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(tǒng)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(xiàn)代數(shù)字社會的需求。基于生物特征的身份鑒別技術(shù)之一的虹膜識別技術(shù)，因其唯一性、穩(wěn)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(fā)展前途的生物認證技術(shù)。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(huán)狀部分，結(jié)構(gòu)復(fù)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(yù)處理。虹膜圖像預(yù)處理是虹膜識別的一個關(guān)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(yù)處理是影響虹膜識別系統(tǒng)的速度和準確性的關(guān)鍵因素，也是虹膜識別系統(tǒng)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(tǒng)識別時間的主要因素；

2）在自然狀態(tài)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(nèi)外邊界都具有較好的圓環(huán)特性，因此傳統(tǒng)的虹膜定位算法都是采用圓形檢測算子定位虹膜內(nèi)外邊緣，但虹膜內(nèi)外邊界并不是標準的圓，這將會導(dǎo)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(qū)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(shù)學形態(tài)學進行處理，大量減少了邊緣圖像中非虹膜邊緣點數(shù)，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(nèi)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(nèi)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(jié)合Hough 變換方法[5-6]，何家峰等提出的粗定位與精定位相結(jié)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(jié)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(shù)，因此檢測到的邊緣點數(shù)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(chǎn)生的非虹膜邊緣的邊緣點。

1.1 虹膜圖像的邊緣檢測

數(shù)學形態(tài)學是分析幾何形狀和結(jié)構(gòu)的數(shù)學方法。數(shù)學形態(tài)學的數(shù)學基礎(chǔ)和所用語言是集合論，由一組形態(tài)學的代數(shù)運算組成。數(shù)學形態(tài)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(jié)構(gòu)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(jié)構(gòu)元素b的定義域。

用結(jié)構(gòu)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(jié)構(gòu)元素b的定義域。

灰度形態(tài)學中用b開啟記為I·b，定義為

灰度形態(tài)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(jié)，灰度閉合運算能消除尺寸較小的暗細節(jié)。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(qū)域都低且灰度分布較均勻，所以虹膜內(nèi)邊界定位相對外邊界來說要容易。但虹膜的內(nèi)邊界往往不是規(guī)則的圓，用Hough變換對內(nèi)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(jù)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(nèi)邊緣定位

虹膜的內(nèi)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(shù)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(nèi)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(qū)域像素灰度明顯要低于虹膜眼瞼區(qū)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(tǒng)計分析發(fā)現(xiàn)，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(guī)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(fā)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(xiàn)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(xiàn)不規(guī)則變化且相對拉長或凸起，下降梯度改變。根據(jù)歸一化后虹膜圖像灰度值分布的這一規(guī)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(qū)間分別為[Lpmax]，[pmaxH]，其中L，H根據(jù)pmax來確定；

4）分別對區(qū)間的數(shù)據(jù)進行線性擬合，得到兩直線參數(shù)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(jié)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(fā)的采集設(shè)備采集到的CASIA-IrisV3虹膜數(shù)據(jù)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(nèi)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(shù)據(jù)庫中的人眼圖像進行邊緣檢測，得到的結(jié)果如下：圖1為未進行數(shù)學形態(tài)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(shù)學形態(tài)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(chǎn)生的非虹膜邊緣點數(shù)大大減少。圖3為使用此兩種方法對CASIA-IrisV3虹膜數(shù)據(jù)庫進行邊緣檢測邊緣點數(shù)結(jié)果統(tǒng)計圖，Nce為對數(shù)據(jù)庫圖像用Canny算子檢測的邊緣圖像的邊緣點數(shù)統(tǒng)計曲線，Nmce為對數(shù)據(jù)庫圖像用數(shù)學形態(tài)學算子處理后檢測到的邊緣圖像的邊緣點數(shù)統(tǒng)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(tǒng)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(shù)學形態(tài)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(tǒng)計結(jié)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(shù)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(yīng)用本文的虹膜邊緣檢測方法，在減少非虹膜邊緣點數(shù)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(shù)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(nèi)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(shù)學形態(tài)學處理后檢測到的虹膜邊緣圖像

圖3 邊緣檢測邊緣點數(shù)結(jié)果統(tǒng)計圖

圖4 虹膜邊緣點對虹膜邊緣圖像百分比統(tǒng)計圖

圖5 內(nèi)外邊緣定位后的虹膜圖像

對整個圖像庫進行測試，實驗結(jié)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(jié)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(shù)據(jù)庫實驗結(jié)果顯示，該方法能有效地檢測出眼瞼和睫毛所在區(qū)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(jié) 論

本文提出的虹膜圖像預(yù)處理方法，首先采用數(shù)學形態(tài)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(nèi)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(yù)處理方法可以滿意地解決虹膜定位時間較長、虹膜內(nèi)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(jié)構(gòu)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.