[发明专利]一种基于灰度梯度和分类器的虹膜外边界定位方法

摘要

一种基于灰度梯度和分类器的虹膜外边界定位方法，属于图像处理技术领域，涉及虹膜身份识别技术。首先通过瞳孔边界信息，确定虹膜外边界的大致区域；其次对该区域进行直方图拉伸并计算睫毛灰度阈值；接着利用虹膜外边界的形状特性和分布特性，设计两个边界点分类器，得到虹膜外边界点集合；然后根据得到的虹膜外边界集合，采用最小二乘法拟合出待选虹膜外边界；最后利用瞳孔位置信息对待选虹膜外边界进行比较，得到最接近的虹膜外边界曲。本发明与现有的虹膜外边界定位方法相比，不仅速度快、定位精准，而且鲁棒性高，对图像质量较差的虹膜图像仍然能正确定位，从而有利于提高虹膜的识别效率和准确率。

主权项

1、一种基于灰度梯度和分类器的虹膜外边界定位方法，包括以下步骤：步骤1：采集虹膜样本图像并确定虹膜的大致区域；首先采集虹膜样本图像，具体采集虹膜样本图像时保证瞳孔中心位置大致位于图像中间；然后进行瞳孔定位，得到瞳孔半径r_pupil和瞳孔中心位置(x_pupil，y_pupil)；再提取在瞳孔中心上方50行，瞳孔中心下方2倍瞳孔半径，瞳孔中心左右方各3倍瞳孔半径的区域作为搜索虹膜外边界的子图subImage，其高度为subHeight，宽度为subWidth；步骤2：对搜索虹膜外边界的子图subImage进行灰度直方图拉伸，然后提取在瞳孔边界最低点上下各7～30行、左右各7～30列的子图进行自适应的全局阈值计算，得到睫毛灰度阈值Eyelash_Threshold；步骤3：提取搜索虹膜外边界的子图subImage中的虹膜外边界点，得到虹膜左外边界点集合PointSet_L和虹膜右外边界点集合PointSet_R；具体包括以下分步骤：步骤3-1：以瞳孔中心为界，将搜索虹膜外边界的子图subImage划分为左右两个区域，得到subImage_L和subImage_R；步骤3-2：计算步骤3-1所得的左边区域subImage_L中每相邻三行的像素点按照列对应位置加权相加的平均灰度向量Vec_i＝[a₁，a₂，…，a_j…]，其中a_j＝A×p_i，j+B×p_i+1，j+C×p_i+2，j；其中Vec_i表示第i行、第(i+1)行和第(i+2)行这相邻三行像素点的平均灰度向量，i从1到(subHeight-2)；a_j表示Vec_i中第j列三个像素点的灰度加权和值，j从1到A、B和C表示加权系数，通常0.5≤A＜1，0＜B≤0.5，0＜C≤0.3，且A+B+C＝1；p_i，j表示像素点(i，j)的灰度值；具体计算时，若其中某点像素的灰度值小于睫毛灰度阈值Eyelash_Threshold，即该像素点属于睫毛点，则该点像素点的像素值以零代替后进行计算；步骤3-3：对向量Vec_i进行扩展，得到扩展向量Vec′_i＝{[a₁，…，a₁]_1×8，Vec_i，[a_n，…a_n]_1×7}；其中，[a₁，…，a₁]_1×8表示在向量Vec_i的前面放置8个a₁，[a_n，…a_n]_1×7表示在Vec_i的后面放置7个a_n，其中n=12subWidth-r_pupil;]]>步骤3-4：对扩展向量Vec′_i做差分运算，得到灰度梯度向量DVec_i＝[d₁，d₂，…d_n]，具体方法如下：dj=Σk=j+8j+18|ak-ak-8|,]]>1≤j≤n，其中a_k、a_k-8∈Vec′_i；步骤3-5：搜索灰度梯度向量DVec_i的局部极小值；如果存在d_k＜d_k+1且d_k＜d_k-1，d_k∈DVec_i，则将该坐标(i，k)位置所在的像素点作为虹膜左外边界点并放入虹膜左外边界点集合PointSet_L；步骤3-6：按照步骤3-2至步骤3-5的具体方法计算步骤3-1所得的右边区域subImage_R的虹膜右边界点并放入虹膜右外边界点集合PointSet_R；步骤4：分别计算虹膜左、右外边界点集合PointSet_L与PointSet_R中的每一个点与瞳孔中心之间的距离，删除其中大于3倍瞳孔半径或者小于1.5倍瞳孔半径的部分伪虹膜外边界点，得到左、右外边界点集合PointSet_L1与PointSet_R1；步骤5：分别对虹膜左、右外边界点集合PointSet_L1与PointSet_R1中的虹膜外边界点进行第一次分类，然后删除其中属于伪虹膜外边界点类别的点，再对剩余虹膜外边界点类别的点进行第二次分类；具体步骤如下：步骤5-1：对虹膜左外边界点集合PointSet_L1内的点进行第一次分类；对虹膜左外边界点集合PointSet_L1内的每一个点，按坐标位置从左上至右下的顺序，逐一判断每个点的N_KK(A)邻域内是否存在已有被分类的点，若某一点A的邻域内存在已被分类的点，则将A点归入与其N_KK(A)邻域内已被分类且“距离”A点最近的点所属的类别；若某一点A的邻域内不存在已被分类的点，则将A点归入新的类别；其中，某一点A的N_KK(A)邻域的点指按照表(a)中A点附近标有数字1至16的这16个点；这16个点的数字1至16表示相应点与A点之间的“距离”；表(a)                                       表(b)步骤5-2：统计虹膜左外边界点集合PointSet_L1中各个分类子集所包含的虹膜边界点的点数，删除分类点数小于15的分类子集，得到虹膜左外边界点集合PointSet_L2；步骤5-3：对虹膜左外边界点集合PointSet_L2进行第二次分类；按照虹膜左外边界点集合PointSet_L2中点与瞳孔中心之间的距离大小，将虹膜左外边界点集合PointSet_L2中点分成m类子集，同一类子集中的点与瞳孔中心之间的距离相差不超过10个像素，其中m≥|1.5×r_pupil/10|，其中|·|表示将·取整；步骤5-4：统计虹膜左外边界点集合PointSet_L2总的点数N，并统计步骤5-3所得m类子集中每一类子集中的点数W_i，1≤i≤m；判断是否存在子集点数大于N/L-5的分类，其中L的初始值等于5：若存在，则得到子集点数大于N/L-5的分类集合PointSet_L3，以及子集点数大于N/L-5的类别数NcL；若不存在，则将L的值增加1，直到存在子集点数大于N/L-5的分类，并得到子集点数大于N/L-5的分类及子集点数大于N/L-5的类别数NcL；步骤5-5：对虹膜右外边界点集合PointSet_R1中的虹膜外边界点，采取步骤5-1至步骤5-4相应的处理方法，得到子集点数大于N/L-5的分类集合PointSet_R3，以及子集点数大于N/L-5的类别数NcR；其中对虹膜右外边界点集合PointSet_R1内的点进行第一次分类时，某一点A的N_KK(A)邻域的点指按照表(b)中A点附近标有数字1至16的这16个点；步骤6：分别任取一个来自于左区域分类集合PointSet_L3和一个来自于右区域分类集合PointSet_R3的分类子集的虹膜外边界点进行组合，得到NcL×NcR个虹膜外边界点矩阵；然后对每个虹膜外边界点矩阵采用最小二乘法进行圆拟合，得到NcL×NcR个待选虹膜外边界；步骤7：根据径向灰度分布特性删除NcL×NcR个待选虹膜外边界中的伪虹膜外边界，得到最终定位的虹膜外边界；具体方法如下：步骤7-1：若步骤6所得的NcL×NcR个待选虹膜外边界中，存在两个待选虹膜外边界的圆心距和半径差都在10个像素以内，且两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则判定这两个待选虹膜外边界重合；对于重合的两个待选虹膜外边界，将用以分别拟合该两个待选虹膜外边界的，来自于左、右区域分类集合PointSet_L3和PointSet_R3的分类子集的虹膜外边界点全部组合成一个虹膜外边界点矩阵，然后采用最小二乘法拟合得到一个新的待选虹膜外边界；设重新拟合后的待选虹膜外边界的数目为S，则S＜NcL×NcR；若步骤6所得的NcL×NcR个待选虹膜外边界中，不存在两个待选虹膜外边界的圆心距和半径差都在10个像素以内或两个待选虹膜外边界的圆心距和半径差这两者之和在15个像素以内，则直接执行步骤7-2；步骤7-2：在步骤7-1所得的S个待选虹膜外边界中，选出待选虹膜外边界的圆心与瞳孔中心的距离小于10像素的待选虹膜外边界，然后转为执行步骤7-3；若步骤7-1所得的S个待选虹膜外边界中，所有待选虹膜外边界的圆心与瞳孔中心的距离大于10像素以上，则判定虹膜外边界定位失败；若定位失败，则计算每个待选虹膜外边界中用以拟合该待选虹膜外边界的，来自于左、右区域分类集合PointSet_L3和PointSet_R3的分类子集的虹膜外边界点到该待选虹膜外边界的距离，并删除其中距离较大的10％的点，然后重新拟合该待选虹膜外边界；然后在重新拟合的S个新的待选虹膜外边界中，选出其中待选虹膜外边界的圆心与瞳孔中心的距离小于10像素的待选虹膜外边界，再转为执行步骤7-3；步骤7-3：在步骤7-2的基础上，计算每个待选虹膜外边界上所有点的径向梯度和值G_i，1≤i≤S；再计算G_i与所有径向梯度和值G_i中的最大值G_max的比值G_i/G_max；然后剔除那些比值G_i/G_max小于0.4的待选虹膜外边界；步骤7-4：计算所有剩余的待选虹膜外边界的圆心与瞳孔中心的距离，把其中最小距离所对应的待选虹膜外边界作为最终定位的虹膜外边界。