一种新的基于纹理边缘检测的虹膜定位算法

摘要：针对虹膜边缘图像提取的主流方法，提出了一种跳过虹膜外边界检测的直接提取虹膜图象的新方法。首先，根据人眼图像的整体灰度分布特征，用灰度投影的方法进行阈值分割，定位出瞳孔，然后对虹膜边缘进行增强操作并提取边缘信息得到边缘图象，最后以过瞳孔圆心水平直线像素的扫描确定一估计虹膜纹理所在之半径，并以此半径向外搜索分析半环上的像素点直到得到精确的虹膜纹理区外边界止。实验结果表明，该方法整体上提高了虹膜提取及后续的识别速度，并且具有较好的定位效果。

关键词：虹膜定位；灰度投影；边缘检测；阀值分割

中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)21-30507-04

Based on the Texture of a New Edge Detection Algorithm of Iris Location

QIN Ji-wei,LI Jian-wei,YAN Yong-long

(The Key Laboratory for Optoelectronic Technology & System, Chongqing University, Chongqing 400030, China)

Abstract: For the purpose of localizing iris precisely and quickly not in a old way, a new and direct iris extraction algorithm beyond iris outer edge detection is presented. Firstly, threshold segmentation using gray projection is applied to locate the pupil. Then it enhances the iris edge image to extract the edge information and gain the edge image. After that, by scanning the gray projection of a horizontal line crossing the pupil, gain a rough radius as a base data , scanning analysing the outer circles with a bigger radius until the precise radius that contains iris pattern is received. Experimental results show that this algorithm shows a nice localizing result and improves the speed both in iris extraction and the following recognition in total as well.

Key words: iris location; gray projection; edge detection; line fitting

1 引言

随着信息时代的到来，信息安全逐渐变成一个热门的研究课题。而虹膜身份识别作为近10年发展起来的一门新兴生物特征识别技术，与其他生物特征识别技术相比，虹膜识别具有高可靠性和高准确性，而且识别速度快，并具有非侵犯性优点而备受青睐，许多国内外学者对它进行了深入而充分的研究，并取得了很大发展。虹膜识别算法分为两大部分，虹膜图像预处理和特征提取与匹配。其中虹膜定位是虹膜图形预处理中最重要的部分，虹膜定位是后续一切图像处理是否有效的前提和保证。所以，虹膜定位算法是虹膜识别算法的关键环节。在现有的一些虹膜识别系统中，虹膜定位成了耗时最长的环节，占总时间的55%左右[1]，所以一个好的定位方法是非常重要的。

虹膜边界包括虹膜与巩膜之间的边界以及虹膜与瞳孔之间的边界，即外边缘和内边缘。虹膜的纹理细节信息都包含在这两个边缘之间的部分内。传统的虹膜定位就是找到这两个边缘，除去除虹膜以外的其它无用部分，常见的多采用Hough变换和Daugman的圆形检测算子[2]。前者抗干扰能力强，但时间和空间开销较大；后者虽然速度较快，但容易受反光等其它因素影响。

本文针对实际虹膜识别特征提出一种新的非虹膜外边界检测的虹膜纹理区定位提取的方法，取得了良好的速度和精度。

2 虹膜图像的平滑处理

由于在本文的提取瞳孔的算法中，需要通过灰度直方图来确定阈值原始虹膜图像的灰度直方图。如果不进行图像平滑，将出现很多的毛刺一样的干扰，将会对灰度门限产生错误的判断。因此对原始的虹膜图像进行平滑时非常有必要的，本文采用具有自适应性能的Wiener滤波器[3]，以更好保存图像边缘和高频信息。

Wiener滤波是自适应滤波中的一种，它可以根据图像的局部方差来调整滤波器的输出。Wiener滤波器首先估计出像素的局部均值和方差：

η是图像中每个像素 M×N邻域。然后，对每一个像素利用Wiener滤波器估计出其灰度值：

Wiener滤波器提供的自适应滤波通常比线性滤波器效果好，它可以更好的保存图像边缘和高频细节信息。而且Wiener滤波器运算简单，并不需要更多的计算时间。

滤波前后的虹膜图像直方图如图1、图2所示。

图1滤波前的灰度直方图 图2 维纳滤波后的灰度直方图

3 瞳孔的定位

从平滑后的效果好典型的灰度直方图3可以看出，虹膜图像的灰度直方图呈现三个波峰的特点，分别代表了虹膜图像的3个部分：

很容易的有瞳孔分割和定位的算法步骤具体为：

1)图像二值化

式中：I（i,j）为原虹膜图像，IB(I,j)为二值化后的图像。

2)利用形态学的腐蚀膨胀方法[4]减少二值化图像中的睫毛干扰，并对图像进行连通划分[5]。

3)在划分连通区后的图像直方图H(g)中寻找瞳孔区峰值H(gs)并分离出瞳孔区。■

4)对Is（i,j）进行水平方向和垂直方向的灰度投影[5]，并确定虹膜内边缘圆心位置(xp,yp)和半径rp。

4 虹膜纹理区定位提取

4.1 边缘及纹理检测

由于本文的是基于纹理直接定位虹膜识别区域，所以边缘检测的算子选取相对而言重要，而本文方法所使用的是Canny算子。

Canny边缘检测是一种比较新的边缘检测算子，具有很好的边缘检测性能，得到了越来越广泛的应用。Canny算子的方法是寻找图像梯度的局部极大值（一般为3×3区域），梯度是用高斯滤波器的一阶导数计算的。对要处理的图像I(i,j)做高斯平滑，得到新的图像：

高斯平滑滤波器的处理效果要优于均值滤波器，既可以取得更加柔和的平滑效果又不至于破坏图像中的边缘，同时还可以消除图像中的高频噪声。高斯分布函数公式为：

其中σ是高斯函数的散布参数，它控制着平滑程度。σ越大，图像越光滑，性噪比越高，但图像更模糊，定位精度更低，σ小的情况则相反。

Canny算法与普通的边缘检测方法相比较，还有一点重要的不同之处就是它对非极大值抑制图像采用双阈值操作。分别设置低阈值T1和高阈值T2，T2=rT1，一般选取r≈2。把梯度值小于T1的像素的灰度设为0，可得到图像1。然后把梯度值小于 的像素的灰度设为0，得到图像2。由于图像2的阈值较高，去除了大部分噪声，但同时也损失了有用的边缘信息。而图像1的阈值较低，保留了较多的信息。我们可以以图像2为基础，以图像1为补充来连接图像的边缘。

由于为了保持提取的虹膜图像有足够信息量，而本方法又未采用检测虹膜外边界作为最终提取外界，因此这里要求虹膜纹理可检出性应该高，而选取小σ值，以及小的T2值。如图4(a)(b)(c)显示的，其中γ均取1.25：

4.2 纹理区初定位

由第2节所得虹膜内边缘圆心位置(xp,yp)和半径rp，我们对图4(c)扫描过 (xp,yp)的水平直线以及其相邻的上下一条共5条水平直线，图5(a)(b)为其中过圆心的一条。设图像横长为X,则由图5(b)我们可以看出，通过对此直线上由xp向两侧非0点 值的搜索统计，当连续遇到0点数大于X/10长时则可认为上一个值为1点为可能的粗半径边界点，在两个方向上的估计点不妨设为Xmin和Xmax，求5组水平线中到Xp的横坐标距离最大者作为我们纹理区外半径R0的估计值Roe，如图5(c)。

4.3 纹理区精定位

由刚才所得到的Roe，我们又提取到圆心距离为Roe的像素点集合?准。如果以水平向右为极坐标0°值，顺时针为正的话，通过对大量虹膜图像的分析，发现从- 到 的虹膜图像完整未被遮挡。为了提取?准的方便我们进一步将此区域划分为3部分如图6。对(a)(c)部分通过Roe×sin 和Roe×cos 得到线段上端点的横纵坐标，其近似像素点也由此确定。从而符合3段弧线段的起始坐标的均确定。

在部分(b)中，按X坐标从小到大的顺序从横坐标为的Xp-Roe像素搜索到Xp+Roe的像素，找出满足Roe2≈(X-Xp)2+(y-yp)2的所有点顺序组成?准b。顺序连接?准a?准b?准c得到一个2值的一维向量?准，如图7，为不足大估计半径之弧向量，可见仍有许多边界点，故仍处在纹理密集区，应继续向外搜索。

由图7可知，在此估计半径Roe上仍有许多纹理边缘，顾需要扩大半径继续搜索。经过大量实验，并结合后面的特征提取及识别结果来看，能得到精确Ro的可接受的条件为：1)在?准中存在连续0值长度超过?准总像素数1/2的弧段；2)1值点数不超过?准总像素数的1/100。在同时满足此2条件后停止继续搜索，所得Ro，与rp之间的同心环即为本方法所求，如图8。

5 实验结果及结论

本文的虹膜图像均取自于中国科学院自动化所的 CASIA 虹膜图像数据库。图8(b) 是虹膜纹理区定位提取的最终结果，可见取的虹膜区已经具有良好的可识别性。由于本方法1)跳过了常用的复杂缓慢hough变换检测外圆方法而代之以二值化图像的高速搜索算法；2)直接省去了将来对归一化后的虹膜子代的取舍，更减少了整体识别的时间。

最后本文应用 AMD 4200+2.19GHz的PC, 在 VC++ 6.0 的环境下，对虹膜图像库中 320×280的原始图像进行验证，在定位速度方面和稳定性上比众多文献[6-8]等有更高的效率，而且后期识别率也相差无几。见表1。

参考文献：

[1] 郭永彩,徐梅宣,高潮.一种快速虹膜定位算法[J].光电工程,2005,32(7):33-37.

[2] John G Daugman. 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.

[3] Lim, Jae S.Two-Dimensional Signal and Image Processing. Englewood Cliffs: Prentice Hall,1990:536-540.

[4] Rafael C Gonzalez, Richard E.Woods.数字图像处理[M].2版.阮秋琦,阮宇智,译.北京:电子工业出版社,2003:30-33,52,176-179,446-448,540.

[5] 杨枝灵,王凯.Visual C++数字图像获取、处理及实践应用[M].北京:人民邮电出版社,2003.

[6] 薛白,刘文耀,金涛,等.虹膜图像预处理算法研究[J].光电子激光,2003,14(7):741-744.

[7] Daugman J.How iris recognition works[J].IEEE Trans-action on circuits and systems for video technology,2004,14(1):21-30.

[8] HU Zheng-ping,WANG Cheng-fu,YU Lina.Iris location im-proved Randomized hough transform[J].Yi Qi Yi BiaoXue Bao,2003,24(5):477-479.

注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”