一種快速有效的虹膜圖像預處理方法

龔軍輝， 陳愛萍， 唐勇奇， 黃 峰

（湖南工程學院電氣信息學院，湖南 湘潭 411101）

在高度信息化的當今社會，傳統的身份鑒別方法由于易遺忘、易假冒盜用等缺點，已不符合現代數字社會的需求。基于生物特征的身份鑒別技術之一的虹膜識別技術，因其唯一性、穩定性、可采集性、不可更改性、非侵犯性等特點，已被廣泛認為是二十一世紀具有發展前途的生物認證技術。虹膜位于眼球上的角膜之后、晶狀體之前，是黑色的瞳孔和白色的鞏膜之間的環狀部分，結構復雜，一旦形成便終生不會改變[1-4]。

虹膜圖像通過圖像采集裝置采集后，需要對其進行預處理。虹膜圖像預處理是虹膜識別的一個關鍵步驟，主要包括去噪、邊緣檢測、虹膜定位、歸一化、眼瞼睫毛去除等。虹膜圖像預處理是影響虹膜識別系統的速度和準確性的關鍵因素，也是虹膜識別系統中的一個難點，主要原因有以下幾個方面：

1）虹膜定位速度的是影響到整個系統識別時間的主要因素；

2）在自然狀態下，采集到得虹膜圖像的眼瞼和睫毛往往會遮擋虹膜一部分的面積，將影響虹膜識別的準確性；

3）虹膜內外邊界都具有較好的圓環特性，因此傳統的虹膜定位算法都是采用圓形檢測算子定位虹膜內外邊緣，但虹膜內外邊界并不是標準的圓，這將會導致錯誤的定位及一些遺留問題；

4）虹膜外邊緣灰度梯度變化較小且與虹膜外邊緣接觸區域灰度相差不大。

為解決這些問題,本算法首先對虹膜圖像采用數學形態學進行處理，大量減少了邊緣圖像中非虹膜邊緣點數，從而縮短定位的時間；然后采用Hough變換的方法，對虹膜外邊緣定位，展開后，進行二值化處理，去除瞳孔圖像部分，得到自然的虹膜內邊緣；最后對展開去瞳孔后的虹膜圖像的直方圖，采用雙直線擬合法，求取檢測眼瞼和睫毛的閾值，去除虹膜圖像中的眼瞼和睫毛。

1 虹膜圖像邊緣檢測及定位

對于虹膜定位，國內外專家學者提出了很多種算法，通用的算法有Daugman的微積分方法[2]、Wildes的邊緣檢測結合Hough 變換方法[5-6]，何家峰等提出的粗定位與精定位相結合的兩步定位法[7]，及吳建華等提出的一種灰度投影與圓的方程相結合的方法[8]、苑瑋琦等提出的3個不共線的邊緣點來快速定位[9]等。在用Hough 變換方法進行定位時，虹膜邊緣定位較準確，但由于Hough變換要在三維空間中搜索圓心位置和半徑參數，因此檢測到的邊緣點數量多少將是影響虹膜定位時間長短的一個重要因素。在虹膜的邊緣圖像中，有大量的由隨機噪聲、眼瞼、眼睫毛及光斑等因素產生的非虹膜邊緣的邊緣點。

1.1 虹膜圖像的邊緣檢測

數學形態學是分析幾何形狀和結構的數學方法。數學形態學的數學基礎和所用語言是集合論，由一組形態學的代數運算組成。數學形態學基本運算有4種：膨脹運算、腐蝕運算、開運算和閉運算。若有結構元素b，對虹膜圖像I進行灰度膨脹記為I⊕b，其定義為

上式中，DI和Db分別是圖像I和結構元素b的定義域。

用結構元素b對虹膜圖像I進行灰度腐蝕記為IΘb，其定義為

上式中，DI和Db同樣是圖像I和結構元素b的定義域。

灰度形態學中用b開啟記為I·b，定義為

灰度形態學中用b閉合記為I·b，定義為

圖像灰度的開啟運算消除尺寸較小的亮細節，灰度閉合運算能消除尺寸較小的暗細節。因此在對虹膜圖像運用灰度的開啟閉合運算消除光斑、睫毛及部分隨機噪聲后，再用Canny算子進行邊緣檢測，非虹膜邊緣點減少。

1.2 虹膜外邊緣定位

虹膜圖像中瞳孔灰度值比其他區域都低且灰度分布較均勻，所以虹膜內邊界定位相對外邊界來說要容易。但虹膜的內邊界往往不是規則的圓，用Hough變換對內邊緣定位的效果并不理想。因此，在先采用灰度投影法對虹膜外邊緣圓心進行粗略定位后，再運用Hough變換先對虹膜外邊緣進行精定位。對虹膜圖像I，使用灰度投影法按式（1）進行[7]

其中：M表示為圖像高，N表示寬，(X0，Y0)表示為粗定位的圓心。

以粗定位圓心(X0，Y0) 為基點,在邊緣圖像中，根據式（2）可定位出精定位的圓心坐標為(X0，Y0)。

其中：x，y為檢測到邊緣點，先通過式(3)求邊緣點到假定圓心(x0，y0)的距離與半徑之差值，若差值小于1，則標記為(x0，y0，r)的點，由式(4)對所有在圓(x0，y0，r)的邊緣點求和，由式(5)采用投票機制定位出所求的圓。

1.3 虹膜內邊緣定位

虹膜的內邊緣雖然具有較好的圓形特征，但并不是標準的圓，且大多數與外邊緣并不同心，當瞳孔變形厲害時，兩者的圓心會偏離較遠。在不同光線照射下，瞳孔變形尤其明顯。因此，在對已定位好外邊緣的圖像參考Daugman算法進行展開，得到矩形虹膜圖像，再進行二值化處理，最終得到自然的虹膜內邊緣。

將對展開的虹膜圖像I(i,j)二值化，得到高為m，寬為n的二值圖像Bi(i,j)，由于瞳孔區域像素灰度明顯要低于虹膜眼瞼區域的灰度，而睫毛面積相對較少且比較分散。若有二值圖像Bi(i,j)，在每行的投影值為

若有展開后虹膜圖像的行為i0，使S(i0)不為零且最少，則有去瞳孔模板

上式中，m為展開后虹膜圖像的高，則定位自然瞳孔邊緣的模板為：

2 眼瞼、睫毛檢測與去除

在虹膜圖像中，眼睫毛相比虹膜灰度要低得多，而眼瞼灰度則要比虹膜灰度高。對大量歸一化后虹膜的圖像的值方圖統計分析發現，對于沒有眼睫毛和眼瞼影響的虹膜圖像，展開歸一化后的虹膜圖像灰度分布有一定規律，其直方圖輪廓能用雙線很好的擬合。眼瞼和睫毛的影響，會使直方圖輪廓的兩邊發生變化。若展開后的圖像中有眼睫毛，由于睫毛灰度相對虹膜偏低，則在圖像直方圖的灰度值較低的部分出現相對拉長或凸起，下降梯度改變；若展開后的圖像中有眼瞼，由于眼瞼的灰度值相對虹膜灰度較高，則在直方圖的灰度值較高的部分出現不規則變化且相對拉長或凸起，下降梯度改變。根據歸一化后虹膜圖像灰度值分布的這一規律，采用雙直線對虹膜圖像直方圖輪廓擬合，得到分割眼睫毛和眼瞼的閾值，檢測出虹膜中眼瞼和睫毛。若有展開歸一化后的虹膜圖像I，直方圖為P，則去除眼瞼和睫毛的具體步驟為：

1）對展開歸一化后的虹膜圖像I求取直方圖P；

2）尋找直方圖P中最大值的max(P(x))，x為灰度值，x∈[0 255]，標記使P(x)最大時，灰度值x為Pmax；

3）雙直線擬合區間分別為[Lpmax]，[pmaxH]，其中L，H根據pmax來確定；

4）分別對區間的數據進行線性擬合，得到兩直線參數為k1，b1，k2，b2；

5）則睫毛分割閾值，眼瞼分割閾值分別為

3 實驗結果與分析

實驗所采用的虹膜圖像為中科院自動化所自主開發的采集設備采集到的CASIA-IrisV3虹膜數據庫，共包括108人1023幅8位灰度虹膜圖像，分辨率為320×280，實驗采用Intel奔騰雙核T4200處理器，2G主頻，2G內存，及matlab2008軟件對圖像進行測試。

3.1 虹膜邊緣檢測及定位測試與分析

對中科院CASIA-IrisV3虹膜數據庫中的人眼圖像進行邊緣檢測，得到的結果如下：圖1為未進行數學形態學去噪聲直接用Canny算子檢測到的虹膜邊緣圖像，可以明顯看出有大量的非虹膜邊緣點，圖2為運用了數學形態學處理后去噪后得到的虹膜邊緣圖像，可以明顯看出，圖2中由睫毛和光斑的產生的非虹膜邊緣點數大大減少。圖3為使用此兩種方法對CASIA-IrisV3虹膜數據庫進行邊緣檢測邊緣點數結果統計圖，Nce為對數據庫圖像用Canny算子檢測的邊緣圖像的邊緣點數統計曲線，Nmce為對數據庫圖像用數學形態學算子處理后檢測到的邊緣圖像的邊緣點數統計曲線。圖4為兩種方法虹膜邊緣點在整個邊緣圖像中的百分比統計圖，Pc為直接用Canny算子檢測到的虹膜邊緣在整個邊緣圖像中所占比例，Pmc為數學形態學算子處理后檢測到的虹膜邊緣在整個邊緣圖像中所占比例。統計結果顯示使用改進的方法比直接用Canny算子檢測邊緣圖像，平均邊緣點數由5415點減少到565點，虹膜邊緣點在整個邊緣圖像中平所占百分比平均由1.98%提高到8.15%。應用本文的虹膜邊緣檢測方法，在減少非虹膜邊緣點數的同時增大了虹膜邊緣點在整個虹膜邊緣圖像中的百分比，由于Hough變換在三維空間中搜索參數且采用投票機制來確定圓心位置和半徑，因此這在減少定位時間的同時提高定位的準確率。圖5為內外邊緣定位后的虹膜圖像。

圖1 Canny算子檢測到的虹膜邊緣圖像

圖2 數學形態學處理后檢測到的虹膜邊緣圖像

圖3 邊緣檢測邊緣點數結果統計圖

圖4 虹膜邊緣點對虹膜邊緣圖像百分比統計圖

圖5 內外邊緣定位后的虹膜圖像

對整個圖像庫進行測試，實驗結果與Daugman圓探測算法以及Hough變換算法進行對比如表1所示。

表1 本文算法與Daugman圓探測算法及Hough變換算法比較表

3.2 虹膜邊緣定位與眼瞼睫毛檢測結果與分析

對定位展開后的虹膜圖像，采用雙直線擬合虹膜直方圖輪廓，圖6為對虹膜圖像直方圖輪廓進行擬合，實線為虹膜圖像直方圖輪廓圖，虛線為擬合后的直方圖。對沒有睫毛和眼瞼影響的虹膜圖像，灰度分布輪廓用雙直線能很好的擬合。由雙直線擬合法求得檢測眼瞼和睫毛的閾值為Th1，Th2，灰度值小于Th1的像素檢測為睫毛，高于Th2的像素檢測為眼瞼。圖7為采用雙直線擬合求閾值法檢測出眼瞼和睫毛的虹膜圖像，對數據庫實驗結果顯示，該方法能有效地檢測出眼瞼和睫毛所在區域，具有較好的健壯性。

圖6 雙直線擬合虹膜直方圖

圖7 檢測出眼瞼和睫毛的虹膜圖像

4 結 論

本文提出的虹膜圖像預處理方法，首先采用數學形態學算子對圖像進行處理后，再用Hough變換虹膜外邊緣定位，展開歸一化圖像后進行二值化處理，定位出自然的虹膜內邊緣，最后采用雙直線擬合法，對圖像中的眼瞼和睫毛去除。運用這種虹膜圖像預處理方法可以滿意地解決虹膜定位時間較長、虹膜內邊界變形較大、眼瞼和眼毛的普遍存在等問題。

[1]Daugman J. High confidence visual recognition of persons by a test of statistical independence [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, 15(11): 1148-1161.

[2]Daugman J. The importance of being random:statistical principles of iris recognition [J]. Pattern Recognition, 2003, 36(2): 279-291.

[3]Daugman J. Demodulation by complex-valued wavelets for stochastic pattern recognition [J]. International Journal of Wavelets Multiresolution and Information Processing, 2003, 1(1): 1-17.

[4]Daugman J. Biometric personal identifcation system based on iris analysis: U S, 5291560 [P]. 1994-04-28.

[5]Wildes R P. Iris recognition:an emerging biometric technology [J]. Proceedings of IEEE, 1997, 85(9):1348-1363.

[6]Wildes R P. Reliable and fast eye finding in close up images [C]//Proceedings of IEEE Conference on Pattern Recognition Quebec, Canada, 2002: 389-394.

[7]何家峰, 廖曙錚, 葉虎年, 等. 虹膜定位[J]. 中國圖象圖形學報, 2000, 5A(3): 252-255.

[8]吳建華, 鄒德旋, 李靜輝. 一種快速精確的虹膜定位算法[J]. 儀器儀表學報, 2007, 28(8): 1469-1473.

[9]苑瑋琦, 林忠華, 徐 露. 一種基于人眼結構特征的新穎虹膜定位算法[J]. 光電工程, 2007,34(1): 112-116.

[10]Institute of Chinese Academy of Sciences. CASIA iris image database(Version 3.0)[EB/OL]. (2006)[2007-12-21]. http//www.cbsr.ia.ac.cn/lris Database/irislogin.html.