杨秀 张轩雄

摘 要：虹膜定位是虹膜识别系统中的一个重要步骤，后续处理步骤均取决于其准确性。针对传统虹膜定位方法的局限性，设计了一种由粗到精的算法，解决计算成本问题的同时达到可接受的精度要求。利用灰度投影法和自适应阈值将虹膜图像转换为二值图像实现虹膜内边界的粗定位，再用Canny算子对边缘进行检测精定位，然后根据定位结果结合矩形检测模板对外边界进行粗定位，使用Daugman圆盘算子检测虹膜外边界进行精定位。实验结果表明该算法能准确快速地定位虹膜区域。

关键词：阈值;Cannny算子;矩形检测模板;虹膜定位;灰度值

DOI：10. 11907/rjdk. 182004

中图分类号：TP301文献标识码：A文章编号：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

隨着人们对信息安全的日益重视，传统意义上的身份识别手段已经不能满足人们的需求 [1]，由此催生了基于生物特征的身份识别技术。现有生物识别技术中，虹膜识别技术由于极高的精度和稳定性受到用户青睐，具有巨大的市场发展潜力[2-4]。

由于虹膜区域具有很好的环状生理特点，虹膜的内外边界都近似圆形[5]，因此虹膜定位算法旨在从原始图像定位到环形的虹膜区域，虹膜定位问题就转化为定位虹膜圆形内外边界问题。定位精度对后续步骤如虹膜归一化、特征提取和匹配有很大影响，精确的虹膜定位可以实现高性能的特征提取和识别[6]。因此，虹膜定位是虹膜图像预处理的关键步骤，也是保障后续工作有效进行的前提条件。

经典虹膜定位方法有：①Daugman[7]使用积分微分算子，搜索图像域上径向导数的最大角度积分，但该算法定位容易受到噪声的干扰而产生局部极值;②Wildes[8]提出后来由Masek[9]采用Hough变换进行边缘检测得到虹膜内外边界，此算法内存占用较大且对图像中的噪声点不敏感，计算成本较高。近年来新的虹膜定位算法有：叶学义等[10]提出先用滤波方式对虹膜图像进行平滑处理，然后分析平滑处理后得到的灰度直方图，最后通过投票机制实现虹膜定位，但该算法定位精度容易受到噪声影响。苑玮琦等[11]提出使用结合灰度值求和算子的边界检测模板方法定位虹膜，该方法虽然提高了定位速度，但容易受到噪声干扰。

本文提出一种从粗到精的策略，使用Canny算子与Daugman圆盘算子结合的定位方法以降低计算成本，提高定位速度并实现对虹膜的精确定位。首先利用灰度投影法和自适应阈值，将虹膜图像转换为二值图像实现瞳孔的粗定位，瞳孔的精定位则采用Canny算子检测边缘，再使用矩形检测模板对虹膜外边界进行粗定位，最后使用Daugman的圆盘算子实现虹膜外边界的精确定位。

1 虹膜定位

1.1 虹膜内边界定位

1.1.1 内边界粗定位

由于瞳孔、虹膜、巩膜这3部分的灰度值相差明显[12]，并且瞳孔的灰度值远低于其它区域的灰度值，所以根据这个特点先用灰度投影法和自适应阈值将原始图像转换为二值图像从而分离出瞳孔部分。在二值化时阈值大小会影响到粗定位效果[13]，如果阈值选择过大会得到较少信息，阈值选择过小则会留下较多噪声。因此，先根据原始图像的灰度直方图选取阈值。如果像素点的灰度值小于T，则将该像素点的灰度值置为0，如果像素点的灰度值大于T，则将该像素点的灰度值置为255，由此得到瞳孔部分，实现虹膜内边界的粗定位，实际上也是瞳孔的粗定位，处理结果如图1所示。

1.1.2 内边界精定位

根据瞳孔粗定位结果，在瞳孔的粗定位区域内使用Canny算子对瞳孔边界进行边缘检测，再用最小二乘法拟合确定瞳孔的圆心和半径，这样就完成了对内边界的精定位，实现步骤如下：

（1）用高斯滤波器对待处理的图像进行平滑处理，去除噪声。

（2）用一阶偏导数的有限差分求出滤波后图像梯度的方向以及幅值：

（3）将图像局部梯度变化最大的点保留，对梯度幅值做非极大值抑制处理。如果沿梯度方向上（i，j）像素点的边缘强度A（i，j）小于其两个相邻像素点的边缘强度，就认为该像素点（i，j）为非边缘点，将A（i，j）置为0[14]。

（4）双线性阈值处理。对非极大值抑制图像进行双阈值化，设定高阈值[T1]和低阈值[T2]。经[T2]阈值化处理后边缘信息较多，将这些边缘连成轮廓。[T1]阈值化处理后得到的图像边缘信息较少，用来补全边缘信息，这样就得到了虹膜内边界上的点[（xi，yi）]。

（5）对得到的边界点（x_i，y_i）用最小二乘法进行拟合[15]，计算出虹膜内边界的圆心和半径参数。

经过以上步骤的处理，虹膜内边界的定位结果如图2所示。

1.2 虹膜外边界定位

1.2.1 外边界粗定位

由于虹膜与巩膜像素的灰度值相差较大，在虹膜内外边界处的像素点灰度值变化较快，而在虹膜区域内和巩膜区域内灰度值变化较慢[16]，所以设计一个矩形检测模板以及一个经验阈值，使用矩形检测模板扫描虹膜图像[17]，检测模板中像素点灰度值的变化，即可粗略确定虹膜外边界。具体实现过程如下：

其中[P1]、[P2]为相邻两个矩形检测模板的灰度值均值。虹膜内圆的半径比外圆半径大概小60-90个像素点，依此可以移动距离来减小计算量。如果某个检测模板的[？P]和[？V]超过了所设定的阈值，表明这个检测模板此时处于外边界上，这样就可确定位于虹膜外边界上的矩形检测模板。

（2）分别在矩形检测模板的中线上选择等距离的4个点作为边界点，这样得到16个边界点：[（xi，yi），i∈（1，16）]。在这16点中随机选取15个点，将这15点分成5组，每组的3个点要分别取自3个不同的矩形检测模板。根据三点确定一个圆的原理，以上处理会得到5个可能的外边界圆，对这5个圆的圆周参数取均值，完成虹膜外边界的粗定位，获得圆周参数[（x1，y1，r1）]，如图4所示。

1.2.2 外边界精定位

根据虹膜外边界粗定位结果，再用式（3）所示的Daugman微积分算子处理，准确定位到虹膜的外边界和上下眼睑部位，减少了计算量[18-19]。通常情况下，睫毛与眼睑的遮挡会不同程度地影响虹膜的外边界部分，所以要注意对积分区域的选取。

2 实验结果分析与算法比较

本文算法在Matlab R2014a环境下编程实现，并在虹膜图像数据库CASIA1.0[20]中进行测试。CASIA1.0共有108只眼睛的756张图像样本，图像像素大小为320×280，该库是一个高质量的图像库[21]。从CASIA1.0库中选取324张图像进行实验，在相同的实验条件下，运用本文算法分别与Daugman的圆盘算子检测法和wildes的Hough变换算法进行仿真比较，实验室结果如表1所示。

实验结果表明，与传统定位算法相比，本文的虹膜定位算法不仅缩短了定位时间，而且保证了定位准确性。

3 结语

本文分析对比了经典的Daugman圆模板算法和Wildes的Hough变换算法以及叶学义和范玮琦提出的算法，通过分析这几种虹膜定位方法的优势与不足，提出一种基于小范围搜索由粗到精的边缘检测定位方法。通过选取合适的阈值能够减小计算成本，由粗到精的算法与传统方法相比能获得更多的边缘信息，并且噪声干扰不明显。实验证明该方法不但解决了计算成本问题，还达到了可接受的精度，是一种有效的虹膜定位方法。另外，在实验中发现如果图像质量较差，比如闭眼、半闭眼等，会难以达到很好的定位效果，因此图像质量评价是下一步需要研究的课题。

参考文献：

[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.

[2] 李海青， 孙哲南， 谭铁牛，等. 虹膜识别技术进展与趋势[J]. 信息安全研究，2016（1）：40-43.

[3] 史春蕾， 杨丹丹， 韩飞. 虹膜识别综述[J]. 科技展望， 2016（5）：307-308.

[4] 尚睿. 虹膜识别技术的最新进展综述[J]. 电脑知识与技术， 2015， 11（22）：117-118.

[5] 秦武旻， 朱长婕. 虹膜快速检测与精确定位的算法研究[J]. 國外电子测量技术， 2017， 36（4）：25-28.

[6] 陈传虎， 邹德旋， 刘海宽. 应用统计距离实现虹膜定位[J]. 光学精密工程， 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] 叶学义， 庄镇泉， 张云超. 一种快速新颖的虹膜定位算法[J]. 计算机工程与应用，2003，39（30）：54-56.

[11] 苑玮琦， 林忠华， 徐露. 一种基于人眼结构特征的新颖虹膜定位算法[J]. 光电工程，2007，34（1）：112-116.

[12] 王虹， 曾文. 一种改进的虹膜定位算法研究[J]. 武汉理工大学学报， 2008， 30（6）：846-848.

[13] 孙彩堂， 周春光， 刘向东，等. 一种改进的虹膜定位方法[J]. 小型微型计算机系统， 2006， 27（7）：1335-1338.

[14] 贺国旗，凌凤彩，林晓. 基于Canny思想的Robinson边缘检测算法[J]. 计算机工程与科学，2016，38（4）：755-760.

[15] 吕康东. 虹膜快速定位及特征提取算法的研究[D].包头：内蒙古科技大学，2017.

[16] 许妍. 虹膜定位及识别算法的研究与改进[D]. 兰州：西北师范大学， 2016.

[17] 潘胜男. 虹膜识别前处理算法的研究[D]. 长春：吉林大学，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] 中國科学院化学研究所. CASIA 虹膜图像数据库[EB/OL]. http：//www.sinobiometrics.com，2003.

[21] 彭建，向军. 一种基于形态学的虹膜定位快速算法[J]. 计算机工程与应用，2012，48（4）：193-196.

（责任编辑：杜能钢）