太阳城集团

  • / 11
  • 下载费用:30 金币  

一种人眼虹膜图像分割方法.pdf

摘要
申请专利号:

CN201310570892.4

申请日:

2013.11.15

公开号:

CN103632137A

公开日:

2014.03.12

当前法律状态:

终止

有效性:

无权

法律详情: 未缴年费专利权终止IPC(主分类):G06K 9/00申请日:20131115授权太阳城集团日:20160824终止日期:20171115|||授权|||实质审查的生效IPC(主分类):G06K 9/00申请日:20131115|||公开
IPC分类号: G06K9/00; G06K9/62 主分类号: G06K9/00
申请人: 长沙理工大学
发明人: 宋云; 曾叶; 李雪玉; 曹鹏; 朱晋
地址: 410004 湖南省长沙市雨花区万家丽南路2段960号长沙理工大学
优先权:
专利代理机构: 代理人:
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201310570892.4

授权太阳城集团号:

|||||||||

法律状态太阳城集团日:

太阳城集团2018.11.02|||2016.08.24|||2014.04.09|||2014.03.12

法律状态类型:

太阳城集团专利权的终止|||授权|||实质审查的生效|||公开

摘要

本发明涉及一种人眼虹膜图像分割方法,该方法具体步骤:步骤一:对训练集人眼图像样本逐个定位人眼眼角;步骤二:对训练集人眼虹膜图像样本逐个定位人眼中心;步骤三:采用基于稀疏和低秩分解的算法对训练集进行批量对齐;步骤四:对批量对齐后的训练集采用Canny边缘检测和霍夫变换结合的方法实现对训练集人眼图像的虹膜分割;步骤五:对输入的测试图片实现人眼虹膜分割。该方法采用基于稀疏和低秩分解的算法对训练集样本批量对齐,解决了大量样本中的亮度不一致和人眼眼睫毛遮挡的问题,再采用Canny边缘检测和霍夫变换对去亮度变化和遮挡问题的图像和测试图像达到虹膜分割的目的。该方法可广泛用于虹膜识别领域中。

权利要求书

权利要求书
1.  一种人眼虹膜图像分割方法,其特征在于,该方法具体步骤如下:
步骤一:对训练集人眼图像样本逐个进行人眼眼角定位,利用Harris角点检测算法检测人眼图像中的角点,然后对这些角点进行检索遍历,选择横坐标最小的点为人眼眼角;
步骤二:对训练集人眼虹膜图像样本逐个定位人眼中心,先用阈值对待检测样本图片进行二值化,然后利用canny边缘检测方法对二值化图像进行边缘检测得到二值化的边界图,再利用霍夫变换对边界图检测圆型,检测到的圆初定为人眼虹膜的内边,并将此圆的中心选为人眼中心;
步骤三:利用训练集中检测到的人眼眼角点和人眼中心,采用基于稀疏和低秩分解的(Robust Alignment by Sparse and Low-rank Decomposition)算法对训练集人眼虹膜图像样本进行批量对齐;
步骤四:对批量对齐后的训练集人眼虹膜图像进行分割,先用Canny边缘检测技术将待检测的人眼虹膜图像转化为二值化的边界图,利用霍夫变换在边界图中寻找半径介于瞳孔最大半径和虹膜最大半径之间的一个圆形,将得出的圆形定义为虹膜外径圆,然后再次继续利用霍夫变换在找出的虹膜外径圆区域中寻找另一个圆形,将得到的圆形定义为虹膜内径圆,这样就可以将虹膜外径圆和虹膜内径圆之间的区域定为虹膜区域,从而实现对训练集图像中虹膜的分割;
步骤五:对输入的人眼图像重复步骤一和步骤二,找到输入的人眼图像的眼角和人眼中心,再利用眼角和人眼中心的连线将人眼图像旋转,使此连线调整至水平位置,最后对调整后的图像重复步骤四,实现对输入图片的人眼虹膜分割。

2.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,人眼眼角的定位是利用人眼眼角处于人眼最左边的位置太阳城集团进行的。

3.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,人眼眼角的定位是逐角点进行,对检测出的角点进行全搜索遍历,当待比较的角点的横坐标小于已检测过的角点的横坐标时,将当前角点标记为人眼眼角位置,依次遍历直到所有角点全遍历完。

4.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,所述的基于稀疏和低秩分解算法中的两个基准点是由权利要求1所述的步骤一和步骤二计算出来的,而不是手动选取的。

5.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,在利用canny边缘检测和霍夫变换进行人眼虹膜内外径圆检测之前,利用基于稀疏和低秩分解的算法进行训练样本的批量对齐,去除了亮度变化、上下眼皮中眼睫毛和眼睑的遮挡因素的干扰,降低了待分割样本中的亮度和遮挡不利因素的干扰,提高了训练集样本的质量。

6.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,对训练集样本采用基于稀疏和低秩分解的算法可以摆正人眼在图像样本中的位置,从而降低了图像采集过程中采集设备相对于采集对象位置不一致的干扰。

7.  根据权利要求1所述一种人眼虹膜图像分割方法,其特征在于,对测试样本进行旋转,可以摆正测试样本中人眼在图像样本中的位置,从而使测试样本与训练集样本对齐,提高了测试样本的质量。

说明书

说明书一种人眼虹膜图像分割方法
技术领域
本发明涉及图像模式识别领域,特别涉及一种人眼虹膜图像分割方法。
背景技术
目前我们正处在一个高度太阳城集团化的社会,人们对太阳城集团需求越来越大,同时,对太阳城集团的安全性要求也越来越高,而身份识别技术就是一个提高太阳城集团安全性的方法,它在越来越多的领域中受到人们的高度重视。身份识别即是利用人体的某些唯一性特征,采用某些技术对这这特征进行判别,从而对人的身份进行识别。早先常用的身份识别技术是依靠人脸、指纹、手型、签名等特征进行识别的,但是这些特征都是一些人体的外部特征,存在着很大的易改动性,使得依靠这些特征进行身份识别会变得不是很可靠。近几年来,兴起了虹膜识别技术,由于虹膜的唯一性、终身不变性、不能通过手术改变等独特的特点,使之在科研和工业领域起到了越来越重要的作用。但是,由于虹膜的特殊结构,在图像采集过程中,我们不能拍摄出纯粹的虹膜图像,通常采集到的虹膜图像中不仅包含虹膜,还包含眼睛的其他部分,如瞳孔、眼睑、睫毛等,虹膜识别技术不能对这样的图片直接进行识别,只能对虹膜部分识别。因此虹膜识别技术的一个重要的预处理就是人眼虹膜图像分割。
人眼虹膜图像分割的结果通常是用于虹膜身份识别中,是虹膜身份识别技术的直接实施对象,分割的准确性严重影响到识别的准确度,因此虹膜分割方法是很重要的,是保障虹膜识别准确的预处理手段与关键技术之一。
人眼虹膜图像分割主要是直接对人眼图像进行检测,分割出其中的虹膜部分。虹膜图像分割方法主要利用虹膜内外边缘近似为圆形,采用虹膜内外边缘建模或图像中的圆形检测方法进行。其中,虹膜内外边缘建模往往遵循以下步骤:边缘检测和边缘建模。边缘检测通常是对高斯滤波后的图像利用canny或sobel算子进行边缘检测。然后通常是通过数学的方法对边缘检测二值化的图像中的边缘进行建模。而图像中的圆形检测通常也是先采用边缘检测,再对边缘检测后的图像采用霍夫变化检测虹膜的内外圆边界,从而实现虹膜的分割。 
上述这些算法虽然比较成熟,但是这些方法在都存在着相同的缺点。由于正常采集到的虹膜样本中存在着亮度变化和人眼上下眼睫毛的遮挡,会使得虹膜的内外边界的圆形不明显,造成分割错误。同时分割出的虹膜图像中存在着亮度变化、人眼上下眼睫毛的遮挡、样本图像没有对齐等缺点,会对后继的虹膜识别造成很大的影响,使识别的准确度降低。
发明内容
本发明提供一种人眼虹膜图像分割方法,可以批量对齐待检测的人眼图像,除去人眼图像中的亮度变化、上下眼皮中眼睫毛的遮挡,建立清晰、去遮挡的、批量对齐的人眼图像样本模型,再对这些样本实现虹膜分割。
本发明解决上述问题的技术方案主要特征在于:其具体步骤如下:
步骤一:对已分类标记的训练集人眼图像样本逐个进行人眼眼角定位,利用Harris角点检测算法检测人眼图像中的角点,然后对这些角点进行检索遍历,选择横坐标最小的点为人眼眼角;
步骤二:对训练集人眼虹膜图像样本逐个定位人眼中心,先用阈值对待检测样本图片进行二值化,然后利用canny边缘检测方法对二值化图像进行边缘检测得到二值化的边界图,再利用霍夫变换对边界图检测圆型,检测到的圆初定为人眼虹膜的内边,并将此圆的中心选为人眼中心;
步骤三:利用训练集中检测到的人眼眼角点和人眼中心,采用基于稀疏和低秩分解的(Robust Alignment by Sparse and Low-rank Decomposition)算法对训练集样本进行批量对齐;
步骤四:对批量对齐后的训练集进行分割,先用canny边缘检测技术将待检测的人眼虹膜图像转化为二值化的边界图,利用霍夫变换在边界图中寻找半径介于瞳孔最大半径和虹膜最大半径之间的一个圆形,将得出的圆形定义为虹膜外径圆,然后再次继续利用霍夫变换在找出的虹膜外径圆区域中寻找另一个圆形,将得到的圆形定义为虹膜内径圆,这样就可以将虹膜外径圆和虹膜内径圆之间的区域定为虹膜区域,从而实现对训练集虹膜的分割;
步骤五:对输入的人眼图像重复步骤一和步骤二,找到输入的人眼图像的眼角和人眼中心,再利用眼角和人眼中心的连线将人眼图像旋转,使此连线调整至水平位置,最后对调整后的图像重复步骤四,实现对输入图片的人眼虹膜分割。
本发明的有益效果是:本发明所述的是一种人眼虹膜图像分割方法,该方法先自动选取了基于稀疏和低秩分解算法的两个基准点,利用基于稀疏和低秩分解算法实现训练样本批量对齐,具有很好的去噪效果,可以去除训练集中的亮度变化,上下眼皮中眼睫毛的遮挡;通过对测试样本进行旋转,使测试样本与训练样本对齐,这不仅提高的样本图像的质量,而且可以提高后续虹膜识别的准确度。因此,该方法可广泛用于虹膜识别领域中。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述的人眼眼角检测是利用Harris角点检测技术进行的。具体步骤如下:
1). 采用canny算子计算图像的方向导数,分别计算出水平方向和垂直方向上的方向导数;
2). 计算每一个像素点的系数相关矩阵;
3). 计算每个像素点的角点值;
4). 找出所有角点值中最大值;
5). 遍历所有的角点值,如果检测像素点的角点值大于0.01倍最大角点值,并在指定邻近像素区域中为最大值,就将此像素点标记为角点;
6). 对所有角点进行遍历,根据人眼眼角处于人眼中的最左边位置,将横坐标最小的角点标记为人眼眼角。
进一步,所述的人眼中心检测是基于canny边缘检测和霍夫变换的。具体步骤如下:
1). 将待分割的图片基于阈值进行二值化,得到二值化图像;
2). 将二值化图像用高斯滤波器进行平滑滤波,使用canny算子计算滤波图像梯度的幅值和方向;
3). 沿着计算出的梯度方向进行检测,把不是局部最大值的象素置0,即对梯度方向进行非极大值抑制,得到图像只有一个象素宽度的边缘;
4). 选取两个阈值th1th2(                                                ),对非极大值抑制图像进行处理得到两幅图像。图像1把梯度值小于th1的像素的灰度值设为0,大于阈值的像素值不变;图像2把梯度值小于th2的像素的灰度值设为0,大于阈值的像素值不变。对图像2进行扫描,当遇到一个非零灰度的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y)。考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s1(x,y)存在,则将其包括到图像2中,作为r(x,y)点。以r(x,y)为开始点,重复对图像2的扫描,直到对图像1和图像2中都无法继续为止。当完成对包含p(x,y)的轮廓线的连结之后,将这条轮廓线标记为已访问。继续对图像2扫描,寻找下一条轮廓线。重复跟踪,直到图像2中找不到新轮廓线为止;
5). 建立参数空间A (a,b,r),从图像2的第一个像素开始,使a等于当前像素的横坐标,b等于当前像素的纵坐标,r的初值设为预定义的最小值,寻找图像2中经过以(a,b)为圆心,r为半径的非0像素点个数,保存在A(a,b,r)中。然后使r加1,重复寻找步骤,并保存相应的结果,直到r等于预定义的最大值。完成对当前以(a,b)为圆心的圆查找后,使(a,b)为当前像素的下一个点,重复步骤,直到(a,b)为图像的最后一个像素点,即完成对参数空间A(a,b,r)的赋值;
6). 确定出参数空间A的最大值,最大值所对应的的(a,b)即为检测到的圆形的圆心,将此点标记为人眼中心;
7). 重新执行步骤一和二,直到所有的训练集样本都已进行了人眼眼角和中心的检测。
进一步,所述训练集样本的批量对齐是基于稀疏和低秩分解算法的。具体步骤如下:
1). 根据对矩阵D进行低秩分解得到AE。其中,D表示属于同一类的待分割训练集样本矩阵,矩阵的每一个列向量表示一个样本,且其元素是由这个样本图片中的每一个像素值依次排列而成;A表示对训练集批量对齐后的图像样本结果,A是一个同D大小相同的矩阵,每一个列向量表示在D中相同位置处的列向量表示的样本去燥且对齐后形成的结果;表示一个权重参数,指定为 (N表示这一类训练集中样本的个数)。表示对样本矩阵D的一个变换,其中人眼眼角和中心两点是用来初始化,E是一个同AD大小相同的矩阵,E的每一个列向量表示在D中相同位置处的列向量的样本图片中的亮度变化和遮挡;表示矩阵E的0范式;
2). 根据A,将每一个列向量还原成一张张图像,图像每个像素值依次等于当前列向量的每一个元素,得到批量对齐后的图像样本。
进一步,所述的对批量对齐后的训练集实现人眼虹膜分割的过程是先采用canny边缘检测,再采用霍夫变换先检测一个半径介于最大瞳孔和最大虹膜半径之间的一个圆,定义为虹膜外径,再进一步对虹膜外径圆内的区域采用霍夫变化进行虹膜内径检测。
附图说明
图1为本发明涉及的一种人眼虹膜图像分割方法总流程图;
图2为本发明涉及的人眼眼角检测方法步骤流程图;
图3为本发明涉及的人眼中心点检测方法步骤流程图;
图4为本发明涉及的使用canny边缘检测和霍夫变换实现虹膜分割步骤流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明涉及的一种人眼虹膜图像分割方法总流程图;图2为本发明涉及的人眼眼角检测方法步骤流程图;图3为本发明涉及的人眼中心点检测方法步骤流程图;图4为本发明涉及的使用canny边缘检测和霍夫变换实现虹膜分割步骤流程图;按图1、2、3、4所示,本发明一种典型的实施步骤如下:
由用户提供待分割图像。
步骤一:对已知分类的训练集人眼虹膜图像样本进行人眼眼角定位:利用Harris角点检测算法逐个检测人眼图像中的角点,并对这些角点进行全搜索遍历,选择横坐标最小的角点定位为人眼眼角位置。具体步骤如下:
1). 采用canny算子计算图像的方向导数,分别计算出水平方向和垂直方向上的方向导数和;
2).计算每一个像素点的系数相关矩阵,其中代表与高斯模板做卷积,这个模板的方差为2,邻域窗口大小为7*7;
3). 计算每个像素点的角点值;表示求矩阵行列式,表示矩阵的迹,表示权重值,在0.04到0.06之间;
4). 找出所有角点值中最大值;
5). 遍历所有的角点值,如果检测像素点的角点值大于0.01,并在指定邻近像素区域中为最大值,就将此像素点标记为角点,邻近像素区域的大小为9*9;
6). 对所有角点进行遍历,根据人眼眼角处于人眼中的最左边位置,将横坐标最小的角点标记为人眼眼角。
步骤二:基于canny边缘检测和霍夫变换检测训练集样本的人眼中心。具体步骤如下:
1). 将待分割的图像基于阈值进行二值化,得到二值化图像,阈值的大小指定为20;
2). 将二值化图像用高斯滤波器进行平滑滤波,使用canny算子计算滤波图像梯度的幅值和方向;
3). 沿着计算出的梯度方向进行检测,把不是局部最大值的象素置0,即对梯度方向进行非极大值抑制,得到图像只有一个象素宽度的边缘;
4). 选取两个阈值th1th2(),对非极大值抑制图像进行处理得到两幅图像。图像1把梯度值小于th1的像素的灰度值设为0,大于阈值的像素值不变;图像2把梯度值小于th2的像素的灰度值设为0,大于阈值的像素值不变。对图像2进行扫描,当遇到一个非零灰度的像素p(x,y)时,跟踪以p(x,y)为开始点的轮廓线,直到轮廓线的终点q(x,y)。考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s1(x,y)存在,则将其包括到图像2中,作为r(x,y)点。以r(x,y)为开始点,重复对图像2的扫描,直到对图像1和图像2中都无法继续为止。当完成对包含p(x,y)的轮廓线的连结之后,将这条轮廓线标记为已访问。继续对图像2扫描,寻找下一条轮廓线。重复跟踪,直到图像2中找不到新轮廓线为止;
5). 建立参数空间A (a,b,r),从图像2的第一个像素开始,使a等于当前像素的横坐标,b等于当前像素的纵坐标,r的初值设为预定义的最小值,寻找图像2中经过以(a,b)为圆心,r为半径的非0像素点个数,保存在A(a,b,r)中。然后使r加1,重复寻找步骤,并保存相应的结果,直到r等于预定义的最大值。完成对当前以(a,b)为圆心的圆查找后,使(a,b)为当前像素的下一个点,重复步骤,直到(a,b)为图像的最后一个像素点,即完成对参数空间A(a,b,r)的赋值;
6). 确定出参数空间A的最大值,最大值所对应的的(a,b)即为检测到的圆形的圆心,将此点标记为人眼中心;
7). 重新执行步骤一和二,直到所有的训练集样本都已进行了人眼眼角和中心的检测。
步骤三:利用人眼眼角和中心两点作为初始变换参考点,采用基于稀疏和低秩分解的算法(Robust Alignment by Sparse and Low-rank Decomposition, RASL)进行批量对齐。具体步骤如下:
1). 根据对矩阵D进行低秩分解得到AED表示属于同一类的待分割训练集样本矩阵,矩阵的每一个列向量表示一个样本,且其元素是由这个样本图片中的每一个像素值依次排列而成。A表示对训练集批量对齐后的图像样本结果,A是一个同D大小相同的矩阵,每一个列向量表示在D中相同位置处的列向量表示的样本去燥且对齐后形成的结果。表示一个权重参数,指定为 (N表示这一类训练集中样本的个数)。表示对样本矩阵D的一个变换,其中人眼眼角和中心两点是用来初始化,E是一个同AD大小相同的矩阵,E的每一个列向量表示在D中相同位置处的列向量的样本图片中的亮度变化和遮挡,表示矩阵E的0范式;
2). 根据A,将每一列向量还原成一张张图像,图像每个像素值依次等于当前列向量的每一个元素,得到批量对齐后的图像样本。
步骤四:对批量对齐后的图像实现人眼虹膜分割。具体步骤如下:
1). 对批量对齐后的样本采用步骤二的2)、3)、4)、5)得到二值化的边缘图;
2). 确定参数空间A的最大值,得出参数(a,b,r)对应的圆,此圆即为人眼虹膜外径;
3). 确定好虹膜外径,在虹膜外径的区域内重复步骤二的5);
4). 确定参数空间A的最大值,得出参数(a,b,r)对应的圆,此圆即为人眼虹膜内径,将虹膜外径和内径之间的区域定为虹膜区域,这样就可以实现人眼虹膜的分割;
5). 重复1)、2)、3)、4)、5),直到所有的训练样本都分割完。 
步骤五:对输入的待识别人眼图像(测试样本)重复步骤一和步骤二,找到输入的人眼图像的眼角和人眼中心,再利用眼角和人眼中心的连线将人眼图像旋转,使此连线调整至水平位置,从而使输入的人眼图像与训练集对齐,最后对调整后的图像重复步骤四,实现对输入图像的人眼虹膜分割。
 以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

关 键 词:
一种 虹膜 图像 分割 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种人眼虹膜图像分割方法.pdf
链接地址:http://zh228.com/p-6220659.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');