基于閾值分割及邊緣檢測的虹膜定位算法

王延年，姬樂樂

（西安工程大學(xué)電子信息學(xué)院，西安710048）

基于閾值分割及邊緣檢測的虹膜定位算法

王延年，姬樂樂

（西安工程大學(xué)電子信息學(xué)院，西安710048）

為了提高虹膜圖像定位分割的速度和精度，提出了一種改進的虹膜定位分割算法。首先采取聚類法來對虹膜圖像閾值分割，快速分割出瞳孔區(qū)域，并根據(jù)圓形的幾何特性對虹膜內(nèi)邊緣粗定位；然后根據(jù)圓的對稱性計算虹膜內(nèi)邊緣的圓心和半徑；最后利用已經(jīng)提取的瞳孔圓周參數(shù)等先驗知識檢測虹膜外徑與圓心。測驗結(jié)果表明，該算法提高了虹膜定位分割的速度而且定位準(zhǔn)確度可達到98.86%，在虹膜識別系統(tǒng)中具有很好的實用意義。

虹膜圖像；虹膜定位；虹膜識別；聚類法；閾值分割；自適應(yīng)

1 引 言

快速準(zhǔn)確的身份確認(rèn)方法是一個由來已久的課題。目前社會信息化正以突飛猛進的速度快速發(fā)展，個人身份辨別已經(jīng)滲透到人們生活的各個方面。身份鑒別已經(jīng)成為社會安防系統(tǒng)的重要組成部分，同時也是社會安全管理的需要，一旦身份驗證系統(tǒng)出現(xiàn)了問題，將會給整個安防系統(tǒng)造成不可預(yù)知的嚴(yán)重后果。

傳統(tǒng)的身份識別主要依靠特定標(biāo)志物（如ID卡、門禁卡等）和特定知識（如口令、密電碼等），然而這些方法存在很多缺點，如攜帶不方便、容易遺失和被盜用、密碼容易被破解等，此時身份識別就會失敗。W.K.Kong和Daugman采用統(tǒng)計特性對睫毛進行檢測［1］，但是，遮攔區(qū)域的檢測將增加虹膜定位的時間，如果需要存儲遮擋模板，也將增大存儲空間。Boles等人提出了一種基于小波變換過零點檢測的虹膜識別算法，但是過零表示對圖像的灰度變化幅度比較敏感，這會導(dǎo)致虹膜圖像識別率降低［2］。

為了獲得更好的虹膜識別結(jié)果，提出了一種基于自適應(yīng)閾值分割及邊緣檢測的虹膜內(nèi)邊緣定位并利用已提取的瞳孔圓周參數(shù)等先驗知識進行虹膜外邊緣定位的虹膜內(nèi)外邊緣定位算法，試驗表明該算法能夠比較快速準(zhǔn)確的定位人眼虹膜的內(nèi)外邊界。

2 虹膜內(nèi)邊緣（瞳孔）定位

不同的圖像灰度也不同，邊緣處往往會有相對明顯的分界，根據(jù)這個特性可以對圖像進行分割［3］。虹膜圖像有相應(yīng)的灰度分布特點，虹膜灰度要比瞳孔的灰度大，鞏膜灰度要比虹膜灰度大。本文提出的算法首先采取閾值法對瞳孔圖像進行分割，然后再采取邊緣檢測算子檢測瞳孔區(qū)域邊緣的方法對內(nèi)邊緣進行定位。

在采集的眼睛圖像I中（圖1），虹膜區(qū)域是介于鞏膜和瞳孔兩者之間的部分，它紋理多樣，包括犁溝、脊?fàn)钔黄鸬炔糠郑?］。由圖像的灰度級上可以看出三個區(qū)域呈現(xiàn)出非常明顯的梯度：鞏膜的顏色比較淺，虹膜的顏色稍深，瞳孔顏色最深，然而虹膜與鞏膜兩者之間有一個灰度值變化不是特別大的區(qū)域（即緩沖帶）如圖1所示。對圖像的灰度直方圖進行統(tǒng)計，由統(tǒng)計的灰度直方圖（圖2）能夠看出圖中有三個波峰，分別表示原始虹膜圖像的3個區(qū)域。其中第1個波峰對應(yīng)瞳孔和睫毛部分（瞳孔的灰度級和睫毛的灰度級差別較?。?，第2個波峰表示虹膜區(qū)域，第3個波峰表示原始圖像的其他部分。在第1、第2兩個波峰之間具有較大的灰度值變化，選用兩波峰之間比較合適的灰度值當(dāng)作閾值，這樣能夠把瞳孔從采集到的眼睛圖像當(dāng)中分割出來［5］。據(jù)此，采用k-means聚類［4］的方法，按照灰度特點，可以將灰度直方圖分為三類，分別代表不同的區(qū)域，均值最小的一類即為瞳孔區(qū)域，將此類的聚類中心當(dāng)作閾值，來對圖像進行分割，可以得到二值化圖像。k-means聚類算法是將數(shù)據(jù)集分成k類｛C1，C2，...，Ck｝，其中1≤k≤n，每一類里面都有一個聚類中心，使得每個類內(nèi)的距離最小，類和類之間的距離最大。對于任意xi，有xi∈cj且xi?ck，cj∩ck≠Φ（k≠j）（i＝1，2，...，n）

圖1 原始圖像

由圖3能夠看出，對虹膜圖像進行閾值分割之后，可以分離出來瞳孔部分，再經(jīng)過閾值分割處理和二值化處理之后虹膜圖像被分割成一個連通區(qū)閾。得到這個連通區(qū)閾的邊界便能夠粗定位瞳孔。由于瞳孔近似圓形，根據(jù)圓的幾何性質(zhì)兩條直徑的交點就是圓心，因此二值化圖像I′（x，y）在水平和垂直方向上灰度值最小的行和列，便對應(yīng)著兩條直徑所在的位置，它們的交點便是圓心。但是，受瞳孔與鞏膜灰度值的平均影響，I′（x，y）在水平和垂直方向上灰度值最小的行和列，不是兩條直徑的位置，而是圓的兩條弦。如此定位的瞳孔中心坐標(biāo)與真實瞳孔中心具有一定偏差，對二值圖像I′（x，y）進行水平和垂直方向的投影，選取水平和垂方向上投影值最小的行和列，它們的交點p（x，y）就是要找的瞳孔內(nèi)的一點。px是x行對應(yīng)的投影值，py是y列對應(yīng)的投影值，其中px和py滿足公式（1）和（2）：

圖2 I（x，y）灰度直方圖

圖3 瞳孔區(qū)域

3 計算虹膜內(nèi)邊緣圓心、半徑

根據(jù)求得的瞳孔內(nèi)一點p（x，y）及瞳孔邊緣圖I（x，y），可以求出瞳孔邊緣的圓心和半徑。按照所求得的圓心和半徑能夠在原圖上較為準(zhǔn)確的標(biāo)出虹膜的內(nèi)邊緣區(qū)域。

近年來有學(xué)者提出采用“非共線三點”的方法來確定圓的參數(shù)［6］，實驗證明這種方法受邊緣點采集及計算的影響，容易對瞳孔圓心和半徑計算產(chǎn)生較大誤差。

根據(jù)圓的對稱性［7］，采取以下算法進行瞳孔邊緣圓心和半徑的計算：

（1）根據(jù)p（x，y）的坐標(biāo)在原始圖像I上判斷I（x，y）點是否為邊緣點。若I（x，y）＝1為邊緣點，則根據(jù)p（x，y）的坐標(biāo)在原圖I上判斷P點是在瞳孔的左半圓還是右半圓，若I（x+n，y）＜I（x-n，y）說明邊緣點右邊灰度小于左邊灰度，則邊緣點p（x，y）在左半圓，可直接進入（2）。若I（x+n，y）＞I（x-n，y），則邊緣點p（x，y）在右半圓，或I（x，y）不等于1，p（x，y）不是邊緣點。均在I內(nèi)循環(huán)向左找到左半圓邊緣點p1（即y值不變，x＝x-1），循環(huán)判斷I（x，y）是否等于1，進入步驟（2）。

（2）根據(jù)左半圓邊緣點p1（x，y）和原圖像I（x，y）來判斷p（x，y）是在上半圓、下半圓還是圓中間。若I（x，y+n）＜I（x，y-n），則說明邊緣點p1（x，y）下邊灰度小于上邊灰度，是在上半圓，進入（3）。若I（x，y+n）＞I（x，y-n），則說明邊緣點p1（x，y）下邊灰度大于上邊灰度，則邊緣點p（x，y）是在下半圓，進入步驟（4）。若I（x，y+n）＝I（x，y-n），則說明邊緣點p1（x，y）在圓中間。圓中間在向上或向下計算瞳孔邊緣上點時會出現(xiàn)計算點在瞳孔邊緣外的現(xiàn)象，則對于p1（x，y）取p（x+2n，y）作為瞳孔內(nèi)任一點，向上找到新的左半圓邊緣點作為p1（x，y）（即x值不變，y＝y(tǒng)-1），循環(huán)判斷I（x，y）是否等于1，進入步驟（3）。

（3）針對上邊緣點p1（x，y）在I內(nèi)循環(huán)向右找到右半圓邊緣點p′1（即y值不變x＝x+1，循環(huán)判斷I（x，y）是否等于1，分別從（x，y+n）點和（x，y-n）點開始在I內(nèi)循環(huán)向左找到左半圓邊緣點p2、p3，循環(huán)向右找到右半圓邊緣點p′2、p′3，進入步驟（5）。

（4）針對下邊緣點p1（x，y）在I內(nèi)循環(huán)向右找到右半圓邊緣點p′1，分別從（x，y-n／2）點和（x，y-n）點開始在I內(nèi)循環(huán)向左找到左半圓邊緣點p2、p3，循環(huán)向右找到右半圓邊緣點p′2，p′3，進入步驟（5）。

（5）b1＝（y1+y′1），其中y1為p1的y坐標(biāo)，y′1為p′1的y坐標(biāo)，同理計算出b2、b3。b1、b2、b3三者差值最小的一對求平均值取整數(shù)可得到b值，作為圓心的y值，進入步驟（6）。

（6）取邊緣點p1（x，y）的值和所計算出的b值可得到瞳孔邊緣圓垂直直徑上一點（x，b），分別在I內(nèi)循環(huán)向上找到上半圓邊緣點p4和向下找到下半圓邊緣點p′4。a＝（x4+x′4）／2，R＝（x′4-x4）／2，其中x4為p4的x坐標(biāo)，x′4為p′4的x坐標(biāo)?？捎嬎愠鐾走吘壍膱A心（a，b）和半徑R。

邊緣點在上半圓的計算過程如圖4所示。

4 虹膜外邊緣精確定位

雖然鞏膜、虹膜和瞳孔的平均灰度值大體上呈階梯分布，但是鞏膜和虹膜的平均灰度值差別較小，即虹膜和鞏膜的對比度比較低，這致使虹膜外邊界不太清晰，采用一般的邊緣檢測算法檢測虹膜外邊緣的輪廓顯得較為困難［8］。為了解決這個難題，首先采取線性映射使輸出像素的概率密度均勻度變換的方法增強虹膜圖像的對比度［9］，可以將虹膜的外邊緣相對容易的檢測出來。如果不經(jīng)處理就去檢測經(jīng)過增強處理后的虹膜圖像邊界，那樣檢測所得到的邊緣圖像會出現(xiàn)比較多的小枝和孤立邊緣點，結(jié)果也會導(dǎo)致對虹膜定位不準(zhǔn)確的現(xiàn)象。為了獲得更好的定位效果，可以對增強后的圖像閾值分割處理，經(jīng)過閾值分割消除灰度值較高和較低的孤立小區(qū)域［10］。然后檢測經(jīng)過閾值分割處理之后虹膜圖像的邊緣，這個邊緣圖像由上下眼皮和虹膜之間的邊緣、虹膜和鞏膜之間的邊緣構(gòu)成。最后，利用已經(jīng)提取的瞳孔圓周參數(shù)和虹膜外邊緣的環(huán)狀結(jié)構(gòu)等先驗知識對虹膜外徑和圓心進行定位。具體的虹膜外邊緣定位算法如下：

圖4 瞳孔邊緣圓心和半徑的計算示意圖

（1）因為瞳孔一般并不位于虹膜的中心，常有一定的偏離，但偏離較小。設(shè)虹膜外邊緣的圓心（xi，yi）在以瞳孔圓心（a，b）為中心的9×9矩形內(nèi)。

（2）如果取遍了矩形內(nèi)的點則轉(zhuǎn)到步驟（5），否則從矩形內(nèi)取出一點（xi，yi），取虹膜的起始半徑ri為1.33R（R為已檢測出的瞳孔半徑）。

（3）以（xi，yi）為圓心，寬度為2個像素，搜索半徑為ri，范圍為3π／4-5π／4和-π／4-π／4（因上下眼皮可能會遮住虹膜的一部分，這部分不能作為匹配信息）的圓周上的邊緣點，若搜索到的邊緣點數(shù)大于該圓周長度的1／8，且ri比已經(jīng)記下的ri大，則記虹膜外圓周參數(shù)為（xi，yi，ri）。

（4）取ri＝ri+2，若ri＞min（w／2-8，h／2-8），（w、h分別為虹膜圖像的寬度與長度）則轉(zhuǎn)到步驟（2），否則轉(zhuǎn)到步驟（3）。

（5）輸出參數(shù)（xi，yi，ri），停止。

5 測試結(jié)果及結(jié)果分析

本文使用CASIA v1.0和CASIA v4.0中的虹膜圖像作為實驗樣本來驗證本算法的有效性。進行實驗的硬件環(huán)境為Intel i5處理器，CPU主頻1.8GHz，內(nèi)存為4GB，操作系統(tǒng)為Windows7，并使用MATLAB2014b驗證本文提出的虹膜定位分割算法。運用改進的虹膜定位算法在虹膜數(shù)據(jù)庫的圖像上進行驗證，部分虹膜定位結(jié)果如圖5所示，與其他算法的比較如表1所示。

圖5 本文算法定位效果圖

表1 本算法與其他算法的結(jié)果比較

從上述實驗的虹膜定位效果可以看出，新算法顯著提高了虹膜定位分割的速度和準(zhǔn)確率。這是因為閾值分割法能夠很大程度上減少眼瞼、睫毛等區(qū)域?qū)缒ざㄎ坏挠绊?，提高了抗噪聲能力?/p>

6 結(jié)束語

不同的圖像灰度也不同，邊緣處往往會有相對明顯的分界。根據(jù)這個特性本文提出了一種新的方法進行圖像分割。針對虹膜圖像的性質(zhì)，本文提出了一種基于自適應(yīng)閾值分割及邊緣檢測的虹膜內(nèi)邊緣定位并利用已提取的瞳孔圓周參數(shù)等先驗知識進行虹膜外邊緣定位的虹膜內(nèi)外邊緣定位算法，試驗表明該算法能夠比較快速準(zhǔn)確地定位人眼虹膜的內(nèi)外邊界。并通過對CASIA v1.0、CASIA v4.0數(shù)據(jù)庫的實驗樣本進行仿真實驗。測驗結(jié)果表明，該算法不僅克服了傳統(tǒng)定位分割算法精度不高和定位速度較慢的缺點，而且具有很好的自適應(yīng)性且算法易于實現(xiàn)。對于一些需要快速準(zhǔn)確檢測虹膜的系統(tǒng)，具有較好的應(yīng)用價值。

［1］ John Daugman.How Iris Recognition Works［J］.IEEE Transactions on Circuits and Systems For Video Technology，2004，14（1）：21-30.

［2］ 王蘊紅，朱勇，譚鐵牛.基于虹膜識別的身份鑒別［J］.自動化學(xué)報，2002，28（1）：1-10. Wang Yun-hong，Zhu yong，Tan Tie-niu.Personal identification based on iris recognition［J］.Journal of automation，2002，28（1）：1-10.

［3］ 楊文，于力，王寬全，等.虹膜定位的快速算法［J］.計算機工程與應(yīng)用，2004，40（10）：82-84. Yang Wen，Yu Li，Wang Kuan-quan，et al.Fast algorithm for iris localization［J］.Computer engineering and Applications，2004，40（10）：82-84.

［4］ John Daugman.How Iris Recognition Works［J］.IEEE Transactions on Circuits and Systems For Video Technology，2004，14（1）：21-30.

［5］ 王江南，吳冬梅.一種基于幾何原理的虹膜定位算法［J］.計算機應(yīng)用與軟件，2010，27（1）250-251，254. Wang Jiang-nan，Wu Dong-mei.An iris location algorithm based on geometric principle［J］.Computer applications and software，2010，27（1）：250-251，254.

［6］ W W Boles，B Boashash.A Human Identification Technique Using Images of the Iris and WaveletTransform［C］.IEEETransactions on Signal Processing，1998（4）：1185-1188.

［7］ 袁曉燕，施鵬飛.活體虹膜圖像的定位與分割［J］.數(shù)據(jù)采集與處理，2006，21（6）：137-141. Yuan Xiao-yan，Shi Peng-fei.The location and segmentation of live iris image［J］.Data acquisition and processin，2006，21（6）：137-141.

［8］ 田啟川，潘泉，張洪才，等.不同光照下的虹膜邊界定位研究［J］.光電子·激光，2006，17（4）：488-492. Tian Qi-chuai，Pan Quan，Zhang Hong-cai，et al.Iris boundary localization under different illumination［J］. Optoelectroniclasers，2006，17（4）：488-492.

［9］ 李晶晶，張健.虹膜圖像內(nèi)外邊緣定位算法研究［J］.通信技術(shù)，2010，43（5）：178-180. Li Jing-jing，Zhang Jian.Research on inner and outer edge location algorithm of iris image［J］.Communications Technology，2010，43（5）：178-180.

［10］ Chen R，Lin X R，Ding T H.Iris segmentation for noncooperative recognition systems［J］.Let Image Processing，2011，5（5）：448-456.

Im proved Iris Location Algorithm Based on Adaptive Threshold Segmentation and Edge Detection

Wang Yannian，Ji Lele
（College of electronic information，Xi’an Polytechnic University，Xi’an 710048，China）

In order to improve the speed and accuracy of the iris image segmentation，an improved segmentation algorithm for iris localization is proposed.First，the iris image threshold segmentation is conducted by K-means clustering to isolate the pupil region to provide coarse location of iris inner edge as per the geometric properties of the circle.Then，the center and radius of the inner edge of the iris is calculated on the basis of the symmetry of a circle.Finally，the pupil extraction has circle parameters such as prior knowledge detecting iris diameter and center.The experimental results show that the proposed algorithm can improve the speed of iris localization with position accuracy of 98.86%，which is useful in the iris recognition system.

Iris image；Iris localization；Iris registration；K-means clustering；Threshold segmentation；Self-adaption

10.3969／j.issn.1002-2279.2016.06.009

TP391.41

A

1002-2279（2016）06-0034-04

王延年（1963-），男，吉林長春人，教授，主研方向：工業(yè)控制信息系統(tǒng)。

姬樂樂（1991-），男，河南洛陽人，碩士研究生，主研方向：檢測技術(shù)與自動化裝置，控制網(wǎng)絡(luò)與工程。

2016-06-07