钟 彩,彭春富

(常德职业技术学院,湖南 常德 415000)

0 引言

虹膜为人类眼瞳孔与巩膜之间的组织,在二维图像平面上其和环形有很高的相似性。在多数情况下,上下眼睑张开度并不是无限的,会遮掩局部虹膜结构,故而图像内虹膜并不是十分完整的环形,存有者眼睑的块状遮掩与睫毛的线形遮盖。分割虹膜不仅是分割环形区域,还有检测眼睑、睫毛等。为提升识别效率,应尽可能解除眼皮及睫毛遮盖等形成的干扰。本文设计了一种改进的虹膜分割算法,用来提升分割操作的精准性与速度。

1 检测虹膜内外边缘

1.1 Hough变换

假定圆心(xc,yc),半径r的圆方程[1]:

圆形Hough变换定义:

其中,

而g(xj,yj,xc,yc,r)=(xj-xc)2+(y-yc)2-r2

1.2 内边缘定位

依照虹膜图像各位置的灰度分布时遵照的规律,选择适宜的灰度级阈值,这样便能快捷获得瞳孔的二值化图像,在形态学的膨胀型边缘检测算子的协助下精准提获瞳孔边缘。针对局部二值化图像内存有的部分噪声,比如睫毛局部发生粘连、瞳孔中的光斑与局部偏暗区对瞳孔区形成干扰等,应用形态学开闭运算行滤波填洞朝着处理及选出最大连通区域,通常能顺利的解除以上状况。

边缘检测算子可以表示为:

基于Hough变换获取内边缘阐述,进而实现对虹膜内边缘的精准定位。

Hough变换阶段需遍历参数空间检索峰值,如果实际参数空间偏大时,存储开销及参数搜索对应的时间开销均较大。设定圆的3个参数xc,yc,r的减缩范畴依次是[xmin,xmax],[ymin,ymax],[rmin,rmax],此时需存储的参数空间大小为[xmin,xmax]×[ymin,ymax]×[rmin,rmax],对应的减缩时间为O([xmin,xmax]×[ymin,ymax]×[rmin,rmax])。针对以上情况,可采用的改进方式:依次在以上3个范畴中检索峰值。因为规划样本子集时参照边缘点的实际高度位置,故而先顺沿高度范畴检索峰值,可以将该峰值定义成虹膜外边缘圆心的高度；随后通过圆心高度缩小其他两个检索范围,在宽度与半径范围中依次搜索圆心的宽度与半径长,通过执行以上方法时实际所需的存储空间仅为[xmin,xmax]+[ymin,ymax]+[rmin,rmax],最差状况下的时间开销是O([xmin,xmax]+[ymin,ymax]+[rmin,rmax])。实验检测发现,以上这种改进形式不仅不会降低Hough变换的有效性,还减少了Hough变换对时空提出的要求。

1.3 外边缘定位

在虹膜外边缘前,需要进行预处理,以规避出现进一步凸显外边缘的问题。应用多尺度形态边缘检测算法检测边缘,配合形态学的连通区选出边缘,以防较多的无效点参与定位运算过程,进而使定位精准度得到更大保障,缩短定位时间。

为了使计算量更少,可以参照虹膜内边缘定位所得结果,截取原始图像,尺寸稍大于虹膜区域。

2 上下眼睑的定位

实际采集虹膜图像时,上下眼睑可能会遮挡局部,多数虹膜图像眼睑的边缘十分模糊,尤其是下眼睑,通常会受到来自眼睫毛因素的干扰作用以及眼睑皮肤对照明光源做出的反光表现的影响,这在很大程度上提高了准确检出眼睑遮挡情况的精准度。

关于眼睑的定位问题,Daugman等人既往应用和内外边缘定位十分相似的方法去检测；也有学者尝试采用广义Hough变换进行抛物线拟合处理,因拟合处理圆弧和抛物线环节中,要在三维与四维参数空间内探寻最优解,因而过程较迟缓。为规避以上情况,本文拟定结合使用边缘检测与最小二乘法检测眼睑。拟合所得的抛物线方程[2]:

对于一组实验数据:

设定:

基于Q(a,b,c)能对a,b,c求算偏导,并且设定偏导是0,据此能够得到:

眼睑边缘检测有上、下眼睑边缘检测之分,两者采用的方法十分相似。从宏观层面上,可以将眼睑边缘检测过程细化成如下3部分:一是截取眼睑子图像,二是探查眼睑边缘点集,三是拟合曲线。本文以上眼睑检测过程作为实例进行分析,首先,经由虹膜图像内隔离出涵盖上眼睑边缘的区域,随后用水平方向Sobel算子提取获得边缘、其次,利用形态学内的最大连通区域知识消除该边缘检测图像内的噪声,这样便能获得精准度更高的眼睑边缘候选点集。最后,依照所得的上眼睑边缘候选点集,采用最小二乘法去拟合抛物线,至此便能确定眼睑边缘[3]。

3 睫毛定位检测

对于虹膜而言,睫毛为一种不规则“黑噪声”,其灰度值偏小,但在光照等因素的作用下,局部睫毛的灰度值不会和虹膜纹理的灰度值形成较大差异,增加了精准分析虹膜纹理。既往有研究发现,与上眼睑上的睫毛形成的影响相比,下眼睑的睫毛形成的影响程度更显著,故而本文仅研究上眼睑的睫毛去除情况。本文应用了一种十分推荐且有效的阈值进行检测,以减少睫毛形成的影响,尽量留下有实用价值的虹膜信息。

双阈值法检测睫毛的流程:首先,截获含有上眼睫毛的子图像。其次,分别用两个有差异的阈值T1与T2对子图像行二值化处理,随后取反,将其记作I3与I4。再者,用I1与I2提获瞳孔且取反,将其记为I3与I4。最后,运行或操作(I1-I3)与(I2-I4)的图像。这样便能获得上眼睑睫毛图像。另外,在实践中也可以应用虹膜内边缘的定位结果与部分既往所得的经验式信息去提升外边缘定位精准性与速率。

4 测试结果

为了检验本算法的有效性,本课题采用CASIA vs1.0,CASIA v4.0内虹膜图像作为实验样本,实验环境内置Intel i5处理器,CPU主频是2.5 G,内存4 GB,选择Windows 7作为操作系统,采用MATLAB2012b软件通过实验验证虹膜定位算法。定位效果如图1所示。本课题中设计的算法和其他算法的对比情况如表1所示。

图1 定位效果

表1 本算法和其他算法的对比

5 结语

本课题研究中提出的改进的虹膜图像的分割算法在复杂性与定位精准率等方面均占据优势。在具体定位操作中,应配合应用数学形态学相关知识,应用边缘检测联合Hough变换精准定位出虹膜的内外边缘,检测出环形虹膜区域内有效剔除人上下眼睑与睫毛,能取得相对理想的分割效果。还在CASIA vs1.0,CASIA v4.0数据库内对实验样本进行仿真分析,证实了改进后算法的有效性,值得推广。