周 俊，羅 挺，李 敏，余叢斌

(1．后勤工程學院 信息工程系，重慶 401331;2．后勤工程學院 訓練部模擬中心，重慶 401331)

虹膜識別是利用虹膜豐富的紋理信息對人的身份進行認證的生物特征識別技術，不同個體之間虹膜相同的概率為1/1072［1］，相對于指紋識別、人臉識別等典型生物特征識別技術，虹膜識別的準確率是最高的［2］。

由于虹膜識別系統(tǒng)在采集圖像時是非侵犯性的，因此虹膜圖像采集的噪聲主要存在眼瞼、睫毛和光斑的干擾［3］，如果不將這些噪聲清除，將會被誤認為虹膜紋理特征，從而對虹膜識別系統(tǒng)性能產(chǎn)生影響。光斑區(qū)域灰度值比周圍灰度高很多［4］，一般采用固定閾值將光斑分離。

目前眼瞼檢測算法主要有:①邊緣檢測與Hough空間變換相結(jié)合的拋物線檢測法［5］;②基于拋物線路徑求灰度積分和差分檢測法［6］;③基于最小二乘法的拋物線擬合［7］。第①類方法能最大限度提取虹膜紋理，但是由于在三維空間搜索而速度較慢;第②類方法采用類似Daugman的經(jīng)典圓積分/微分算子定位，該類方法也存在三維空間搜索而導致速度較慢的問題;第③類方法提取一定的眼瞼邊緣點，然后利用最小二乘法擬合眼瞼，相比前兩類方法精度較低，但是在一維空間搜索速度較快。

人眼圖像中睫毛的情況最為復雜，準確檢測難度最大［8］，據(jù)報道較有效的算法是KONG的基于一維Gabor濾波器和鄰域標準差的睫毛檢測法，一維Gabor濾波器對檢測稀疏分散的睫毛比較有效，鄰域標準差對濃密成塊的睫毛比較有效，但該算法需設置較多的參數(shù)。由于睫毛分布的多樣性，現(xiàn)在還沒有特別全面有效的睫毛檢測算法。

針對以上算法的不足，提出了一種新的上、下眼瞼檢測算法和睫毛檢測算法。首先對眼瞼區(qū)域進行灰度形態(tài)學運算去除睫毛、光斑的影響;然后根據(jù)眼瞼邊緣的灰度特點提取邊緣點，用最小二乘法對邊緣點進行上、下眼瞼邊緣擬合;最后對眼瞼邊緣精確定位。根據(jù)虹膜區(qū)域圖像灰度自適應生成閾值對睫毛進行分割。實驗結(jié)果表明:眼瞼算法能有效、快速地檢測眼瞼，抗干擾性強;睫毛檢測算法能有效、簡便和最大限度地檢測出睫毛。

1 上眼瞼檢測

通過文獻［9］中算法確定虹膜內(nèi)中心(xp，yp)，半徑 rp;虹膜外邊緣中心(xi，yi)，半徑 ri。同時根據(jù)文獻［10］中算法確定上眼瞼邊緣區(qū)域，上眼瞼的檢測步驟為分割上眼瞼邊緣區(qū)域及預處理、尋找邊緣點集和上眼瞼邊緣擬合。

(1)分割上眼瞼邊緣區(qū)域及預處理。虹膜圖像中存在眼皮區(qū)域干擾，如圖1所示。為提高檢測速度，利用虹膜內(nèi)外邊緣參數(shù)進行上眼瞼邊緣區(qū)域的分割。為防止瞳孔被分割出來，上眼瞼邊緣區(qū)域內(nèi)點(xt，yt)應滿足:xt∈［xi－ ri，xp－ rp－5］，yt∈［yi－ri，yi+ri］，在虹膜圖像中分割出的上眼瞼邊緣區(qū)域如圖2(a)所示。后續(xù)的上眼瞼檢測過程都在該區(qū)域進行。

圖1 虹膜圖像

由于睫毛和小塊光斑的影響，選取5×5元素值都為1的圓盤形灰度形態(tài)學結(jié)構元素b，對分割的上眼瞼邊緣區(qū)域進行形態(tài)學灰度閉－開運算。進行一次形態(tài)學閉運算，能消除睫毛等暗色細節(jié)的影響，閉運算結(jié)果如圖2(b)所示。形態(tài)學開運算削弱比結(jié)構元素尺寸小的明亮細節(jié)，并且相對保持整體灰度級和大塊的明亮區(qū)域不變。再進行一次開運算后結(jié)果如圖2(c)所示。

圖2 上眼瞼區(qū)域分割及預處理過程

(2)尋找邊緣點集。對上眼瞼邊緣區(qū)域每列的灰度值進行分析，如圖3所示，共顯示了上眼瞼邊緣區(qū)域8列的灰度分布，橫坐標為行坐標，縱坐標為灰度值，由左至右每列間隔20列。圖中每列灰度分布上都有“谷”點，“谷”點對應的是眼瞼邊緣點，靠左右端的眼瞼邊緣點在眼瞼邊緣區(qū)域最底端，因此在分布圖上表現(xiàn)為一段灰度最低值。

根據(jù)以上分析，上眼瞼邊緣點(xt，yt)滿足以下條件:

其中:I為灰度函數(shù);arg minx［·］為取括號內(nèi)最小值的x。式(1)含義為眼瞼邊緣點為每列灰度最小值對應點，而每列灰度最小值點往往不唯一，設第j列上檢測到n個灰度最小值點{x1，…，xn}，則在第j列上的眼瞼邊緣點行坐標為:

圖3 上眼瞼區(qū)域每列灰度分布

對圖2(a)提取上眼瞼邊緣點，結(jié)果如圖4所示。

(3)上眼瞼邊緣擬合。由于噪聲影響，圖4上眼瞼邊緣出現(xiàn)了不連續(xù)現(xiàn)象，為了獲得完整光滑的上眼瞼邊緣，筆者采用最小二乘法［11］對檢測到的邊緣點進行拋物線擬合。對上眼瞼邊緣擬合結(jié)果如圖5所示。

圖4 上眼瞼邊緣點

圖5 上眼瞼邊緣擬合結(jié)果

2 下眼瞼檢測

下眼瞼的檢測步驟與上眼瞼相似，包括分割下眼瞼邊緣區(qū)域及預處理、尋找邊緣點集和下眼瞼邊緣擬合。

(1)分割下眼瞼邊緣區(qū)域及預處理。下眼瞼邊緣區(qū)域分割與上眼瞼區(qū)域類似，下眼瞼邊緣區(qū)域內(nèi)點(xb，yb)滿足:xb∈［xp+rp+5，xi－ ri］，yb∈［yi－ri，yi+ri］，對虹膜圖像分割的下眼瞼區(qū)域如圖6(a)所示。后續(xù)的下眼瞼定位過程都在該區(qū)域上進行。從圖6(a)可以看出，眼瞼邊緣存在小塊光斑的影響，選用半徑為3值都為1的圓盤形形態(tài)學結(jié)構元素，進行一次灰度形態(tài)學開運算去除光斑，結(jié)果如圖6(b)所示。從結(jié)果來看，眼瞼邊緣較好地保留下來，且光斑區(qū)域被消除了。

(2)尋找邊緣點集。筆者對下眼瞼區(qū)域進行梯度變換，求最大梯度和區(qū)間確定下眼瞼邊緣點。虹膜邊緣梯度大于眼瞼邊緣梯度，為防止虹膜邊緣和內(nèi)部神經(jīng)圈的干擾，首先需將虹膜區(qū)域排除在灰度梯度變換區(qū)域之外，筆者的算法是將虹膜區(qū)域賦予較高的灰度值T，其他區(qū)域灰度不變。

圖6 下眼瞼區(qū)域分割及預處理過程

由于虹膜區(qū)域是過渡區(qū)域，因此將虹膜外邊緣半徑延長一定像素tr，所確定的圓形區(qū)域為非灰度梯度變換區(qū)域，以最大限度消除虹膜的影響。(xi，yi)為虹膜外邊緣中心，ri為虹膜外邊緣半徑，I(xb，yb)為點(xb，yb)處灰度，這里 T=255，tr=6?；叶茸儞Q結(jié)果如圖7(a)所示。

接著對下眼瞼邊緣區(qū)域進行灰度梯度變換，考慮到一般人眼圖像中，眼皮灰度大于鞏膜灰度，鞏膜灰度大于虹膜灰度，定義下眼瞼邊緣區(qū)域中點(xb，yb)處灰度梯度 G(xb，yb)為:

梯度變換結(jié)果如圖7(b)所示，眼瞼邊緣處具有較大的梯度。

最后對梯度變換結(jié)果的每列在固定區(qū)間內(nèi)求梯度積分，積分區(qū)間選為6個像素，對于離散像素點求梯度積分即為求梯度累加和，求出積分最大值Amax(i)。

其中:Amax(i)為第i列上6個像素區(qū)間的梯度積分最大值;M為下眼瞼邊緣區(qū)域的行數(shù)。設梯度積分最大值所在區(qū)間為［(xb，yb)，(xb+5，yb)］，則眼瞼邊緣區(qū)域第i列下眼瞼邊緣點坐標為:

最后得到下眼瞼邊緣點如圖7(c)所示。

(3)下眼瞼邊緣擬合。采用類似上眼瞼邊緣擬合所用的方法對下眼瞼邊緣點進行拋物線擬合，最后得到下眼瞼邊緣擬合結(jié)果如圖8所示。

3 眼瞼的精確定位

圖7 尋找下眼瞼邊緣點過程

因為形態(tài)學灰度運算使得邊緣過渡帶變寬，所以擬合得到的眼瞼邊緣并不準確，需要在眼瞼擬合結(jié)果基礎上進行精確定位。與虹膜的灰度相比，眼瞼邊緣偏暗，灰度值較小，因此在鄰域內(nèi)上下移動眼瞼拋物線的過程中，拋物線上的像素灰度累加值在眼瞼邊緣處會出現(xiàn)跳變，根據(jù)跳變最大值出現(xiàn)的位置，即可精確定位眼瞼邊緣。拋物線方程x=ay2+by+c中c為決定拋物線位置的參數(shù)，則真實眼瞼邊緣位置參數(shù)c0應滿足式(7):

通過對拋物線上的像素灰度值積分，再對c求差分，使式(7)輸出達到最大的c為c0，設c1為眼瞼擬合拋物線方程參數(shù)，則拋物線方程參數(shù)c上下移動范圍為［c1－15，c1+15］。上、下眼瞼精確定位結(jié)果如圖9所示。

圖8 下眼瞼邊緣擬合結(jié)果

圖9 眼瞼精確定位結(jié)果

4 眼睫毛檢測

經(jīng)過眼瞼定位后分割出的虹膜有效區(qū)域往往在上眼瞼邊緣存在睫毛干擾，一些稀疏且短的睫毛可能會被誤認為虹膜紋理［12］，但睫毛的檢測不會像虹膜內(nèi)外緣定位那樣會對虹膜識別產(chǎn)生重大影響［13］，為提高睫毛檢測速度，利用睫毛灰度比虹膜灰度低的特點，采取自適應閾值法對虹膜區(qū)域的睫毛進行分割。如圖10(a)所示，在采用文獻［9］的算法對虹膜進行定位的基礎上，利用上述眼瞼定位算法對上下眼瞼定位。該人眼圖像來源于中科院CASIA(version 2．0)虹膜數(shù)據(jù)庫，分辨率為640×480像素。圖10(b)為根據(jù)虹膜定位結(jié)果和眼瞼定位結(jié)果分割出的虹膜區(qū)域。圖10(c)為睫毛檢測結(jié)果。

將上眼瞼拋物線下移一定像素Δc，同時拋物線與瞳孔區(qū)域無交點，通過對拋物線上像素點灰度值的分析，如圖10(d)所示，顯示Δc取不同值時拋物線上像素點灰度的分布，因為睫毛相比周圍虹膜灰度值低，所以在分布圖中的極小值點對應睫毛像素點。設Δc所對應的灰度分布圖極小值序列為{T1，T2，…，Tn}，極小值與相鄰波峰之間的灰度差應大于ΔT，則Δc所對應的睫毛檢測閾值為 TΔc，TΔc取{T1，T2，…，Tn}中的最大值。當 Δc取不同值時，{Δc1，Δc2，…，Δcn}對應一系列睫毛檢測閾值{TΔc1，TΔc2，…，TΔcn}，最終睫毛檢測閾值Teyelash取{TΔc1，TΔc2，…，TΔcn}中的最大值，這里 ΔT=15，從圖10(c)睫毛檢測結(jié)果可知，睫毛被最大限度地分割出來了，但是一些細微的睫毛末梢未被檢測出。

圖10 眼睫毛檢測過程

5 實驗結(jié)果與分析

為測試算法的性能，采用中科院自動化所虹膜圖像庫 CASIA［14－15］(version 2．0)進行實驗，CASIA(version 2．0)包括 device1和 device2兩個虹膜庫，每個庫包含1 200幅灰度人眼圖像，采自60只眼睛，每只眼睛采集20幅圖像，由非接觸式的虹膜采集設備完成，采集距離約為4～5 cm，圖像大小為 640×480像素。與 CASIA(version 1．0)虹膜庫相比，該虹膜庫尺寸比較大，有效虹膜區(qū)域比較小，大部分圖像受眼瞼(主要是上眼瞼)及睫毛遮擋，而且光照不均勻，給虹膜定位帶來一定的難度［16］。實驗平臺為Matlab 7+WIN XP+Intel Core 2．0G CPU。將筆者的眼瞼檢測算法與Hough算法，以及筆者的眼睫毛檢測算法與文獻［8］算法，從主觀準確率、耗費時間兩個方面進行比較，結(jié)果如表1和表2所示，每次眼瞼檢測中只要上眼瞼或下眼瞼檢測失敗則認為該次眼瞼檢測失敗。

表1 眼瞼檢測算法比較

表2 眼睫毛檢測算法比較

從表1可以看出，筆者的算法對CASIA(version 2．0)虹膜庫中絕大多數(shù)人眼圖像都能快速、準確地檢測出眼瞼邊緣，避免了文獻［5］算法在三維空間搜索而速度較慢的問題，筆者的算法定位眼瞼邊緣失敗的原因主要是上眼瞼嚴重遮擋虹膜區(qū)域，有的遮擋面積超過虹膜區(qū)域面積的50%。從表2看出，筆者的睫毛檢測算法與文獻［8］算法在主觀準確率和速度上相當，但是筆者的算法是根據(jù)虹膜區(qū)域圖像自適應生成的閾值，與文獻［8］相比并不需過多地設置參數(shù)，更具操作的簡便性。

6 結(jié)論

眼瞼和睫毛檢測對虹膜識別率的提高具有重要意義，筆者利用眼瞼邊緣灰度的特點確定眼瞼邊緣點，利用最小二乘法對邊緣點進行上、下眼瞼邊緣擬合，最后精確定位上、下眼瞼。該眼瞼檢測算法將傳統(tǒng)算法的搜索空間由三維降為一維，速度明顯提高;眼瞼毛檢測算法自適應生成睫毛分割閾值，相比傳統(tǒng)算法不需設置較多的參數(shù)，體現(xiàn)了簡便性，并且能有效、最大限度地分割出睫毛。筆者算法有待改進的方面:①尋找自適應結(jié)構元素，在灰度形態(tài)學運算中更好地清除上眼瞼睫毛干擾。②改進閾值自適應生成算法，更好地檢測出細微的睫毛末梢。

［1］ FLOM L，SAHR A．Irisrecognitionsystem［P］．US:4641394．1987．

［2］ 田啟川，張潤生．生物特征識別綜述［J］．計算機應用研究，2009，26(12):4404 －4407．

［3］ DORAIRAJ V，SCHMID N，F(xiàn)AHMY G．Performance evaluation of non－ideal iris based recognition system implementing global ICA encoding image processing［M］．Italy:IEEE Int Conf，2005:285 －288．

［4］ 來毅，路陳紅，盧朝陽．用于虹膜識別的眼瞼及眼睫毛遮擋檢測［J］．計算機輔助設計與圖形學學報，2007，19(3):346 －348．

［5］ KANG B J，PARK K P．A robust eyelash detection based on iris focus assessment［J］．Pattern Recognition，2007(28):1630－1639．

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

［7］ MASEK L．Recognition of human iris patterns for biometric identification［R］．Western Australia:School of Computer Science and Software Engineering，University of Western Australia，2003．

［8］ DAUGMAN J．How iris recognition works［J］．IEEE Transactions on Circuits and Systems for Video Technology，2004，14(1):21 －30．

［9］ LI M，TAN T N，WANG Y H，et al．Personal identification based on iris texture analysis［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(12):1519 －1533．

［10］ KONG W，ZHANG D．Accurate iris segmentation based on novel reflection and eyelash detection model［C］//Proceedings of 2001 International Symposium on Intelligent Multimedia，Video and Speech Processing．Hong Kong:［s．n．］，2001:263 －266．

［11］ 田啟川．不完美虹膜的定位分割特征提取與分類識別［D］．西安:西北工業(yè)大學圖書館，2005．

［12］ 周俊，羅挺．一種基于幾何特征的虹膜定位算法［J］．后勤工程學院學報，2010，26(3):81 －85．

［13］ 馬爭，黃煒．曲線擬合的虹膜定位算法研究［J］．電子科技大學學報，2009，38(3):427 －429．

［14］ 林忠華．基于人眼自然睜開狀態(tài)下的虹膜識別方法研究［D］．沈陽:沈陽工業(yè)大學圖書館，2008．

［15］ Institute of Automation，Chinese Academy of Sciences．CASIA iris image database(ver 1．0)［DB/OL］．［2010 － 11 － 02］．http://www．sinobiometrics．com．2004．

［16］ 姚鵬．復雜條件下虹膜識別算法［D］．合肥:中國科學技術大學圖書館，2008．