一种用于虹膜识别的眼睫毛遮挡检测算法.pdf

《一种用于虹膜识别的眼睫毛遮挡检测算法.pdf》由会员分享，可在线阅读，更多相关《一种用于虹膜识别的眼睫毛遮挡检测算法.pdf（6页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第 35 卷第 6 期 光电工程 Vol.35, No.6 2008 年 6 月 Opto-Electronic Engineering June, 2008 文章编号： 1003-501X(2008)06-0124-06 一种用于虹膜识别的眼睫毛遮挡检测算法 苑玮琦，乔一勤 ( 沈阳工业大学 视觉检测技术研究所，沈阳 110178 ) 摘要： 为了降低眼睫毛噪声对虹膜识别的影响，提高虹膜的识别率，本文提出了一种用于虹膜识别的眼睫毛遮挡检测算法。该方法根据 Canny 算法检测图像中的眼睫毛，对 Canny 算法中的参数进行研究，利用虹膜的外圆，提出了用一个扇形区域来表示眼睫毛遮挡区域。除去眼

2、睫毛遮挡区域与瞳孔，虹膜外圆余下的部分即为虹膜的有效区域。实验结果表明，该方法可以有效地检测眼睫毛，并且所得到的扇形区域包含外圆内部所有的眼睫毛像素，可以有效提高模式的可分性和虹膜的识别率。 关键词： 虹膜识别；阈值法；眼睫毛遮挡；边缘检测 中图分类号： TP391 文献标志码：A Detection of Eyelash Occlusions Method for the Iris Recognition YUAN Wei-qi， QIAO Yi-qin ( Computer Vision Group, Shenyang University of Technology, Shenyang

3、110178, China ) Abstract: To reduce the influence of eyelash noise and improve discriminability in iris recognition, a detection of eyelash occlusions method based on the canny method was presented for the iris recognition. The parameters in canny method were researched. One sector in the outer circ

4、ularity of iris is used to represent the region of eyelash occlusions. Excluding the pupil and the sector, the rest of the outer circularity is the effective region of iris. Our experimental results demonstrate that the sector contains all eyelash pixels in the outer circularity. The algorithm can d

5、etect the eyelash effectively and can improve the classification and discriminability of iris patterns and the rate of iris recognition. Key words: iris recognition; threshold method; eyelash occlusions; edge detection 1 引 言 虹膜作为人身上的一个特征，具有唯一性、稳定性、可采集性、非侵犯性等优点，这种非接触式的生物特征识别是身份鉴别研究与应用发展的必然趋势，与人脸、声音、指

6、纹等识别方式相比，虹膜识别具有更高的准确性。但是在现有虹膜识别的文献中通常是在人眼睁大到一定程度的情况下进行的处理，这种情况下眼睫毛遮挡比较小，容易得到虹膜的有效区域。然而在人眼正常张开下，通常眼睫毛会对虹膜的遮挡比较严重，如果不对其进行去除，眼睫毛就会被当作虹膜特征的一部分，从而影响虹膜识别率，所以有必要在虹膜预处理过程中专门对眼睫毛的遮挡进行处理。 现有关于眼睫毛遮挡检测的方法主要有以下几种方法： 1) Kong 和 Zhang 提出的聚集与分散两步检测眼睫毛的方法1，采用一维 Gabor 滤波器来提取聚集眼睫毛，灰度方差来检测分散眼睫毛。这种方法检测精度比较高， 但是如何区分该眼睫毛区域

7、是分散眼睫毛还是聚集眼睫毛在文中没有明确的给出判定的方法；而且在检测眼睫毛时只是用一个单一阈值做二值化处理，这样做会在连接眼睫毛像素时有断开。 2) Junzhou Huang 提出了一种基于相位一致性的噪声检测方法2，该方法根据边缘信息定位眼睫毛区域，从实验结果收稿日期： 2007-11-13； 收到修改稿日期： 2008-03-04 基金项目： 国家自然科学基金资助项目 (60672078, 60472088) 作者简介： 苑玮琦 (1960-)，男 (汉族 )，辽宁沈阳人，教授，博导，主要研究图像处理和计算机视觉处理。 E-mail: 通信作者： 乔一勤 (1981-)，男 (汉族 )

8、，辽宁大连人，硕士研究生，主要研究工作是图像处理。 E-mail: 2008 年 6 月 苑玮琦 等：一种用于虹膜识别的眼睫毛遮挡检测算法 125看出，这种方法把邻近眼睫毛之间的部分归为一个眼睫毛区域，且处理后有孤立噪声点。 3) Xiaoyan Yuan提出用迟滞阈值法来检测眼睫毛3，使用双阈值来检测眼毛，但该文并没有给出阈值如何选取。 4) He Wei提出基于局部灰度极小值检测眼睫毛的算法4。该算法得到的候选眼毛像素集包含了许多非眼毛像素而且真正的眼睫毛像素点会检测不出来，从而不能连接成真实的眼睫毛。并且此方法用到眼睑的检测结果，如果在眼睑检测不准的情况下使用，那么此方法将不适用。 4)

9、 来毅通过构造交叉形的形态学结构元素 ,二值化检测眼睫毛5。该检测方法在归一化后的虹膜区域内进行，而相比归一化后的虹膜图像而言，归一化前的眼睫毛特征更明显。 本文针对以上文献的不足提出了一种新的检测眼睫毛遮挡的方法： 找到有眼睫毛遮挡的虹膜有效区域，而后利用基于 Canny 算子检测此区域，最后用一个扇形区域来表示虹膜中的眼睫毛的区域，使其下端不包含眼睫毛点。最终得到的结果如下图 1 所示。 2 虹膜定位 通过文献 6找到内圆圆心即瞳孔的圆心 (xp, yp)，半径 rp；外圆圆心即虹膜外边界的圆心 (xi, yi)， 半径 ri。由于定位的准确率为 98.3%，因此可以用其定位的结果作为本文

10、扇形区域选取的中间结果。其定位的结果如上图 2 所示。 3 获取遮挡的虹膜眼睫毛区域 在瞳孔左右两侧分别选取两个 100150 大小的矩形区域，由于瞳孔边界点的信息不准确，故取 (xp-rp-k, yi-ri)与(xp+rp+k, yi+ri)分别作为两区域的一个顶点， 本文 k 取值为 5。根据对图库的实验分析可知虹膜的有效区域一定会落在其中。有效区域如图 3 所示。 4 基于 Canny 算子检测眼睫毛 Canny 算子7被认为是当今最优检测边缘的算子。其具有以下特点： 1) 低误判率，即尽可能少地把边缘点误认为是非边缘点； 2) 高定位精度，即准确地把边缘点定位在灰度变化最大的像素上；

11、3) 抑制虚假边缘。通过在虹膜图像中的边缘检测实验中发现， Canny 算子具有其他算子所不具备的更好的效果。 4.1 对选定区域内的图像进行高斯模糊 为了去除由光照影响下图像的噪声，使图像更平滑，故用高斯低通滤波器来滤除。 二维高斯函数的表达式： )2exp(21),(2222yxyxG+= (1) 式中 表示标准差，平滑函数宽度的量度。 越大轮廓越宽， 越越小轮廓越窄。因为眼睫毛轮廓窄，通过实验本文 取值为 0.52。 在实际处理过程中二维高斯函数可以由 x 方向作平滑后得到的平滑图像 Fsx(x, y)与 y 方向作平滑得到最终的平滑图像 Fs(x, y)，本文也是基于此得到高斯平滑的图

12、像。 1-D 高斯算子的表达式为 )2exp(21)(222uxh = (2) 其中 u=-L+x， L 为高斯算子的宽度， u 表示距该像素的距离， x 取 02L， 这样 1-D 高斯窗口的宽度就为 2L+1； 根据判别表达式 ML )2/exp(22 ，来取得 L 的值，本文 M=0.000 1， L 的值取 120，在 CASIA 虹膜数 图 1 虹膜中眼毛检测的最终结果 图 2 虹膜定位结果Fig.1 Detection of Eyelash in iris image Fig.2 Result of iris location图 3 有眼睫毛遮挡的虹膜有效区域Fig.3 Eyela

13、sh in the effective area of iris image 光电工程 第 35 卷第 6 期 126 据库中进行实验得到 L=2 或者 L=3，由于计算方法类似，故本文以 L=2 举例说明。 当 L=2时， 高斯窗口的大小为 2L+1=5。 根据表达式 (2)得到 1-D高斯算子的模板 h(x)=2.135 6 e-5, 8.6157 e-7, 6.366 2 e-3, 8.615 7 e-7, 2.1356 e-5。利用原图像 f(x, y)与 1-D 高斯模板 h(x)作卷积 fsx(x, y)= f(x, y) h(x)， 得到 x 方向的高斯平滑图像 fsx(x, y

14、)。由于 h(y)= h(x)T， 所以原图像的经高斯平滑后得到的图像 fs(x, y)可由 fs(x, y)= fsx(x, y) h(x)T得到。由上面分析可知，分别对 x 和 y 方向作平滑，最终 fs(x, y)就是所要得到的对原图像进行高斯模糊的图像。高斯模糊即平滑图像如下图 4 所示 (为了显示效果，截取虹膜附近眼睫毛的图像 )。 4.2 计算方向导数，梯度的幅值和方向 对式 (1)作 X 方向的方向导数得到： )2exp(d1)2exp(21d(d),(d22222222yxxxyxxyxGGhxx+=+= (3) 当 L=2 是为 55 矩阵，矩阵的排列为xxxxxxxxxxx

15、xbxxxxxxxxxxxx其中 b 为当前要检测的点。而当 L=3 时为 77 矩阵。本文以 L=2 为例，得到二维一阶 x 方向偏导数的 55 高斯矩阵模板 hx如下： 7-e6865.25-e5780.505-e5780.57-e6865.24-e1156.12-e2233.202-e2233.24-e1156.14-e5542.81-e1732.101-e1732.14-e5542.84-e1156.12-e2233.202-e2233.24-e1156.17-e6865.25-e5780.505-e5780.57-e6865.2利用得到的高斯模糊图像即平滑图像 fs(x, y)与 h

16、x作卷积 ex= fs(x, y)hx得到 x 方向的方向导数 ex。由 于 hy=(hx)T，故 y 方向的方向导数 ey= fs(x, y)(hx)T。由梯度幅值公式22),(yxeeyxA += 得到点当前点 (x, y) 的幅值 A(x, y)。为了显示梯度的效果，把的得到的 A(x, y)1 000，观看效果图如图 5 所示。 4.3 非极大值抑制，得到候选眼毛像素集 把图像分成四个区域，如图 6 所示，其中区域 1 代表 045与180225；在每一方向上加 45，得到区域 2 代表 4590与225270； 区域 3代表 90135和 270315， 区域 4代表 135180和

17、 315360。下面以区域 1 为例，如果 ey0 并且 ex-ey，则落在045区间，其中 ey0，表示落在 x 的上半轴，因为显示器的 y 轴坐标与数轴的 y 轴坐标相反； ex-ey表示方向导数更偏向 x 轴。 ey0并且 ex-ey，则落在 180225区间。 如果落在区域 1 内，则可利用 A(x+1, y)， A(x+1, y-1)； A(x-1, y)，A(x-1, y-1)对梯度进行插值来判断当前像素 (x, y)梯度是否是局部最大值。当且仅当式 (4)成立时满足梯度局部最大。 21),(&),( dyxAdyxA (4) 其中： )1,1(),1()1()1,1(),1()1

18、(21+=+= yxAwyxAwdyxAwyxAwd ， 由 4.2 节可知 A(x, y)表示点 (x, y)的梯度幅值； w 为插值比例， w=|ex|/|ey|。用式 (4)标记出极大值点，即候选眼毛像素集 B(x, y)。非最大化抑制的结果如图 7 所示 (为了显示效果本文把局部极大值点的灰度置为图 4 平滑后的图像 Fig.4 Smoothness image 图 5 梯度效果图Fig. 5 Grads image A(x+1, y-1) 1 2 3 4 图 6 图像的四个区域 Fig.6 Four areas of the image segmentation1 2 3 4 A(x

19、+1, y) x 2008 年 6 月 苑玮琦 等：一种用于虹膜识别的眼睫毛遮挡检测算法 127255，并且截取虹膜附近眼睫毛的图像 )。 4.4 双阈值分割，得到眼毛像素 在所得到的选眼毛像素集 B(x, y)中，如果 A(x, y)T1则标记为强点，记录强点数目 n。对 CASIA 虹膜图库 2 400 幅图片进行遍历，在表 1 列出在不同 T1值的选取下眼睫毛检测准确率的关系，在图 8 列出了在不同 T1值的选取下眼睫毛检测准确率的曲线图。 表 1 不同 T1值下眼睫毛检测准确率 Table 1 Detection of eyelash in different T1Different

20、T10.10 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.20 Accurate rate 89.71% 90.21% 91.38% 91.78% 92.54% 93.08% 92.87% 91.92% 91.50% 89.71% 88.79%由表 1 和图 8 可以看出 T1当取值为 0.15 时眼睫毛准确率最高。把得到的强点灰度置为 255 得到的得图像强点的显示效果如图 9 所示。 正是因为光照等干扰的影响，从图像中可以看到，用单一阈值 T1得到的图像中眼毛有断开的点。为了把眼睫毛准备的连接起来而没有断开，故需要用第二个阈值 T2。如果

21、A(x, y)T2则标记为弱点，这里T2=0.4T1，图 10 表示的是 T1A(x, y)T2的点，即属于弱的点但不属于强的点。 图 9 与图 10 的白色区域合并起来就是 A(x, y)T2，即属于弱的点。 4.5 找到连通区域，标记眼毛 基本思想：首先找到一个强的点，并把强点个数 n 置为n-1，找在其八邻域内的每一点，如果找到的是强点，那么继续在找到的强点的八邻域内寻找，并把它做标记，使其下次寻找的时越过该点；如果找到弱的点也继续在找到的弱点的八邻域内寻找，直到找不到强的点和弱的点为止，最终得到一个连通的区域；如果连通区域内的像素数目大于 T3，本文取 T3=54，则认为该连通区域是眼

22、睫毛，这样完成一次循环。如果 n0 并且强点未被标记，就做下一次循环，直到找完所有的强的点为止。最终得到图像眼睫毛像素集，见图 11。把眼睫毛的点灰度置为 255 得到的显示效果如图 12 所示。 图 7 非最大化抑制的结果 Fig.7 Result of nonmaximum suppression Accuraterateofeyelashdetection /(%)图 8 不同 T1值下眼睫毛检测准确率曲线 Fig.8 Detection of eyelash in different T10.1 0.12 0.14 0.16 0.18 0.2 T193 92 91 90 89 图 9

23、强点标记 Fig.9 Sign of strong point 图 10 属于弱点但不属于强点标记Fig.10 Sign of thin point and not strong point 图 11 眼睫毛像素集 Fig. 11 Eyelash pixels set 图 12 瞳孔圆心与眼睫毛像素的连线Fig.12 Link of the centre of pupil and eyelash pixels l1l2l3321 光电工程 第 35 卷第 6 期 128 5 获取虹膜的有效区域 由于下眼睫毛不遮挡虹膜的有效区域，故只对虹膜的上眼睫毛区域进行处理。在左边所选区域内连接 瞳孔与所选

24、区域中的眼毛像素点 (x, y)，通过计算 )/()(tanpixxyy = ， tan 取的最小值即为虹膜有效区 域内眼睫毛的最低点 fmin(x, y)。 例如在图 12 中 1 2 3，故应取 l1与 x 轴的夹角 1。 用瞳孔的圆心与 fmin(x, y)连线；右边区域作相同的处理，这样得到的除去瞳孔的下方扇形区域就是虹膜的有效区域，如图 1 所示。 6 实验与分析 本实验采用第一届中国生物特征识别竞赛 BVC2004 提供的虹膜图像库进行测试。该图库由 DB1-B 和DB2-B 两组样本组成，其中，每组样本分别采集了 30 个人的虹膜，包括每个人的左右眼虹膜，每个虹膜在不同的条件下采

25、集 20 幅， 每组样本 1 200 幅， 共 2 400 幅。 采集的图像为灰度图像， 图像分辨率为 640480。实验所用机器的主频是 P3 733M，内存为 256M，操作系统为 windows 2000 professional，编程所用工具为Visual C+ 6.0。 用本文的方法对 CASIA 虹膜数据库进行遍历实验，如果 T3的取值限定在 4564 之间， 2234 幅图片都能够准确检测，准确率为 93.08%，检测平均耗时为 1.58 s。通过图 13 与图 14 的对比可以看出：通过本文的方法检测眼睫毛后， 选取扇形区域内的虹膜图像的类内距离分布函数与类间距离分布函数的交叉

26、比较小，提高了模式的可分性。通过图 15 与图 16 的对比可以看出：通过本文的方法检测眼睫毛后，等错率降低，从而提高正确识别率。分析眼睫毛检测失败的原因，是因为虹膜采集装置的影响使得眼睫毛灰度和背景的灰度比较接近，而且本文的算法是在根据实验提前设定的两个阈值。 图 13 未进行眼睫毛检测的海明距离分布图 Fig.13 Distribution of hamming distance in non-detection of eyelash Intra class Inter class 0.21 0.14 0.07 0 0 0.1 0.2 0.3 Hamming distance Percen

27、tage图 14 本文方法检测后的海明距离分布图 Fig.14 Distribution of hamming distance in the method of this thesis Intra class Inter class 0.210.140.0700 0.1 0.2 0.3 Hamming distance Percentage图 15 未进行眼睫毛检测的 FAR&FRR 曲线 Fig.15 Curve of FAR&FRR in non-detection of eyelash FRR FAR 1 0.75 0.5 0.25 0 0 0.1 0.2 0.3 Threshold

28、FRR/FAR 图 16 本文方法检测后的 FAR&FRR 曲线 Fig. 16 Curve of FAR&FRR in the method of this thesis FRR FAR 1 0.750.5 0.250 0 0.1 0.2 0.3 Threshold FRR/FAR 2008 年 6 月 苑玮琦 等：一种用于虹膜识别的眼睫毛遮挡检测算法 129结束语 在现有的边缘检测算法中， Canny 算法是公认的标准算法，其功能强大。本文利用瞳孔左右的两个区域来划定眼睫毛遮挡区域，并将 Canny 算法引入到虹膜的检测中，提出五步法找到虹膜区域中的眼睫毛，通过正切值的比较画出一个扇形来表

29、示虹膜外圆内的眼睫毛遮挡区域，除去眼睫毛遮挡区域与瞳孔，虹膜外圆余下的部分即为虹膜的有效区域。通过实验分析，使用本文采用的检测眼睫毛的算法，可以在最大限度内找到眼睫毛区域，进而找到虹膜的有效区域。为虹膜特征提取和匹配打下了坚实的基础。但是，本算法也有善待改进的地方，例如 Canny 算法中两个阈值的选取。下一步的工作就是设计一种自适应的检测虹膜中眼睫毛的方法。 参考文献： 1 Kong Wai-kin， Zhang David. Detecting Eyelash and Reflection for Accurate Iris Segmentation J. International Jo

30、urnal of Pattern Recognition and Artificial Intelligence， 2003， 17(6)： 1025-1034. 2 Huang Junzhou， Wang Yunhong， Tan Tieniu， et al. A New Iris Segmentation Method for Recognition C/ Proceedings of the 17th International Conference on Pattern Recognition. Cambridge, UK： IEEE-CS Press， 2004， 3： 554-55

31、7. 3 Yuan Xiaoyan， Shi Pengfei. An Iris Segmentation Procedure for Iris Recognition C/ Proceedings of Sinobiometrics 2004 : Chinese conference on biometric recognition. Guangzhou, China： Springer Berlin Press， 2004： 546-553. 4 He Wei， Yuan Weiqi. Detecting eyelash and reflection for accurate iris se

32、gmentation C/ Proceedings of the 2005 27th Annual International Conference of the Engineering in Medicine and Biology Society. S.l.： IEEE， 2005， 7： 6536-6539. 5 来毅，路陈红，卢朝阳 . 用于虹膜识别的眼睑及眼睫毛遮挡检测 J. 计算机辅助设计与图形学报， 2007， 19(3)： 346-350. LAI Yi， LU Chen-hong， LU Chao-yang. Eyelid and Eyelash Occlusions Det

33、ection for Iris Recognition J. Journal of Computer-Aided Design and Computer Graphics， 2007， 19(3)： 346-350. 6 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. YUAN Wei-qi， LIN Zhong-hua， XU Lu. Novel iris location algorithm based on the structure of human eyes J. Opto-Electronic Engi

34、neering， 2007， 24(1)： 112-116. 7 Canny J. A computational approach to edge detection J. IEEE Transaction on Pattern Analysis and Machine Intelligence，1986， 8： 679-714. 畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸畸 ( 上接第 31 页 ) 5 张金利，王元庆，朱宏娜 . 大视角成像系统的快速精确校正 J. 光电子 激光， 2006， 17(2)： 158-161. ZHANG Jin

35、-li， WANG Yuan-qing， ZHU Hong-na. A Simple Method of Accurate Aberration in a Camera with Large Field Lens J. Journal of Optoelectronics Laser， 2006， 17(2)： 158-161. 6 朱铮涛，黎绍发 . 镜头畸变及其校正技术 J. 光学技术， 2005， 31(1)： 136-138, 141. ZHU Zheng-tao， LI Shao-fa. Lens distortion and proofreading technology J. O

36、ptical Technique， 2005， 31(1)： 136-138, 141. 7 江洁，张广军，周富强，等 . 大视场广角物镜畸变的实时数字校正 J. 仪器仪表学报， 2004， 25(4)： 174-177, 182. JIANG Jie， ZHANG Guang-jun， ZHOU Fu-qiang， et al. Distortion Correction of the Wide-Angle Objective Lens with Real-time Digital Technology J. Chinese Journal of Scientific Instrument， 2004， 25(4)： 174-177, 182. 8 杨必武 . 非标定图像对最小化畸变几何校正方法研究 J. 光电工程， 2007， 34(1)： 80-84. YANG Bi-wu. Minimizing deformation geometric rectification of non-calibration stereovision J. Opto-Electronic Engineering， 2007， 34(1)： 80-84.