一種基于Snake模型改進的虹膜邊界定位算法

張庭亮，甄倩倩

（1.安陽工學院電子信息與電氣工程學院，安陽 455000；2.安陽師范學院軟件學院，安陽 455000）

一種基于Snake模型改進的虹膜邊界定位算法

張庭亮，甄倩倩

（1.安陽工學院電子信息與電氣工程學院，安陽 455000；2.安陽師范學院軟件學院，安陽 455000）

為了提高虹膜邊界識別的準確度，分析基于Hough變換虹膜邊界定位算法存在的問題，提出一種基于Snake模型改進的虹膜邊界定位算法。在虹膜圖像庫中進行測試，實驗結(jié)果表明，該算法定位準確度有所提高。

虹膜邊界定位；Hough變換；Snake模型

0 引言

生物識別也稱為“生物特征識別”，即根據(jù)人自身的特征來識別。生物特征有兩大類：生理特征和行為特征[1]。虹膜識別技術(shù)因其具有極高的精度和穩(wěn)定性，成為生物識別中的應(yīng)用熱點[2-4]。虹膜識別最具代表性的是J.Daugman于1993年提出的基于二維Gabor變換虹膜識別算法[5]和MIT的R.P.Wildes于1996年提出的基于圖像登記的認證算法[6]。1998年，Boles等人為實現(xiàn)虹膜識別的移動旋轉(zhuǎn)不變性，增強亮度與噪聲的敏感度，提出了基于小波過零檢測的虹膜識別算法[7]。我國在20世紀90年代后期開始自主研發(fā)虹膜識別技術(shù)[2]，眾多研究人員在該領(lǐng)域做出了有益的探索[8-10]。虹膜定位是虹膜識別中的關(guān)鍵步驟，定位算法的性能，如準確度、速度、魯棒性一直都是研究的熱點[11]。

1 基于形態(tài)學處理與Snake模型的邊界定位算法

首先對高斯濾波虹膜圖像進行二值化處理，采用灰度投影法估計瞳孔中心坐標，使用形態(tài)學處理消除光源噪聲，以估計坐標為初始Snake集合點，搜索定位虹膜內(nèi)邊界，得到精確的瞳孔中心坐標和半徑，根據(jù)先驗數(shù)據(jù)分割原圖像確定外邊界的定位圖像，最后采用Hough投票機制定位外邊界。

1.1 二值化圖像灰度投影估計瞳孔中心

瞳孔區(qū)域具有低灰度的特性，使用二值化圖像的灰度投影可以初步定位瞳孔中心位置。二值化處理的灰度閾值由圖像本身的灰度特性決定，改進算法的示例使用CASIA-Iris庫圖像，如圖1（a）所示。虹膜圖像的灰度直方圖，如圖1（b）所示。

圖1 虹膜原圖與灰度直方圖

根據(jù)灰度直方圖設(shè)定閾值，圖像二值化結(jié)果如圖2（a）所示。通過計算二值化圖像灰度投影水平和垂直方向上的最大值，可以估計瞳孔中心的位置。水平和垂直方向的灰度投影就是求取像素行、列的和，垂直投影如圖 2（b）所示，水平投影如圖 2（c）所示，根據(jù)式（1）估計瞳孔中心坐標為

圖2 二值化處理圖像與灰度投影

1.2 形態(tài)學消除光斑噪聲

形態(tài)學運算去除光源噪聲和睫毛噪聲時經(jīng)過二值化、閉運算、開運算、填充四個步驟。二值化圖像如圖3所示，經(jīng)過形態(tài)學處理結(jié)果如圖4所示，達到了減噪的目的。

圖3 二值化原圖

圖4 形態(tài)學消除光源噪聲與睫毛噪聲

1.3 Snake算法檢測虹膜內(nèi)邊界

主動輪廓線算法（Snake）模型的基本方法為從選定的初始集合區(qū)域開始，根據(jù)極小化能量函數(shù)進行曲線演化。演化過程收斂于極小態(tài)，逐步探索出目標物體邊界。主動輪廓線提取算法的數(shù)學模型構(gòu)造中，目標輪廓用變形能量ES(v)來定義：

式中，v(x(s),y(s))表示輪廓，是單位參量域s∈[ ]0,1到圖像表面的映射，v角標是對s的微分，ES(v)定義輪廓v伸長和彎曲時的內(nèi)部能量，w1(s)代表控制v的“應(yīng)力”，w2(s)代表控制v的剛度。勢能P(v(s))可以吸引Snake到圖像特征顯著區(qū)域，表達式為：

圖像力場外部數(shù)據(jù)的約束力是P(v(s))的微分，輪廓能量函數(shù)為：

式中 ，ρ(v)是 I(x,y)的標量函數(shù)，當ρ(x,y)=±w3|Gδ?I(x,y)| ，Snake會向圖像暗/亮區(qū)域移動，當 ρ(x,y)=±w3| ?Gδ?I(x,y)| ，Snake會向著邊緣區(qū)域移動。w3為勢能幅值，Gδ?I進行高斯濾波。

Snake的運動過程就是實現(xiàn)函數(shù)E(v)=ES(v)+P(v)為極小值的過程，此時：

采用Snake模型定位內(nèi)邊界過程如圖5所示。

圖5 Snake算法定位過程

1.4 分割定位外邊界的圖像

虹膜垂直區(qū)域容易受到眼皮遮擋，眼皮陰影和眼瞼邊緣不僅遮擋邊界，而且會形成偽邊界，造成誤判。Snake模型定位后得到瞳孔中心坐標(xp,yp)，內(nèi)邊界半徑rp。外邊界定位可以依據(jù)瞳孔參數(shù)縮小定位區(qū)域，選擇(yp-rp)到(yp+rp)的行圖像，如圖6所示，此時，邊緣提取如圖7所示。對于普通裝置獲取的虹膜圖像使用Hough投票確定外邊界。采用固定設(shè)備在被提取者配合下獲取虹膜圖像，虹膜大小受環(huán)境限制，可以進一步去除無效邊界點。虹膜外邊界半徑范圍距瞳孔中心超過最大半徑的區(qū)域可以去除，得到(xp-ri_max)到(xp+ri_max)的區(qū)域，如圖 8所示。內(nèi)邊界點也視為無效，去除距瞳孔中心位置小于外邊界最小半徑的邊緣點，即去除 (xp-ri_min)到(xp+ri_min)的邊緣點，如圖9所示。與整個眼部的邊緣圖像相比較，無效外邊緣點數(shù)量已經(jīng)大范圍減少，定位準確性增加。

圖6 去除瞳孔垂直方向區(qū)域結(jié)果

圖7 Canny邊緣提取

圖8 去除遠點

圖9 去除近點

2 實驗結(jié)果及分析

使用CASIA-Iris庫進行實驗，對于內(nèi)外邊界無噪聲干擾的情況，傳統(tǒng)算法與改進算法定位準確度相當。對有噪聲干擾圖像進行實驗，內(nèi)邊界噪聲干擾圖像定位結(jié)果如圖10所示。

內(nèi)邊界光源噪聲干擾圖像定位結(jié)果如圖10所示，兩種方法對外邊界的定位準確，圖10（a）與10（c）可以看出，當光源噪聲處于內(nèi)邊界上時，傳統(tǒng)方法Canny算子將噪聲邊緣當邊界點處理，產(chǎn)生誤差。圖10（b）與10（d）可以看出改進算法使用形態(tài)學處理消除了光源點干擾，內(nèi)邊界定位效果良好。

外邊界光源噪聲干擾圖像定位結(jié)果如圖11所示，圖 11（a）與 11（c）可以看出，當光源噪聲處于外邊界時，傳統(tǒng)方法Hough計算外邊緣受到光源噪聲與眼皮眼瞼噪聲影響，造成誤判。圖11（b）與11（d）改進算法先定位內(nèi)邊界獲得參數(shù)后去除垂直方向上的眼皮眼瞼噪聲，削弱了外邊界噪聲在Hough投票中的影響，提升了有效投票比重，外邊界定位效果良好。

多重光源噪聲圖像定位結(jié)果如圖12（a）與圖12（b），傳統(tǒng)方法定位內(nèi)外邊界均出現(xiàn)偏差，改進方法先后抑制內(nèi)外噪聲，定位結(jié)果準確。眼動圖像定位結(jié)果如圖 12（c）與圖 12（d），眼動產(chǎn)生瞳孔擴張，形變，位置改變，傳統(tǒng)方法內(nèi)外邊界互相影響，定位不準確。改進算法對瞳孔采用逐步搜索，不會受到形變影響，定位效果良好，內(nèi)外邊界定位獨立完成，互不干擾，定位結(jié)果準確。實驗數(shù)據(jù)如表1所示。

3 結(jié)語

針對傳統(tǒng)定位方法邊界點數(shù)量多、實時性能差、對光照變化及噪聲敏感的問題，采用基于形態(tài)學處理與Snake模型的改進快速邊界定位算法，CASIA虹膜庫圖像定位實驗表明，改進算法在受噪聲干擾圖像及眼動圖像上的定位準確性能有所提高。

圖10 內(nèi)邊界光源噪聲干擾圖像定位結(jié)果

圖11 外邊界光源噪聲干擾圖像定位結(jié)果

圖12 多重光源噪聲干擾與眼動圖像定位結(jié)果

表1 定位算法實驗數(shù)據(jù)

[1]譚鐵牛.智能化時代生物識別的機遇與挑戰(zhàn)[J].重慶理工大學學報（自然科學）,2015,29（10）：1.

[2]李海青,孫哲南,譚鐵牛,何召鋒,馬力.虹膜識別技術(shù)進展與趨勢[J].信息安全研究,2016,2（01）：40-43.

[3]王琪,張鐵,張曉夢,張祥德.基于SIFT和SDM的虹膜定位方法[J].東北大學學報（自然科學版）,2017,38（02）：180-184.

[4]苑瑋琦,朱立軍,張波.基于形態(tài)學與支持向量機的虹膜坑洞紋理檢測[J].儀器儀表學報,2017,38（03）：664-671.

[5]J.Daugman.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.

[6]R.Wildes,J.Asmuth,G.Green,et al.A Machine-Vision System For Iris Recognition[J].Machine Vision and Applications,1996,9（1）：1-8.

[7]W.W.Boles,B.Boashash.A Human Identification Technique Using Images of the Iris and Wavelet Transform[J].IEEE Transact ions on Signal Processing,1998,46（4）：1185-1188.

[8]張震,張英杰.基于支持向量機與Hamming距離的虹膜識別方法[J].鄭州大學學報（工學版）,2015,36（3）：25-29.

[9]于明鑫,周遠松,王向周,等.基于灰度信息和支持向量機的人眼檢測方法[J].工程科學學報,2015（6）：804-811.

[10]王延年,姬樂樂.基于閾值分割及邊緣檢測的虹膜定位算法[J].微處理機,2016,37（6）：34-37.

[11]穆珺,晏峻峰,彭清華,費洪曉.基于霍夫變換的可見光虹膜圖像定位[J].計算機技術(shù)與發(fā)展,2017,27（05）：40-45.

An Improved Algorithm Based on the Snake Model for Iris Boundary Localization

ZHANG Ting-liang1，ZHEN Qian-qian2
（1.School of Electronic Information and Electrical Engineering,Anyang Institute of Technology,Anyang 455000；2.School of Software Engineering,Anyang Normal University,Anyang 455000）

In order to improve the accuracy of iris boundary identification,analyzes the existing problems of the iris boundary localization algorithm based on Hough transform,puts forward an improved iris boundary localization algorithm based on the Snake model,and tests on the iris image database,the results show that this algorithm can be increased boundary localization accuracy.

Iris Boundary Localization;Hough Transformation;Snake Model

1007-1423（2017）31-0014-05

10.3969/j.issn.1007-1423.2017.31.004

張庭亮（1989-），男，山西臨汾人，碩士，助教，研究方向為模式識別與智能控制

甄倩倩（1988-），女，河南開封人，碩士，助教，研究方向為智能信息處理

2017-09-15

2017-11-01