一種快速有效的虹膜定位方法

楊秀 張軒雄

摘 要：虹膜定位是虹膜識別系統(tǒng)中的一個重要步驟，后續(xù)處理步驟均取決于其準確性。針對傳統(tǒng)虹膜定位方法的局限性，設計了一種由粗到精的算法，解決計算成本問題的同時達到可接受的精度要求。利用灰度投影法和自適應閾值將虹膜圖像轉換為二值圖像實現(xiàn)虹膜內邊界的粗定位，再用Canny算子對邊緣進行檢測精定位，然后根據(jù)定位結果結合矩形檢測模板對外邊界進行粗定位，使用Daugman圓盤算子檢測虹膜外邊界進行精定位。實驗結果表明該算法能準確快速地定位虹膜區(qū)域。

關鍵詞：閾值;Cannny算子;矩形檢測模板;虹膜定位;灰度值

DOI：10. 11907/rjdk. 182004

中圖分類號：TP301文獻標識碼：A文章編號：1672-7800（2019）001-0061-04

Abstract： Iris localization is an important step in the iris recognition system，whose speed and accuracy affect all the subsequent processing steps. In view of the limitations of traditional iris localization methods，a coarse to fine algorithm is designed to solve the computational cost and attain admissibility accuracy. It employs gray projection algorithm and uses an adaptive threshold to convert the iris image into a binary image to achieve coarse positioning of the inner boundary of the iris，and then it uses the Canny operator to perform fine positioning of the iris inner boundary. According to the positioning results of the inner boundary of the iris， the outer boundary of the rectangle detection template is coarsely positioned. Daugman's disc operator is used to detect the outer boundary of the iris to precisely locate the outer boundary. The experimental results show that the algorithm can accurately and quickly locate the iris region.

0 引言

隨著人們對信息安全的日益重視，傳統(tǒng)意義上的身份識別手段已經不能滿足人們的需求 [1]，由此催生了基于生物特征的身份識別技術。現(xiàn)有生物識別技術中，虹膜識別技術由于極高的精度和穩(wěn)定性受到用戶青睞，具有巨大的市場發(fā)展?jié)摿2-4]。

由于虹膜區(qū)域具有很好的環(huán)狀生理特點，虹膜的內外邊界都近似圓形[5]，因此虹膜定位算法旨在從原始圖像定位到環(huán)形的虹膜區(qū)域，虹膜定位問題就轉化為定位虹膜圓形內外邊界問題。定位精度對后續(xù)步驟如虹膜歸一化、特征提取和匹配有很大影響，精確的虹膜定位可以實現(xiàn)高性能的特征提取和識別[6]。因此，虹膜定位是虹膜圖像預處理的關鍵步驟，也是保障后續(xù)工作有效進行的前提條件。

經典虹膜定位方法有：①Daugman[7]使用積分微分算子，搜索圖像域上徑向導數(shù)的最大角度積分，但該算法定位容易受到噪聲的干擾而產生局部極值;②Wildes[8]提出后來由Masek[9]采用Hough變換進行邊緣檢測得到虹膜內外邊界，此算法內存占用較大且對圖像中的噪聲點不敏感，計算成本較高。近年來新的虹膜定位算法有：葉學義等[10]提出先用濾波方式對虹膜圖像進行平滑處理，然后分析平滑處理后得到的灰度直方圖，最后通過投票機制實現(xiàn)虹膜定位，但該算法定位精度容易受到噪聲影響。苑瑋琦等[11]提出使用結合灰度值求和算子的邊界檢測模板方法定位虹膜，該方法雖然提高了定位速度，但容易受到噪聲干擾。

本文提出一種從粗到精的策略，使用Canny算子與Daugman圓盤算子結合的定位方法以降低計算成本，提高定位速度并實現(xiàn)對虹膜的精確定位。首先利用灰度投影法和自適應閾值，將虹膜圖像轉換為二值圖像實現(xiàn)瞳孔的粗定位，瞳孔的精定位則采用Canny算子檢測邊緣，再使用矩形檢測模板對虹膜外邊界進行粗定位，最后使用Daugman的圓盤算子實現(xiàn)虹膜外邊界的精確定位。

1 虹膜定位

1.1 虹膜內邊界定位

1.1.1 內邊界粗定位

由于瞳孔、虹膜、鞏膜這3部分的灰度值相差明顯[12]，并且瞳孔的灰度值遠低于其它區(qū)域的灰度值，所以根據(jù)這個特點先用灰度投影法和自適應閾值將原始圖像轉換為二值圖像從而分離出瞳孔部分。在二值化時閾值大小會影響到粗定位效果[13]，如果閾值選擇過大會得到較少信息，閾值選擇過小則會留下較多噪聲。因此，先根據(jù)原始圖像的灰度直方圖選取閾值。如果像素點的灰度值小于T，則將該像素點的灰度值置為0，如果像素點的灰度值大于T，則將該像素點的灰度值置為255，由此得到瞳孔部分，實現(xiàn)虹膜內邊界的粗定位，實際上也是瞳孔的粗定位，處理結果如圖1所示。

1.1.2 內邊界精定位

根據(jù)瞳孔粗定位結果，在瞳孔的粗定位區(qū)域內使用Canny算子對瞳孔邊界進行邊緣檢測，再用最小二乘法擬合確定瞳孔的圓心和半徑，這樣就完成了對內邊界的精定位，實現(xiàn)步驟如下：

（1）用高斯濾波器對待處理的圖像進行平滑處理，去除噪聲。

（2）用一階偏導數(shù)的有限差分求出濾波后圖像梯度的方向以及幅值：

（3）將圖像局部梯度變化最大的點保留，對梯度幅值做非極大值抑制處理。如果沿梯度方向上（i，j）像素點的邊緣強度A（i，j）小于其兩個相鄰像素點的邊緣強度，就認為該像素點（i，j）為非邊緣點，將A（i，j）置為0[14]。

（4）雙線性閾值處理。對非極大值抑制圖像進行雙閾值化，設定高閾值[T1]和低閾值[T2]。經[T2]閾值化處理后邊緣信息較多，將這些邊緣連成輪廓。[T1]閾值化處理后得到的圖像邊緣信息較少，用來補全邊緣信息，這樣就得到了虹膜內邊界上的點[（xi，yi）]。

（5）對得到的邊界點（x_i，y_i）用最小二乘法進行擬合[15]，計算出虹膜內邊界的圓心和半徑參數(shù)。

經過以上步驟的處理，虹膜內邊界的定位結果如圖2所示。

1.2 虹膜外邊界定位

1.2.1 外邊界粗定位

由于虹膜與鞏膜像素的灰度值相差較大，在虹膜內外邊界處的像素點灰度值變化較快，而在虹膜區(qū)域內和鞏膜區(qū)域內灰度值變化較慢[16]，所以設計一個矩形檢測模板以及一個經驗閾值，使用矩形檢測模板掃描虹膜圖像[17]，檢測模板中像素點灰度值的變化，即可粗略確定虹膜外邊界。具體實現(xiàn)過程如下：

其中[P1]、[P2]為相鄰兩個矩形檢測模板的灰度值均值。虹膜內圓的半徑比外圓半徑大概小60-90個像素點，依此可以移動距離來減小計算量。如果某個檢測模板的[？P]和[？V]超過了所設定的閾值，表明這個檢測模板此時處于外邊界上，這樣就可確定位于虹膜外邊界上的矩形檢測模板。

（2）分別在矩形檢測模板的中線上選擇等距離的4個點作為邊界點，這樣得到16個邊界點：[（xi，yi），i∈（1，16）]。在這16點中隨機選取15個點，將這15點分成5組，每組的3個點要分別取自3個不同的矩形檢測模板。根據(jù)三點確定一個圓的原理，以上處理會得到5個可能的外邊界圓，對這5個圓的圓周參數(shù)取均值，完成虹膜外邊界的粗定位，獲得圓周參數(shù)[（x1，y1，r1）]，如圖4所示。

1.2.2 外邊界精定位

根據(jù)虹膜外邊界粗定位結果，再用式（3）所示的Daugman微積分算子處理，準確定位到虹膜的外邊界和上下眼瞼部位，減少了計算量[18-19]。通常情況下，睫毛與眼瞼的遮擋會不同程度地影響虹膜的外邊界部分，所以要注意對積分區(qū)域的選取。

2 實驗結果分析與算法比較

本文算法在Matlab R2014a環(huán)境下編程實現(xiàn)，并在虹膜圖像數(shù)據(jù)庫CASIA1.0[20]中進行測試。CASIA1.0共有108只眼睛的756張圖像樣本，圖像像素大小為320×280，該庫是一個高質量的圖像庫[21]。從CASIA1.0庫中選取324張圖像進行實驗，在相同的實驗條件下，運用本文算法分別與Daugman的圓盤算子檢測法和wildes的Hough變換算法進行仿真比較，實驗室結果如表1所示。

實驗結果表明，與傳統(tǒng)定位算法相比，本文的虹膜定位算法不僅縮短了定位時間，而且保證了定位準確性。

3 結語

本文分析對比了經典的Daugman圓模板算法和Wildes的Hough變換算法以及葉學義和范瑋琦提出的算法，通過分析這幾種虹膜定位方法的優(yōu)勢與不足，提出一種基于小范圍搜索由粗到精的邊緣檢測定位方法。通過選取合適的閾值能夠減小計算成本，由粗到精的算法與傳統(tǒng)方法相比能獲得更多的邊緣信息，并且噪聲干擾不明顯。實驗證明該方法不但解決了計算成本問題，還達到了可接受的精度，是一種有效的虹膜定位方法。另外，在實驗中發(fā)現(xiàn)如果圖像質量較差，比如閉眼、半閉眼等，會難以達到很好的定位效果，因此圖像質量評價是下一步需要研究的課題。

參考文獻：

[1] 譚鐵牛. 智能化時代生物識別的機遇與挑戰(zhàn)[J]. 重慶理工大學學報：自然科學，2015，29（10）：1-2.

[2] 李海青， 孫哲南， 譚鐵牛，等. 虹膜識別技術進展與趨勢[J]. 信息安全研究，2016（1）：40-43.

[3] 史春蕾， 楊丹丹， 韓飛. 虹膜識別綜述[J]. 科技展望， 2016（5）：307-308.

[4] 尚睿. 虹膜識別技術的最新進展綜述[J]. 電腦知識與技術， 2015， 11（22）：117-118.

[5] 秦武旻， 朱長婕. 虹膜快速檢測與精確定位的算法研究[J]. 國外電子測量技術， 2017， 36（4）：25-28.

[6] 陳傳虎， 鄒德旋， 劉海寬. 應用統(tǒng)計距離實現(xiàn)虹膜定位[J]. 光學精密工程， 2012， 20（11）：2516-2522.

[7] 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.

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

[9] MASEK L.？Recognition of human iris patterns for biometric identification[D]. Perth：The University of Western Australia， 2003.

[10] 葉學義， 莊鎮(zhèn)泉， 張云超. 一種快速新穎的虹膜定位算法[J]. 計算機工程與應用，2003，39（30）：54-56.

[11] 苑瑋琦， 林忠華， 徐露. 一種基于人眼結構特征的新穎虹膜定位算法[J]. 光電工程，2007，34（1）：112-116.

[12] 王虹， 曾文. 一種改進的虹膜定位算法研究[J]. 武漢理工大學學報， 2008， 30（6）：846-848.

[13] 孫彩堂， 周春光， 劉向東，等. 一種改進的虹膜定位方法[J]. 小型微型計算機系統(tǒng)， 2006， 27（7）：1335-1338.

[14] 賀國旗，凌鳳彩，林曉. 基于Canny思想的Robinson邊緣檢測算法[J]. 計算機工程與科學，2016，38（4）：755-760.

[15] 呂康東. 虹膜快速定位及特征提取算法的研究[D].包頭：內蒙古科技大學，2017.

[16] 許妍. 虹膜定位及識別算法的研究與改進[D]. 蘭州：西北師范大學， 2016.

[17] 潘勝男. 虹膜識別前處理算法的研究[D]. 長春：吉林大學，2017.

[18] 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.

[19] DAUGMAN J. High confidence recognition of persons by iris patterns[C]. International Carnahan Conference on Security Technology，2001：254-263.

[20] 中國科學院化學研究所. CASIA 虹膜圖像數(shù)據(jù)庫[EB/OL]. http：//www.sinobiometrics.com，2003.

[21] 彭建，向軍. 一種基于形態(tài)學的虹膜定位快速算法[J]. 計算機工程與應用，2012，48（4）：193-196.

（責任編輯：杜能鋼）