基于边缘检测虹膜图像定位分割算法研究.docVIP

基于边缘检测虹膜图像定位分割算法研究 　　研究了虹膜识别的定位分割算法。算法主要包括虹膜边缘检测、虹膜内外圆定位、分割眼睑。本算法在利用改进的Canny检测边缘算子对虹膜进行边缘检测的基础上，对虹膜内外圆进行有效而准确的定位，提出了分割眼睑、睫毛等影响因素的方案，并在Matlab软件中进行了仿真实验。 　　【关键词】虹膜图像 定位 分割 　　与传统的口令密码等身份识别手段相比，生物特征识别技术具有很强的优越性， 其中虹膜识别更是因其具有高识别率、强安全性、特征唯一等特点，被广泛的用于各级各类安全识别系统中。目前Daugman提出的虹膜识别算法最具有代表性，其他学者也分别提出了较为有效的虹膜识别算法。而虹膜的定位与分割，是虹膜识别技术上的关键步骤。因为虹膜识别的原理是利用了人眼虹膜的唯一性，其有用信息集中在虹膜纹理上，其他的巩膜、瞳孔、眼皮、睫毛等组织结构和光反射等对识别来说是噪声，而虹膜采集时成像光源等多种因素也会使图像噪声增加，从而降低了虹膜识别的准确性，所以虹膜图像的定位与分割是进行虹膜识别的重要前提。该虹膜定位分割算法主要包括虹膜边缘检测、虹膜内外圆定位、分割眼睑。 　　1 虹膜边缘检测 　　虹膜边缘检测主要由以下几个步骤组成： 　　（1）对虹膜图像进行平滑滤波处理，降低噪声对虹膜边缘检测的干扰。对高斯滤波器进行定义： 　　进行高斯平滑滤波后，噪声干扰小了很多，但是图像也变得较为模糊。好在边缘检测的作用是确定虹膜范围，虹膜特征提取识别时并不会应用滤波图像，所以进行边缘检测时对图像清晰度要求不高，只要能对虹膜内外圆正确识别就行。图1为人眼原始图像与经过高斯滤波器平滑滤波后的图像对比。 　　（2）平滑滤波后，采用Canny算子进行虹膜边缘检测。图2显示了Canny算子在竖直、水平梯度对虹膜采集图像检测的比较，从对比中可以看出，在进行虹膜外圆边缘检测时，竖直梯度检测的边缘连续性及清晰度要优于水平梯度检测。 　　（3）由图2可以看出，采用Canny算子进行虹膜边缘检测后，边缘并不十分清晰，所以需要将对比度进行增强，因此我们调整伽马值，方法是：（检测后图像的灰度值图像最小灰度值图像）/最大灰度值，求得图像newim灰度值，为增强图像对比度，设imnewim，其中，g1。调整伽马值增加对比度后的图像见图3。 　　（4）增强对比度后，我们可以看到，图像的边缘线很粗，不利于进行区域分割，因此我们采用非极大值抑制方法将虹膜图像的边缘进行细化。具体方法为：查找图像梯度中的局部极大值点，将其余非局部极大值点归零，由此细化图像检测边缘，具体细化效果见图4。 　　2 虹膜内圆与外圆的定位 　　在虹膜定位中，内外圆圆心和半径利用Hough变换进行计算查找，因为虹膜内圆必然包含在外圆内，因此先检测虹膜外圆，然后再求内圆圆心和半径，这样可以提高检测效率。 　　为尽可能减小计算量，缩短运算时间，可以预先预测虹膜半径值的大致区域，在相应区域内进行参数探测，半径值区域范围根据虹膜采集对比库的变化而有所不同。实验中采用CASIA数据库，外圆半径范围预先设置为75至155像素，内圆设置为25至80像素，检测效果和运算速率良好，检测后的虹膜图像见图5。 　　3 分割眼睑 　　虹膜采集扫描时，一小部分虹膜位置会被眼皮眼睑睫毛等遮挡，这些信息在虹膜识别时是无效的，需要提前分割出去，以免影响检测结果，为此我们进行了分割眼睑的算法尝试。 　　（1）遮挡部位集中在虹膜上下个方向，因此以虹膜内圆圆心为标记点，将虹膜图像分为上下两部分，分别进行运算处理。与虹膜边缘检测不同的是，眼睑边缘主要检测水平线，因此在设置Canny算子时，水平梯度算子的权值要比竖直梯度检测权值大。虹膜上半部分的眼睑边缘检测效果见图6。 　　（2）利用拉东（Radon）变换检测直线，我们可以沿任意方向对函数投影，即将函数 f（x，y）的Radon变换为： 　　由拉东变换的参数能够求得眼睑直线的方向角、距原点距离，由此确定检测直线位置。 　　（3）利用拉东变换分别对上下眼睑进行计算，将虹膜图像切割成矩形，这个矩形与虹膜内外圆重合区域即为有效的虹膜特征值检测区域，其余干扰及无效部分用NAN来填充。图7为进行眼睑分割后的虹膜图像。 　　4 结论 　　虹膜定位分割是进行虹膜识别的关键步骤，对虹膜识别的准确性及效率有着重要影响。本文介绍的基于边缘检测的虹膜图像定位分割算法能够快速、有效的对虹膜图像进行分割，更好的滤除眼皮眼睑睫毛等影响因素和无效区域。虽然对于不同的虹膜采集库，需要设置各自相应的虹膜内外圆半径范围，但是对于同一虹膜采集库只需要设置一次即可。实验证明算法能够取得较好的定位分割结果，并且具有较高的运算速率。 　　参考文献 　　[1]Daugman J.How iris recognition works[