一種基于圖像對齊的虹膜分割方法

曾 葉，蔡碧野，宋 云，李雪玉

（長沙理工大學計算機與通信工程學院，長沙410114）

·圖形圖像處理·

一種基于圖像對齊的虹膜分割方法

曾 葉，蔡碧野，宋 云，李雪玉

（長沙理工大學計算機與通信工程學院，長沙410114）

在傳統的Hough變換虹膜圖像分割方法中，虹膜圖像易受到外界因素影響而造成分割不準確。針對該問題，提出一種虹膜圖像分割方法。采用閾值法和Hough變化的方法檢測出瞳孔中心，Harris角點檢測法得出左眼角，使用稀疏和低秩分解的批量對齊算法對已分類標記的圖像進行處理，使其具有低秩特性。對處理后的圖像應用邊緣檢測和Hough變換相結合的方法實現人眼虹膜的分割。與傳統的Hough變換方法進行實驗對比，結果表明該方法能有效地去除因遮擋形成的噪聲，從而提高虹膜定位的精確度。

Hough變換；圖像對齊；虹膜圖像分割；Harris角點檢測；低秩；邊緣檢測

中文引用格式：曾 葉，蔡碧野，宋 云，等.一種基于圖像對齊的虹膜分割方法［J］.計算機工程，2015，41（7）：269?273.

英文引用格式：Zeng Ye，Cai Biye，Song Yun，et al.An Iris Segmentation Method Based on Image Alignment［J］.Computer Engineering，2015，41（7）：269?273.

1 概述

虹膜位于瞳孔和鞏膜之間的環形區域，具有唯一性、不易改變性、易采集性等優點，可用于進行身份識別［1］。由于虹膜的特殊結構，通常采集到的虹膜圖像中不僅包含虹膜，還包含眼睛的其他部分，如瞳孔、眼瞼、眼睫毛等，虹膜識別技術難以直接進行準確識別，必須先進行虹膜分割預處理。虹膜分割的結果將作為識別處理的輸入，其結果的好壞直接影響到整個系統的性能。目前存在多種人眼虹膜分割方法，如文獻［2?3］提出采用邊緣檢測算法和Hough變換相結合的方法來確定人眼虹膜的位置。文獻［4］提出利用微積分的圓形檢測算子來定位人眼虹膜位置。這是目前為止最具代表性的2種虹膜分割算法。其他學者在這2種算法的基礎上提出了改進算法。文獻［5］提出一種粗定位與精定位相結合的兩步定位法，即先利用灰度投影進行粗定位，然后利用圓形模板進行精定位。文獻［6］采用基于幾何灰度投影的方法粗定位虹膜內邊界，使用改進的Daugman定位算子定位外邊界，再用最小二乘圓擬合方法對內外邊界進行圓擬合，從而實現虹膜的分割。

文獻［7］提出一種基于二維小波變換和鄰域均值濾波的虹膜定位算法。文獻［8］根據人眼的特征，結合幾何方法，分別在虹膜內外邊界上找到不共線的三點構成2個直角三角形，并將2個直角三角形的斜邊定為內外邊界圓的直徑，從而確定虹膜邊界參數。文獻［9］提出一種基于變分水平集模型的虹膜圖像分割方法。文獻［10］提出一種基于圓幾何特征的虹膜內邊緣定位算法，利用內外邊緣中心的耦合特性縮小微積分方法搜索外邊緣的范圍。文獻［11］在Adaboost檢測人臉區域的基礎上，提出基于多結構魯棒估計的虹膜外邊緣定位方法。雖然上述算法都取得了較好的定位效果，但是在某些特定場合下分割效果卻并不令人滿意。當圖像采集受到各種環境的影響時，可能造成采集到的人眼圖像中存在亮度變化、人眼上下眼睫毛的遮擋、圖像采集時角度不一致、采集圖像中存在亮斑等問題，最終造成采集到的圖像質量不佳，使得上述算法呈現出應用受限性。

本文針對傳統Hough變換［2?3］方法存在檢測不準確的問題，提出一種改進的分割方法，采用閾值二值化和Hough變換方法檢測出瞳孔中心，并通過Harris角點檢測方法檢測出人眼左眼角；利用檢測出的這兩點基于稀疏和低秩分解的批量對齊方法［12］，對采集的人眼圖像進行批量對齊；并對這些批量對齊后的圖像采用邊緣檢測和Hough變換結合的方法識別出虹膜的內外邊緣，從而實現虹膜分割。

2 傳統的Hough變換虹膜分割方法

傳統的虹膜分割方法基于邊緣檢測和Hough變換，先采用Canny、Sobel等邊緣檢測算子將人眼圖像強度信息轉換為二元邊界圖，邊界點值為1，非邊界點為0；然后使用Hough變換［13］對獲得的虹膜圖像邊界點集合進行處理，最終確定虹膜的內外邊界參數。設經過邊緣提取的圖像中邊界點為（xi，yi），i＝1，2，…，n。在平面坐標系中，以（a，b）為圓心、r為半徑的圓形方程為：

圓形Hough變換定義為：

即h（xi，yi，xc，yc，r）為1表示邊界點（xi，yi）落在以（xc，yc）為圓心、r為半徑的圓上，H（xc，yc，r）表示邊界點落在以（xc，yc）為圓心、r為半徑的圓上的點數。H（xc，yc，r）的值越大，表示在邊界圖中以（xc，yc）為圓心、r為半徑的圓存在的可能性越大。因此，采用H（xc，yc，r）這種累加器可以確定虹膜內外邊界圓的參數，實現虹膜的分割。

這種變換的優點是：只要虹膜的內外圓邊界圖像清晰且虹膜的內外邊界近似為圓形，Hough變換就會具有很高的分割精度。但是，在實際應用中，人眼虹膜圖像通常會存在眼瞼和眼睫毛的遮擋、光照變換、變形等噪聲，這就使得虹膜邊界不是十分清晰，此時，Hough變換就會存在較大的誤檢性。

3 改進的虹膜分割方法

由于正常采集到的虹膜樣本中存在亮度變化和人眼上下眼睫毛的遮擋等，會使得虹膜的內外邊界的圓形不明顯，采用傳統的Hough變換方法很難檢測出其中的不規則圓形。同時分割出的虹膜中存在亮度變化和人眼上下眼睫毛的遮擋，這會對后繼的虹膜識別造成很大影響。因此，如果能對待分割的圖像進行變換，使待分割的圖像虹膜內外邊緣變換為近似圓形，同時去除其中的光斑、亮度變化、遮擋等噪聲，提高待分割圖像的質量，就可以提高虹膜分割的準確率。

為了解決傳統方法在存在眼瞼和眼睫毛的遮擋、光照變換、變形等噪聲情況下，會造成Hough變換出現誤檢問題，改進方法首先檢測出瞳孔中心和左眼角，然后利用檢測出的這兩點采用稀疏和低秩分解的批量對齊算法對已分類標記的圖像進行處理，使其具有低秩特性，去除上述噪聲；最后對處理后的圖像應用邊緣檢測和Hough變換相結合的方法實現人眼虹膜的分割。采用批量對齊待檢測的人眼圖像，可以除去人眼圖像中的亮度變化、上下眼皮中眼睫毛的遮擋，建立清晰、去遮擋的人眼圖像樣本模型，再對這些樣本實現虹膜分割可以提高分割的準確度。

3.1 瞳孔中心和人眼眼角定位

在人眼圖像中，瞳孔部分的灰度值要比其他部分小很多，根據這個灰度值分布規律，選取合適的閾值即可二值化虹膜圖像，形成清晰的瞳孔圖，采用邊緣檢測方法可提取瞳孔的輪廓，再根據瞳孔的圓形結構，運用Hough變換即可檢測出瞳孔的中心，如圖1所示。

圖1 瞳孔中心檢測圖像

人眼眼角定位可以采用 Harris角點檢測算法［14］。先利用水平方向上的灰度值梯度Ix和垂直方向上的灰度值梯度Iy，建立矩陣M：

對于任意一點（x，y），計算出對應的M矩陣，并計算出該矩陣對應的2個特征值。如果特征值都較大，則表示在（x，y）處任意方向的微小移動，都會使像素點間的灰度值有較大變化，從而確定該點是一個角點。

在矩陣M的基礎上，定義角點相應函數：

Corness＝det（M）-k×（trace（M））2（5）其中，det（M）表示矩陣M的行列式；trace（M）表示矩陣M的跡；k為常數，一般取0.04。根據式（5）計算出圖像中每一點的Corness值，將Corness值較大且在其鄰域點內為最大值的點標記為角點。

由于眼瞼和眼睫毛的干擾，會檢測到多個角點，利用人眼眼角的位置先驗信息，將最左邊的角點標記為人眼左眼角。

3.2 人眼圖像對齊

同一目標物體的不同圖像之間是線性相關的，多個同一目標物體的圖像構成的矩陣具有低秩特性，圖像對齊越好，矩陣的秩越低，對于同一凸的、表面為郎伯特（Lambertian）屬性的物體，在固定視角、不同光照條件下拍攝得到的圖像近似處在一個9維的線性子空間中［15］。基于這一觀察，在獲得瞳孔中心和人眼眼角之后，將這兩點作為初始變換參考點，采用基于稀疏和低秩分解的方法進行變換，對齊人眼圖像，去除噪聲和遮擋。I1和I2表示2個非對齊的人眼圖像，存在可逆變換τ，使得：

同樣，對于n個非對齊圖像，即存在域變換τ1， τ2，…，τn，使變換后的圖像之間在像素層是對齊良好的。設表示圖像Ii°τi感興趣區域的m個像素點，即n個對齊樣本表示為：

D＝［I1，I2，…，In］∈Rm×n，表示輸入的 n張圖像，每個圖像有m個像素點；D°τ表示對輸入圖像進行域變換，使圖像彼此對齊；A表示對齊后的圖像。

同一目標物體的多個圖像構成的矩陣具有低秩特性，為了使得圖像之間對齊效果達到最佳，形式化對齊問題為使變換后的圖像的秩最小，即應使得矩陣A的秩最小：

實際應用中，受輸入噪聲、相互遮擋等因素的影響，域變換后的圖像之間仍然難以完全對齊，還需要對域變換后的圖像去噪。ej表示圖像 Ij對應的噪聲，表示對其良好且去噪后的圖像，式（8）轉化為：

由于限制條件D°τ＝A+E是非線性的，進一步線性化式（11），假設 τ是 p維參數組，即當τ的變換很小時，可以線性化對當前τ的估計，即表示第i張圖像對變換參數τi的雅克比行列式，{εi}表示Rn上的標準基。因此，原問題轉為A，E，Δτ的求解，式（11）轉為：

式（12）可以通過線性迭代得到最優解。

整個步驟總結如下：

（1）根據3.1節中選取的人眼中心和瞳孔中心坐標，求取仿射變換初始值τ1，τ2，…，τn，給λ賦大于0的初值。

（2）計算仿射變換的雅克比行列式：

（3）規范化變換圖像：

（4）求解線性凸優化問題：

其中，εi表示Rn上的一個標準基。

（5）更新仿射變化的值：

（6）重復步驟（2）～步驟（5），直到問題收斂，得出最優的A?，E?，τ?為問題的最終解。

3.3 虹膜分割

對于標記好的訓練集，先進行對齊再分割，步驟總結如下：

（1）采用Canny算子進行邊緣檢測。

（2）設定虹膜外徑圓半徑范圍（r1，r2），設置虹膜的大致區域，采用Hough變換在待檢測區域尋找介于半徑為（r1，r2）之間的圓形，將該圓標記為虹膜外徑圓。

（3）設定虹膜內徑圓半徑范圍（r3，r4），在步驟（2）中檢測出的虹膜外徑圓區域中尋找半徑介于（r3，r4）之間的圓形，將此圓標記為虹膜內徑圓。

（4）將虹膜內外圓之間的區域標記為虹膜部分，實現虹膜分割。

對于原始圖像，因為采用了稀疏和低秩分解的批量對齊算法，使得對齊后的圖像對于原始圖像存在一定的變形，檢測出的瞳孔對于原始圖像的像素位置也發生了相對偏移，但是由于虹膜分割的結果是為了提取出瞳孔部分，瞳孔部分的噪聲去除是根據同類之間的圖像特征匹配去除的，虹膜部分的特征不會改變，變形圖像中的特征與原始圖像的特征是相同的。而在實際應用中，虹膜的分割僅僅是為了提取虹膜特征，因此，基于圖像對齊的虹膜分割方法分割出的虹膜部分在實際應用中不會有影響，可應用于實際的虹膜識別中。

對于測試樣本，則先采檢測出瞳孔中心和左眼角位置，再利用這兩點的連線進行旋轉，直到將連線旋轉至水平位置，從而使測試樣本與訓練樣本粗對齊，最后采用邊緣檢測和Hough變換結合的方法實現虹膜分割。

4 實驗結果及分析

對傳統方法和本文提出的方法均進行了大量的實驗，仿真實驗計算機型號為三星R428，其配置為CPU 2.10 GHz、內存1 GB，實驗環境為Matlab R2012a。實驗所用圖像來源于CASIA（V4?Lamp）［16］數據庫。

該數據庫利用手持虹膜攝像儀采集虹膜，在采集的同時存在光度變化、拍攝角度的變化、眼瞼、眼睫毛的遮擋等問題。圖2示例了采用對齊處理前后的人眼圖像和噪聲殘差圖像。圖3給出了傳統的Hough變換方法［2?3］對隨機選取的3幅虹膜圖像的定位結果，圖4給出了本文方法對與圖3相應位置上圖像的實驗結果。

圖2 人眼圖像對齊處理結果

圖3 傳統的Hough變換方法分割結果

圖4 本文方法分割結果

從圖2可以看出，經過基于稀疏和低秩分解的算法處理后的圖像中，去除了一部分光斑、眼瞼和眼睫毛遮擋等噪聲，且相對原始圖像獲得了一定的旋轉、縮放，使得虹膜內外徑更接近圓形，并對圖像進行了一定的旋轉，解決了采集圖像時每次采集設備與采集對象角度不一致等問題，提高了虹膜圖像的質量。

從圖3、圖4可以看出，傳統的Hough變換方法在分割上存在一定的不足，不能精確地分割虹膜內外邊緣。然而，本文方法在采用該方法之前，采用基于稀疏和低秩分解的批量對齊算法對原始圖像進行了矯正，如剔除了光照變換、變形、眼睫毛、眼瞼的遮擋等因素，提高了實驗圖像的質量，因此，在虹膜內外邊緣分割時，盡管存在諸如光照變化、變形、眼睫毛、眼瞼的遮擋等問題，依然能準確地分割出虹膜內外邊緣。所以，本文方法可以有效地去除圖像噪聲，并提高虹膜分割的準確度。

對傳統的Hough變換方法和本文方法均進行了大量實驗，實驗數據采用5組人眼，每組20張圖片。實驗結果如表1所示。

表1 虹膜內外圓定位方法準確率比較 %

從表1的統計結果可以看出，本文方法相對于傳統的Hough變換方法，在虹膜外徑圓的定位準確率方面，有明顯提高，相比虹膜內徑圓的定位準確率方法，也略有提高。

5 結束語

本文提出了一種基于Hough變換的改進方法，該方法檢測出原始圖像瞳孔中心和人眼左眼角；利用這兩點采用基于稀疏和低秩分解的算法對已分類標記的訓練集圖像進行處理，使其具有低秩特性，以去除各種遮擋干擾；對批量對齊后的圖像采用邊緣檢測和Hough變換結合的方法實現虹膜分割。實驗結果表明，本文方法相比于文獻［2］中傳統的Hough變換方法能明顯提高虹膜外徑圓的定位準確率，具有更小的錯誤率，而且還能去除噪聲，能夠更好地實現虹膜分割。下一步工作將針對虹膜圖像質量較低的情況，進一步優化本文方法，盡可能提高運算速度和識別準確率。

［1］ Li S Z，Jain A K.Encyclopedia of Biometrics［M］.Berlin，Germany：Springer，2010.

［2］ W ildes R P.Iris Recognition：An Emerging Biometric Technology［J］.Proceedings of the IEEE，1997，85（9）：1348?1363.

［3］ W ildes R P，Asmuth JC，Green G L，etal.A System for Automated Iris Recognition［C］／／Proceedings of the 2nd IEEE Workshop on Applications of Computer Vision.Washington D.C.，USA：IEEE Press，1994：121?128.

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

［5］ 何家峰，廖曙錚，葉虎年，等.虹膜定位［J］.中國圖象圖形學報，2000，5（3）：253?255.

［6］ 許 威，權芳芳，姜媛媛，等.改進的算法在虹膜識別中的應用研究［J］.計算機技術與發展，2013，23（3）：34?37.

［7］ 趙 靜.基于二維小波變換的圓形算子虹膜定位算法［J］.計算機技術與發展，2013，23（4）：51?54.

［8］ 朱瓊瑤.結合人眼特征和幾何方法的虹膜定位方法［J］.計算機工程與應用，2013，49（8）：186?188.

［9］ 張荷萍，徐效文.基于變分水平集模型的虹膜圖像分割方法［J］.計算機工程，2013，39（10）：251?253.

［10］ 魏 煒.一種基于圓幾何特征的虹膜定位算法［J］.計算機系統應用，2010，19（10）：219?222.

［11］ 林紹輝，陳水利，吳云東.基于多結構魯棒估計的虹膜外邊緣定位方法［J］.集美大學學報：自然科學版，2014，19（1）：63?68.

［12］ Peng Yigang，Ganesh A，W right J，et al.Rasl：Robust Alignment by Sparse and Low?rank Decomposition for Linearly Correlated Images［C］／／Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.，USA：IEEE Press，2010：763?770.

［13］ 劉良江，王耀南.一種基于 Hough變換的圓檢測方法［J］.微計算機信息，2009，25（15）：274?276.

［14］ Harris C，Stephens M.A Combined Corner and Edge Detector［C］／／Proceedings of Alvey Vision Conference.Washington D.C.，USA：IEEE Press，1988：147?151.

［15］ Basri R，Jacobs DW.Lambertian Reflectance and Linear Subspaces［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（2）：218?233.

［16］ CASIA.CASIA Iris Image Database Version4.0［EB／OL］.（2013?05?13）.http：／／biometrics.idealtest.org.

編輯 顧逸斐

An Iris Segmentation M ethod Based on Image Alignment

ZENG Ye，CAIBiye，SONG Yun，LIXueyu
（School of Computer and Communication Engineering，Changsha University of Science and Technology，Changsha 410114，China）

To address the problem of segmenting the iris inaccurately in Hough transform when iris images are corrupted by the eyelids，eyelashes and deformation，an improved method of iris image segmentation based on image alignment is presented.The proposed method uses threshold and Hough transform to locate the center of pupil and applies Harris corner detection algorithm to estimate the left corner of eye.And it employs the robust alignment by sparse and low?rank decomposition algorithm to deal the labeled images w ith the two detected points，to make it have the low?rank feature.The proposed method uses edge detection and Hough transform method on the processed images to segment the iris accurately.Experimental results show that compared w ith Hough transform，this method can effectively remove the eyelids and eyelashes occlusion，and improve the accuracy of iris localization.

Hough transform；image alignment；iris image segmentation；Harris corner detection；low?rank；edge detection

1000?3428（2015）07?0269?05

A

TP391.41

10.3969／j.issn.1000?3428.2015.07.051

湖南省教育廳科學研究基金資助重點項目（13A107）；湖南省科技計劃基金資助項目（2014FJ6047，2013FJ4033，2014GK3030）；長沙市科技計劃基金資助項目（K1207027?11）。

曾 葉（1992-），女，碩士研究生，主研方向：圖像處理，模式識別；蔡碧野、宋 云，副教授、碩士；李雪玉，碩士研究生。

2014?07?07

2014?09?03E?mail：980193148＠qq.com