CN104268527A - 一种基于径向梯度检测的虹膜定位方法 - Google Patents

Abstract

本发明公开一种基于径向梯度检测的虹膜定位方法，该方法步骤包括估测瞳孔中心的位置，将其作为参考点划分待搜索虹膜区域，将待搜索虹膜区域按极坐标展开为一定大小的矩形区域；利用径向梯度检测法定位虹膜区域的内边界；利用径向梯度检测法定位虹膜区域的外边界并根据邻域内的径向梯度对外边界的参考半径进行微调。本发明所述技术方案，避免了在大范围内对虹膜边界参数进行逐点的三维空间搜索，以及对边缘检测和区域分割复杂阈值的自适应确定，并且受光源像点和光照不均等干扰影响较小，能够实现快速而精确的虹膜定位，从而有助于提高虹膜识别***的识别速度和准确率。

Description

一种基于径向梯度检测的虹膜定位方法

技术领域

本发明涉及一种图像分割方法。更具体地，涉及一种用于虹膜生物识别***的快速虹膜定位方法。

背景技术

虹膜识别以其准确性、稳定性、安全性和非接触性等显著优势渐已成为生物识别领域的研究热点和发展趋势。在虹膜识别***中，虹膜图像预处理(包括虹膜定位、干扰检测、归一化和图像增强等)是虹膜识别的前提，其中虹膜定位是关键。只有定位准确，才能提取更多的有效虹膜特征，从而实现准确识别。然而在实际应用中，由于采集设备的硬件限制和采集环境的光照变化等因素，获取到的虹膜图像中往往存在不同程度的噪声干扰、细节模糊和对比度低等情形，这就给虹膜定位带来困难。

目前在虹膜识别***中，常用的虹膜定位算法主要分为三类：第一类是基于Daugman提出的利用微积分圆检测器迭代求取径向梯度圆周积分最大值所对应的参数进行虹膜定位的算法；第二类是基于Wildes提出的利用Hough圆检测变换搜索参数空间内得到投票最多的圆周所对应的参数进行虹膜定位的算法；第三类是基于边缘梯度滤波与二值化边缘检测并结合圆周拟合进行虹膜定位的算法。虹膜定位的速度和精度是相矛盾的，为了在***的实时性和准确性之间寻求最佳的平衡，这些算法要求输入的虹膜图像必须是高质量的。然而在实际应用中，采集虹膜图像的场景往往是复杂多变的，要求始终能获取到高质量的虹膜图像是不现实的。

以上常用的虹膜定位算法均是利用虹膜图像中从瞳孔到虹膜再到巩膜区域过渡处像素灰度变化明显的特点，通过区域分割的方法在虹膜图像直角坐标系的参数空间内寻找对应虹膜内、外边界的最优化参数，从而实现虹膜定位。这些算法虽然在一定条件下能获得较好的定位效果，但是存在以下明显的缺点：

1.Daugman的迭代检测、Wildes的Hough变换、以及圆周拟合等算法都需要在虹膜图像中的一定范围内对虹膜边界参数进行逐点的三维空间(圆周圆心的行、列坐标及半径长度)搜索，复杂度高，耗时较长。如果不能有效地限定搜索范围，势必难以满足虹膜识别***的实时性要求。

2.这些算法对实际图像中的噪声干扰和光照不均等影响都较为敏感，尤其是由光源像点和睫毛等引起的局部边缘灰度跳变和光照不均引起的区域边缘模糊等问题，造成虹膜边界检测效率过低，从而定位失败。如果不能引入有效的虹膜图像质量判别准则及噪声干扰检测算法，势必难以满足虹膜识别***的准确性要求。

3.在虹膜定位过程中，需要输入合理的阈值进行边缘检测，而阈值的选取与虹膜图像的灰度分布统计特性有关，不同***采集到的虹膜图像统计特性差别明显，自适应地选取阈值比较困难。在实际应用中，往往根据特定***的成像特性以及大量的试验确定若干个经验值作为待选取的阈值。非自适应的阈值选取会增加***和算法设计的复杂性，势必难以满足虹膜识别***的实用性要求。

因此，需要提供一种用于虹膜生物识别***的快速虹膜定位方法。

发明内容

本发明的目的在于提供一种基于径向梯度检测的虹膜定位方法，解决虹膜定位速度慢以及由于局部干扰影响而无法准确定位虹膜的问题。

为达到上述目的，本发明采用下述技术方案：

一种基于径向梯度检测的虹膜定位方法，该方法步骤包括：

S1、基于光源像点与瞳孔的相对位置估测瞳孔中心位置可能的直角坐标(xp_p,yp_p)；

S2、以所述估测的瞳孔中心位置可能的直角坐标为原点，将待搜索虹膜区域按极坐标展开为矩形区域；

S3、在所述矩形区域内，利用径向梯度检测法定位虹膜区域的内边界；

S4、在所述矩形区域内，利用径向梯度检测法定位虹膜区域的外边界。

优选地，步骤S1进一步包括步骤：

S11、改变光源阵的排列形式、调节光源与相机的相对位置使光源像点聚集于瞳孔内的某一处；

S12、搜索可能存在光源像点的位置；

S13、搜索可能存在瞳孔区域的位置；

S14、基于可能的光源像点与瞳孔的相对位置估测内部包含光源像点的瞳孔区域中心位置的直角坐标。

优选地，步骤S12进一步包括步骤：

S121、对虹膜图像进行平滑处理，公式如下：

imgfil＝imfilter(eyeimage,H)；

公式中，eyeimage是采集到的虹膜图像，H是平滑滤波算子；

S122、利用阈值分割和连通域检测搜索光源像点可能存在的位置，公式如下：

$\left\{\begin{array}{c}\mathrm{BWL}=(\mathrm{imgfil}>=T_{\mathrm{light}});\\ [\mathrm{label}\_\mathrm{light},\mathrm{numl}]=\mathrm{bwlabel}(\mathrm{BWL},8);\end{array}\right.$

公式中，numl为可能存在光源像点的连通区域的个数，T_light为光源像点灰度检测阈值；

S123、估测每个可能的光源像点的直角坐标，公式如下：

$\left\{\begin{array}{c}[\mathrm{xi},\mathrm{yi}]=\mathrm{find}(\mathrm{label}\_\mathrm{light}==i),i=\mathrm{1,2},...\mathrm{numl};\\ {\mathrm{xl}}_i=\mathrm{round}((\max \left(\mathrm{xi}\right)+\min \left(\mathrm{xi}\right))/2);\\ {\mathrm{yl}}_i=\mathrm{round}((\max \left(\mathrm{yi}\right)+\min \left(\mathrm{yi}\right))/2);\\ \mathrm{loc}\_\mathrm{light}={\left\{({\mathrm{xl}}_i,{\mathrm{yl}}_i)\right\}}_{i=\mathrm{1,2},...\mathrm{numl}};\end{array}\right.$

公式中，loc_light为可能的光源像点中心对应的直角坐标的行、列坐标对向量。

优选地，步骤S13进一步包括步骤：

S131、对虹膜图像进行局部填充，公式如下：

imgcom＝imcomplement(imfill(imcomplement(imgfil),'holes'))；

S132、利用阈值分割和连通域检测搜索瞳孔区域可能存在的位置，公式如下：

$\left\{\begin{array}{c}\mathrm{BWP}=(\mathrm{imgcom}<T_{\mathrm{pupil}});\\ [\mathrm{label}\_\mathrm{pupil},\mathrm{nump}]=\mathrm{bwlabel}(\mathrm{BWP},8);\end{array}\right.$

公式中，nump为可能存在瞳孔的连通区域的个数，T_pupil为瞳孔区域灰度检测阈值；

S133、估测每个可能的瞳孔的行、列坐标及其半径，公式如下：

$\left\{\begin{array}{c}[\mathrm{xj},\mathrm{yj}]=\mathrm{find}(\mathrm{label}\_\mathrm{pupil}==j),j=\mathrm{1,2},...\mathrm{nump};\\ {\mathrm{xp}}_j=\mathrm{round}((\max \left(\mathrm{xj}\right)+\min \left(\mathrm{xj}\right))/2);\\ {\mathrm{yp}}_j=\mathrm{round}((\max \left(\mathrm{yj}\right)+\min \left(\mathrm{yj}\right))/2);\\ {\mathrm{rp}}_j=\mathrm{round}(((\max \left(\mathrm{xj}\right)-\min \left(\mathrm{xj}\right))+(\max \left(\mathrm{yj}\right)-\min \left(\mathrm{yj}\right)))/4);\\ \mathrm{loc}\_\mathrm{pupil}={\left\{({\mathrm{xp}}_j,{\mathrm{yp}}_j)\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\\ \mathrm{rad}\_\mathrm{pupil}={\left\{{\mathrm{rp}}_j\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\end{array}\right.$

公式中，loc_pupil为可能的瞳孔中心对应直角坐标的行、列坐标对向量，rad_pupil为可能的瞳孔区域对应的半径向量。

优选地，步骤S14进一步包括步骤：

S141、搜索内部包含光源像点的瞳孔区域，估测瞳孔中心位置的直角坐标(xp_a,yp_a)，公式如下：

$\left\{\begin{array}{c}({\mathrm{xp}}_a,{\mathrm{yp}}_a)=(\mathrm{xp},\mathrm{yp}),(\mathrm{xp},\mathrm{yp})\&Element;\mathrm{loc}\_\mathrm{pupil}\\ s.t.\sqrt{{(\mathrm{xp}-\mathrm{xl})}^2+{(\mathrm{yp}-\mathrm{yl})}^2}\&le;\mathrm{rp},(\mathrm{xl},\mathrm{yl})\&Element;\mathrm{loc}\_\mathrm{light},\mathrm{rp}\&Element;\mathrm{rad}\_\mathrm{pupil}\end{array}\right.;$

S142、统计瞳孔中心位置可能的直角坐标(xp_p,yp_p)，公式如下：

-3<xp_p-xp_a<3∩-3<yp_p-yp_a<3。

优选地，步骤S2进一步包括：

以每一个可能的瞳孔中心坐标(xp_p,yp_p)为原点，将其N_h×N_w大小的矩形邻域按极坐标展开为N_r×N_θ大小的矩形区域，其中N_h和N_w分别是矩形区域的高和宽，展开方法为将虹膜区域N_h×N_w内的每一点(x,y)映射到由极坐标(r,θ)表示的矩形区域N_r×N_θ内，公式如下：

I(x(r,θ),y(r,θ))→I(r,θ),I(x,y)∈imgcom

公式中，半径r在径向位置，范围是[1,R_m]，其中R_m是限定的虹膜边界半径最大值，径向采样点数是N_r；角度θ沿角度方向，范围是[0°,360°)，角度采样点数是N_θ。

优选地，步骤S3进一步包括：

设定虹膜区域的内边界为(xp,yp)、半径为rp；

以每一个可能的虹膜内边界圆心坐标(xp_p,yp_p)为原点，进行按极坐标展开矩形区域的步骤S2，得到一个N_r×N_θ大小的矩形采样阵I(r,θ,xp_p,yp_p)，在每一个I上沿r方向求出其径向梯度向量Grad(r,xp_p,yp_p)，公式如下：

Grad(r)＝sum(I(r+1,:))-sum(I(r,:))；

公式中，r＝1,2,…,N_r-1；

统计每一个径向梯度向量Grad(r,xp_p,yp_p)的峰值，其中最大峰值对应的三维参数向量(r,xp_p,yp_p)为虹膜内边界的参数，公式如下：

$\left\{\begin{array}{c}(\mathrm{xp},\mathrm{yp})=\underset{({\mathrm{xp}}_p,{\mathrm{yp}}_p)}{\arg \max }\left(\underset{r}{\max }\left(\mathrm{Grad}(r,{\mathrm{xp}}_p,{\mathrm{yp}}_p)\right)\right),\\ \mathrm{rp}=\underset{r}{\arg \max }\left(\mathrm{Grad}(r,\mathrm{xp},\mathrm{yp})\right)\end{array}\right.$

公式中，(xp,yp)和rp分别为虹膜内边界的圆心坐标和半径。

优选地，步骤S4进一步包括：

设定外边界的圆心为(xo,yo)、半径为ro；

外边界的圆心(xo,yo)在内边界圆心(xp,yp)的N_o×N_o邻域内，公式如下：

公式中，(xo_p,yo_p)为虹膜外边界圆心可能的坐标，N_o≤5；

以每一个可能的虹膜外边界圆心坐标(xo_p,yo_p)为原点，进行按极坐标展开矩形区域的步骤S2，得到一个N_r×N_θ大小的矩形采样阵I(r,θ,xo_p,yo_p)，在每一个I上沿r方向求出其径向梯度向量Grad(r’,xo_p,yo_p)，公式如下：

Grad(r')＝sum(I(r'+1,:))-sum(I(r',:))；

公式中，r’＝rp+1,rp+2,…,N_r-1；

统计每一个径向梯度向量Grad(r’,xo_p,yo_p)的峰值，其中最大峰值对应的三维参数向量(r’,xo_p,yo_p)为虹膜外边界的参数，公式如下：

$\left\{\begin{array}{c}(\mathrm{xo},\mathrm{yo})=\underset{({\mathrm{xo}}_p,{\mathrm{yo}}_p)}{\arg \max }\left(\underset{r^{\&prime;}}{\max }\left(\mathrm{Grad}(r^{\&prime;},{\mathrm{xo}}_p,{\mathrm{yo}}_p)\right)\right),\\ {\mathrm{ro}}_{\mathrm{ref}}=\underset{r^{\&prime;}}{\arg \max }\left(\mathrm{Grad}(r^{\&prime;},\mathrm{xo},\mathrm{yo})\right)\end{array}\right.$

公式中，(xo,yo)和ro_ref分别为虹膜外边界的圆心和参考半径。

优选地，定位虹膜外边界参考半径的方法进一步包括：

根据虹膜区域外边界邻域△r内的径向梯度对所述外边界的参考半径ro_ref进行微调，公式如下：

$\mathrm{ro}=\left\{\begin{array}{c}\mathrm{round}\left(\mathrm{mean}({\mathrm{ro}}_{\mathrm{ref}}+\mathrm{\&Sigma;}{r}_{\mathrm{\&Delta;}})\right),\&Exists;\mathrm{Grad}(r_{\mathrm{\&Delta;}},\mathrm{xo},\mathrm{yo})\&GreaterEqual;\mathrm{\&delta;Grad}({\mathrm{ro}}_{\mathrm{ref}},\mathrm{xo},\mathrm{yo})\\ {\mathrm{ro}}_{\mathrm{ref}},\mathrm{else}\end{array}\right.$

公式中，r_△∈[ro_ref-△r,ro_ref)∪(ro_ref,ro_ref+△r]，δ∈(0,1)为权重因子，ro为虹膜外边界半径。

本发明的有益效果如下：

本发明所述技术方案，避免了在大范围内对虹膜边界参数进行逐点的三维空间搜索，以及对边缘检测和区域分割复杂阈值的自适应确定，并且受光源像点和光照不均等干扰影响较小，能够实现快速而精确的虹膜定位，从而有助于提高虹膜识别***的识别速度和准确率。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出一种基于径向梯度检测的虹膜定位方法的流程图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

一种基于径向梯度检测的虹膜定位方法的具体步骤是：

第一步，获取虹膜图像，估测瞳孔中心的位置并将其作为参考点划分待搜索虹膜区域。

首先，搜索可能存在光源像点的位置。实际中采集到的虹膜图像存在不同程度的干扰，为了消除高频干扰对虹膜边界定位的影响，对虹膜图像进行平滑处理：

imgfil＝imfilter(eyeimage,H)；      (1)

公式中，eyeimage是采集到的虹膜图像，H是3×3的高斯低通滤波模板。虹膜图像中，光源像点的灰度值远远大于其他像素的灰度值，利用阈值分割和连通域检测搜索光源像点可能存在的位置：

$\left\{\begin{array}{c}\mathrm{BWL}=(\mathrm{imgfil}>=T_{\mathrm{light}});\\ [\mathrm{label}\_\mathrm{light},\mathrm{numl}]=\mathrm{bwlabel}(\mathrm{BWL},8);\end{array}\right.---\left(2\right)$

公式中，numl为光源像点连通区域的个数，设T_light＝225为光源像点灰度检测阈值。估测每个可能的光源像点的行、列坐标：

$\left\{\begin{array}{c}[\mathrm{xi},\mathrm{yi}]=\mathrm{find}(\mathrm{label}\_\mathrm{light}==i),i=\mathrm{1,2},...\mathrm{numl};\\ {\mathrm{xl}}_i=\mathrm{round}((\max \left(\mathrm{xi}\right)+\min \left(\mathrm{xi}\right))/2);\\ {\mathrm{yl}}_i=\mathrm{round}((\max \left(\mathrm{yi}\right)+\min \left(\mathrm{yi}\right))/2);\\ \mathrm{loc}\_\mathrm{light}={\left\{({\mathrm{xl}}_i,{\mathrm{yl}}_i)\right\}}_{i=\mathrm{1,2},...\mathrm{numl}};\end{array}\right.---\left(3\right)$

公式中，loc_light为可能的光源像点直角坐标的中心行、列坐标对向量。

然后，搜索可能存在瞳孔区域的位置。由于真实的瞳孔区域内存在光源像点，为了消除光源像点的干扰，对虹膜图像进行局部填充：

imgcom＝imcomplement(imfill(imcomplement(imgfil),'holes'))；  (4)

虹膜图像中，瞳孔区域的灰度值远远小于其他像素的灰度值，利用阈值分割和连通域检测搜索瞳孔区域可能存在的位置：

$\left\{\begin{array}{c}\mathrm{BWP}=(\mathrm{imgcom}<T_{\mathrm{pupil}});\\ [\mathrm{label}\_\mathrm{pupil},\mathrm{nump}]=\mathrm{bwlabel}(\mathrm{BWP},8);\end{array}\right.---\left(5\right)$

公式中，nump为瞳孔中心连通区域的个数，设T_pupil＝30为瞳孔区域灰度检测阈值。估测每个可能的瞳孔的行、列坐标及其半径：

$\left\{\begin{array}{c}[\mathrm{xj},\mathrm{yj}]=\mathrm{find}(\mathrm{label}\_\mathrm{pupil}==j),j=\mathrm{1,2},...\mathrm{nump};\\ {\mathrm{xp}}_j=\mathrm{round}((\max \left(\mathrm{xj}\right)+\min \left(\mathrm{xj}\right))/2);\\ {\mathrm{yp}}_j=\mathrm{round}((\max \left(\mathrm{yj}\right)+\min \left(\mathrm{yj}\right))/2);\\ {\mathrm{rp}}_j=\mathrm{round}(((\max \left(\mathrm{xj}\right)-\min \left(\mathrm{xj}\right))+(\max \left(\mathrm{yj}\right)-\min \left(\mathrm{yj}\right)))/4);\\ \mathrm{loc}\_\mathrm{pupil}={\left\{({\mathrm{xp}}_j,{\mathrm{yp}}_j)\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\\ \mathrm{rad}\_\mathrm{pupil}={\left\{{\mathrm{rp}}_j\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\end{array}\right.---\left(6\right)$

公式中，loc_pupil为可能的瞳孔中心直角坐标的行、列坐标对向量，rad_pupil为其对应的半径向量。

最后，通过检测可能的光源像点与瞳孔的相对位置，找出内部包含光源像点的瞳孔区域即为真实的瞳孔，估测其中心位置(xp_a,yp_a)为：

$\left\{\begin{array}{c}({\mathrm{xp}}_a,{\mathrm{yp}}_a)=(\mathrm{xp},\mathrm{yp}),(\mathrm{xp},\mathrm{yp})\&Element;\mathrm{loc}\_\mathrm{pupil}\\ s.t.\sqrt{{(\mathrm{xp}-\mathrm{xl})}^2+{(\mathrm{yp}-\mathrm{yl})}^2}\&le;\mathrm{rp},(\mathrm{xl},\mathrm{yl})\&Element;\mathrm{loc}\_\mathrm{light},\mathrm{rp}\&Element;\mathrm{rad}\_\mathrm{pupil}\end{array}\right.---\left(7\right)$

瞳孔中心的实际位置与估测位置的水平或竖直偏差一般在3个像素以内，即瞳孔中心位置可能的直角坐标(xp_p,yp_p)满足：

$\left\{\begin{array}{c}({\mathrm{xp}}_r,{\mathrm{yp}}_r)\&Element;\left\{({\mathrm{xp}}_p,{\mathrm{yp}}_p)\right\},\\ s.t.-3<{\mathrm{xp}}_p-{\mathrm{xp}}_a<3\&cap;-3<{\mathrm{yp}}_p-{\mathrm{yp}}_a<3\end{array}\right.---\left(8\right)$

公式中，(xp_r,yp_r)为实际的瞳孔中心位置坐标。

第二步，将待搜索虹膜区域按极坐标展开为一定大小的矩形区域。

设虹膜图像imgcom的分辨率为S_h×S_w，待搜索虹膜区域的分辨率为N_s×N_s，其中N_s＝min{S_h,S_w}/2。以每一个可能的瞳孔中心坐标(xp_p,yp_p)为原点，将其N_s×N_s大小的矩形邻域按极坐标展开为(N_s/2)×360大小的矩形区域，即通过在半径和角度方向上进行采样，将待搜索虹膜区域内的每一点(x,y)映射到由极坐标(r,θ)表示的矩形区域内：

I(x(r,θ),y(r,θ))→I(r,θ),I(x,y)∈imgcom  (9)

公式中，r在径向位置，范围是[1,N_s/2]，半径采样点数为N_s/2；θ沿角度方向，范围是[0°,360°)，角度采样点数是360。

第三步，利用径向梯度检测法定位虹膜区域的内边界。

设虹膜区域内边界的圆心为(xp,yp)，半径为rp，利用径向梯度检测法定位虹膜区域的内边界(xp,yp,rp)。

在第一步中估测出虹膜内边界的圆心坐标为(xp_a,yp_a)，设其5×5邻域内存在(xp,yp)。以每一个可能的虹膜内边界圆心坐标(xp_p,yp_p)为原点，按照第二步的方法得到一个(N_s/2)×360大小的矩形采样阵I(r,θ,xp_p,yp_p)，在每一个I上沿r(行)方向求出其径向梯度向量Grad(r,xp_p,yp_p)：

Grad(r)＝sum(I(r+1,:))-sum(I(r,:))；   (10)

公式中，r＝1,2,…,N_r-1。

统计每一个径向梯度向量Grad(r,xp_p,yp_p)的峰值，其中最大峰值(径向梯度最大值)对应的三维参数向量(r,xp_p,yp_p)即为虹膜内边界的参数：

$\left\{\begin{array}{c}(\mathrm{xp},\mathrm{yp})=\underset{({\mathrm{xp}}_p,{\mathrm{yp}}_p)}{\arg \max }\left(\underset{r}{\max }\left(\mathrm{Grad}(r,{\mathrm{xp}}_p,{\mathrm{yp}}_p)\right)\right),\\ \mathrm{rp}=\underset{r}{\arg \max }\left(\mathrm{Grad}(r,\mathrm{xp},\mathrm{yp})\right)\end{array}\right.---\left(11\right)$

公式中，(xp,yp)和rp分别为虹膜内边界的圆心坐标和半径长度。

第四步，利用径向梯度检测法定位虹膜区域的外边界。

设虹膜区域外边界的圆心为(xo,yo)，半径为ro，利用径向梯度检测法定位虹膜区域的外边界(xo,yo,ro)。

虽然虹膜区域的内、外边界非同心圆，但外边界的圆心(xo,yo)在内边界圆心(xp,yp)的N_o×N_o邻域内，即：

公式中，(xo_p,yo_p)为虹膜外边界圆心可能的坐标。实际中，设定N_o＝5。

以每一个可能的虹膜外边界圆心坐标(xo_p,yo_p)为原点，按照第二步的方法得到一个(N_s/2)×360大小的矩形采样阵I(r,θ,xo_p,yo_p)，在每一个I上沿r(行)方向求出其径向梯度向量Grad(r’,xo_p,yo_p)：

Grad(r')＝sum(I(r'+1,:))-sum(I(r',:))；    (13)

公式中，r’＝rp+1,rp+2,…,N_r-1。

统计每一个径向梯度向量Grad(r’,xo_p,yo_p)的峰值，其中最大峰值(径向梯度最大值)对应的三维参数向量(r’,xo_p,yo_p)即为虹膜外边界的参数：

$\left\{\begin{array}{c}(\mathrm{xo},\mathrm{yo})=\underset{({\mathrm{xo}}_p,{\mathrm{yo}}_p)}{\arg \max }\left(\underset{r^{\&prime;}}{\max }\left(\mathrm{Grad}(r^{\&prime;},{\mathrm{xo}}_p,{\mathrm{yo}}_p)\right)\right),\\ {\mathrm{ro}}_{\mathrm{ref}}=\underset{r^{\&prime;}}{\arg \max }\left(\mathrm{Grad}(r^{\&prime;},\mathrm{xo},\mathrm{yo})\right)\end{array}\right.---\left(14\right)$

公式中，(xo,yo)为虹膜外边界的圆心，ro_ref为参考半径。

在实际的虹膜图像中，虹膜区域外边界邻域△r内的像素灰度变化较为平缓，区域分割界限没有内边界处那么明显，因此需要根据邻域△r内的径向梯度对外边界的参考半径ro_ref进行微调：

$\mathrm{ro}=\left\{\begin{array}{c}\mathrm{round}\left(\mathrm{mean}({\mathrm{ro}}_{\mathrm{ref}}+\mathrm{\&Sigma;}{r}_{\mathrm{\&Delta;}})\right),\&Exists;\mathrm{Grad}(r_{\mathrm{\&Delta;}},\mathrm{xo},\mathrm{yo})\&GreaterEqual;\mathrm{\&delta;Grad}({\mathrm{ro}}_{\mathrm{ref}},\mathrm{xo},\mathrm{yo})\\ {\mathrm{ro}}_{\mathrm{ref}},\mathrm{else}\end{array}\right.---\left(15\right)$

公式中，r_△∈[ro_ref-△r,ro_ref)∪(ro_ref,ro_ref+△r]，δ∈(0,1)为权重因子，ro为虹膜外边界半径。实际中，设△r＝5，δ＝0.75。

通过以上步骤，即可求得虹膜区域的内、外边界参数(xp,yp,rp)和(xo,yo,ro)，完成虹膜定位。

综上所述，本发明所述技术方案避免了在大范围内对虹膜边界参数进行逐点的三维空间搜索，以及对边缘检测和区域分割复杂阈值的自适应确定，并且受光源像点和光照不均等干扰影响较小。针对中科院自动化所虹膜数据库CASIA 1.0中的图像进行测试，Wildes经典的基于Hough圆检测的虹膜定位算法平均耗时为2.97s，而上述的基于径向梯度检测的虹膜定位算法平均耗时仅为0.14s(计算机的CPU为Intel i5-3470s，4G内存，***为Windows XPSP3，测试软件为MATLAB R2012a)。因此，上述算法能够实现快速而精确的虹膜定位，从而有助于提高虹膜识别***的识别速度和准确率。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (9)

1.一种基于径向梯度检测的虹膜定位方法，其特征在于，该方法步骤包括：

S1、基于光源像点与瞳孔的相对位置估测瞳孔中心位置可能的直角坐标(xp_p,yp_p)；

S2、以所述估测的瞳孔中心位置可能的直角坐标为原点，将待搜索虹膜区域按极坐标展开为矩形区域；

S3、在所述矩形区域内，利用径向梯度检测法定位虹膜区域的内边界；

S4、在所述矩形区域内，利用径向梯度检测法定位虹膜区域的外边界。

2.根据权利要求1所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S1进一步包括步骤：

S11、改变光源阵的排列形式、调节光源与相机的相对位置使光源像点聚集于瞳孔内的某一处；

S12、搜索可能存在光源像点的位置；

S13、搜索可能存在瞳孔区域的位置；

S14、基于可能的光源像点与瞳孔的相对位置估测内部包含光源像点的瞳孔区域中心位置的直角坐标。

3.根据权利要求2所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S12进一步包括步骤：

S121、对虹膜图像进行平滑处理，公式如下：

imgfil＝imfilter(eyeimage,H)；

公式中，eyeimage是采集到的虹膜图像，H是平滑滤波算子；

S122、利用阈值分割和连通域检测搜索光源像点可能存在的位置，公式如下：

$\left\{\begin{array}{c}\mathrm{BWL}=(\mathrm{imgfil}>=T_{\mathrm{light}});\\ [\mathrm{label}\_\mathrm{light},\mathrm{numl}]=\mathrm{bwlabel}(\mathrm{BWL},8);\end{array}\right.$

公式中，numl为可能存在光源像点的连通区域的个数，T_light为光源像点灰度检测阈值；

S123、估测每个可能的光源像点的直角坐标，公式如下：

$\left\{\begin{array}{c}[\mathrm{xi},\mathrm{yi}]=\mathrm{find}(\mathrm{label}\_\mathrm{light}==i),i=\mathrm{1,2},...\mathrm{numl};\\ {\mathrm{xl}}_i=\mathrm{round}((\max \left(\mathrm{xi}\right)+\min \left(\mathrm{xi}\right))/2);\\ {\mathrm{yl}}_i=\mathrm{round}((\max \left(\mathrm{yi}\right)+\min \left(\mathrm{yi}\right))/2);\\ \mathrm{loc}\_\mathrm{light}={\left\{({\mathrm{xl}}_i,{\mathrm{yl}}_i)\right\}}_{i=\mathrm{1,2},...\mathrm{numl}};\end{array}\right.$

公式中，loc_light为可能的光源像点中心对应的直角坐标的行、列坐标对向量。

4.根据权利要求2所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S13进一步包括步骤：

S131、对虹膜图像进行局部填充，公式如下：

imgcom＝imcomplement(imfill(imcomplement(imgfil),'holes'))；

S132、利用阈值分割和连通域检测搜索瞳孔区域可能存在的位置，公式如下：

$\left\{\begin{array}{c}\mathrm{BWP}=(\mathrm{imgcom}<T_{\mathrm{pupil}});\\ [\mathrm{label}\_\mathrm{pupil},\mathrm{nump}]=\mathrm{bwlabel}(\mathrm{BWP},8);\end{array}\right.$

公式中，nump为可能存在瞳孔的连通区域的个数，T_pupil为瞳孔区域灰度检测阈值；

S133、估测每个可能的瞳孔的行、列坐标及其半径，公式如下：

$\left\{\begin{array}{c}[\mathrm{xj},\mathrm{yj}]=\mathrm{find}(\mathrm{label}\_\mathrm{pupil}==j),j=\mathrm{1,2},...\mathrm{nump};\\ {\mathrm{xp}}_j=\mathrm{round}((\max \left(\mathrm{xj}\right)+\min \left(\mathrm{xj}\right))/2);\\ {\mathrm{yp}}_j=\mathrm{round}((\max \left(\mathrm{yj}\right)+\min \left(\mathrm{yj}\right))/2);\\ {\mathrm{rp}}_j=\mathrm{round}(((\max \left(\mathrm{xj}\right)-\min \left(\mathrm{xj}\right))+(\max \left(\mathrm{yj}\right)-\min \left(\mathrm{yj}\right)))/4);\\ \mathrm{loc}\_\mathrm{pupil}={\left\{({\mathrm{xp}}_j,{\mathrm{yp}}_j)\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\\ \mathrm{rad}\_\mathrm{pupil}={\left\{{\mathrm{rp}}_j\right\}}_{j=\mathrm{1,2},...\mathrm{nump}};\end{array}\right.$

公式中，loc_pupil为可能的瞳孔中心对应直角坐标的行、列坐标对向量，rad_pupil为可能的瞳孔区域对应的半径向量。

5.根据权利要求2所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S14进一步包括步骤：

S141、搜索内部包含光源像点的瞳孔区域，估测瞳孔中心位置的直角坐标(xp_a,yp_a)，公式如下：

$\left\{\begin{array}{c}({\mathrm{xp}}_a,{\mathrm{yp}}_a)=(\mathrm{xp},\mathrm{yp}),(\mathrm{xp},\mathrm{yp})\&Element;\mathrm{loc}\_\mathrm{pupil}\\ s.t.\sqrt{{(\mathrm{xp}-\mathrm{xl})}^2+{(\mathrm{yp}-\mathrm{yl})}^2}\&le;\mathrm{rp},(\mathrm{xl},\mathrm{yl})\&Element;\mathrm{loc}\_\mathrm{light},\mathrm{rp}\&Element;\mathrm{rad}\_\mathrm{pupil}\end{array}\right.;$

S142、统计瞳孔中心位置可能的直角坐标(xp_p,yp_p)，公式如下：

-3<xp_p-xp_a<3∩-3<yp_p-yp_a<3。

6.根据权利要求1所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S2进一步包括：

以每一个可能的瞳孔中心坐标(xp_p,yp_p)为原点，将其N_h×N_w大小的矩形邻域按极坐标展开为N_r×N_θ大小的矩形区域，其中N_h和N_w分别是矩形区域的高和宽，展开方法为将虹膜区域N_h×N_w内的每一点(x,y)映射到由极坐标(r,θ)表示的矩形区域N_r×N_θ内，公式如下：

I(x(r,θ),y(r,θ))→I(r,θ),I(x,y)∈imgcom

公式中，半径r在径向位置，范围是[1,R_m]，其中R_m是限定的虹膜边界半径最大值，径向采样点数是N_r；角度θ沿角度方向，范围是[0°,360°)，角度采样点数是N_θ。

7.根据权利要求1所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S3进一步包括：

设定虹膜区域的内边界为(xp,yp)、半径为rp；

以每一个可能的虹膜内边界圆心坐标(xp_p,yp_p)为原点，进行按极坐标展开矩形区域的步骤S2，得到一个N_r×N_θ大小的矩形采样阵I(r,θ,xp_p,yp_p)，在每一个I上沿r方向求出其径向梯度向量Grad(r,xp_p,yp_p)，公式如下：

Grad(r)＝sum(I(r+1,:))-sum(I(r,:))；

公式中，r＝1,2,…,N_r-1；

统计每一个径向梯度向量Grad(r,xp_p,yp_p)的峰值，其中最大峰值对应的三维参数向量(r,xp_p,yp_p)为虹膜内边界的参数，公式如下：

$\left\{\begin{array}{c}(\mathrm{xp},\mathrm{yp})=\underset{({\mathrm{xp}}_p,{\mathrm{yp}}_p)}{\arg \max }\left(\underset{r}{\max }\left(\mathrm{Grad}(r,{\mathrm{xp}}_p,{\mathrm{yp}}_p)\right)\right),\\ \mathrm{rp}=\underset{r}{\arg \max }\left(\mathrm{Grad}(r,\mathrm{xp},\mathrm{yp})\right)\end{array}\right.$

公式中，(xp,yp)和rp分别为虹膜内边界的圆心坐标和半径。

8.根据权利要求1所述基于径向梯度检测的虹膜定位方法，其特征在于，所述步骤S4进一步包括：

设定外边界的圆心为(xo,yo)、半径为ro；

外边界的圆心(xo,yo)在内边界圆心(xp,yp)的N_o×N_o邻域内，公式如下：

公式中，(xo_p,yo_p)为虹膜外边界圆心可能的坐标，N_o≤5；

以每一个可能的虹膜外边界圆心坐标(xo_p,yo_p)为原点，进行按极坐标展开矩形区域的步骤S2，得到一个N_r×N_θ大小的矩形采样阵I(r,θ,xo_p,yo_p)，在每一个I上沿r方向求出其径向梯度向量Grad(r’,xo_p,yo_p)，公式如下：

Grad(r')＝sum(I(r'+1,:))-sum(I(r',:))；

公式中，r’＝rp+1,rp+2,…,N_r-1；

统计每一个径向梯度向量Grad(r’,xo_p,yo_p)的峰值，其中最大峰值对应的三维参数向量(r’,xo_p,yo_p)为虹膜外边界的参数，公式如下：

$\left\{\begin{array}{c}(\mathrm{xo},\mathrm{yo})=\underset{({\mathrm{xo}}_p,{\mathrm{yo}}_p)}{\arg \max }\left(\underset{r^{\&prime;}}{\max }\left(\mathrm{Grad}(r^{\&prime;},{\mathrm{xo}}_p,{\mathrm{yo}}_p)\right)\right),\\ {\mathrm{ro}}_{\mathrm{ref}}=\underset{r^{\&prime;}}{\arg \max }\left(\mathrm{Grad}(r^{\&prime;},\mathrm{xo},\mathrm{yo})\right)\end{array}\right.$

公式中，(xo,yo)和ro_ref分别为虹膜外边界的圆心和参考半径。

9.根据权利要求8所述基于径向梯度检测的虹膜定位方法，其特征在于，所述定位虹膜外边界参考半径的方法进一步包括：

根据虹膜区域外边界邻域△r内的径向梯度对所述外边界的参考半径ro_ref进行微调，公式如下：

$\mathrm{ro}=\left\{\begin{array}{c}\mathrm{round}\left(\mathrm{mean}({\mathrm{ro}}_{\mathrm{ref}}+\mathrm{\&Sigma;}{r}_{\mathrm{\&Delta;}})\right),\&Exists;\mathrm{Grad}(r_{\mathrm{\&Delta;}},\mathrm{xo},\mathrm{yo})\&GreaterEqual;\mathrm{\&delta;Grad}({\mathrm{ro}}_{\mathrm{ref}},\mathrm{xo},\mathrm{yo})\\ {\mathrm{ro}}_{\mathrm{ref}},\mathrm{else}\end{array}\right.$

公式中，r_△∈[ro_ref-△r,ro_ref)∪(ro_ref,ro_ref+△r]，δ∈(0,1)为权重因子，ro为虹膜外边界半径。