閾值無法完整地將眼瞼、虹膜與鞏膜分開. 因此,本文使用局部自適應閾值來二值化人眼圖像. 局部自適應閾值中每個像素的二值化閾值與該像素鄰域塊的像素值分布有關. 假設圖像在像素點 (x,y)處的灰度值為G(x,y), 我們以像素點(x,y)為中心選取邊長為(2k+1,2k+1)窗口Sxy, 則圖像中像素點(x,y)的閾值T(x,y)為:

對圖像中各個像素點 (xi,yi)用B(xi,yi)值逐點進行二值化, 即:

二值化結果如圖8所示. 由于人眼圖像中存在眉毛、睫毛、雙眼皮等的干擾, 利用局部自適應閾值對圖像進行二值化后, 可以看到圖像中除虹膜區域外, 還存在許多非眼瞼區域. 針對這些非眼瞼區域的噪點, 本文采取如下兩個步驟來盡可能的減小干擾:

圖8 人眼自適應閾值二值化

首先, 觀察二值化圖像可以看到, 人眼圖像的上半部分區域噪點明顯多很多, 這是因為眉毛、雙眼皮都在上眼瞼區域附近;另外, 睫毛像素灰度值偏低, 其總是與其他睫毛像素點或者眼瞼像素點相連, 連通區域較小. 根據這一特點, 我們計算二值化圖像中連通域大小, 去掉面積小于Φ 的連通域(實驗中我們選取Φ 為20),最終去除掉一部分連通域較小或者離散的像素點. 此時, 由于雙眼皮、眉毛等區域連通域通常較大, 在這一步對這類噪點的消除較小, 如圖9所示.

圖9 去除較小連通域

然后, 我們通過OTSU方法將人眼圖像進行二值化. 該方法認為存在一個閾值將圖像分成前景區域和背景區域兩個部分, 計算將這兩個區域分開的最佳閾值作為全局閾值使得兩者差異最大[25]. 根據圖像二值化的實驗結果, 我們發現, 某些人眼圖像的上眼瞼區域的眼瞼邊緣與鞏膜顏色較為接近, 直接使用OTSU方法難以直接得到完整的上眼瞼, 對于某些低分辨率圖片只能獲取到外眼角到虹膜頂端的部分像素. 因此, 我們利用得到的二值化圖像, 使用泛洪算法保留最大的連通區域. 然后, 取其上邊緣作為過濾睫毛、頭發、雙眼皮等遮擋因素的模板, 如圖10所示. 將二值化圖像按照模板進行過濾.

圖10 過濾模板圖

經過以上兩步操作后, 局部閾值二值圖的眼瞼上邊緣完整地保留了下來. 因此, 取此二值圖的上邊緣作為最終的上眼瞼上邊緣. 對于上眼瞼上邊緣, 除了找出邊緣點集外, 我們將定位出的邊緣點集的最左及最右點作為眼角點的初始預估位置. 對于上眼瞼的下邊緣,我們以已經定位的虹膜的圓心為中心, 向四周引射線,留下射線與二值圖的第一個交點, 并利用定位上眼瞼上邊緣時估計的眼角點作為約束, 最終得到一組上眼瞼下邊緣點集. 由于虹膜區域的存在, 上眼瞼下邊緣點集在虹膜區域存在較大缺口, 虹膜與眼瞼的分界線不明確. 我們觀察到, 上眼瞼下邊緣已探測出較多點, 這些點可近似連成曲線. 我們利用最小二乘法從已知點集擬合圓來估計虹膜與眼瞼的分界線, 即上眼瞼下邊緣. 圓的平面二次曲線的一般方程可以表示成

最小二乘法就是通過找到一組參數 (a,b,c)使得所有已知點集到曲線圓之間的距離最小. 圖11為上眼瞼上邊緣點集, 圖12為上眼瞼上邊緣最小二乘擬合結果.

圖11 上眼瞼上邊緣點集

圖12 上眼瞼上邊緣最小二乘擬合

(2) 下眼瞼定位

人眼下眼瞼通常與皮膚、眼白顏色較為相近, 直接利用最大類間方差法找出動態閾值再進行二值化的結果并不好. 除此之外, 專門研究虹膜檢測使用的圖像一般只包含眼睛部位, 圖像分辨率通常較高, 而本文使用的檢測圖像虹膜區域半徑低達5個像素, 這對眼瞼檢測造成了困難. 經過反復實驗, 本文最終選取3×3元素值為1的圓盤形態學結構元素, 對分割的下眼瞼區域進行形態學灰度閉-開運算. 對進行形態學運算后的圖像使用Canny算子進行一次邊緣檢測, 對大部分圖片來說, 下眼瞼被完整的保留下來. 對于某些邊緣仍然不清晰的圖片直接使用眼角點和眼球最低點直接擬合圓,擬合結果如圖13所示, 圖14為人眼各區域分割結果.

圖13 下眼瞼最小二乘擬合結果

圖14 人眼各區域分割結果

7 實驗結果及分析

為了測試本文提出算法的有效性, 我們使用葡萄牙的Beira大學組織采集的UBRIS v1.0[26]虹膜數據庫進行實驗. UBIRIS數據庫包含241個人共1877幅虹膜圖片, 被采集人大部分為西方人, 在兩個不同的時間拍攝. UBIRIS數據庫模擬了非理想的拍攝環境, 包含較多影響人眼定位的不利因素, 如非線性變形、眼瞼睫毛等遮擋、鏡面反射光斑、圖像不聚焦等噪聲. 除此之外, 我們還從互聯網采集了分辨率高低不等的人臉圖像, 包含10個人共100幅圖片, 人眼區域分辨率低至20×10像素, 來測試我們的算法在低分辨率圖像上的檢測效果. UBIRIS v1.0數據庫圖片僅包含眼部區域, 無需使用SDM算法對人眼區域進行分割.

本文實驗均在一臺10核CPU、8 G內存的Ubuntu 14.04中進行, 實驗程序使用OpenCV 2.4.8開發. 下面分別展示虹膜、人眼上下眼瞼的定位結果.

7.1 虹膜定位實驗

我們使用本文算法對UBIRIS v1.0數據庫上及從互聯網采集的圖像分別進行虹膜的定位. 圖15為UBIRIS v1.0數據庫上虹膜定位結果, 圖16為模糊圖像上虹膜定位結果.

圖15 UBIRIS數據庫虹膜定位實驗結果

圖16 模糊圖像上虹膜定位實驗結果

從圖15和圖16可以看出, 本文提出算法不論在姿態幅度較小的無遮擋環境還是實驗室環境下, 都能比較準確的檢測出虹膜圖像中的虹膜外圓部分. 另外,從實驗結果可以看出, 本文算法在高清圖片上定位效果更精準, 這是因為利用Hough變換進行檢測時, 候選像素點投票過程中, 噪點對高清圖片的影響較小, 而對低分辨率的圖片影響較大, 這導致了部分虹膜定位時出現偏差.

為了更好地展示本文算法的有效性, 我們對UBIRIS v1.0中虹膜圖像和低分辨率人眼圖像的虹膜檢測結果進行對比, 對比結果如圖17所示. 圖17(a)、(b)與(c)中, 左邊兩幅圖片來自UBIRIS v1.0數據庫,右邊兩幅圖片來自互聯網上人臉圖片截取的人眼部分,圖17(a)與(b)中定位結果來自github中對Wildes及Daugman的虹膜定位算法的開源實現[27]. 圖中展示了四種具有挑戰性的人眼圖片的虹膜定位結果, 從左至右依次存在具有明顯陰影干擾、具有較嚴重眼瞼遮擋、像素分辨率較低、像素分辨率較低且具有陰影干擾等問題.

圖17 虹膜定位實驗對比圖

由圖17可以看出, Wildes與Daugman的方法對于睫毛、眉毛等陰影干擾及眼瞼遮擋處理效果不佳,在定位時容易受其影響導致定位出現偏差, 在低分辨率圖像上定位也不準確. 本文方法利用雙線性插值法對圖像進行預處理, 并利用人眼圖像的灰度分布規律有效避免了陰影和遮擋的影響. 與Wildes及Daugman的方法相比, 本文方法在處理低分辨率圖像時具有明顯優勢;另外, 在處理具有陰影和眼瞼遮擋圖像時, 本文方法也取得了更好的效果. 但是, 對于人眼虹膜部分變形較大的圖像, 對人眼虹膜定位的精度有時不是很高, 定位出的虹膜半徑偏小. 主要是因為Hough變換依賴于候選像素點投票, 本文雖然對鏡面反射光斑和陰影等進行了有效處理, 但是在變形較大圖像上, 實際虹膜邊緣的投票數有時低于偽邊緣, 導致結果出現偏差.對于此種情況, 可對檢測邊緣周圍像素進行一次檢驗,排除檢測偏差結果.

7.2 眼瞼定位實驗

我們使用本文算法對UBIRIS v1.0數據庫及從互聯網采集的圖像分別進行眼瞼的定位. 圖18為UBIRIS v1.0數據庫中眼瞼定位結果, 圖19為模糊圖像中眼瞼定位結果.

由實驗結果可以看出, 本文提出的算法能較為精確地對人眼上下眼瞼進行定位. 對于部分人眼變形較大圖片, 本文算法存在一定偏差. 這是因為本文算法對人眼上下眼瞼使用圓形進行擬合, 但在實際情況中, 眼瞼形狀并不都為圓形, 尤其對于人眼部分變形較大的圖像而言. 但是, 本文方法定位出的邊緣點集是比較有效的, 后續研究中可采用多項式曲線如貝塞爾曲線等對其進行擬合, 或對擬合曲線增加更多的形狀約束使其更貼進實際眼瞼形狀來進行改進.

圖18 UBIRIS數據庫眼瞼定位實驗結果

圖19 模糊圖像上眼瞼定位實驗結果

同樣地, 我們使用本文算法對UBIRIS v1.0中虹膜圖像和低分辨率的人眼圖像的眼瞼檢測結果進行對比,對比結果如圖20所示. 圖20(a)、(b)與(c)中, 左邊兩幅圖片來自UBIRIS v1.0, 右邊兩幅圖片來自互聯網上人臉圖片截取的人眼部分, 圖20(a)中定位結果為本人根據Wildes對眼瞼部分定位算法的實現, 圖20(b)中定位結果為本人對Cai等人的眼瞼定位算法的實現.圖中展示了四種具有挑戰性的人眼圖片的眼瞼定位結果, 從左至右依次存在具有明顯陰影干擾、具有較明顯雙眼皮干擾、像素分辨率較低、像素分辨率較低且具有陰影干擾等問題.

由圖中可以看出, Wildes的方法對于雙眼皮、睫毛等陰影處理不夠, 定位結果容易受其影響導致出現較大偏差;Cai等人的方法在定位眼瞼時, 需要對圖像進行形態學閉開運算并使眼瞼邊緣區域灰度達到最低,在高清無明顯陰影遮擋的虹膜圖像上, 虹膜顏色較淺且與瞳孔區域顏色區分較為明顯時效果較好, 但在具有明顯陰影的高清虹膜圖像及分辨率較低的人眼圖像上, 該方法無法保證獲得眼瞼區域仍然具有最低的灰度, 達不到理想的效果;本文方法利用自適應雙閾值算法對人眼圖像進行處理, 既去除了雙眼皮等的干擾, 又對睫毛等陰影進行了有效處理, 并且不依賴于虹膜與瞳孔灰度值具有較大差異這一條件. 與Wildes及Cai等人的方法相比, 本文方法對雙眼皮和陰影的處理是非常有效的. 另外, 本文算法在處理低分辨率圖像時,也取得了更好的效果.

圖20 眼瞼定位實驗對比圖

8 結論與展望

現有的人眼定位方法直接應用在低分辨率人臉圖像時存在一些問題. 本文針對這種非理想環境下人臉圖像上的人眼定位問題, 提出了一種人眼定位方法, 利用雙線性插值法、動態閾值及雙邊濾波器對人眼圖像定位存在的干擾因素如眼瞼、睫毛、雙眼皮、鏡面反射光斑等進行處理, 利用帶約束的Hough圓檢測算法及自適應雙閾值算法對人眼虹膜、上下眼瞼分別進行定位. 另外, 基于像素單元的圖像邊緣放大后會呈現凹凸不平的鋸齒邊緣, 本文的定位方法能給出定位的矢量方程, 一定程度上解決了圖像放大后邊緣的鋸齒問題, 得到的矢量描述可以應用在人臉識別、三維建模等領域中. 實驗結果表明, 本文算法在模糊的低分辨率人臉圖像上能較為準確地定位出人眼位置, 同時, 在高清虹膜圖像上同樣能取得較好的定位效果, 具有較強的魯棒性.