基于特定边界检测子的鲁棒虹膜区域分割方法技术

本发明专利技术公开了一种基于特定边界检测子的鲁棒虹膜区域分割方法。该方法包括以下步骤：S1：构建左、右内边界、左、右外边界以及上、下眼皮边界六个虹膜特定边界训练数据集和候选特征集合；S2：使用级联的自适应学习算法构建六个虹膜特定边界检测子；S3：利用左、右内边界检测子和加权霍夫变换定位虹膜内边界；S4：利用左、右外边界检测子和加权霍夫变换定位虹膜外边界；S5：利用上、下眼皮边界检测子和鲁棒最小二乘法定位上下眼皮边界。利用本发明专利技术，能够准确地在包含大量噪声的虹膜图像中分割出虹膜有效区域，提高了虹膜识别系统的精度、鲁棒性和易用性。本发明专利技术可广泛用于使用虹膜识别进行身份识别和安全性防范的诸多应用系统中。

【技术实现步骤摘要】

本专利技术涉及数字图像处理、模式识别和统计学习等
，特别是一种。
技术介绍
虹膜识别是基于人眼虹膜纹理特征来确定人的身份的一种识别方法，具有唯一性高、稳定性强、非侵犯等特点，已被成功应用于机场、海关、银行等场合的身份鉴别。在虹膜识别系统的实际应用过程中，虹膜成像装置采集到的虹膜图像往往包含许多噪声区域，如眼皮、睫毛、镜框、光斑等。而虹膜识别需要的仅仅是介于黑色瞳孔和白色巩膜之间且不被各种噪声遮挡的虹膜区域，该区域称为虹膜图像中的有效虹膜区域。虹膜区域分割的目的就是要准确分割出虹膜图像中的有效虹膜区域，以便后续的虹膜特征分析。虹膜区域分割作为虹膜识别系统中的重要环节，对虹膜识别系统性能有直接影响。两类典型的虹膜区域分割算法分别由Daugman(U. S. Pat. No. 5291560)和Wildes等人(U. S. Pat. No. 5751836)提出。Daugman使用积分微分算子计算沿圆形边界上的径向灰度变化之和，通过寻找积分微分算子最大值来确定虹膜内外边界曲线参数。Wildes等人首先使用基于梯度的通用边缘检测子检测虹膜边缘点，然后基于得到的边缘点进行霍夫变换，从而得到虹膜内外边界曲线参数。上述两类方法都基于一个共同的假设像素灰度值在虹膜边界上变化很大。这个假设在很多情况下并不一定正确。比如，在近红外虹膜图像中，虹膜外边界通常比较模糊，而光斑、镜框等噪声的边界处却具有很强的梯度。为了在实际系统中鲁棒地分割虹膜，研究者们提出了许多方法。例如谭铁牛等人(CN 101539991B)在极坐标系下沿着虹膜的半径方向进行内外边界点检测，并且每个半径方向仅保留一个边界点。在眼皮边界点检测时，首先使用一维排序滤波去除睫毛影响，然后使用学习到的眼皮形状模型去除更多的噪声边缘。李培华等人(CN 101923645A)在上下眼皮拟合时采用类似RANSAC的方法减小噪声边缘点的影响。上述方法的关键思想是提高虹膜边界点检测率，减少噪声边缘点干扰。虽然上述方法在一些包含噪声的虹膜图像中取得了不错的分割效果，但是它们仍然存在一些缺陷首先，它们对虹膜边界和噪声边缘定义不明确，因此通过特定逻辑规则选取的虹膜边界点很可能还是噪声边缘点，反之亦然。其次，逻辑规则和参数的优选往往需要耗费大量的精力才能使虹膜区域分割达到较为理想的效果。最后，在远距离虹膜识别系统中，虹膜图像中的噪声区域大量存在，给虹膜区域分割带来了很大的挑战，使得许多原本有效的分割方法难以胜任。综上所述，如何设计精度高、对噪声鲁棒、且易于实施的虹膜区域分割方法是现今虹膜识别领域亟待解决的难题。
技术实现思路
本专利技术的目的是针对上述现有技术中存在的问题，提供一种。 为了实现上述目的，本专利技术提出的一种包括以下步骤步骤SI，构建左、右内边界、左、右外边界以及上、下眼皮边界六个虹膜特定边界训练数据集，对每个训练数据集中每个训练样本进行特征表达，得到虹膜特定边界点的候选特征集合；步骤S2，利用自适应增强学习算法从所述候选特征集合中挑选出最具区分力的特征，基于最具区分力的特征构建层级分类器，然后构建级联分类器，即可得到左、右内边界、左、右外边界以及上、下眼皮边界六个虹膜特定边界检测子；步骤S3，利用通用边缘检测算子和得到的左、右内边界检测子检测待分割虹膜图像的虹膜左、右内边界点，并利用加权霍夫变换定位待分割虹膜图像的虹膜内边界；步骤S4，使用得到的左、右外边界检测子检测待分割虹膜图像的虹膜左、右外边界点，并利用加权霍夫变换定位待分割虹膜图像的虹膜外边界；步骤S5，使用上、下眼皮边界检测子检测待分割虹膜图像的上、下眼皮边界点，并利用鲁棒最小二乘法定位待分割虹膜图像的上、下眼皮边界曲线，最终得到待分割虹膜图像虹膜区域的精确分割结果。本专利技术提出一种基于特定边界检测子的虹膜区域分割方法。本专利技术所述方法对于提高虹膜识别系统中虹膜区域分割的精度和鲁棒性具有重要的意义，其主要优点如下I.本专利技术使用的边界点邻域特征描述方法，充分利用了边界点邻域的灰度、边缘、纹理和结构特征，为后续边界点分类提供了丰富的信息。2.本专利技术采用的边界点特征均可以使用积分图进行快速计算，显著提高了计算速度。3.本专利技术采用级联的自适应增强学习算法进行特征挑选和分类器构建，在保证分类能力的情况下明显提高了边界点的检测速度。4.本专利技术针对不同类型的虹膜边界训练不同的边界检测子，使得定位时可以充分利用不同类型边界的相对位置关系，大大提高了定位的精度和鲁棒性。5.本专利技术使用鲁棒最小二乘法拟合眼皮边界，有效减小了噪声点对眼皮定位结果的影响。6.本专利技术提出的虹膜区域分割方法便于应用到各种不同类别的虹膜设备中。实际应用时，只需针对特定类别设备准备一些具有代表性的训练样本，经过训练得到的边界检测子就可以使得本虹膜区域分割方法达到理想的效果，从而避免了反复繁琐的参数调整，将参数优化的工作交由计算机自动完成。得益于上述优点，本专利技术可以对包含大量噪声的虹膜图像进行鲁棒分割，有效提高了现有虹膜识别系统的精度、鲁棒性和易用性，降低了用户配合要求，可广泛应用于使用虹膜识别进行身份认证或者识别的系统中，比如虹膜出入境身份认证系统、虹膜ATM机、虹膜门禁系统、虹膜手机、虹膜计算机登录系统等，特别适合应用在远距离虹膜识别系统中。附图说明图I为一幅典型的包含大量噪声的虹膜图像及其有效虹膜区域的分割结果；图2为本专利技术流程图；图3 (a)为几种典型的类Haar特征；图3(b)为快速计算特征值时使用的积分图；图4为级联分类器示意图；图5为级联分类器的训练过程；图6为利用自适应增强学习算法构建层级分类器的基本流程图；图7为虹膜内外边界定位时的中间结果；图8为上眼皮定位时的中间结果。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。在虹膜识别系统的实际应用过程中，虹膜成像装置采集到的虹膜图像往往包含许多噪声区域，如眼皮、睫毛、镜框、光斑等，如图I所示。而虹膜识别需要的仅仅是介于黑色瞳孔和白色巩膜之间且不被各种噪声遮挡的虹膜区域，该区域称为虹膜图像中的有效虹膜区域。虹膜区域分割的目的就是要准确分割出虹膜图像中有效的虹膜区域。虹膜区域分割可以通过定位虹膜的内外边界以及上下眼皮来确定有效区域，如图I所示。在传统的近距离、高用户配合的虹膜识别系统中，虹膜图像中的噪声区域较少，对虹膜区域分割的影响不大。随着虹膜识别应用的推广，各种复杂场景下，特别是远距离、低用户配合场景下的虹膜识别技术亟待发展完善。其中的瓶颈技术之一就是鲁棒虹膜区域分害I]。噪声区域的大量存在给虹膜区域分割带来了很大的挑战，使得许多原本有效的分割方法难以胜任。大量实验研究表明，准确定位虹膜区域边界的关键在于正确检测出虹膜区域边界点，同时减小噪声边缘点对其的影响。仔细分析虹膜边界点与噪声边缘点邻域内的灰度、边缘等特征，可以发现两者之间存在的较为明显的差异。例如图I中所示，虹膜内边界邻域的平均灰度一般低于光斑噪声边缘点邻域的平均灰度。本专利技术利用像素点邻域内灰度、边缘、纹理和结构的差异构建虹膜边界点检测子，然后使用虹膜边界点检测子得到的虹膜边界点准确定位虹膜边界。图2为本专利技术流程图，如图2所示，本专利技术包括以下几个步骤步骤SI，构建左、本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：谭铁牛，孙哲南，李海青，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：