一種用于虹膜識(shí)別的眼瞼和睫毛檢測(cè)算法

周 俊，羅 挺，李 敏，余叢斌

(1．后勤工程學(xué)院 信息工程系，重慶 401331;2．后勤工程學(xué)院 訓(xùn)練部模擬中心，重慶 401331)

虹膜識(shí)別是利用虹膜豐富的紋理信息對(duì)人的身份進(jìn)行認(rèn)證的生物特征識(shí)別技術(shù)，不同個(gè)體之間虹膜相同的概率為1/1072［1］，相對(duì)于指紋識(shí)別、人臉識(shí)別等典型生物特征識(shí)別技術(shù)，虹膜識(shí)別的準(zhǔn)確率是最高的［2］。

由于虹膜識(shí)別系統(tǒng)在采集圖像時(shí)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(huì)被誤認(rèn)為虹膜紋理特征，從而對(duì)虹膜識(shí)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(cè)算法主要有:①邊緣檢測(cè)與Hough空間變換相結(jié)合的拋物線檢測(cè)法［5］;②基于拋物線路徑求灰度積分和差分檢測(cè)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(dǎo)致速度較慢的問題;第③類方法提取一定的眼瞼邊緣點(diǎn)，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(fù)雜，準(zhǔn)確檢測(cè)難度最大［8］，據(jù)報(bào)道較有效的算法是KONG的基于一維Gabor濾波器和鄰域標(biāo)準(zhǔn)差的睫毛檢測(cè)法，一維Gabor濾波器對(duì)檢測(cè)稀疏分散的睫毛比較有效，鄰域標(biāo)準(zhǔn)差對(duì)濃密成塊的睫毛比較有效，但該算法需設(shè)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(cè)算法。

針對(duì)以上算法的不足，提出了一種新的上、下眼瞼檢測(cè)算法和睫毛檢測(cè)算法。首先對(duì)眼瞼區(qū)域進(jìn)行灰度形態(tài)學(xué)運(yùn)算去除睫毛、光斑的影響;然后根據(jù)眼瞼邊緣的灰度特點(diǎn)提取邊緣點(diǎn)，用最小二乘法對(duì)邊緣點(diǎn)進(jìn)行上、下眼瞼邊緣擬合;最后對(duì)眼瞼邊緣精確定位。根據(jù)虹膜區(qū)域圖像灰度自適應(yīng)生成閾值對(duì)睫毛進(jìn)行分割。實(shí)驗(yàn)結(jié)果表明:眼瞼算法能有效、快速地檢測(cè)眼瞼，抗干擾性強(qiáng);睫毛檢測(cè)算法能有效、簡(jiǎn)便和最大限度地檢測(cè)出睫毛。

1 上眼瞼檢測(cè)

通過文獻(xiàn)［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(shí)根據(jù)文獻(xiàn)［10］中算法確定上眼瞼邊緣區(qū)域，上眼瞼的檢測(cè)步驟為分割上眼瞼邊緣區(qū)域及預(yù)處理、尋找邊緣點(diǎn)集和上眼瞼邊緣擬合。

(1)分割上眼瞼邊緣區(qū)域及預(yù)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(cè)速度，利用虹膜內(nèi)外邊緣參數(shù)進(jìn)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(diǎn)(xt，yt)應(yīng)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(cè)過程都在該區(qū)域進(jìn)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(xué)結(jié)構(gòu)元素b，對(duì)分割的上眼瞼邊緣區(qū)域進(jìn)行形態(tài)學(xué)灰度閉－開運(yùn)算。進(jìn)行一次形態(tài)學(xué)閉運(yùn)算，能消除睫毛等暗色細(xì)節(jié)的影響，閉運(yùn)算結(jié)果如圖2(b)所示。形態(tài)學(xué)開運(yùn)算削弱比結(jié)構(gòu)元素尺寸小的明亮細(xì)節(jié)，并且相對(duì)保持整體灰度級(jí)和大塊的明亮區(qū)域不變。再進(jìn)行一次開運(yùn)算后結(jié)果如圖2(c)所示。

圖2 上眼瞼區(qū)域分割及預(yù)處理過程

(2)尋找邊緣點(diǎn)集。對(duì)上眼瞼邊緣區(qū)域每列的灰度值進(jìn)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(biāo)為行坐標(biāo)，縱坐標(biāo)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(diǎn)，“谷”點(diǎn)對(duì)應(yīng)的是眼瞼邊緣點(diǎn)，靠左右端的眼瞼邊緣點(diǎn)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(diǎn)(xt，yt)滿足以下條件:

其中:I為灰度函數(shù);arg minx［·］為取括號(hào)內(nèi)最小值的x。式(1)含義為眼瞼邊緣點(diǎn)為每列灰度最小值對(duì)應(yīng)點(diǎn)，而每列灰度最小值點(diǎn)往往不唯一，設(shè)第j列上檢測(cè)到n個(gè)灰度最小值點(diǎn){x1，…，xn}，則在第j列上的眼瞼邊緣點(diǎn)行坐標(biāo)為:

圖3 上眼瞼區(qū)域每列灰度分布

對(duì)圖2(a)提取上眼瞼邊緣點(diǎn)，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(duì)檢測(cè)到的邊緣點(diǎn)進(jìn)行拋物線擬合。對(duì)上眼瞼邊緣擬合結(jié)果如圖5所示。

圖4 上眼瞼邊緣點(diǎn)

圖5 上眼瞼邊緣擬合結(jié)果

2 下眼瞼檢測(cè)

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

(1)分割下眼瞼邊緣區(qū)域及預(yù)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(diǎn)(xb，yb)滿足:xb∈［xp+rp+5，xi－ ri］，yb∈［yi－ri，yi+ri］，對(duì)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(jìn)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(xué)結(jié)構(gòu)元素，進(jìn)行一次灰度形態(tài)學(xué)開運(yùn)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(diǎn)集。筆者對(duì)下眼瞼區(qū)域進(jìn)行梯度變換，求最大梯度和區(qū)間確定下眼瞼邊緣點(diǎn)。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(yù)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(zhǎng)一定像素tr，所確定的圓形區(qū)域?yàn)榉腔叶忍荻茸儞Q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(diǎn)(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(duì)下眼瞼邊緣區(qū)域進(jìn)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(diǎn)(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(duì)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(gè)像素，對(duì)于離散像素點(diǎn)求梯度積分即為求梯度累加和，求出積分最大值A(chǔ)max(i)。

其中:Amax(i)為第i列上6個(gè)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(shè)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(diǎn)坐標(biāo)為:

最后得到下眼瞼邊緣點(diǎn)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(duì)下眼瞼邊緣點(diǎn)進(jìn)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(diǎn)過程

因?yàn)樾螒B(tài)學(xué)灰度運(yùn)算使得邊緣過渡帶變寬，所以擬合得到的眼瞼邊緣并不準(zhǔn)確，需要在眼瞼擬合結(jié)果基礎(chǔ)上進(jìn)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(dòng)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(huì)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(shí)眼瞼邊緣位置參數(shù)c0應(yīng)滿足式(7):

通過對(duì)拋物線上的像素灰度值積分，再對(duì)c求差分，使式(7)輸出達(dá)到最大的c為c0，設(shè)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(dòng)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(cè)

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(huì)被誤認(rèn)為虹膜紋理［12］，但睫毛的檢測(cè)不會(huì)像虹膜內(nèi)外緣定位那樣會(huì)對(duì)虹膜識(shí)別產(chǎn)生重大影響［13］，為提高睫毛檢測(cè)速度，利用睫毛灰度比虹膜灰度低的特點(diǎn)，采取自適應(yīng)閾值法對(duì)虹膜區(qū)域的睫毛進(jìn)行分割。如圖10(a)所示，在采用文獻(xiàn)［9］的算法對(duì)虹膜進(jìn)行定位的基礎(chǔ)上，利用上述眼瞼定位算法對(duì)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(kù)，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(cè)結(jié)果。

將上眼瞼拋物線下移一定像素Δc，同時(shí)拋物線與瞳孔區(qū)域無(wú)交點(diǎn)，通過對(duì)拋物線上像素點(diǎn)灰度值的分析，如圖10(d)所示，顯示Δc取不同值時(shí)拋物線上像素點(diǎn)灰度的分布，因?yàn)榻廾啾戎車缒せ叶戎档?，所以在分布圖中的極小值點(diǎn)對(duì)應(yīng)睫毛像素點(diǎn)。設(shè)Δc所對(duì)應(yīng)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(yīng)大于ΔT，則Δc所對(duì)應(yīng)的睫毛檢測(cè)閾值為 TΔc，TΔc取{T1，T2，…，Tn}中的最大值。當(dāng) Δc取不同值時(shí)，{Δc1，Δc2，…，Δcn}對(duì)應(yīng)一系列睫毛檢測(cè)閾值{TΔc1，TΔc2，…，TΔcn}，最終睫毛檢測(cè)閾值Teyelash取{TΔc1，TΔc2，…，TΔcn}中的最大值，這里 ΔT=15，從圖10(c)睫毛檢測(cè)結(jié)果可知，睫毛被最大限度地分割出來了，但是一些細(xì)微的睫毛末梢未被檢測(cè)出。

圖10 眼睫毛檢測(cè)過程

5 實(shí)驗(yàn)結(jié)果與分析

為測(cè)試算法的性能，采用中科院自動(dòng)化所虹膜圖像庫(kù) CASIA［14－15］(version 2．0)進(jìn)行實(shí)驗(yàn)，CASIA(version 2．0)包括 device1和 device2兩個(gè)虹膜庫(kù)，每個(gè)庫(kù)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(shè)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(kù)相比，該虹膜庫(kù)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(shí)驗(yàn)平臺(tái)為Matlab 7+WIN XP+Intel Core 2．0G CPU。將筆者的眼瞼檢測(cè)算法與Hough算法，以及筆者的眼睫毛檢測(cè)算法與文獻(xiàn)［8］算法，從主觀準(zhǔn)確率、耗費(fèi)時(shí)間兩個(gè)方面進(jìn)行比較，結(jié)果如表1和表2所示，每次眼瞼檢測(cè)中只要上眼瞼或下眼瞼檢測(cè)失敗則認(rèn)為該次眼瞼檢測(cè)失敗。

表1 眼瞼檢測(cè)算法比較

表2 眼睫毛檢測(cè)算法比較

從表1可以看出，筆者的算法對(duì)CASIA(version 2．0)虹膜庫(kù)中絕大多數(shù)人眼圖像都能快速、準(zhǔn)確地檢測(cè)出眼瞼邊緣，避免了文獻(xiàn)［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(yán)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(cè)算法與文獻(xiàn)［8］算法在主觀準(zhǔn)確率和速度上相當(dāng)，但是筆者的算法是根據(jù)虹膜區(qū)域圖像自適應(yīng)生成的閾值，與文獻(xiàn)［8］相比并不需過多地設(shè)置參數(shù)，更具操作的簡(jiǎn)便性。

6 結(jié)論

眼瞼和睫毛檢測(cè)對(duì)虹膜識(shí)別率的提高具有重要意義，筆者利用眼瞼邊緣灰度的特點(diǎn)確定眼瞼邊緣點(diǎn)，利用最小二乘法對(duì)邊緣點(diǎn)進(jìn)行上、下眼瞼邊緣擬合，最后精確定位上、下眼瞼。該眼瞼檢測(cè)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(cè)算法自適應(yīng)生成睫毛分割閾值，相比傳統(tǒng)算法不需設(shè)置較多的參數(shù)，體現(xiàn)了簡(jiǎn)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(jìn)的方面:①尋找自適應(yīng)結(jié)構(gòu)元素，在灰度形態(tài)學(xué)運(yùn)算中更好地清除上眼瞼睫毛干擾。②改進(jìn)閾值自適應(yīng)生成算法，更好地檢測(cè)出細(xì)微的睫毛末梢。

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

［2］ 田啟川，張潤(rùn)生．生物特征識(shí)別綜述［J］．計(jì)算機(jī)應(yīng)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(yáng)．用于虹膜識(shí)別的眼瞼及眼睫毛遮擋檢測(cè)［J］．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，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(shí)別［D］．西安:西北工業(yè)大學(xué)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(xué)院學(xué)報(bào)，2010，26(3):81 －85．

［13］ 馬爭(zhēng)，黃煒．曲線擬合的虹膜定位算法研究［J］．電子科技大學(xué)學(xué)報(bào)，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(shí)別方法研究［D］．沈陽(yáng):沈陽(yáng)工業(yè)大學(xué)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(fù)雜條件下虹膜識(shí)別算法［D］．合肥:中國(guó)科學(xué)技術(shù)大學(xué)圖書館，2008．