[發明專利]一種基于灰度梯度和分類器的虹膜外邊界定位方法

有效

• 申請號: 200910059348.7
• 申請日: 2009-05-20
• 公開（公告）號: CN101576951A
• 公開（公告）日: 2009-11-11
• 發明（設計）人: 解梅;鄭韜
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/60
• 代理公司: 電子科技大學專利中心
• 代理人: 葛啟函

1.一種基于灰度梯度和分類器的虹膜外邊界定位方法，包括以下步驟：

步驟1：采集虹膜樣本圖像并確定虹膜的大致區域；

首先采集虹膜樣本圖像，具體采集虹膜樣本圖像時保證瞳孔中心位置大致位于圖像中間；然后進行瞳孔定位，得到瞳孔半徑r_pupil和瞳孔中心位置(x_pupil，y_pupil)；再提取在瞳孔中心上方50行，瞳孔中心下方2倍瞳孔半徑，瞳孔中心左右方各3倍瞳孔半徑的區域作為搜索虹膜外邊界的子圖subImage，其高度為subHeight，寬度為subWidth；

步驟2：對搜索虹膜外邊界的子圖subImage進行灰度直方圖拉伸，然后提取在瞳孔邊界最低點上下各7～30行、左右各7～30列的子圖進行自適應的全局閾值計算，得到睫毛灰度閾值Eyelash_Threshold；

步驟3：提取搜索虹膜外邊界的子圖subImage中的虹膜外邊界點，得到虹膜左外邊界點集合PointSet_L和虹膜右外邊界點集合PointSet_R；具體包括以下分步驟：

步驟3-1：以瞳孔中心為界，將搜索虹膜外邊界的子圖subImage劃分為左右兩個區域，得到subImage_L和subImage_R；

步驟3-2：計算步驟3-1所得的左邊區域subImage_L中每相鄰三行的像素點按照列對應位置加權相加的平均灰度向量Vec_i＝[a₁，a₂，…，a_j…]，其中a_j＝A×p_i，j+B×p_i+1，j+C×p_i+2，j；其中Vec_i表示第i行、第(i+1)行和第(i+2)行這相鄰三行像素點的平均灰度向量，i從1到(subHeight-2)；a_j表示Vec_i中第j列三個像素點的灰度加權和值，j從1到?A、B和C表示加權系數，通常0.5≤A＜1，0＜B≤0.5，0＜C≤0.3，且A+B+C＝1；p_i，j表示像素點(i，j)的灰度值；具體計算時，若其中某點像素的灰度值小于睫毛灰度閾值Eyelash_Threshold，即該像素點屬于睫毛點，則該點像素點的像素值以零代替后進行計算；

步驟3-3：對向量Vec_i進行擴展，得到擴展向量?其中，[a₁，…，a₁]_1×8表示在向量Vec_i的前面放置8個a₁，[a_n，…a_n]_1×7表示在Vec_i的后面放置7個a_n，其中?

步驟3-4：對擴展向量?做差分運算，得到灰度梯度向量DVec_i＝[d₁，d₂，…d_n]，具體方法如下：?1≤j≤n，其中?

步驟3-5：搜索灰度梯度向量DVec_i的局部極小值；如果存在d_k＜d_k+1且?d_k＜d_k-1，d_k∈DVec_i，則將該坐標(i，k)位置所在的像素點作為虹膜左外邊界點并放入虹膜左外邊界點集合PointSet_L；

步驟3-6：按照步驟3-2至步驟3-5的具體方法計算步驟3-1所得的右邊區域subImage_R的虹膜右邊界點并放入虹膜右外邊界點集合PointSet_R；

步驟4：分別計算虹膜左、右外邊界點集合PointSet_L與PointSet_R中的每一個點與瞳孔中心之間的距離，刪除其中大于3倍瞳孔半徑或者小于1.5倍瞳孔半徑的部分偽虹膜外邊界點，得到左、右外邊界點集合PointSet_L1與PointSet_R1；

步驟5：分別對虹膜左、右外邊界點集合PointSet_L1與PointSet_R1中的虹膜外邊界點進行第一次分類，然后刪除其中屬于偽虹膜外邊界點類別的點，再對剩余虹膜外邊界點類別的點進行第二次分類；具體步驟如下：

步驟5-1：對虹膜左外邊界點集合PointSet_L1內的點進行第一次分類；

對虹膜左外邊界點集合PointSet_L1內的每一個點，按坐標位置從左上至右下的順序，逐一判斷每個點的N_KK(A)鄰域內是否存在已有被分類的點，若某一點A的鄰域內存在已被分類的點，則將A點歸入與其N_KK(A)鄰域內已被分類且“距離”A點最近的點所屬的類別；若某一點A的鄰域內不存在已被分類的點，則將A點歸入新的類別；其中，某一點A的N_KK(A)鄰域的點指按照表(a)中A點附近標有數字1至16的這16個點；這16個點的數字1至16表示相應點與A點之間的“距離”；

步驟5-2：統計虹膜左外邊界點集合PointSet_L1中各個分類子集所包含的虹膜邊界點的點數，刪除分類點數小于15的分類子集，得到虹膜左外邊界點集合PointSet_L2；

步驟5-3：對虹膜左外邊界點集合PointSet_L2進行第二次分類；

按照虹膜左外邊界點集合PointSet_L2中點與瞳孔中心之間的距離大小，將虹膜左外邊界點集合PointSet_L2中點分成m類子集，同一類子集中的點與瞳孔中心之間的距離相差不超過10個像素，其中m≥|1.5×r_pupil/10|，其中|·|表示將·取整；?

步驟5-4：統計虹膜左外邊界點集合PointSet_L2總的點數N，并統計步驟5-3所得m類子集中每一類子集中的點數W_i，1≤i≤m；判斷是否存在子集點數大于N/L-5的分類，其中L的初始值等于5：若存在，則得到子集點數大于N/L-5的分類集合PointSet_L3，以及子集點數大于N/L-5的類別數NcL；若不存在，則將L的值增加1，直到存在子集點數大于N/L-5的分類，并得到子集點數大于N/L-5的分類及子集點數大于N/L-5的類別數NcL；

步驟5-5：對虹膜右外邊界點集合PointSet_R1中的虹膜外邊界點，采取步驟5-1至步驟5-4相應的處理方法，得到子集點數大于N/L-5的分類集合PointSet_R3，以及子集點數大于N/L-5的類別數NcR；其中對虹膜右外邊界點集合PointSet_R1內的點進行第一次分類時，某一點A的N_KK(A)鄰域的點指按照表(b)中A點附近標有數字1至16的這16個點；

步驟6：分別任取一個來自于左區域分類集合PointSet_L3和一個來自于右區域分類集合PointSet_R3的分類子集的虹膜外邊界點進行組合，得到NcL×NcR個虹膜外邊界點矩陣；然后對每個虹膜外邊界點矩陣采用最小二乘法進行圓擬合，得到NcL×NcR個待選虹膜外邊界；

步驟7：根據徑向灰度分布特性刪除NcL×NcR個待選虹膜外邊界中的偽虹膜外邊界，得到最終定位的虹膜外邊界；具體方法如下：

步驟7-1：若步驟6所得的NcL×NcR個待選虹膜外邊界中，存在兩個待選虹膜外邊界的圓心距和半徑差都在10個像素以內，且兩個待選虹膜外邊界的圓心距和半徑差這兩者之和在15個像素以內，則判定這兩個待選虹膜外邊界重合；對于重合的兩個待選虹膜外邊界，將用以分別擬合該兩個待選虹膜外邊界的，來自于左、右區域分類集合PointSet_L3和PointSet_R3的分類子集的虹膜外邊界點全部組合成一個虹膜外邊界點矩陣，然后采用最小二乘法擬合得到一個新的待選虹膜外邊界；設重新擬合后的待選虹膜外邊界的數目為S，則S＜NcL×NcR；

若步驟6所得的NcL×NcR個待選虹膜外邊界中，不存在兩個待選虹膜外邊界的圓心距和半徑差都在10個像素以內或兩個待選虹膜外邊界的圓心距和半徑差這兩者之和在15個像素以內，則直接執行步驟7-2；

步驟7-2：若步驟7-1進行了重新擬合，則在步驟7-1所得的S個待選虹膜外邊界中，選出待選虹膜外邊界的圓心與瞳孔中心的距離小于10像素的待選虹膜外邊界，然后轉為執行步驟7-3；

若步驟7-1沒有進行了重新擬合，則在步驟6所得的NcL×NcR個待選虹膜外邊界中，選出待選虹膜外邊界的圓心與瞳孔中心的距離小于10像素的待選虹膜外邊界，然后轉為執行步驟7-3；

若步驟7-1所得的S個待選虹膜外邊界中，所有待選虹膜外邊界的圓心與瞳孔中心的距?離大于10像素以上，則判定虹膜外邊界定位失敗；若定位失敗，則計算每個待選虹膜外邊界中用以擬合該待選虹膜外邊界的，來自于左、右區域分類集合PointSet_L3和PointSet_R3的分類子集的虹膜外邊界點到該待選虹膜外邊界的距離，并刪除其中距離較大的10％的點，然后重新擬合該待選虹膜外邊界；然后在重新擬合的S個新的待選虹膜外邊界中，選出其中待選虹膜外邊界的圓心與瞳孔中心的距離小于10像素的待選虹膜外邊界，再轉為執行步驟7-3；

步驟7-3：在步驟7-2的基礎上，計算每個待選虹膜外邊界上所有點的徑向梯度和值G_i，1≤i≤S；再計算G_i與所有徑向梯度和值G_i中的最大值G_max的比值G_i/G_max；然后剔除那些比值G_i/G_max小于0.4的待選虹膜外邊界；

步驟7-4：計算所有剩余的待選虹膜外邊界的圓心與瞳孔中心的距離，把其中最小距離所對應的待選虹膜外邊界作為最終定位的虹膜外邊界。?