张庭亮，甄倩倩

（1.安阳工学院电子信息与电气工程学院，安阳 455000；2.安阳师范学院软件学院，安阳 455000）

一种基于Snake模型改进的虹膜边界定位算法

张庭亮，甄倩倩

（1.安阳工学院电子信息与电气工程学院，安阳 455000；2.安阳师范学院软件学院，安阳 455000）

为了提高虹膜边界识别的准确度，分析基于Hough变换虹膜边界定位算法存在的问题，提出一种基于Snake模型改进的虹膜边界定位算法。在虹膜图像库中进行测试，实验结果表明，该算法定位准确度有所提高。

虹膜边界定位；Hough变换；Snake模型

0 引言

生物识别也称为“生物特征识别”，即根据人自身的特征来识别。生物特征有两大类：生理特征和行为特征[1]。虹膜识别技术因其具有极高的精度和稳定性，成为生物识别中的应用热点[2-4]。虹膜识别最具代表性的是J.Daugman于1993年提出的基于二维Gabor变换虹膜识别算法[5]和MIT的R.P.Wildes于1996年提出的基于图像登记的认证算法[6]。1998年，Boles等人为实现虹膜识别的移动旋转不变性，增强亮度与噪声的敏感度，提出了基于小波过零检测的虹膜识别算法[7]。我国在20世纪90年代后期开始自主研发虹膜识别技术[2]，众多研究人员在该领域做出了有益的探索[8-10]。虹膜定位是虹膜识别中的关键步骤，定位算法的性能，如准确度、速度、鲁棒性一直都是研究的热点[11]。

1 基于形态学处理与Snake模型的边界定位算法

首先对高斯滤波虹膜图像进行二值化处理，采用灰度投影法估计瞳孔中心坐标，使用形态学处理消除光源噪声，以估计坐标为初始Snake集合点，搜索定位虹膜内边界，得到精确的瞳孔中心坐标和半径，根据先验数据分割原图像确定外边界的定位图像，最后采用Hough投票机制定位外边界。

1.1 二值化图像灰度投影估计瞳孔中心

瞳孔区域具有低灰度的特性，使用二值化图像的灰度投影可以初步定位瞳孔中心位置。二值化处理的灰度阈值由图像本身的灰度特性决定，改进算法的示例使用CASIA-Iris库图像，如图1（a）所示。虹膜图像的灰度直方图，如图1（b）所示。

图1 虹膜原图与灰度直方图

根据灰度直方图设定阈值，图像二值化结果如图2（a）所示。通过计算二值化图像灰度投影水平和垂直方向上的最大值，可以估计瞳孔中心的位置。水平和垂直方向的灰度投影就是求取像素行、列的和，垂直投影如图 2（b）所示，水平投影如图 2（c）所示，根据式（1）估计瞳孔中心坐标为

图2 二值化处理图像与灰度投影

1.2 形态学消除光斑噪声

形态学运算去除光源噪声和睫毛噪声时经过二值化、闭运算、开运算、填充四个步骤。二值化图像如图3所示，经过形态学处理结果如图4所示，达到了减噪的目的。

图3 二值化原图

图4 形态学消除光源噪声与睫毛噪声

1.3 Snake算法检测虹膜内边界

主动轮廓线算法（Snake）模型的基本方法为从选定的初始集合区域开始，根据极小化能量函数进行曲线演化。演化过程收敛于极小态，逐步探索出目标物体边界。主动轮廓线提取算法的数学模型构造中，目标轮廓用变形能量ES(v)来定义：

式中，v(x(s),y(s))表示轮廓，是单位参量域s∈[ ]0,1到图像表面的映射，v角标是对s的微分，ES(v)定义轮廓v伸长和弯曲时的内部能量，w1(s)代表控制v的“应力”，w2(s)代表控制v的刚度。势能P(v(s))可以吸引Snake到图像特征显著区域，表达式为：

图像力场外部数据的约束力是P(v(s))的微分，轮廓能量函数为：

式中 ，ρ(v)是 I(x,y)的标量函数，当ρ(x,y)=±w3|Gδ∗I(x,y)| ，Snake会向图像暗/亮区域移动，当 ρ(x,y)=±w3| ∇Gδ∗I(x,y)| ，Snake会向着边缘区域移动。w3为势能幅值，Gδ∗I进行高斯滤波。

Snake的运动过程就是实现函数E(v)=ES(v)+P(v)为极小值的过程，此时：

采用Snake模型定位内边界过程如图5所示。

图5 Snake算法定位过程

1.4 分割定位外边界的图像

虹膜垂直区域容易受到眼皮遮挡，眼皮阴影和眼睑边缘不仅遮挡边界，而且会形成伪边界，造成误判。Snake模型定位后得到瞳孔中心坐标(xp,yp)，内边界半径rp。外边界定位可以依据瞳孔参数缩小定位区域，选择(yp-rp)到(yp+rp)的行图像，如图6所示，此时，边缘提取如图7所示。对于普通装置获取的虹膜图像使用Hough投票确定外边界。采用固定设备在被提取者配合下获取虹膜图像，虹膜大小受环境限制，可以进一步去除无效边界点。虹膜外边界半径范围距瞳孔中心超过最大半径的区域可以去除，得到(xp-ri_max)到(xp+ri_max)的区域，如图 8所示。内边界点也视为无效，去除距瞳孔中心位置小于外边界最小半径的边缘点，即去除 (xp-ri_min)到(xp+ri_min)的边缘点，如图9所示。与整个眼部的边缘图像相比较，无效外边缘点数量已经大范围减少，定位准确性增加。

图6 去除瞳孔垂直方向区域结果

图7 Canny边缘提取

图8 去除远点

图9 去除近点

2 实验结果及分析

使用CASIA-Iris库进行实验，对于内外边界无噪声干扰的情况，传统算法与改进算法定位准确度相当。对有噪声干扰图像进行实验，内边界噪声干扰图像定位结果如图10所示。

内边界光源噪声干扰图像定位结果如图10所示，两种方法对外边界的定位准确，图10（a）与10（c）可以看出，当光源噪声处于内边界上时，传统方法Canny算子将噪声边缘当边界点处理，产生误差。图10（b）与10（d）可以看出改进算法使用形态学处理消除了光源点干扰，内边界定位效果良好。

外边界光源噪声干扰图像定位结果如图11所示，图 11（a）与 11（c）可以看出，当光源噪声处于外边界时，传统方法Hough计算外边缘受到光源噪声与眼皮眼睑噪声影响，造成误判。图11（b）与11（d）改进算法先定位内边界获得参数后去除垂直方向上的眼皮眼睑噪声，削弱了外边界噪声在Hough投票中的影响，提升了有效投票比重，外边界定位效果良好。

多重光源噪声图像定位结果如图12（a）与图12（b），传统方法定位内外边界均出现偏差，改进方法先后抑制内外噪声，定位结果准确。眼动图像定位结果如图 12（c）与图 12（d），眼动产生瞳孔扩张，形变，位置改变，传统方法内外边界互相影响，定位不准确。改进算法对瞳孔采用逐步搜索，不会受到形变影响，定位效果良好，内外边界定位独立完成，互不干扰，定位结果准确。实验数据如表1所示。

3 结语

针对传统定位方法边界点数量多、实时性能差、对光照变化及噪声敏感的问题，采用基于形态学处理与Snake模型的改进快速边界定位算法，CASIA虹膜库图像定位实验表明，改进算法在受噪声干扰图像及眼动图像上的定位准确性能有所提高。

图10 内边界光源噪声干扰图像定位结果

图11 外边界光源噪声干扰图像定位结果

图12 多重光源噪声干扰与眼动图像定位结果

表1 定位算法实验数据

[1]谭铁牛.智能化时代生物识别的机遇与挑战[J].重庆理工大学学报（自然科学）,2015,29（10）：1.

[2]李海青,孙哲南,谭铁牛,何召锋,马力.虹膜识别技术进展与趋势[J].信息安全研究,2016,2（01）：40-43.

[3]王琪,张铁,张晓梦,张祥德.基于SIFT和SDM的虹膜定位方法[J].东北大学学报（自然科学版）,2017,38（02）：180-184.

[4]苑玮琦,朱立军,张波.基于形态学与支持向量机的虹膜坑洞纹理检测[J].仪器仪表学报,2017,38（03）：664-671.

[5]J.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.

[6]R.Wildes,J.Asmuth,G.Green,et al.A Machine-Vision System For Iris Recognition[J].Machine Vision and Applications,1996,9（1）：1-8.

[7]W.W.Boles,B.Boashash.A Human Identification Technique Using Images of the Iris and Wavelet Transform[J].IEEE Transact ions on Signal Processing,1998,46（4）：1185-1188.

[8]张震,张英杰.基于支持向量机与Hamming距离的虹膜识别方法[J].郑州大学学报（工学版）,2015,36（3）：25-29.

[9]于明鑫,周远松,王向周,等.基于灰度信息和支持向量机的人眼检测方法[J].工程科学学报,2015（6）：804-811.

[10]王延年,姬乐乐.基于阈值分割及边缘检测的虹膜定位算法[J].微处理机,2016,37（6）：34-37.

[11]穆珺,晏峻峰,彭清华,费洪晓.基于霍夫变换的可见光虹膜图像定位[J].计算机技术与发展,2017,27（05）：40-45.

An Improved Algorithm Based on the Snake Model for Iris Boundary Localization

ZHANG Ting-liang1，ZHEN Qian-qian2
（1.School of Electronic Information and Electrical Engineering,Anyang Institute of Technology,Anyang 455000；2.School of Software Engineering,Anyang Normal University,Anyang 455000）

In order to improve the accuracy of iris boundary identification,analyzes the existing problems of the iris boundary localization algorithm based on Hough transform,puts forward an improved iris boundary localization algorithm based on the Snake model,and tests on the iris image database,the results show that this algorithm can be increased boundary localization accuracy.

Iris Boundary Localization;Hough Transformation;Snake Model

1007-1423（2017）31-0014-05

10.3969/j.issn.1007-1423.2017.31.004

张庭亮（1989-），男，山西临汾人，硕士，助教，研究方向为模式识别与智能控制

甄倩倩（1988-），女，河南开封人，硕士，助教，研究方向为智能信息处理

2017-09-15

2017-11-01