失函數f關于AS的凹凸性是不定的，為了防止一步迭代 落入局部極優，SDM采用多級回歸，如式（8)，
[0141] 式（7)是典型的線性最小二乘問題，我們采用梯度下降方法對參數Rk，bk進行監督 學習，有，
[0144] 參數得到后，樣本的形狀更新采用如下形式進行更新，
[0146] 經過多級回歸，一般為3-4次，得到估計的形狀向量，即預測的關鍵點坐標。
[0147] (3)魯棒回歸
[0148] 得到關鍵點坐標后，在分割得到虹膜區域之前，需要通過曲線擬合方法，得到上下 眼瞼拋物線及虹膜外圓參數。
[0149] 曲線擬合方法有多種，最常用的是最小二乘回歸，追求誤差平方和最小，正因為如 此，其存在一個致命的缺陷，缺乏對異常值的處理。為了解決這一問題，降低個別點定位誤 差較大產生的曲線擬合偏離風險，我們采用魯棒回歸方法 M，加入對異常值的處理，增強曲 線擬合的魯棒性。
[0150] 魯棒回歸方法有很多，這里，我們采用M估計（M-estimation)方法，是由Huber于 1964年提出的廣義的極大似然估計。以擬合虹膜外邊界的圓為例，圓的方程為，
[0151] x2+y2-Dx-Ey-F = 0 (11)
[0152] 其中，x、y分別表示圓的橫、縱坐標，D、E、F分別為圓標準方程的參數，我們將其寫 成適合于魯棒回歸的形式，
[0154] 具體到每個點的擬合，可得到誤差模型，
[0155] Yi= Xib+Ei (13)
[0156] 這里，K = < + .V,2，Xi= (I X ; y;)，Xi、y;表示經SDM定位得到的關鍵點橫、縱坐 標。其中，h為第i個點估計參數得到的誤差項。我們選擇Bisquare函數作為M估計器 (M-estimator)，即每個點的權重Coi，得到代價函數（cost function)如下，
[0158] 這里，（^控制著第i個點對擬合的影響程度，且ω 1是ε ^勺函數，SP ω 1 = ω ( ε J，依賴于第i個點的誤差項ε Jcoi= 1 Α( ε分）（1_( ε yb)2)2,這里，b為帶寬），而 ε ;依賴于第i個點估計的參數b，b的確定又依賴于代價函數中的權重項ω ;，這是一個典 型的迭代問題。這里，我們采用加權迭代最小二乘（Iterative reweighted least-square) 方法求解。
[0159] 如此，就得到了上、下眼瞼拋物線及虹膜外圓的參數。
[0160] 本發明實施例技術方案帶來的有益效果：
[0161] 本發明將虹膜識別中的上、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。首次引入SIFT特征，利用高效的 SDM算法快速定位得到上、下眼瞼及虹膜邊緣的數個關鍵點，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。該方法，相較于微積分檢測算子等 傳統定位方法，具有定位速度快、定位精度高、魯棒性好、泛化性高等優點，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，而我們的方法不需要調整參數，回歸參數 經過訓練得到，對于不同的圖像庫都同樣適用。
[0162] 以上所述是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員 來說，在不脫離本發明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也 應視為本發明的保護范圍。
【主權項】
1. 一種對虹膜圖像進行定位的方法，其特征在于，包括： 對虹膜圖像進行瞳孔粗定位； 在粗定位的基礎上初始化多個關鍵點的坐標； 提取所述關鍵點的SIFT特征向量； 采用SDM算法將所述關鍵點的SIFT特征向量映射成坐標增量； 使用所述坐標增量，對所述關鍵點的坐標值進行更新； 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。2. 根據權利要求1所述的對虹膜圖像進行定位的方法，其特征在于，所述使用所述坐 標增量，對所述關鍵點的坐標值進行更新之后，所述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之前還包括： 判斷是否滿足終止條件，若否，轉至所述提取所述關鍵點的SIFT特征向量。3. 根據權利要求1或2所述的對虹膜圖像進行定位的方法，其特征在于，所述提取所述 關鍵點的SIFT特征向量包括： 構造瞳孔粗定位后的虹膜圖像的尺度空間； 在已有尺度空間和關鍵點坐標的情況下，確定關鍵點的主梯度方向； 對坐標軸進行旋轉，使坐標軸的方向與所述主梯度方向相同； 在新的坐標軸下，以關鍵點為中心，選擇適當的鄰近區域，并將其分成若干個子區域， 提取關鍵點的SIFT特征向量。4. 根據權利要求3所述的對虹膜圖像進行定位的方法，其特征在于，所述在新的坐 標軸下，以關鍵點為中心，選擇適當的鄰近區域，并將其分成若干個子區域，提取關鍵點的 SIFT特征向量之后還包括： 對所述SIFT特征向量進行歸一化； 判斷歸一化后的SIFT特征向量是否大于閾值，若是，則將特征向量設置為閾值，并再 次進行歸一化。5. 根據權利要求1或2所述的對虹膜圖像進行定位的方法，其特征在于，所述對所述虹 膜圖像進行瞳孔粗定位進一步為：利用徑向對稱變換對所述虹膜圖像進行瞳孔粗定位，包 括： 使用sobel算子卷積所述虹膜圖像，得到各個像素點的梯度幅值和梯度方向； 在梯度方向上以不同半徑r長度進行投票，并累計相應位置梯度幅值，得到梯度方向 映射圖和梯度幅值映射圖，結合所述梯度方向映射圖和梯度幅值映射圖，取值最大的位置 為圓心，對應的半徑r為瞳孔半徑。6. -種對虹膜圖像進行定位的裝置，其特征在于，包括： 定位模塊，用于對虹膜圖像進行瞳孔粗定位； 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； 提取模塊，用于提取所述關鍵點的SIFT特征向量； 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； 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； 擬合模塊，用于使用魯棒回歸方法用于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。7. 根據權利要求6所述的對虹膜圖像進行定位的裝置，其特征在于，所述映射模塊之 后，所述擬合模塊之前還包括： 判斷模塊，用于判斷是否滿足終止條件，若否，轉至所述提取模塊。8. 根據權利要求6或7所述的對虹膜圖像進行定位的裝置，其特征在于，所述提取模塊 包括： 構造單元，用于構造瞳孔粗定位后的虹膜圖像的尺度空間； 統計單元，用于在已有尺度空間和關鍵點坐標的情況下，確定關鍵點的主梯度方向； 旋轉單元，用于對坐標軸進行旋轉，使坐標軸的方向與所述主梯度方向相同； 提取單元，用于在新的坐標軸下，以關鍵點為中心，選擇適當的鄰近區域，并將其分成 若干個子區域，提取關鍵點的SIFT特征向量。9. 根據權利要求8所述的對虹膜圖像進行定位的裝置，其特征在于，所述提取單元之 后還包括： 歸一化單元，用于對所述SIFT特征向量進行歸一化； 截斷單元，用于判斷歸一化后的SIFT特征向量是否大于閾值，若是，則將特征向量設 置為閾值，并再次進行歸一化。10. 根據權利要求6或7所述的對虹膜圖像進行定位的裝置，其特征在于，所述定位模 塊進一步為用于利用徑向對稱變換對所述虹膜圖像進行瞳孔粗定位，包括： 卷積單元，用于使用sobel算子卷積所述虹膜圖像，得到各個像素點的梯度幅值和方 向； 投票單元，用于在梯度方向上以不同半徑r長度進行投票，并累計相應位置梯度幅值， 得到梯度方向映射圖和梯度幅值映射圖，結合所述梯度方向映射圖和梯度幅值映射圖，取 值最大的位置為圓心，對應的半徑r為瞳孔半徑。
【專利摘要】本發明公開了一種對虹膜圖像進行定位的方法和裝置，包括：對虹膜圖像進行瞳孔粗定位；在粗定位的基礎上初始化多個關鍵點的坐標；提取所述關鍵點的SIFT特征向量；采用SDM算法將所述關鍵點的SIFT特征向量映射成坐標增量；使用所述坐標增量，對所述關鍵點的坐標值進行更新；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。與現有技術相比，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。
【IPC分類】G06K9/00
【公開號】CN105260698
【申請號】CN201510568142
【發明人】張曉夢, 許猛, 張偉琳, 唐青松, 王琪
【申請人】北京天誠盛業科技有限公司
【公開日】2016年1月20日
【申請日】2015年9月8日