基于機器視覺技術的虹膜定位算法研究

馬超玉，趙夢潔，韋欽磊，任國仲

(長春師范大學物理學院，吉林 長春 130032)

0 引言

隨著生物識別的廣泛應用，虹膜識別因其多方面的優勢而具有廣泛的應用前景。虹膜識別系統通常是由圖像采集、定位、特征提取以及識別等環節組成。由于目前特征提取及識別算法已相當成熟，因此虹膜區域定位分割成為該項技術的瓶頸。目前國內外常用的算法主要是Daugman提出的微積分算法和Wildes提出的霍夫變換算法以及這兩類算法的改進算法[1-3]。這兩類方法定位精度較高，但是都面臨著計算量大、耗時較多以及易受噪聲影響的問題，限制了虹膜識別技術的廣泛應用。為提高計算速度并且保證定位的有效性，本文提出了基于機器視覺技術的虹膜分割方法。首先概括介紹機器視覺技術及視覺軟件Halcon；其次介紹了虹膜區域粗定位Bolb分析方法；然后介紹了虹膜區域精定位；最后給出實驗方法以及虹膜定位分割繼續提升的方向。

1 機器視覺技術概述

機器視覺是利用計算機模擬人的視覺功能，它是一門綜合的技術，一般涉及計算科學、模式識別、神經生物學、圖像處理、人工智能等諸多領域的交叉學科[4]。因該技術具有速度快、信息量大、功能較全面等特點，在工業領域得到了長足的發展。而機器視覺技術在虹膜識別領域的應用鮮有報道，因此，本文運用機器視覺技術在虹膜識別領域進行創新研究。

Halcon是德國MVtec公司開發的機器視覺算法包。Halcon具有精確、全面、快速和魯棒的特點，被廣泛應用于工業上。日本以及歐洲的工業界公認為Halcon是最具效能的機器視覺軟件[5]。Halcon中的Hdevelop開發環境包括圖像窗口、變量窗口、算子窗口和程序編輯器窗口，集中了程序、分析、設計和編程，并且能夠與用戶交互。Hdevelop可以導出C、C++、C#、VB等類型的程序，因而有助于在VisualStudio軟件整合程序[6]。

2 機器視覺在虹膜粗定位中的應用

粗定位采用Bolb分析的方法，該分析方法是將圖像中紋理相似、顏色近似相同等特征組成的一塊連通區域分析出來。其過程是將圖像進行二值化處理，閾值分割后得到圖像的前景和背景，進而進行連通區域檢測得到Blob塊的過程[7]。簡單來說，Blob分析就是在一塊“光滑”區域內，將出現“灰度變化”的小區域找尋出來。Blob分析主要包括獲取圖像、圖像預處理、圖像分割、特征提取。

2.1 讀取圖像

機器視覺軟件Halcon提供了獲取圖像的兩種方式，分別是從圖像采集設備獲取圖像和從本地磁盤讀取已采集的圖像[5]。方式一，通過軟件提供的圖像采集助手從圖像采集設備獲取圖像，可用ImageAcquisition自動檢測相機，采用算子grab_image采集圖像；方式二，獲取本地圖像要通過算子read_image來實現。Halcon支持多種圖像格式，本研究采用的圖像庫是中科院CASIA庫，因此本研究采用方式二讀取已經采集好的本地磁盤圖像，如圖1(a)所示。讀取圖像代碼為read_image(Image,RootDir)，其中，Image表示輸出的圖像變量，RootDir表示圖像路徑。

(a)原圖像

(b)增強圖像圖1 CASIA虹膜圖像

2.2 圖像預處理

一般情況下，圖像采集環境較為復雜，所形成的圖像效果相對較差，因而需要對圖像進行預處理操作，以削弱圖像中的無關信息，增強有關信息，從而有利于后續處理的可靠性。算子emphasize可以增強圖像中的高頻信息，使圖像中亮的位置更亮，暗的位置更暗，因此調用算子emphasize可以對圖像進行增強處理，Halcon代碼為emphasize(Image,ImageEmphasize,5,5,1)，增強效果如圖1(b)所示。

另外，在數字圖像處理過程中，以圓、方框等方式從被處理的圖像中勾勒出需要處理的區域，稱為感興趣區域。因圖像中有眉毛等其它信息，會對虹膜定位產生干擾，因此，需要選擇出含有虹膜的區域作為感興趣區域。可以選擇矩形區域，也可以選擇圓形區域，如果選擇了矩形區域，對應的算子應當為gen_rectangle1，具體代碼是gen_rectangle1 (ROI,x1,y1,x2,y2)，ROI為選中的感興趣區域，x1和y1分別表示左上角的行坐標和列坐標，x2和y2分別表示右下角的行坐標和列坐標，坐標的單位統一為像素。感興趣區域如圖2中矩形框所示。

圖2 感興趣區域

2.3 圖像分割

圖像分割常常采用閾值分割的方式來實現。閾值分割特別適用于目標和背景灰度級不同的圖像，對于虹膜圖像來說，虹膜區域、鞏膜區域以及瞳孔區域分別占據不同的灰度級。在Halcon中閾值分割用算子threshold來實現。具體代碼為threshold (Image,Region,a,b)；其中，Image為輸入圖像變量，Region 是分割后的區域變量，參數a和b分別為閾值下限和上限，本文閾值在a與b之間。

虹膜圖像如圖1所示，瞳孔區域、虹膜區域以及除二者之外的區域在灰度上具有明顯的階梯性。其灰度直方圖如圖3所示。經threshold算子處理后的效果如圖4(a)所示。為了后續處理，調用算子fill_up進行瞳孔區域填充。另外，需要調用connection算子來驗證目標和背景之間是分離的。如圖4(b)所示，用不同顏色來區分不同連通域塊。

圖3 直方圖界面

(a)閾值分割

(b)填充瞳孔圖4 分割圖像

2.4 特征提取

根據特征對瞳孔及虹膜區域進行提取。由于瞳孔區域和虹膜區域有明顯的圓形，在圖像中的位置具有一定的規律特征，因此，本文采用區域的面積、橢圓形度及區域的重心行列坐標選取出虹膜及瞳孔區域。選取特征用到的算子為select_shape。選取瞳孔區域的具體代碼為select_shape(Regions:SelectedRegions:Features,Operation,Min,Max:)。其中，Regions為待選區域，SelectedRegions為選出的特征區域，Features為輸入特征，此特征可為一個，也可為多個，Min和Max表示輸入特征的范圍的最小值和最大值。提取效果如圖5所示。

(a)瞳孔區域

(b)虹膜區域圖5 特征提取

3 機器視覺在虹膜精定位中的應用

3.1 虹膜內外邊界定位

選出的瞳孔區域及虹膜區域只是粗略地定位出虹膜所在區域，為了更精確地定位出虹膜內外邊界，還要對需去除的區域進行處理。通常，將區域轉化為輪廓，計算輪廓上點的坐標與區域重心的距離，將不滿足距離閾值的點去掉，將剩下的點進行圓擬合，擬合出的圓即為虹膜的內外邊界。所用到的算子有：區域轉化為輪廓算子gen_contour_region_xld，得到輪廓點坐標算子get_contour_xld，計算兩點間距離算子distance_pp，擬合圓算子gen_circle。瞳孔精定位VC程序如下：

{

//**區域轉輪廓

GenContourRegionXld(ho_ConnectedRegions, &ho_Contours, "center");

//輪廓點坐標

GetContourXld(ho_Contours, &hv_Row, &hv_Col);

TupleLength(hv_Row, &hv_Length);

hv_count = 0;

hv_pupilradius = 0;

{

HTuple end_val102 = hv_Length-1;

HTuple step_val102 = 1;

for (hv_Index=0; hv_Index.Continue(end_val102, step_val102); hv_Index += step_val102)

{

DistancePp(hv_Row2,hv_Column2,HTuple(hv_Row[hv_Index]),HTuple(hv_Col[hv_Index]), &hv_Distance);

if (0 !=

(HTuple(hv_Distance>hv_lpupilradius).TupleAnd(hv_Distance

{

hv_pupilradius = hv_Distance+hv_pupilradius;

hv_count += 1;

}

}

}

//***圓心及半徑

hv_pupilradius = hv_pupilradius/hv_count;

hv_pupil_Row = hv_Row2;

hv_pupil_Col = hv_Column2;

//***瞳孔擬合

GenCircle(&ho_Circle, hv_pupil_Row, hv_pupil_Col, hv_pupilradius);

}

虹膜內外邊界定位效果如圖6所示，其中，內圓為虹膜的內邊緣，外圓為虹膜的外邊界。

3.2 眼瞼定位

一般情況下，上下眼瞼對虹膜區域有遮擋，特別是虹膜的正上方區域。首先選出上眼瞼所在的區域圖像，然后對圖像進行亞像素canny邊緣檢測，根據上眼瞼輪廓的特征選出真實的眼瞼輪廓，根據輪廓上點的坐標擬合出眼瞼所在的二次曲線[8]。具體用到的Halcon算子有：圖像邊緣檢測算子edges_sub_pix，選擇輪廓特征算子select_shape_xld，得到輪廓的點坐標算子get_contour_xld。

根據眼瞼輪廓的點坐標擬合二次曲線的過程，即求解矩陣中a、b、c值的過程。假設所求解的二次曲線的方程式為

f(x)=ax2+bx+c，

將此二次曲線轉化為矩陣的形式為

Ax=B，

其中，A=(X2,X,1),X=(a,b,c),B=f(x)，A和B為選出的眼瞼輪廓點的坐標矩陣。

求解矩陣方程，可得到二次曲線的系數，進而擬合出上眼瞼，具體用到的算子為求解矩陣方程算子solve_matrix。

生成二次曲線系數部分VC程序如下：

{

CreateMatrix(hv_Y1.TupleLength(), 3, 1.0, &hv_MatrixA1);

CreateMatrix(hv_Y1.TupleLength(), 1, hv_Y1, &hv_MatrixACol11);

CreateMatrix(hv_Y1.TupleLength(), 1, hv_Y1*hv_Y1, &hv_MatrixACol01);

SetSubMatrix(hv_MatrixA1, hv_MatrixACol11, 0, 1);

SetSubMatrix(hv_MatrixA1, hv_MatrixACol01, 0, 0);

CreateMatrix(hv_Y1.TupleLength(), 1, hv_X1, &hv_MatrixB1);

//解方程即可得到a,b,c的系數，記為矩陣hv_MatrixX1

SolveMatrix(hv_MatrixA1, "general", 0, hv_MatrixB1, &hv_MatrixX1);

}

擬合下眼瞼采用與上眼瞼同樣的方法，效果如圖6所示。其中，拋物線即為擬合出的上下眼瞼。

(a)

(b)

(c)

(d)

(e)

(f)圖6 擬合結果

4 實驗

實驗數據采自中國科學院自動化研究所的CASIA-IrisV4中的CASIA-Iris-Syn數據庫，該數據庫包括1 000只眼睛的虹膜圖像，每只眼睛采集10個樣本，共10 000幅虹膜圖像，圖像的分辨率為640×480。實驗開發工具為Halcon17.12.0.0，系統平臺為Windows7，實驗算法流程如圖7所示，部分定位結果如圖6所示。從定位結果可以看出，虹膜區域定位較為準確，定位速度較快。

圖7 算法流程圖

5 結語

基于視覺技術的虹膜定位方法不僅定位效率高，而且定位準確率也高。但是，不同的虹膜采集設備采集出的虹膜圖像質量不同，本文的處理方法并不能通用于所有的虹膜圖像分割。因此應根據不同的虹膜應用場景，采用不同的圖像處理方法。如何采用同一方案，處理不同場景下的虹膜圖像，是本研究的改進方向。