CN106485210A - 一种基于椭圆检测的虹膜检测方法 - Google Patents
一种基于椭圆检测的虹膜检测方法 Download PDFInfo
- Publication number
- CN106485210A CN106485210A CN201610848692.4A CN201610848692A CN106485210A CN 106485210 A CN106485210 A CN 106485210A CN 201610848692 A CN201610848692 A CN 201610848692A CN 106485210 A CN106485210 A CN 106485210A
- Authority
- CN
- China
- Prior art keywords
- circle
- iris
- detection
- ellipses
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于椭圆检测的虹膜检测方法,一种基于椭圆检测的虹膜检测方法,包括以下步骤:步骤1:获得包含眼睛区域的图像;步骤2:对眼睛区域做椭圆检测;步骤2的具体过程为:步骤2‑1:使用ELSD算法对眼睛区域做椭圆检测:改变ELSD的敏感度,共执行N次,得到N组圆的信息;步骤2‑2:根据得到的圆信息,以圆信息中圆周点的点集构造圆周;步骤2‑3:针对点集中的每一个点,构造该点的特征向量,选取该点特征参数进行加权处理后得到特征向量,特征参数包括圆心坐标、半径、弧度、弧长、圆周点坐标;步骤2‑4:对特征向量进行分类,取个体数最多的一类作为目标类,并保存各个特征向量的圆周点坐标;步骤2‑5:利用步骤2‑4中的圆周点坐标做圆拟合。
Description
技术领域
本发明涉及虹膜的提取技术,具体涉及一种基于椭圆检测的虹膜检测方法。
背景技术
虹膜图像的提取技术具有很高的应用价值。准确,健壮,快速的眼球图像提取是人机交互,表情分析,视线控制,疲劳监控等其他计算机视觉技术应用的前提和基础。
传统的虹膜提取技术一般基于脸部正面图像,利用边缘提取或者阈值分隔的技术进行处理,由于一方面对图像的明暗,阴影,光照等成像条件十分敏感,另一方面算法中涉及的主观参数过多,不易进行实时,自适应的调整,所以健壮性不强,一般仅在具有良好成像条件的特定环境(如医院的眼动分析仪,头盔式虹膜检测装置等)中应用,而在一般的大众生活类应用场景(如监控摄像头,手机摄像头等)中则不适应,会出现大量的误判,漏检等情况。因此,随着当今摄像头应用的日益普及,有必要研究和提出新的适用范围更广,健壮性更强的虹膜图像提取方法。
发明内容
本发明提出一种基于椭圆检测的虹膜检测方法,对一般环境下由普通摄像头捕获到的人脸进行眼睛的识别和定位,最终达到虹膜提取的目的,达到适应各种光照、图像质量进行高精准度提取虹膜的目的。
本发明通过下述技术方案实现:
一种基于椭圆检测的虹膜检测方法,包括以下步骤:
步骤1:获得包含眼睛区域的图像;
步骤2:对眼睛区域做椭圆检测;
步骤2的具体过程为:
步骤2-1:使用ELSD算法对眼睛区域做椭圆检测:提取图像灰度值,改变ELSD的敏感度,共执行N次,得到N组圆的信息;
步骤2-2:根据得到的圆信息,以圆信息中圆周点的点集构造圆周;
步骤2-3:针对点集中的每一个点,构造该点的特征向量,选取该点特征参数进行加权处理后得到特征向量,特征参数包括圆心坐标、半径、弧度、弧长、圆周点坐标;
步骤2-4:对特征向量进行分类,取个体数最多的一类作为目标类,并保存各个特征向量的圆周点坐标;
步骤2-5:利用步骤2-4中的圆周点坐标做圆拟合,得到最终虹膜所在的圆的参数。
本发明的设计原理为:在任意光照、任意图像质量情况下,获得包含眼睛区域的图像,为了适应各种光照,图像质量等条件,为虹膜检测的适用范围更广、健壮性更强。本发明利用ELSD算法对眼睛区域做椭圆检测,在提取图像灰度值后,利用ELSD算法对眼睛区域做椭圆检测,检测的结果有三个类型,分别为直线,圆和椭圆。这里把圆和椭圆(长半轴大小改为短半轴大小,看做半径)化为都看做圆,并且舍去直线。ELSD检测算法的简单说明:ELSD全称Ellipse and Line Segment Detector,是一种运用图像梯度的方向等信息,通过对像素分类,然后对各类做筛选,判断它们是否符合直线,椭圆,圆等特征,从而来检测出圆弧,直线的方法。为适应各种光照,图像质量等条件,采用多次ELSD检测,每次ELSD检测的前置条件为改变ELSD的敏感度,这样多次进行检测后,可以得到多组圆的信息,然后筛选掉半径远远大于或小于眼睛范围和圆心远远偏离眼部中心的圆,这样就可以克服光照、图像质量的影响,找到较为精准的圆信息。由于虹膜所在的圆在整个眼部范围的特征是很强的,所以多次检测中会有很多次检测出同样圆心和半径的圆,这里对特征参数进行加权处理,将特征增加得更强,使得干扰参数和目标参数能更加明显的区分,然后再进行分类,由于前几步去除了大量干扰数据,且由于虹膜所在的圆,其圆弧很长(圆周点多),出现频率也很频繁(半径,圆心等特征多次出现),所以这里取2个类中个体数最多的一类作为目标类,并保存各个特征向量的圆周点信息(x,y),这样就可以筛选出精准的圆周点信息。最终利用圆周点信息做圆拟合,得到虹膜圆的参数。
优选的,步骤2-1中,得到N组圆的信息后需要进行筛除操作,筛除操作具体为:筛除掉半径远大于或小于眼睛范围和圆心远远偏离眼部中心的圆。起到去掉干扰参数的目的。
步骤2-1的具体过程为:
改变ELSD的敏感度:敏感度从M1到M2,每次0.01递增,共执行N次,
每改变一次ELSD的敏感度,便执行一次ELSD算法对区域做椭圆检测,检测的结果有三个类型,分别为直线、圆和椭圆,这里把椭圆的长半轴大小改为短半轴大小、并化为半径,将椭圆化为圆,并且舍去直线,共执行N次后,得到N组圆的信息。该步骤采用多次检测,获得N组圆的信息,避免光照、图像质量的影响。
优选的,M1为0.7,M2为0.9,N为20。
优选的,加权处理的具体过程为:将圆心坐标取平方处理、半径取三次方处理 、弧度乘以1处理、弧长取平方处理、圆周点坐标乘以1处理。该加权手段可以更加准确的增强特征向量。
优选的,对特征向量进行分类的方法为:使用kmeans++算法将特征向量分为两个类。
优选的,利用步骤2-4中的圆周点坐标做圆拟合的方法为:利用最小二乘的方法,计算参数矩阵,得到最终虹膜所在的圆的参数,圆的参数为圆心、半径。
所述参数矩阵如下式1:
式1: ;
其中圆的参数为:,
式1中,Xi表示为步骤2-4中的圆周点坐标的x坐标,yi表示为步骤2-4中的圆周点坐标的y坐标,
X为最终虹膜所在的圆的圆心X坐标,Y为最终虹膜所在的圆的圆心y坐标,r为最终虹膜所在的圆的半径。
优选的 ,获得包含眼睛区域的图像的过程为:采用手机摄像头获得含有眼睛区域的图像,对采集的图像做人脸检测,得到人脸的区域数据,截取眼睛区域获得包含眼睛区域的图像。
本发明与现有技术相比,具有如下的优点和有益效果:
使用本方法无需严格的脸部正面图像,对摄像头及其成像环境的要求不高,所以能广泛的应用在一般的生活或者娱乐场景中,从而为人机交互,表情分析,视线控制,疲劳监控等其他计算机视觉应用打下坚实的基础。在本发明中,一方面,综合利用了人脸识别等最新的机器学习和深度学习方法,大大增加了复杂环境下进行识别和定位的健壮性,另一方面本着由初步筛选,结合人眼和虹膜的特点建立健壮的特征向量的方式,进一步提高了精度和适应性。另外,使用点集来做圆拟合的方式,得到最终筛选结果(含圆心,半径信息),也大大的提高了结果的精确度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的基本流程图。
图2为采用人脸检测获得的人脸图像。
图3为从图2中截取的眼睛区域。
图4为椭圆检测结果。
图5为圆聚类结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,一种基于椭圆检测的虹膜检测方法,包括以下步骤:
步骤1:获得包含眼睛区域的图像,如图3所示;
步骤2:对眼睛区域做椭圆检测,如图4所示;
步骤2的具体过程为:
步骤2-1:使用ELSD算法对眼睛区域做椭圆检测:提取图像灰度值,改变ELSD的敏感度,共执行N次,得到N组圆的信息;
步骤2-2:根据得到的圆信息,以圆信息中圆周点的点集构造圆周;
步骤2-3:针对点集中的每一个点,构造该点的特征向量,选取该点特征参数进行加权处理后得到特征向量,特征参数包括圆心坐标、半径、弧度、弧长、圆周点坐标;
步骤2-4:对特征向量进行分类,取个体数最多的一类作为目标类,并保存各个特征向量的圆周点坐标,如图5所示;
步骤2-5:利用步骤2-4中的圆周点坐标做圆拟合,得到最终虹膜所在的圆的参数。
本发明的设计原理为:在任意光照、任意图像质量情况下,获得包含眼睛区域的图像,为了适应各种光照,图像质量等条件,为虹膜检测的适用范围更广、健壮性更强。本发明利用ELSD算法对眼睛区域做椭圆检测,在提取图像灰度值后,利用ELSD算法对眼睛区域做椭圆检测,检测的结果有三个类型,分别为直线,圆和椭圆。这里把圆和椭圆(长半轴大小改为短半轴大小,看做半径)化为都看做圆,并且舍去直线。ELSD检测算法的简单说明:ELSD全称Ellipse and Line Segment Detector,是一种运用图像梯度的方向等信息,通过对像素分类,然后对各类做筛选,判断它们是否符合直线,椭圆,圆等特征,从而来检测出圆弧,直线的方法。为适应各种光照,图像质量等条件,采用多次ELSD检测,每次ELSD检测的前置条件为改变ELSD的敏感度,这样多次进行检测后,可以得到多组圆的信息,然后筛选掉半径远远大于或小于眼睛范围和圆心远远偏离眼部中心的圆,这样就可以克服光照、图像质量的影响,找到较为精准的圆信息。由于虹膜所在的圆在整个眼部范围的特征是很强的,所以多次检测中会有很多次检测出同样圆心和半径的圆,这里对特征参数进行加权处理,将特征增加得更强,使得干扰参数和目标参数能更加明显的区分,然后再进行分类,由于前几步去除了大量干扰数据,且由于虹膜所在的圆,其圆弧很长(圆周点多),出现频率也很频繁(半径,圆心等特征多次出现),所以这里取2个类中个体数最多的一类作为目标类,并保存各个特征向量的圆周点信息(x,y),这样就可以筛选出精准的圆周点信息。最终利用圆周点信息做圆拟合,得到虹膜圆的参数。
实施例2
在上述实施例的基础上,优选的,步骤2-1中,得到N组圆的信息后需要进行筛除操作,筛除操作具体为:筛除掉半径远大于或小于眼睛范围和圆心远远偏离眼部中心的圆。起到去掉干扰参数的目的。
实施例3
在上述实施例的基础上,优选的,步骤2-1的具体过程为:
改变ELSD的敏感度:敏感度从M1到M2,每次0.01递增,共执行N次,
每改变一次ELSD的敏感度,便执行一次ELSD算法对区域做椭圆检测,检测的结果有三个类型,分别为直线、圆和椭圆,这里把椭圆的长半轴大小改为短半轴大小、并化为半径,将椭圆化为圆,并且舍去直线,共执行N次后,得到N组圆的信息。该步骤采用多次检测,获得N组圆的信息,避免光照、图像质量的影响。
优选的,M1为0.7,M2为0.9,N为20。
实施例4
在上述实施例的基础上,优选的,优选的,加权处理的具体过程为:将圆心坐标取平方处理、半径取三次方处理 、弧度乘以1处理、弧长取平方处理、圆周点坐标乘以1处理。该加权手段可以更加准确的增强特征向量。
优选的,对特征向量进行分类的方法为:使用kmeans++算法将特征向量分为两个类。
实施例5
在上述实施例的基础上,优选的,优选的,利用步骤2-4中的圆周点坐标做圆拟合的方法为:利用最小二乘的方法,计算参数矩阵,得到最终虹膜所在的圆的参数,圆的参数为圆心、半径。
所述参数矩阵如下式1:
式1:;
其中圆的参数为:,
式1中,Xi表示为步骤2-4中的圆周点坐标的x坐标,yi表示为步骤2-4中的圆周点坐标的y坐标,
X为最终虹膜所在的圆的圆心X坐标,Y为最终虹膜所在的圆的圆心y坐标,r为最终虹膜所在的圆的半径。
优选的 ,获得包含眼睛区域的图像的过程为:采用手机摄像头获得含有眼睛区域的图像,对采集的图像做人脸检测,得到人脸的区域数据,如图2所示,截取眼睛区域获得包含眼睛区域的图像。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于椭圆检测的虹膜检测方法,其特征在于,包括以下步骤:
步骤1:获得包含眼睛区域的图像;
步骤2:对眼睛区域做椭圆检测;
步骤2的具体过程为:
步骤2-1:使用ELSD算法对眼睛区域做椭圆检测:提取图像灰度值,改变ELSD的敏感度,共执行N次,得到N组圆的信息;
步骤2-2:根据得到的圆信息,以圆信息中圆周点的点集构造圆周;
步骤2-3:针对点集中的每一个点,构造该点的特征向量,选取该点特征参数进行加权处理后得到特征向量,特征参数包括圆心坐标、半径、弧度、弧长、圆周点坐标;
步骤2-4:对特征向量进行分类,取个体数最多的一类作为目标类,并保存各个特征向量的圆周点坐标;
步骤2-5:利用步骤2-4中的圆周点坐标做圆拟合,得到最终虹膜所在的圆的参数。
2.根据权利要求1所述的一种基于椭圆检测的虹膜检测方法,其特征在于,
步骤2-1中,得到N组圆的信息后需要进行筛除操作,筛除操作具体为:筛除掉半径远大于或小于眼睛范围和圆心远远偏离眼部中心的圆。
3.根据权利要求1所述的一种基于椭圆检测的虹膜检测方法,其特征在于,步骤2-1的具体过程为:
改变ELSD的敏感度:敏感度从M1到M2,每次0.01递增,共执行N次,
每改变一次ELSD的敏感度,便执行一次ELSD算法对区域做椭圆检测,检测的结果有三个类型,分别为直线、圆和椭圆,这里把椭圆的长半轴大小改为短半轴大小、并化为半径,将椭圆化为圆,并且舍去直线,共执行N次后,得到N组圆的信息。
4.根据权利要求3所述的一种基于椭圆检测的虹膜检测方法,其特征在于,M1为0.7,M2为0.9,N为20。
5.根据权利要求1-4中任意一项所述的一种基于椭圆检测的虹膜检测方法,其特征在于,加权处理的具体过程为:将圆心坐标取平方处理、半径取三次方处理 、弧度乘以1处理、弧长取平方处理、圆周点坐标乘以1处理。
6.根据权利要求1-4中任意一项所述的一种基于椭圆检测的虹膜检测方法,其特征在于,对特征向量进行分类的方法为:使用kmeans++算法将特征向量分为两个类。
7.根据权利要求1-4中任意一项所述的一种基于椭圆检测的虹膜检测方法,其特征在于,利用步骤2-4中的圆周点坐标做圆拟合的方法为:利用最小二乘的方法,计算参数矩阵,得到最终虹膜所在的圆的参数,圆的参数为圆心、半径。
8.根据权利要求7所述的一种基于椭圆检测的虹膜检测方法,其特征在于,所述参数矩阵如下式1:
式1:
;
其中圆的参数为:,
式1中,Xi表示为步骤2-4中的圆周点坐标的x坐标,yi表示为步骤2-4中的圆周点坐标的y坐标,
X为最终虹膜所在的圆的圆心X坐标,Y为最终虹膜所在的圆的圆心y坐标,r为最终虹膜所在的圆的半径。
9.根据权利要求7所述的一种基于椭圆检测的虹膜检测方法,其特征在于,获得包含眼睛区域的图像的过程为:采用手机摄像头获得含有眼睛区域的图像,对采集的图像做人脸检测,得到人脸的区域数据,截取眼睛区域获得包含眼睛区域的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610848692.4A CN106485210B (zh) | 2016-09-26 | 2016-09-26 | 一种基于椭圆检测的虹膜检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610848692.4A CN106485210B (zh) | 2016-09-26 | 2016-09-26 | 一种基于椭圆检测的虹膜检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485210A true CN106485210A (zh) | 2017-03-08 |
CN106485210B CN106485210B (zh) | 2019-09-20 |
Family
ID=58267537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610848692.4A Active CN106485210B (zh) | 2016-09-26 | 2016-09-26 | 一种基于椭圆检测的虹膜检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485210B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358224A (zh) * | 2017-08-18 | 2017-11-17 | 北京工业大学 | 一种白内障手术中虹膜外轮廓检测的方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587541A (zh) * | 2009-06-18 | 2009-11-25 | 上海交通大学 | 基于人体轮廓的人物识别方法 |
CN101923645A (zh) * | 2009-06-09 | 2010-12-22 | 黑龙江大学 | 适应复杂应用场景中低质量虹膜图像的虹膜分割方法 |
CN103971089A (zh) * | 2014-03-18 | 2014-08-06 | 中山大学深圳研究院 | 一种基于GVF Snakes模型的虹膜定位算法 |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
-
2016
- 2016-09-26 CN CN201610848692.4A patent/CN106485210B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923645A (zh) * | 2009-06-09 | 2010-12-22 | 黑龙江大学 | 适应复杂应用场景中低质量虹膜图像的虹膜分割方法 |
CN101587541A (zh) * | 2009-06-18 | 2009-11-25 | 上海交通大学 | 基于人体轮廓的人物识别方法 |
CN103971089A (zh) * | 2014-03-18 | 2014-08-06 | 中山大学深圳研究院 | 一种基于GVF Snakes模型的虹膜定位算法 |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
Non-Patent Citations (1)
Title |
---|
赵楠等: "一种基于圆锥理论的单目图像视线检测算法", 《机电一体化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358224A (zh) * | 2017-08-18 | 2017-11-17 | 北京工业大学 | 一种白内障手术中虹膜外轮廓检测的方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN111291706B (zh) * | 2020-02-24 | 2022-11-22 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106485210B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020000908A1 (zh) | 一种人脸活体检测方法及装置 | |
CN102708361B (zh) | 远距离人脸采集方法 | |
KR100453943B1 (ko) | 개인 식별을 위한 홍채 영상의 처리 및 인식방법과 시스템 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能***的手势识别*** | |
CN109255324A (zh) | 手势处理方法、交互控制方法及设备 | |
CN104123543B (zh) | 一种基于人脸识别的眼球运动识别方法 | |
CN107644418B (zh) | 基于卷积神经网络的视盘检测方法及*** | |
CN109165589A (zh) | 基于深度学习的车辆重识别方法和装置 | |
CN108985210A (zh) | 一种基于人眼几何特征的视线追踪方法及*** | |
CN105117705B (zh) | 一种虹膜图像质量级联式评价方法 | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN107563996B (zh) | 一种新型视神经盘分割方法及*** | |
CN104021384B (zh) | 一种人脸识别方法及装置 | |
CN105022999A (zh) | 一种人码伴随实时采集*** | |
CN109426789A (zh) | 手和图像检测方法和***、手分割方法、存储介质和设备 | |
CN103218615B (zh) | 人脸判定方法 | |
CN106650606A (zh) | 人脸图像的匹配及处理方法、人脸图像模型构建*** | |
Agarwal et al. | Enhanced binary hexagonal extrema pattern (EBH X EP) descriptor for iris liveness detection | |
WO2021197466A1 (zh) | 眼球检测方法、装置、设备及存储介质 | |
CN112069986A (zh) | 高龄老人眼动机器视觉跟踪方法及装置 | |
CN108288265A (zh) | 一种面向hcc病理图像细胞核的分割与分类方法 | |
CN108108658A (zh) | 生物特征识别方法 | |
CN105631285A (zh) | 一种生物特征身份识别方法及装置 | |
Xiong et al. | Automatic cataract classification based on multi-feature fusion and SVM | |
Tian et al. | Face anti-spoofing by learning polarization cues in a real-world scenario |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |