一种快速有效的虹膜图像预处理方法

龚军辉， 陈爱萍， 唐勇奇， 黄 峰

（湖南工程学院电气信息学院，湖南 湘潭 411101）

在高度信息化的当今社会，传统的身份鉴别方法由于易遗忘、易假冒盗用等缺点，已不符合现代数字社会的需求。基于生物特征的身份鉴别技术之一的虹膜识别技术，因其唯一性、稳定性、可采集性、不可更改性、非侵犯性等特点，已被广泛认为是二十一世纪具有发展前途的生物认证技术。虹膜位于眼球上的角膜之后、晶状体之前，是黑色的瞳孔和白色的巩膜之间的环状部分，结构复杂，一旦形成便终生不会改变[1-4]。

虹膜图像通过图像采集装置采集后，需要对其进行预处理。虹膜图像预处理是虹膜识别的一个关键步骤，主要包括去噪、边缘检测、虹膜定位、归一化、眼睑睫毛去除等。虹膜图像预处理是影响虹膜识别系统的速度和准确性的关键因素，也是虹膜识别系统中的一个难点，主要原因有以下几个方面：

1）虹膜定位速度的是影响到整个系统识别时间的主要因素；

2）在自然状态下，采集到得虹膜图像的眼睑和睫毛往往会遮挡虹膜一部分的面积，将影响虹膜识别的准确性；

3）虹膜内外边界都具有较好的圆环特性，因此传统的虹膜定位算法都是采用圆形检测算子定位虹膜内外边缘，但虹膜内外边界并不是标准的圆，这将会导致错误的定位及一些遗留问题；

4）虹膜外边缘灰度梯度变化较小且与虹膜外边缘接触区域灰度相差不大。

为解决这些问题,本算法首先对虹膜图像采用数学形态学进行处理，大量减少了边缘图像中非虹膜边缘点数，从而缩短定位的时间；然后采用Hough变换的方法，对虹膜外边缘定位，展开后，进行二值化处理，去除瞳孔图像部分，得到自然的虹膜内边缘；最后对展开去瞳孔后的虹膜图像的直方图，采用双直线拟合法，求取检测眼睑和睫毛的阈值，去除虹膜图像中的眼睑和睫毛。

1 虹膜图像边缘检测及定位

对于虹膜定位，国内外专家学者提出了很多种算法，通用的算法有Daugman的微积分方法[2]、Wildes的边缘检测结合Hough 变换方法[5-6]，何家峰等提出的粗定位与精定位相结合的两步定位法[7]，及吴建华等提出的一种灰度投影与圆的方程相结合的方法[8]、苑玮琦等提出的3个不共线的边缘点来快速定位[9]等。在用Hough 变换方法进行定位时，虹膜边缘定位较准确，但由于Hough变换要在三维空间中搜索圆心位置和半径参数，因此检测到的边缘点数量多少将是影响虹膜定位时间长短的一个重要因素。在虹膜的边缘图像中，有大量的由随机噪声、眼睑、眼睫毛及光斑等因素产生的非虹膜边缘的边缘点。

1.1 虹膜图像的边缘检测

数学形态学是分析几何形状和结构的数学方法。数学形态学的数学基础和所用语言是集合论，由一组形态学的代数运算组成。数学形态学基本运算有4种：膨胀运算、腐蚀运算、开运算和闭运算。若有结构元素b，对虹膜图像I进行灰度膨胀记为I⊕b，其定义为

上式中，DI和Db分别是图像I和结构元素b的定义域。

用结构元素b对虹膜图像I进行灰度腐蚀记为IΘb，其定义为

上式中，DI和Db同样是图像I和结构元素b的定义域。

灰度形态学中用b开启记为I·b，定义为

灰度形态学中用b闭合记为I·b，定义为

图像灰度的开启运算消除尺寸较小的亮细节，灰度闭合运算能消除尺寸较小的暗细节。因此在对虹膜图像运用灰度的开启闭合运算消除光斑、睫毛及部分随机噪声后，再用Canny算子进行边缘检测，非虹膜边缘点减少。

1.2 虹膜外边缘定位

虹膜图像中瞳孔灰度值比其他区域都低且灰度分布较均匀，所以虹膜内边界定位相对外边界来说要容易。但虹膜的内边界往往不是规则的圆，用Hough变换对内边缘定位的效果并不理想。因此，在先采用灰度投影法对虹膜外边缘圆心进行粗略定位后，再运用Hough变换先对虹膜外边缘进行精定位。对虹膜图像I，使用灰度投影法按式（1）进行[7]

其中：M表示为图像高，N表示宽，(X0，Y0)表示为粗定位的圆心。

以粗定位圆心(X0，Y0) 为基点,在边缘图像中，根据式（2）可定位出精定位的圆心坐标为(X0，Y0)。

其中：x，y为检测到边缘点，先通过式(3)求边缘点到假定圆心(x0，y0)的距离与半径之差值，若差值小于1，则标记为(x0，y0，r)的点，由式(4)对所有在圆(x0，y0，r)的边缘点求和，由式(5)采用投票机制定位出所求的圆。

1.3 虹膜内边缘定位

虹膜的内边缘虽然具有较好的圆形特征，但并不是标准的圆，且大多数与外边缘并不同心，当瞳孔变形厉害时，两者的圆心会偏离较远。在不同光线照射下，瞳孔变形尤其明显。因此，在对已定位好外边缘的图像参考Daugman算法进行展开，得到矩形虹膜图像，再进行二值化处理，最终得到自然的虹膜内边缘。

将对展开的虹膜图像I(i,j)二值化，得到高为m，宽为n的二值图像Bi(i,j)，由于瞳孔区域像素灰度明显要低于虹膜眼睑区域的灰度，而睫毛面积相对较少且比较分散。若有二值图像Bi(i,j)，在每行的投影值为

若有展开后虹膜图像的行为i0，使S(i0)不为零且最少，则有去瞳孔模板

上式中，m为展开后虹膜图像的高，则定位自然瞳孔边缘的模板为：

2 眼睑、睫毛检测与去除

在虹膜图像中，眼睫毛相比虹膜灰度要低得多，而眼睑灰度则要比虹膜灰度高。对大量归一化后虹膜的图像的值方图统计分析发现，对于没有眼睫毛和眼睑影响的虹膜图像，展开归一化后的虹膜图像灰度分布有一定规律，其直方图轮廓能用双线很好的拟合。眼睑和睫毛的影响，会使直方图轮廓的两边发生变化。若展开后的图像中有眼睫毛，由于睫毛灰度相对虹膜偏低，则在图像直方图的灰度值较低的部分出现相对拉长或凸起，下降梯度改变；若展开后的图像中有眼睑，由于眼睑的灰度值相对虹膜灰度较高，则在直方图的灰度值较高的部分出现不规则变化且相对拉长或凸起，下降梯度改变。根据归一化后虹膜图像灰度值分布的这一规律，采用双直线对虹膜图像直方图轮廓拟合，得到分割眼睫毛和眼睑的阈值，检测出虹膜中眼睑和睫毛。若有展开归一化后的虹膜图像I，直方图为P，则去除眼睑和睫毛的具体步骤为：

1）对展开归一化后的虹膜图像I求取直方图P；

2）寻找直方图P中最大值的max(P(x))，x为灰度值，x∈[0 255]，标记使P(x)最大时，灰度值x为Pmax；

3）双直线拟合区间分别为[Lpmax]，[pmaxH]，其中L，H根据pmax来确定；

4）分别对区间的数据进行线性拟合，得到两直线参数为k1，b1，k2，b2；

5）则睫毛分割阈值，眼睑分割阈值分别为

3 实验结果与分析

实验所采用的虹膜图像为中科院自动化所自主开发的采集设备采集到的CASIA-IrisV3虹膜数据库，共包括108人1023幅8位灰度虹膜图像，分辨率为320×280，实验采用Intel奔腾双核T4200处理器，2G主频，2G内存，及matlab2008软件对图像进行测试。

3.1 虹膜边缘检测及定位测试与分析

对中科院CASIA-IrisV3虹膜数据库中的人眼图像进行边缘检测，得到的结果如下：图1为未进行数学形态学去噪声直接用Canny算子检测到的虹膜边缘图像，可以明显看出有大量的非虹膜边缘点，图2为运用了数学形态学处理后去噪后得到的虹膜边缘图像，可以明显看出，图2中由睫毛和光斑的产生的非虹膜边缘点数大大减少。图3为使用此两种方法对CASIA-IrisV3虹膜数据库进行边缘检测边缘点数结果统计图，Nce为对数据库图像用Canny算子检测的边缘图像的边缘点数统计曲线，Nmce为对数据库图像用数学形态学算子处理后检测到的边缘图像的边缘点数统计曲线。图4为两种方法虹膜边缘点在整个边缘图像中的百分比统计图，Pc为直接用Canny算子检测到的虹膜边缘在整个边缘图像中所占比例，Pmc为数学形态学算子处理后检测到的虹膜边缘在整个边缘图像中所占比例。统计结果显示使用改进的方法比直接用Canny算子检测边缘图像，平均边缘点数由5415点减少到565点，虹膜边缘点在整个边缘图像中平所占百分比平均由1.98%提高到8.15%。应用本文的虹膜边缘检测方法，在减少非虹膜边缘点数的同时增大了虹膜边缘点在整个虹膜边缘图像中的百分比，由于Hough变换在三维空间中搜索参数且采用投票机制来确定圆心位置和半径，因此这在减少定位时间的同时提高定位的准确率。图5为内外边缘定位后的虹膜图像。

图1 Canny算子检测到的虹膜边缘图像

图2 数学形态学处理后检测到的虹膜边缘图像

图3 边缘检测边缘点数结果统计图

图4 虹膜边缘点对虹膜边缘图像百分比统计图

图5 内外边缘定位后的虹膜图像

对整个图像库进行测试，实验结果与Daugman圆探测算法以及Hough变换算法进行对比如表1所示。

表1 本文算法与Daugman圆探测算法及Hough变换算法比较表

3.2 虹膜边缘定位与眼睑睫毛检测结果与分析

对定位展开后的虹膜图像，采用双直线拟合虹膜直方图轮廓，图6为对虹膜图像直方图轮廓进行拟合，实线为虹膜图像直方图轮廓图，虚线为拟合后的直方图。对没有睫毛和眼睑影响的虹膜图像，灰度分布轮廓用双直线能很好的拟合。由双直线拟合法求得检测眼睑和睫毛的阈值为Th1，Th2，灰度值小于Th1的像素检测为睫毛，高于Th2的像素检测为眼睑。图7为采用双直线拟合求阈值法检测出眼睑和睫毛的虹膜图像，对数据库实验结果显示，该方法能有效地检测出眼睑和睫毛所在区域，具有较好的健壮性。

图6 双直线拟合虹膜直方图

图7 检测出眼睑和睫毛的虹膜图像

4 结 论

本文提出的虹膜图像预处理方法，首先采用数学形态学算子对图像进行处理后，再用Hough变换虹膜外边缘定位，展开归一化图像后进行二值化处理，定位出自然的虹膜内边缘，最后采用双直线拟合法，对图像中的眼睑和睫毛去除。运用这种虹膜图像预处理方法可以满意地解决虹膜定位时间较长、虹膜内边界变形较大、眼睑和眼毛的普遍存在等问题。

[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, 廖曙铮, 叶虎年, 等. 虹膜定位[J]. 中国图象图形学报, 2000, 5A(3): 252-255.

[8]吴建华, 邹德旋, 李静辉. 一种快速精确的虹膜定位算法[J]. 仪器仪表学报, 2007, 28(8): 1469-1473.

[9]苑玮琦, 林忠华, 徐 露. 一种基于人眼结构特征的新颖虹膜定位算法[J]. 光电工程, 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.