專利名稱：基于人眼結構分類的虹膜和瞳孔的定位方法
技術領域：
本發明屬于圖像處理，模式識別和計算機視覺的技術領域，涉及一種自動的基于人眼結構分類的虹膜和瞳孔定位方法，尤其適合于從遠距離非侵入情況下獲取的圖像。
背景技術：
與生物識別技術的其它方式相比，虹膜識別更加準確、可靠和獨特。它的信息采集是非接觸式的，從而非常衛生。虹膜識別的步驟大致包括人眼圖像獲取，圖像預處理，虹膜和瞳孔定位，虹膜特征提取，以及虹膜特征匹配等步驟。如果人臉圖像是在遠距離非侵入的情況下獲取的，人眼圖像可在很大的范圍內變化。例如，圖像上的虹膜的半徑可在幾十到幾百個像素間變化，而在近距可控條件下，虹膜半徑一般只有幾十像素差異；光照條件不及近距離獲取系統的一致；虹膜區域可被眼鏡， 高光，眼簾，睫毛等物遮擋。在這類人眼圖像中，只有非常小比例的圖像區域包括虹膜及瞳孔的邊界，而非虹膜及瞳孔的離群數據比例遠超過了現有通用的穩健檢測算法的失效點。因此，虹膜和瞳孔的精確定位的難度大大增加，進而降低了此類圖像的識別率和阻礙了遠距離非侵入式獲取系統的推廣。
發明內容
針對上述現有技術，本發明提供一種基于人眼結構分類的虹膜和瞳孔定位方法，以增加遠距離非侵入式虹膜圖像獲取及識別系統的穩健性。本發明中所謂類似圓的結構是指類似圓形的形狀，非圓結構是指不具備圓形的形狀。為了解決上述技術問題，本發明基于人眼結構分類的虹膜和瞳孔定位方法，包括以下步驟步驟I、在虹膜采集系統獲取圖像中檢測人臉圖像，在人臉圖像中提取人眼圖像利用訓練過的哈爾小波特征級連分類器在降低了分辨率的圖像中檢測人臉；如果沒有檢測到人臉，則不進行處理；如果檢測到人臉，則使用訓練過的哈爾小波特征級連分類器在人臉范圍內檢測人眼；如果檢測到兩只人眼，則提取兩張分別具有一只人眼的人眼圖像；如果檢測到一只人眼，則根據人臉對稱性分析另一只眼的位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像；如果沒有檢測到人眼，則根據人臉比例及對稱分析兩眼位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像；步驟2、利用機器學習中的非監督學習技術，對人眼圖像進行自動的結構分類采用非監督學習技術將人眼圖像分為類似圓的結構和其他非圓結構，從而初步定位虹膜和瞳孔，估算有效虹膜區域大小及人眼閉合程度，用以去除非虹膜和瞳孔邊界的離群數據，同時縮小針對虹膜瞳孔位置和大小的搜索空間；步驟3 :結合虹膜和瞳孔的固有特征進行約束優化，搜索最優虹膜和瞳孔邊界，從而精確定位虹膜和瞳孔邊界，具體包括以下步驟步驟3-1 :在由步驟2確定的搜索空間內，利用以下方法之一自動檢測多個虹膜和瞳孔邊界的候選解先運用識別圓的霍夫變換，然后，在霍夫空間內進行多個局部極值檢測；或先運用穩健曲線擬合，再加上擬合殘差分析；步驟3-2 :結合虹膜和瞳孔的平均半徑比率的范圍以及平均的同心率范圍，對候選解進行約束，尋找最優的候選解； 約束優化定義為^inax (V-(Bp) + V(Bi)) s.t
β ι)
ΓCil < — < dh
η
「 !I Op - O1II-!Ji < e
η其中Bp和Bi為瞳孔和虹膜邊界的候選，V( ·)為霍夫空間的投票，rp和巧分別為虹膜和瞳孔的邊界，Op和Oi為虹膜和瞳孔的圓心位置；半徑比率Cl1和dh在O. I和O. 8之間，同心率e設為O. 2。其中，得到的最優解即為虹膜和瞳孔邊界的精確定位。進一步講，所述非監督學習技術的實現是基于圖論的規范化分割的改進，包括以下步驟步驟2-1 :對獲取的人眼圖像進行邊緣檢測，形成邊緣圖像；步驟2-2 :對步驟2-1的邊緣圖像進行預處理，形成只有線段組成的要素圖；步驟2-3:描述要素圖為帶權的無向圖，其中節點為線段，節點之間的權重值的計算是基于構成類似圓的輪廓的線段集的一致性，該一致性的評估包括線段的平均灰度梯度，半徑的標準方差，以及構成當前類圓輪廓的線段集的密度；步驟2-4 :對于步驟2-3建立的權重矩陣采用規范化分割，要素圖中的線段被分離成兩類，能組成類圓輪廓的線段，和組成其他類型輪廓的線段；步驟2-5 :對群內數據分析，計算構成當前類圓輪廓的線段集的中心與長寬比例、所包括的圖像區域的灰度分布，用以估計虹膜瞳孔位置大小及人眼閉合程度；如果長寬比例以及灰度分布超出虹膜區域正常的范圍，則不對該圖像進行進一步處理，在虹膜采集系統獲取到新的圖像后，返回到步驟I ;如果長寬比例以及灰度分布在正常范圍內，則到步驟3。與現有技術相比，本發明的有益效果是本發明通過基于人眼結構分類的虹膜和瞳孔定位方法，提高了遠距離非侵入式虹膜圖像獲取及識別系統的穩健性。本發明能精確定位大多數非理想狀況下獲取圖像中的虹膜，例如虹膜半徑可在幾十到幾百像素內變化，所受光照條件不一，以及被不同物體遮擋。本發明綜合了機器學習中的非監督學習技術，對圖像中的人眼結構進行分類。這種分類能提高虹膜瞳孔精確定位的穩健性，同時減少針對虹膜瞳孔位置和大小的搜索空間。
圖I為基于人眼結構分類的虹膜和瞳孔定位方法的流程示意圖；圖2為基于圖論的規范化分割的人眼結構分類方法的流程示意圖；圖3 (a)、圖3(b)和圖3(c)為基于圖論的規范化分割中的權重矩陣計算的示意圖；圖4(a)、圖4(b)、圖4(c)和圖4(d)為使用基于圖論的規范化分割所產生的分類樣本；
圖5為虹膜和瞳孔定位的實驗結果樣本。
具體實施例方式下面結合具體實施方式
對本發明作進一步詳細地描述。所描述的實施方式僅旨在便于對本發明的理解，而對其不起任何限定作用。如圖I所示，基于人眼結構分類的虹膜和瞳孔定位方法的步驟如下步驟I、在虹膜采集系統獲取圖像中檢測人臉圖像，在人臉圖像中提取人眼圖像利用訓練過的哈爾小波特征級連分類器在降低了分辨率的圖像中進行人臉檢測；如果檢測人臉失敗，則不進行處理；如果檢測到人臉，則使用訓練過的哈爾小波特征級連分類器在人臉范圍內進行人眼檢測；如果檢測到兩只人眼，則提取兩張分別具有一只人眼的人眼圖像；如果檢測到一只人眼，則根據人臉對稱性分析另一只眼的位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像；如果沒有檢測到人眼，則根據人臉比例及對稱分析兩眼位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像；步驟2、利用機器學習中的非監督學習技術，對人眼圖像進行自動的結構分類采用非監督學習技術將人眼圖像分為類似圓的結構和其他非圓結構，從而初步定位虹膜和瞳孔，估算有效虹膜區域大小及人眼閉合程度，用以去除非虹膜和瞳孔邊界的離群數據，同時減少針對虹膜瞳孔位置和大小的搜索空間；如圖2所示，所述非監督學習技術的實現是基于圖論的規范化分割的改進，包括以下步驟步驟2-1 :對獲取的如圖4(a)所示的人眼圖像進行邊緣檢測，形成邊緣圖像；步驟2-2 :如圖4 (b)所示，對步驟2-1的邊緣圖像進行近似處理，形成只有線段組成的要素圖，近似處理方法可以為漸進式直線擬合法或者識別直線的霍夫變換；步驟2-3:描述要素圖為帶權的無向圖，其中節點為線段，節點之間的權重值的計算是基于構成類似圓的輪廓的線段集的一致性，該一致性的評估包括線段的平均灰度梯度，半徑的標準方差，以及構成當前類圓輪廓的線段集的密度；圖3(a)，圖3(b)，和圖3(c)描述了權重矩陣的具體實現。Ni和Nj為線段Vi和Vj的法線方向。Cij測量的是兩條線段在同一類圓輪廓上的可能性，Cij = Niyvi - Wj\0,c^) _ /V(5iy|0,5|)其中 為平均梯度幅度，Sij為法線交點到線段終點和中點的長度的標準差。兮和衫分別是Wi-VFj和\的方差。因為類圓輪廓通常包括多條線段，在法線方向的
交點的密度也需要計算。因此，Vi和 ' 之間的權重可定義為，
權利要求
1.一種基于人眼結構分類的虹膜和瞳孔的定位方法，其特征在于，包括以下步驟 步驟I、在虹膜采集系統獲取的圖像中檢測人臉圖像，在人臉圖像中提取人眼圖像 利用訓練過的哈爾小波特征級連分類器在降低了分辨率的圖像中檢測人臉； 如果沒有檢測到人臉，則不進行處理； 如果檢測到人臉，則使用訓練過的哈爾小波特征級連分類器在人臉范圍內檢測人眼； 如果檢測到兩只人眼，則提取兩張分別具有一只人眼的人眼圖像； 如果檢測到一只人眼，則根據人臉對稱性分析另一只眼的位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像； 如果沒有檢測到人眼，則根據人臉比例及對稱分析兩眼位置，進而提取一張具有一只人眼的人眼圖像或兩張分別具有一只人眼的人眼圖像； 步驟2、利用機器學習中的非監督學習技術，對人眼圖像進行自動的結構分類 采用非監督學習技術將人眼圖像分為類似圓的結構和其他非圓結構，從而初步定位虹膜和瞳孔，估算有效虹膜區域大小及人眼閉合程度，用以去除非虹膜和瞳孔邊界的離群數據，同時縮小針對虹膜瞳孔位置和大小的搜索空間； 步驟3 :結合虹膜和瞳孔的固有特征進行約束優化，搜索最優虹膜和瞳孔邊界，從而精確定位虹膜和瞳孔邊界； 具體包括以下步驟 步驟3-1 :在由步驟2確定的搜索空間內，利用以下方法之一自動檢測多個虹膜和瞳孔邊界的候選解 先運用識別圓的霍夫變換，然后，在霍夫空間內進行多個局部極值檢測；或 先運用穩健曲線擬合，再加上擬合殘差分析； 步驟3-2 :結合虹膜和瞳孔的平均半徑比率的范圍以及平均的同心率范圍，對候選解進行約束，尋找最優的候選解； 約束優化定義為
2.根據權利要求I所述基于人眼結構分類的虹膜和瞳孔的定位方法，其特征在于，步驟2中，所述非監督學習技術的實現是基于圖論的規范化分割的改進，包括以下步驟 步驟2-1 :對獲取的人眼圖像進行邊緣檢測，形成邊緣圖像； 步驟2-2 :對步驟2-1的邊緣圖像進行預處理，形成只有線段組成的要素圖； 步驟2-3:描述要素圖為帶權的無向圖，其中節點為線段，節點之間的權重值的計算是基于構成類似圓的輪廓的線段集的一致性，該一致性的評估包括線段的平均灰度梯度，半徑的標準方差，以及構成當前類圓輪廓的線段集的密度； 步驟2-4 :對于步驟2-3建立的權重矩陣采用規范化分割，要素圖中的線段被分離成兩 類，能組成類圓輪廓的線段，和組成其他類型輪廓的線段； 步驟2-5 :對群內數據分析，計算構成當前類圓輪廓的線段集的中心與長寬比例、所包括的圖像區域的灰度分布，用以估計虹膜瞳孔位置大小及人眼閉合程度；如果長寬比例以及灰度分布超出虹膜區域正常的范圍，則不對該圖像進行進一步處理，在虹膜采集系統獲取到新的圖像后，返回到步驟I ;如果長寬比例以及灰度分布在正常范圍內，則到步驟3。
全文摘要
本發明公開了一種基于人眼結構分類的虹膜和瞳孔的定位方法。該方法首先從系統獲取的圖像中檢測人臉，提取人眼圖像。由于在遠距離非侵入的情況下獲取的人眼圖像可在很大的范圍內變化，例如，虹膜半徑可在幾十到幾百個像素間變化，本發明在精確定位虹膜和瞳孔邊界前，利用非監督學習技術，對人眼圖像進行自動的結構分類。該分類能大致定位虹膜和瞳孔，估算有效虹膜區域大小，極大地去除非虹膜和瞳孔邊界的離群數據，并且減少針對虹膜瞳孔位置和大小的搜索空間。在縮小的搜索空間中，本發明進一步依據虹膜瞳孔固有特征進行約束優化，搜索最優虹膜和瞳孔邊界。本發明可以大大增加虹膜和瞳孔定位的穩定性和精確性，尤其適合遠距離非侵入式的虹膜獲取系統。
文檔編號G06K9/00GK102902967SQ20121039314
公開日2013年1月30日 申請日期2012年10月16日 優先權日2012年10月16日
發明者黃新宇, 楊睿剛 申請人:第三眼(天津)生物識別科技有限公司