對虹膜圖像進行定位的方法和裝置的制造方法
【技術領域】
[0001] 本發明涉及生物識別領域，特別是指一種對虹膜圖像進行定位的方法和裝置。
【背景技術】
[0002] 眼瞼定位和虹膜定位方法在虹膜識別系統中占有重要地位，定位方法的準確性直 接影響到了虹膜特征編碼和匹配過程，高效、準確、穩定的定位方法是衡量虹膜識別系統優 劣的重要標準。
[0003] 在虹膜識別系統中，要提取出人眼圖片中的有效虹膜區域，人眼上、下眼瞼的定位 以及虹膜邊緣的定位是必不可少的。在實際應用中，海量虹膜圖片的保存，必須要考慮存儲 空間的限制，這就需要對虹膜圖片進行一定的壓縮，壓縮時我們沒有必要對不相關信息進 行存儲，對于虹膜圖片來說，除了虹膜區域之外，其他所有區域都是噪聲信息，需要予以剔 除，這時，眼瞼定位以及虹膜邊緣定位也顯得很有必要。
[0004] 現有技術中眼瞼邊界的定位方法基本上都是采用一系列圖像處理的操作：通過設 計一些濾波器，對圖像進行卷積操作，而后，在處理后的圖像上進行簡單的統計操作，篩選 得到上、下眼瞼邊界信息，之后根據邊界信息得到擬合眼瞼邊界的拋物線的參數。但是這 種方法避免不了睫毛、眼鏡框、對比度、光照的影響，其對設備的依賴性會特別大，對于不同 的設備拍攝的圖像，往往需要調整各個參數，泛化性很低。且基于灰度、梯度的相對固定的 閾值選取，極易受光照影響，對比度的干擾使得提取的全局閾值缺乏靈活性等，抗干擾能力 差。
[0005] 現有技術中常見的虹膜邊緣定位方法，按照虹膜圖像形狀類型，一般可分為3類： 基于圓形的定位、基于橢圓的定位以及基于不規則邊界的定位。
[0006] (1)基于圓形的定位方法
[0007] 該方法是被普遍采用的方法，基于虹膜邊界是圓形的假設。常用的算法有微積分 檢測算子和Hough變換。微積分檢測算子方法，采用圓形檢測模板，選擇沿半徑方向上平均 灰度的梯度最大值對應的半徑為虹膜邊緣半徑，進而得到圓形參數信息。Hough變換方法， 利用邊緣檢測的方法得到虹膜的內外邊界點，再應用Hough變換分別得到虹膜圓形邊界的 參數。但是微積分檢測算子和Hough變換方法，它們的時間計算復雜度都比較高，定位速度 比較慢，且其假設虹膜是圓形的，不適合處理發生一定偏轉和變形的虹膜。同時Hough變換 方法容易受睫毛及光斑等隨機噪聲的影響，抗干擾能力差。
[0008] ⑵基于橢圓的定位方法
[0009] 基于橢圓的定位方法，處理由于偏轉角度不同導致拍攝的虹膜內邊界近似成橢圓 形的情況。主要是利用灰度梯度模板與圖像作用，統計虹膜邊緣點，對虹膜內邊緣點采用最 小二乘擬合確定橢圓相關參數，而虹膜的外邊緣點一般仍然依據圓形進行計算。但是基于 橢圓的定位方法對異常點尤其敏感，橢圓擬合的準確度完全依賴于檢測到的邊緣點，而邊 緣點的尋找依賴于灰度梯度模板，其對隨機噪聲點敏感，不能夠很好的處理噪聲圖像，抗干 擾能力差。
[0010] (3)基于不規則邊界的定位方法
[0011] 這種方法主要處理虹膜邊界既非圓形也非橢圓的情況。主要采用主動輪廓線模 型，逐步改變封閉曲線的圖形，通過不斷地極小化自身能量函數來確定虹膜邊界。在這個過 程中，調整輪廓上的點向其鄰域移動，以達到逼近虹膜邊緣的目的。但是基于不規則邊界的 定位方法采用迭代的方式，依賴于初始值的選取，一旦初始值超出邊界，該方法通常會檢測 失敗，而且即使給定好的初值，也并不能夠保證最終收斂，在噪聲的干擾下，其經常檢測到 虛假邊緣。定位精度低，泛化性低，抗干擾能力差。
【發明內容】
[0012] 本發明提供一種對虹膜圖像進行定位的方法和裝置，該方法簡單方便，速度快；抗 干擾能力強、精度高；泛化性高；魯棒性好。
[0013] 為解決上述技術問題，本發明提供技術方案如下：
[0014] 一種對虹膜圖像進行定位的方法，包括：
[0015] 對虹膜圖像進行瞳孔粗定位；
[0016] 在粗定位的基礎上初始化多個關鍵點的坐標；
[0017] 提取所述關鍵點的SIFT特征向量；
[0018] 采用SDM算法將所述關鍵點的SIFT特征向量映射成坐標增量；
[0019] 使用所述坐標增量，對所述關鍵點的坐標值進行更新；
[0020] 使用魯棒回歸方法對所述關鍵點進行曲線擬合，得到上眼瞼拋物線、下眼瞼拋物 線和虹膜外圓的參數。
[0021] -種對虹膜圖像進行定位的裝置，包括：
[0022] 定位模塊，用于對虹膜圖像進行瞳孔粗定位；
[0023] 初值模塊，用于在粗定位的基礎上初始化多個關鍵點的坐標；
[0024] 提取模塊，用于提取所述關鍵點的SIFT特征向量；
[0025] 映射模塊，用于采用SDM算法將所述關鍵點的SIFT特征向量映射成坐標增量；
[0026] 更新模塊，用于使用所述坐標增量，對所述關鍵點的坐標值進行更新；
[0027] 擬合模塊，用于使用魯棒回歸方法對所述關鍵點進行曲線擬合，得到上眼瞼拋物 線、下眼瞼拋物線和虹膜外圓的參數。
[0028] 本發明具有以下有益效果：
[0029] 本發明的對虹膜圖像進行定位的方法中，首先對虹膜圖像進行瞳孔粗定位，在粗 定位后結果的基礎上在虹膜圖像上初始化多個關鍵點的坐標（即選取多個關鍵點，并記錄 關鍵點的坐標值）；然后提取關鍵點的SIFT特征向量，并采用SDM算法將SIFT特征向量映 射成坐標增量，使用坐標增量，對關鍵點的坐標值進行更新（即將坐標增量與關鍵點的坐 標值相加），得到關鍵點新的坐標值；最后使用魯棒回歸方法對關鍵點進行曲線擬合，得到 上眼瞼拋物線、下眼瞼拋物線和虹膜外圓的參數，完成對虹膜圖像的定位。
[0030] 與現有技術相比，本發明的對虹膜圖像進行定位的方法將虹膜識別中的上、下眼 瞼拋物線以及虹膜外圓的參數確定過程，看作是上、下眼瞼及虹膜邊緣關鍵點的定位以及 曲線擬合問題，思路清晰，簡單方便，速度快。關鍵點的定位使用SIFT特征，利用SIFT特征 定位得到上、下眼瞼及虹膜邊緣的數個關鍵點，定位速度快、精度高。采用SDM算法將關鍵 點的SIFT特征向量映射成坐標增量，并使用坐標增量，對關鍵點的坐標值進行更新，算法 復雜度低，速度快。利用魯棒回歸擬合拋物線和圓的參數，完成上、下眼瞼邊界及虹膜外邊 緣的定位過程，魯棒性好。并且該方法的參數獨立穩定、對光照等條件穩健，不易受到干擾， 且泛化性高，例如，傳統的定位方法針對不同的圖像庫，需要調整合適的參數，而本發明的 方法不需要調整參數，參數經過訓練得到，對于不同的圖像庫都同樣適用。
[0031] 故本發明的對虹膜圖像進行定位的方法簡單方便，速度快；抗干擾能力強、精度 高；泛化性高；魯棒性好。
【附圖說明】
[0032] 圖1為本發明的對虹膜圖像進行定位的方法流程圖；
[0033] 圖2為本發明的對虹膜圖像進行定位的裝置示意圖；
[0034] 圖3為本發明中的關鍵點最終位置示意圖；
[0035] 圖4為本發明中的關鍵點初始位置示意圖；
[0036] 圖5為本發明中的梯度方向直方圖示意圖；
[0037] 圖6為本發明中的坐標軸旋轉的示意圖；
[0038] 圖7為本發明中的梯度方向直方圖計算示意圖；
[0039] 圖8為本發明中在不同類型虹膜圖像的SIFT特征統計圖；
[0040]圖9為本發明的對虹膜圖像進行定位的方法的一個實施例的流程圖。
【具體實施方式】
[0041] 為使本發明要解決的技術問題、技術方案和優點更加清楚，下面將結合附圖及具 體實施例進行詳細描述。
[0042] 一方面，本發明提供一種對虹膜圖像進行定位的方法，如圖1所示，包括：
[0043] 步驟SlOl :對虹膜圖像進行瞳孔粗定位。
[0044] 本步驟中，可以使用多種方法對瞳孔進行粗定位，定位瞳孔的位置，然后將瞳孔位 置適當擴大，即得到虹膜的粗略位置，本文采用了徑向對稱變換方法。
[0045] 步驟S102 :在粗定位的基礎上初始化多個關鍵點的坐標。
[0046] 根據粗定位的結果（包括瞳孔的圓心和半徑）確定關鍵點的初始位置，我們可以 通過對預先拍攝的虹膜圖像樣本進行手動標記關鍵點后訓練得到關鍵點的初始相對位置， 一般取多個樣本的平均值，為了描述以及計算方便，一般將這些坐標值描述成2n維列向量 的形式，即
η為關鍵點的個數，為2n維的實數向量空間。
[0047] 步驟S103 :提取關鍵點的SIFT特征向量