（计算机应用技术专业论文）主动轮廓线虹膜定位的改进算法研究.pdf

独创性声明 删幽删j j i f f 删 y 18 2 4 7 甘j | i 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及 取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论 文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得重庞 自e 电态堂或其他教育机构的学位或证书而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 意。 学位论文作者签名：q 惨 签字眺7 年夕月哆日 1 学位论文版权使用授权书 本学位论文作者完全了解重麽整电太堂有关保留、使用学位论 文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权重麽整曳太堂可以将学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：寻俨 导师签名： 蓟屯 期3 7 年月罗期：吵月 摘要 主动轮廓线模型( s n a k e ) 是一种有效的复杂轮廓提取及图像解释方法， 它通过不断地极小化自身的能量函数来达到定位物体边界的目的。但是， 传统的s n a k e 模型及其应用仍存在一些问题，如对初始位置敏感，需要依赖 其它机制将主动轮廓线的蛇点放置在图像中目标附近，以致弱边界图像求 解效果较差。尽管已有研究为视觉问题提出了特定的解决方案，但是具体 问题的解决还需要提出具体的解决方法，得到一些适合的能量函数，建立 较好的数学模型。好的函数能使s n a k e 模型很好地收敛到最小位置，否则可 能收敛到局部的点，甚至发散。针对以上问题，本文提出一种基于改进s n a k e 模型的虹膜定位算法：研究能量函数的构造和蛇点的自适应分布，用傅里 叶描述子来描述目标的轮廓，图像力采用图像本身的梯度值，使s n a k e 很好 地收敛于轮廓边界。 首先根据灰度投影原理，灰度累计最小为瞳孔的大致中心，即为初始 化点。然后应用改进s n a k e 模型的能量函数，均匀地对蛇点进行搜索。在 搜索中的开始阶段由于受到噪音的影响，往往误差较大，可以加大外部能 量函数的调整以减少误差，经过一段时间的迭代，各蛇点的轮廓开始逼近 目标轮廓，直到其到达虹膜的边界为止。最后以瞳孔的半径为虹膜外边界 的初始半径，使用圆板匹配算法定位外边界，然后得出整个虹膜边界。 本文以c a s i a 虹膜数据库( 标准虹膜特征定位数据库) 为操作集对该方 法进行了仿真和实验测试。实验结果表明，改进的s n a k e 算法能够提高定 位速度与精度。同时，该算法不用特征提取和二值化，缩短了s n a k e 的整 体轮廓的定位时间。 关键词：虹膜定位，虹膜识别，主动轮廓线模型 _ 一 a b s t r a c t a c t i v ec o n t o u rm o d e l ( s n a k e ) i sav e r ye f f e c t i v em e t h o df o rc o m p l e x c o n t o u re x t r a c t i o na n di m a g ei n t e r p r e t a t i o n ，w h i c ha c h i e v e st h ep o s i t i o n i n go f t h eb o u n d a r yo fo b je c t sb yc o n t i n u o u s l ym i n i m i z i n gt h e i re n e r g yf u n c t i o n h o w e v e r ，t h e r ea r es t i l ls o m ei s s u e sf o rt h et r a d i t i o n a ls n a k em o d e ia n di t s a p p l i c a t i o n ， s u c ha ss e n s i t i v et ot h ei n i t i a l p o s i t i o n ， r e l y i n go no t h e r m e c h a n i s m st op l a c ea c t i v ec o n t o u rp o i n t so ft h es n a k ei nt h ev i c i n i t yo ft h e t a r g e ti m a g e a sar e s u l t ，t h es o l u t i o no faw e a ko ft h eb o u n d a r yi m a g ei sv e r y p o o r a l t h o u g hs o m es p e c i f i cs o l u t i o n sf b rv i s u a lp r o b l e m sa r ep r e s e n t e d ，b u t p a r t i c u l a rm e t h o d sa r en e e d e dt os o l v ec o n c r e t ep r o b l e m s ，i nw h i c hp r o p e r e n e r g yf u n c t i o na n dab e t t e rm a t h e m a t i cm o d e ls h o u l db ee s t a b l i s h e d ag o o d e n e r g yf h n c t i o nc a ne n s u r et h a tt h es n a k em o d e lc o n v e r g et ot h es m a l l e s t g o o dl o c a t i o n ，o t h e r w i s ei tc o u l dc o n v e r g et ot h ep o i n to fp a r t i a lo re v e n d i v e r g e n c e f o rs o l v i n ga b o v es h o r t c o m i n g s ，t h i sp a p e rp r e s e n t sa n i n l p r o v e di r i s l o c a t i o na l g o r i t h mb a s e d0 ns n a k em o d e l ：o u rm e t h o dc a nm a k et h es n a k e c o n v e r g et ot h eb o u n d a r yc o n t o u rw e l lb ys t u d y i n gt h es t r u c t u r eo ft h ee n e r g y f u n c t i o na n dt h ea d a p t i v ed i s t r i b u t i o no fs n a k ep o i n t s w h a ti sm o r e ，w eu s e t h ef o u r i e rd e s c r i p t o r st od e s c r i b et h eo u t l i n eo ft h eo b j e c t i v e sa n dt h ei m a g e e d g eg r a d i e n tv a l u e sa si m a g ei t s e l ff o r c e f i r s t ， c o m p a r e dt oo t h e rp a r t so ft h ei r i s ，p u p i ld e p a r t m e n th a ss m a l l e r g r a y v a i u e a c c o r d i n g t ot h e p r i n c i p l e o fg r a y ， g r a yp u p i l m i n i m u m c u m u l a t i v ea p p r o x i m a t ec e n t e rp o i n t ，t h a ti si n i t i a lp o i n t t h e nw ea p p l i e dt h e i m p r o v e de n e r g yf u n c t i o nt od oa ne v e ns e a r c hi 0 rt h es n a k ep o i n t s i nt h e b e g i n n i n go ft h e8 e a r c h ，b e c a u s eo ft h ei m p a c to fn o i s e ，e r r o r sa r eo f c e nl a r g e r ， y o uc a ns t e pu pt h ea d ju s t m e n t o ft h ei n t e r n a le n e r g yf u n c t i o ni no r d e rt o r e d u c et h ee r r o r ，a f t e rap e r i o do fi t e r a t i o n ，a n ds n a k e sb e g i nt oc o n t o u rc l o s e t ot h et a r g e tp r o f i l e ，u n t i lt h ea r r i v a lo ft h ei r i s b o r d e r f i n a l l y ，w eu s eh a l fo f t h ei r i sc o n t o u ro r i e n t a t i o na st h ep u p i lo ft h ei r i so u t e rb o u n d a r yr a d i u s ，a n d t h e nw ec a ng e tt h ew h ol eo u t s i d eb o u n d a r yo ft h ei r i s 1 i 重庆邮电大学硕士论文摘要 i nt h i sp a p e r ，s i m u l a t i o na n de x p e r i m e n t a lt e s t i n gb a s e do nc a s i ai r i s d a t a b a s e ( s t a n d a r df b a t u r eo fp o s i t i o n i n gt h ei r i sd a t a b a s e ) a r ep r e s e n t e dt o p r o v et h ep e r f 0 r m a n c eo fo u rm e t h o d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h e i m p r o v e ds n a k ea l g o r i t h mc a ni m p r o v et h es p e e da n da c c u r a c yo fp o s i t i o n i n g a tt h es a m et i m e ，w i t h o u tf e a t u r ee x t r a c t i o na n db i n a r i z a t i o n ，t h ea l g o r i t h m c a ns h o r t e nt h ep o s i t i o n i n gt i m eo fo v e r a l lo u t l i n eo ft h es n a k e k e yw o r d s ：i r i sl o c a l i z a t i o n ，i r i sr e c o g n i t i o n ，a c t i v ec o n t o u rm o d e l h i 重庆邮电大学硕士论文目录 目录 摘要i a b s t r a c t i i 目录i v 第一章绪论1 1 1 研究背景1 1 2 研究现状4 1 3 论文结构7 第二章主动轮廓模型8 2 1 主动视觉定位技术8 2 1 1 主动形状模型( a s m ) 8 2 1 2 变形模板9 2 1 3 主动统计对象模型9 2 2 主动轮廓线模型( s n a k e ) 1 0 2 2 1 基本的s n a k e 模型1 0 2 2 2s n a k e 模型的演化1 2 2 2 3 统计形状建模1 4 2 2 4s n a k e 模型的算法实现过程1 5 2 2 5s n a k e 模型的算法评估1 7 2 2 6 多分辨率框架( m r a s m ) 1 8 2 2 7 仿真实验分析1 9 2 3 本章小结2 0 第三章虹膜定位2 2 3 1 虹膜结构与生物特征2 2 3 2 虹膜识别系统2 3 3 2 1 虹膜图像获取2 3 3 2 2 虹膜图像的预处理2 4 3 2 3 特征表达和提取2 4 3 2 4 虹膜图像的质量评估2 5 3 2 5 模式匹配与分类器设计2 5 3 3 虹膜定位算法2 6 i v 重庆邮电大学硕士论文目录 3 3 1d a u g m a n 的虹膜定位算法2 6 3 3 2w i l d e s 的虹膜定位算法2 8 3 3 3 王蕴红的虹膜定位算法2 9 3 3 4 常用虹膜定位算法比较3 1 3 4 本章小结3 2 第四章基于改进的s n a k e 虹膜定位方法3 3 4 1s n a k e 参数分析3 4 4 1 1 定位虹膜的内边缘3 4 4 1 2 定位虹膜的外边缘3 6 4 2 改进的s n a k e 虹膜定位算法3 8 4 2 1 离散化s n a k e 模型3 9 4 2 2 改进s n a k e 模型3 9 4 2 3 改变法向力消除部分噪音4 1 4 3 实验结果分析4 1 4 3 1 常用虹膜定位方法的实验结果4 2 4 3 2 改进s n a k e 虹膜定位算法的实验结果分析4 4 4 3 3 以上虹膜定位算法的综合分析4 5 4 4 实验结果4 5 4 5 本章小结4 6 第五章结论及未来的工作4 8 5 1 结论4 8 5 2 未来的工作4 8 致 射5 0 攻读硕士学位期间从事的科研工作及发表的论文5 l 参考文献5 2 v 重庆邮电大学硕士论文第一章绪论 1 1 研究背景 第一章绪论帚一早三百下匕 身份识别是目前模式识别研究领域中的一项极富挑战的课题。在计算 机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要 性，使得身份识别系统有着广泛的应用前景：在国家公共安全领域，可用 于敏感人物智能监控、罪犯抓逃与比对、门禁系统等；在信息安全领域， 可用于电子商务、电子政务、智能考勤、持卡人身份验证等；此外还可以 应用到网络教学支持系统或平台、家庭娱乐等系统中，通过识别学习者或 角色扮演者的心理和情感状态等主观因素，为用户构建一个个性化乃至人 性化的交互环境等。 传统的身份识别方式包括基于知识( 如密码) 的身份认证和基于令牌 ( 如钥匙、i d 卡) 的身份认证。这些方式存在许多缺点，密码存在易泄露、 易攻击和易忘记等问题，而钥匙、i d 卡又存在易丢失、易冒用和易伪造等 问题。这些缺点将带来很多的安全问题。所以，寻找更加方便、可靠和无 侵犯的的身份认证方式是一件十分必要和紧迫的工作，基于生物特征的身 份识别则是这一领域的发展方向。生物特征包括生理特征和行为特征，生 理特征是指与生俱来的特征，如脸像、声音、指纹、虹膜等。行为特征指 后天习惯形成的特征，如笔迹等。每个人都有很多种生物特征，这些特征 不会被忘记和丢失。相比传统身份识别技术而言，基于生物特征识别技术 的安全性是显而易见的。 针对基于生物特征的身份识别技术的研究已经开展多年，并已得到了 广泛的应用。在现代生活当中，通信网络技术与金融交易等的高速发展， 个人身份认证和识别变得越来越重要，尤其对于我国人口众多的国情，身 份认证有着很重要的发展前景与战略意义。在网络交易上，银行运作上， 金融体系上等诸多方面都需要身份识别作为保障。美国政府在“9 1 1 ”事 件以后连续签署了三个国家安全法案，要求采用生物识别技术。2 0 0 3 年6 月，联合国国际民用航空组织已公布了其生物技术的应用规划，将在个人 护照中加入生物特征如指纹、虹膜、人脸特征等，并在入境时进行个人身 份。据国际生物集团的统计，到2 0 0 5 年底，全球生物特征认证技术市场 重庆邮电大学硕士论文第一章绪论 达到2 2 亿美元，并以每年超过8 0 的速度增长。不难预见：随着生物特 征识别技术的成熟，随着技术革新带来的生物特征数据传感器成本的降 低，传统的身份识别方式将逐渐被基于生物特征的身份认证方式所取代。 在生物特征识别技术中，虹膜识别技术由于具有稳定性好、准确率高 等优点而逐步受到人们的重视。近年来虹膜识别技术研究和应用方面都得 到了长足的进步，并表现出广阔的市场前景和市场。利用虹膜图像进行虹 膜身份识别的概念思想最早由a r a ns a f i r 和l e o n a r df l o m 在1 9 8 7 年提出， 但直到19 9 1 年j o h n s o n 才实现了一个自动虹膜识别系统。至今国际上已有 许多研究机构和商业性的公司投入力量对自动虹膜识别技术进行了研究， 如剑桥大学的j o h n gd a u g m a n 博士i 、m i t 人工智能实验室的r i c h a r dp w i l d e 博士、中国科学院自动化研究所的王蕴红博士、s i e m e n sn i x d o r f 公 司等，其中d a u g m a n 提出的算法比较优越，以他的算法为基础制作的系统 可靠性较高，为很多虹膜识别系统采用。 虹膜识别是个人身份认证中的一种新型的生物识别方法。这种识别方 法比诸如指纹识别，脸型识别，声音识别等生物识别方法有无可比拟的优 势。虹膜具有唯一性、稳定性、可采集性、非侵犯性等诸多优点。虹膜纹 理具有以下特征： 1 ) 唯一性。人的虹膜和指纹一样，具有随机的细节特征和纹理图像，。 对于不同的人来说，每一个虹膜都具有丰富的特征，具有非常特别的结构 和独特的纹理特征，任意两个虹膜纹理相同的概率小于1 0 - 3 5 。可以说在整 个人类中，任意两个虹膜纹理的数字特征都是不同的，即便是对于双胞胎 也是如此。甚至对于同一个人来说，左眼和右眼的虹膜的结构与纹理都不 相同，特征都是不一样的。 2 ) 稳定性和不变性。虹膜是在胎儿怀孕的过程当中形成的，自童年后， 虹膜在人的一生中所发生的变化十分微小，基本上认为是终身不变，因此 虹膜特征在人的一生中均保持相当高的稳定性。除非发生病变等特殊情 况，人的虹膜纹理在一生之中都不会改变，而且虹膜属于内部组织，位于 角膜之后，想要通过手术修改、伪造虹膜的难度和危险度都很大，要冒着 视力损伤的危险。 3 ) 非侵犯性。虹膜是可视的生物器官，识别的时候是非侵犯性的。虹 膜图像可以通过相隔一定距离的摄像机捕获，不需对人体进行侵犯( 指纹 识别、视网膜识别均为侵犯型识别) 。非侵犯性的识别方法已经成为了未 来识别技术研究和发展的必然趋势。 4 ) 可靠性。虹膜纹理可提供的特征信息量大，因而在应用于身份识别 2 重庆邮电大学硕士论文第一章绪论 的时候可靠性高。 5 ) 虹膜具有内在的隔离和保护能力。 正是因为虹膜纹理具有上述的唯一性、稳定性、可采集性、非侵犯性 等特点，使得虹膜识别更加可靠，比其他生物识别更加准确。虹膜识别的 广阔市场前景，使之成为了一项国内外都争先研究的技术。虹膜识别系统 可以为银行系统提供先进、安全、可靠的身份鉴别，可以提高银行的办公 效率，营建现代化安全防范技术体系，保护储户群众的利益；通过市场的 导向，企业和研究组织都希望拥有先进的虹膜识别技术、专利和产品，使 之立足市场，同时为社会的身份鉴别与安全等方面做出贡献，提供保障。 与其它的生物识别技术( 如指纹识别、脸型识别、手型识别等) 相比， 虹膜识别技术具有非常明显的优势。表1 1 汇总了几种生物识别方法技术 指标的比较。 表1 1 几种生物识别方法技术指标的比较 项目虹膜识别指纹识别脸型识别手型识别 等错率 o o o 0 0 8 5 2 5 o 2 一2 2 平均识别时间s l533 5 非侵入过程 y e sn oy e sn 0 能完成识别功能 y e sl i m i t e dl i m i t e dn 0 受欺诈行为影响l 0 wm e d i u mm e d i u mm e d i u m 使用的是个人独特特征y e sy e s n o n 0 数据文件大小b y t e s5 1 29 04 0 0 0 9 对用户的友好程度 h i g h m e d i u m h i g h m e d i u m 虹膜识别属于数字图像处理与模式识别技术的一个重要研究方向。数 字图像处理技术是一门系统地研究各种图像理论、技术和应用的多学科交 叉的新型科学。从研究方法来看，它与数学、物理学、生物学、心理学、 电子学、计算机科学等多学科可以相互借鉴：从它的研究范围来看，它与 模式识别、计算机视觉、计算机图形学等多个专业又是相互交叉的。数字 图像处理应用与虹膜识别的研究方向相结合的工作上主要有以下的方面： 1 ) 虹膜的质量评估；2 ) 虹膜图像的定位；3 ) 虹膜图像的增强：4 ) 虹膜特征的 提取。其中虹膜的特征匹配、分类属于模式识别领域的范畴。在整个虹膜 识别系统当中，虹膜的定位与虹膜图像的质量评估是影响整个虹膜识别性 能的关键部分。虹膜的快速定位可以直接减少整个系统识别的时间，提升 重庆邮电大学硕士论文第一章绪论 用户的满意度。而虹膜图像的质量评估，可以提升整个系统特征提取、匹 配、识别的准确率，加强识别算法的健壮性。 到目前为止，对虹膜识别的研究多种多样，研究类型各不相同，算法 各异。但总体的研究结构是基本相同的，主要是虹膜图像的获取、虹膜图 像预处理、虹膜特征提取、虹膜匹配与识别。虹膜定位算法以及虹膜图像 的质量评估算法在整个虹膜识别系统当中占有举足轻重的地位，决定了整 个虹膜识别系统的性能和运行的速度。因此，对于虹膜定位算法和虹膜图 像质量评估算法的研究对于虹膜识别系统的性能提升，研究开发具有不可 估量的研究意义与战略意义，为未来虹膜识别系统的发展，提供很好的参 考价值。 1 2 研究现状 早在1 9 3 6 年，眼科专家f r a n kb u r c h 就指出虹膜具有独特的信息，提 出了利用虹膜独特的纹理来识别身份的想法。后来，这种想法出现在j a m e s b o n d 的电影里，但是仍旧停留在科幻小说和猜想阶段。l9 8 7 年，另外两 个眼科专家a r a ns a f i r 和l e o n a r df l o m 首次提出了利用虹膜图像进行自动 虹膜识别的概念，并申请了专利【2 3 l ，但是他们并没有开发出一个实际的 应用系统。19 9 1 年，美国洛斯阿拉莫斯国家试验室的j o h n s o n 实现了一个 自动虹膜识别系统，这是有文献记载的最早的一个虹膜识别应用系统。 19 9 3 年，英国剑桥大学的j o h nd a u g m a n 提出了一种计算方法，实现了一 个高性能的虹膜识别系统【4 l ，并在1 9 9 4 年将他的虹膜识别算法注册专利， 为虹膜识别技术的实际应用奠定了基础。随后，19 9 4 年r p w i l d e s 研制 出基于图像登记技术的虹膜识别系统【5 1 。l9 9 7 年，w w b o l e s 【6 】等人用小 波变换进行虹膜识别，并取得好的结果。2 0 0 0 年，美国国防高级研究项目 署( d a r p a ) 启动了名为h i d 的研究项目，即远距离身份识别，其中包括远 距离虹膜识别项目( i r i sr e c o g n i t i o na tad i s t a n c e ) ，该项目的研究目的之一 就是将虹膜识别应用于未来的国家安全领域，尤其是国家重要信息和技术 的管理领域。最近，法国的t i s s e 提出用瞬时相位技术提取虹膜特征的方 法：韩国l i m 等人用二维小波变换实现了虹膜的编码。目前，市面上已有 一些自动虹膜识别系统，这些系统大部分都使用了d a u g m a n 的核心识别算 法。 在国内，虹膜识别的研究工作开始相对较晚，上世纪末虹膜识别技术 的研究工作开始兴起。2 0 0 0 年，上海交通大学的康浩【5 0 j 等对虹膜识别技 4 重庆邮电大学硕士论文第一章绪论 术的相关问题进行了研究。同时，华中科技大学的科研人员根据图像的相 关性进行虹膜识别，并实现了虹膜识别演示系统。2 0 0 2 年，清华大学的黄 惠芳等提出了一种新的粗定位和精定位相结合的算法来快速定位虹膜，之 后采用小波变换实现了虹膜识别算法。2 0 0 3 年，北京交通大学的黄雅平等 提出了一种基于独立分量分析的虹膜识别算法。2 0 0 6 年，上海大学的陈颖 设计了基于d s p 的虹膜识别系统。近年来，北京大学信息科学中心也开展 了虹膜识别技术的研究。目前国内的主要研究单位有中科院自动化所、北 京大学、清华大学、上海交通大学等。其中，中国科学院自动化所的研究 人员，用不同的方法进行虹膜识别的研究，并取得较好的结果：自动化所 模式识别国家重点实验室于2 0 0 0 年成功开发出具有自主知识产权的虹膜 识别原形系统【| 7 1 ，他们还利用研制的虹膜图像获取装置建立和共享了用于 科学研究的虹膜数据库一c a s i a 虹膜数据库，这是当前国际上最大的共享 虹膜数据库，正逐渐成为虹膜识别研究领域的公共平台。 在虹膜识别系统当中，定位的准确度直接影响着虹膜识别的性能。定 位不准确就会导致提取的特征向量发生错误，最终导致匹配的错误，使识 别率下降。目前，国内外在虹膜定位的主流算法中，d a u g m a n 的圆模板匹 配算法和w i l d e s 的基于h o u g h 变换的算法【8 】基本成为了现在虹膜定位的主 流算法，而中科院的d z h a n g 提出了改进的r a n s a c 算法【9 】来定位虹膜， 也是一种能得到较好结果的方法。 d a u g m a n 提出一种搜索虹膜的中的方法来定位虹膜的边界。该算法的 速度很大程度上依赖于对虹膜图像库的统计信息。另一个影响因素是算法 首先大致确定瞳孔的圆心区域，然后由该区域的点组成瞳孔圆心的候选 集，以候选集的每一个点为圆心，沿半径方向搜寻圆形模板，这是一个很 耗时间的搜索过程。而候选点集的准确性和大小也决定了算法的速度。 w i l d e s 提出了一种基于h o u g h 变换的方法来定位虹膜边界。h o u 曲变换具 有四个明显的不足：首先，h o u g h 变换的计算量很大，因为每个边缘点必 须投影到参数空间的曲面上，是一对多的投影：再者，运算时占用内存大； 其它是提取的参数受参数空间的量化间隔影响和要求二值图像在参数空 间进行全空间投票，才能得到虹膜内外边缘的参数。因此，算法对选取二 值图像的阈值要求严格，选取得好才能产生足够但又不过多的边缘点进行 投票。d z h a n g 提出了用改进的r a n s a c ( r a n d o ms a m p l ec o n s e n s u s ) 方法 定位虹膜【9 】。算法先是在样本空间中随机找到4 个点构成随机样本集，利 用这当中3 个样本点确定模型的参数( 三点确定一个圆) ，找到临时模型。 最后检验第4 个点是否在临时模型上，如果第四个点不在临时模型上要重 重庆邮电大学硕士论文 第一章绪论 新选择新的随机样本集。否则，则该临时模型为候选模型，然后寻候选模 型的支集( 和圆的距离小于门限值的点集，这些点被认为就是在该圆上) ， 直到支集足够大则该候选模型判为目标模型，否则重选随机样本集。因此， 该算法的缺点是速度很大程度上依赖选取的随机样本集的质量，有可能经 过很多次的随机样本集的选取才找到合适的目标模型，大大影响了整个系 统的速度。而且该算法并不稳定，它的每次定位结果都依赖于候选点集中 选取的点。上述几种算法在定位的准确率上都已经满足了虹膜识别系统的 要求，但是在定位算法的效率和速度上仍旧需要很大的改进。虹膜定位是 虹膜识别系统当中相当重要的部分，如果定位的时间能够大为减少，则就 可以提升整个识别过程的速度，使用户们更为满意。而以上的虹膜定位算 法往往占用了很多的时间，它们的虹膜定位准确率和虹膜定位所需要的时 间是一个相互制约的关系，就是说，要想提升虹膜定位的速度，往往导致 准确率的大为下降，而为了保证准确率，所需要的定位时间就少不了。为 此，在这个虹膜识别系统的瓶颈上，很需要有一个创新的算法，解决以上 问题，使得虹膜识别系统的性能提升。苑玮琦等人【4 8 】采用s n a k e 模型来定 位虹膜的边界，王畅【5 1 】、李锋【5 2 】等也对采用改进的s n a k e 模型进行虹膜定 位，其速度快，精度高。 为了改善虹膜定位算法的精度，本文引入改进主动轮廓线算法来定位 虹膜。主动轮廓线模型被定义为能量达到最小的曲线，s n a k e 的能量根据 它的形状和在图像中的位置确定，内力约束它的形状，外力引导它的行为， 图像力将其拖向显著的图像特征。该能量的局部极小值与期望得到的图像 属性相关。s n a k e 可以被理解为一种更为一般的变形模板匹配模型技术的 特殊情况，后者也是使用能量最小化的思想。不像大多数其他的模型那样， s n a k e 是主动的，总是最小化它的能力函数，因此表现出一种动态特性。 本文提出的改进主动轮廓线虹膜定位算法首先根据灰度投影原理，灰度累 计最小为瞳孔的大致中心。即为初始化点。然后应用改进s n a k e 模型的能 量函数，均匀地对蛇点进行搜索。在搜索中的开始阶段由于受到噪音的影 响，往往误差较大，可以加大内部能量函数的调整，经过一段时间的迭代， 各蛇点的轮廓开始逼近目标轮廓，直到其到达虹膜的边界为止。最后以瞳 孔的半径为虹膜外边界的初始半径，使用简化的d a u g m a n 算法定位下半个 虹膜轮廓，然后镜像出整个虹膜外边界。这样可以提升了算法的准确度， 加快算法的速度。 6 重庆邮电大学硕士论文第一章绪论 1 3 论文结构 本文研究内容分布于以下各个章节中： 第一章，绪论：介绍本文的研究背景，对生物认证的技术和发展状况 进行了简要的概括和比较，并且提出了虹膜识别的研究问题。 第二章，主动形状模型：主要阐述主动统计对象模型的基础理论和具 体方法，重点分析了主动轮廓线模型的建立以及模型的算法实现和评估， 并以c a s i ( 标准虹膜定位数据库) 作为训练集和实验样本进行论述。 第三章，虹膜定位：对虹膜图像预处理的过程进行了分析，它包括虹 膜区域定位、归一化、图像增强三个环节。详细分析了三个环节所采取的 方法。 第四章，基于改进的s n a k e 虹膜定位方法：在对前两章内容研究的基 础上，提出了一种基于改进的s n a k e 模型的虹膜定位算法，并对该方法进 行了详细的论述。最后给出了实验结果对比。 第五章，结论及未来的工作：对本文提出的所有方法进行比较，概括 了本文的主要贡献，提出下一步研究方向。 7 重庆邮电大学硕士论文第二章主动轮廓模型 第二章主动轮廓模型 本章主要阐述主动统计对象模型的基础理论和具体方法。重点分析主 动轮廓线模型的建立和形状搜寻过程，并以c a s i a ( 标准虹膜定位数据库) 作为训练集和实验样本进行论述。 2 1 主动视觉定位技术 主动视觉 1 2 】是相对于被动视觉提出的概念。对于纯视觉系统而言， 主动就是移动能力，这种能力对生物体表现为空间上的移动，而对于计算 机系统还可以表现为频率上或者不同光谱带上的移动。在主动视觉系统 中，数据获取的特性是动态的，且受场景解释控制，如果观察者是主动的 并且控制其视觉传感器，许多视觉任务往往会变得比较简单。主动视觉是 智能化的数据获取，是对场景中检测出来的部分场景参数及其误差的一种 控制。主动视觉的方法可以使多数不稳定的视觉任务可解。 近年来，国内外的研究人员做了大量关于目标局部特征定位( 尤其是 人脸局部特征定位) 的研究，而其中常用的主动视觉方法有主动轮廓线模 型、变形模板和主动统计对象模型( 包括主动形状模型和主动表面模型) 。 从使用先验知识的角度看，它们使用的先验知识由少到多，由简单到复杂。 2 1 1 主动形状模型( a s m ) a s m 方法最早是由c 0 0 t e s 提出的。这种建模的技术从设计理念上很 类似于k a s s 等提出的活动轮廓模型s n a k e ，但是，a s m 的优点就在于模 型实例可以根据在训练集中学习到的方式变形，也就是说，这种模型并不 是始终不变的，而允许一定程度上的形状的变化。然而，这种变形又是有 限度的，不会脱离它们所要表现的那类目标对象的本质特征。 主动形状模型是基于点分布的模型。点分布模型对于描述具有为人熟 知的“一般”形状而不易用刚体形状模型来描述( 也就是，具体的实例各不 相同) 的特征最有用。应用点分布模型这种方法的成功例子包括电子电阻 瓦”】、人脸【l4 】以及手骨。相对基于刚体的模型而言，点分布模型是近期的 发展，但是在很短的时间内己经有了大量的应用。 重庆邮电大学硕士论文第二章主动轮廓模型 2 1 2 变形模板 变形模板【1 6 】是一种已知先验形状的主动轮廓线方法，对分割整体形 状、克服噪声很有利。由于自然物体形状的多样性、复杂性及图像的噪声 等因素的影响，在使用刚性模型分割对象轮廓时遇到了极大的困难。而 s n a k e 由于没有利用关于对象的知识，所以过于灵活，很难做到精确的分 割。我们知道，特定自然物体的形状一般变化不大，如果能够利用关于自 然物体形状的先验知识，那么就可能实现更准确地分割。基于s n a k e 模型 的变形模板方法，为解决这一问题展现了令人鼓舞的前景。相对于刚性模 板，变形模板使自己发生变形以匹配显著的图像特征。相对于s n a k e 模型， 变形模板又能够使自己的变形限制在关于对象形状的合理范围内。从数学 角度来看，变形模板可以解释为由两项组成的目标函数，其中一项测量变 形模板与理想轮廓的偏差，另外一项衡量变形模板与对应图像特征的匹配 程度。于是对象分割变成了使得目标函数最大化或是最小化的优化问题。 y u l l i e 等人【1 7 】已成功使用变形模板来提取脸部特征，其中脸部特征， 如眼睛和嘴等使用圆和抛物线来表示，控制模板形状的参量分别是圆心、 半径和抛物线的特征参量。能量项根据输入图像的边界强度、峰谷和峰顶 来定义。模板通过动态地改变控制参量而将能量函数极小化，通过使自己 变形而获得与图像的最佳匹配。但是，这种方法不能处理遮挡问题，而且 抗噪声的能力弱。具有更多自由度的模板是由面s t a i b 等人【1 9 】提出来的， 用于检测医学图像中的轮廓。他们使用f o u r i e r 描述子表示开或闭的轮廓， 变形模板的系数是f o u r i e r 系数，f o u r i e r 系数的概率分布描述特定的形状， 似然函数基于模板和输入图像的卷积。l a i 等人【2 0 】着眼于从噪声图像中建 模和提取任意形状的变形轮廓，他们设计了一种稳定的可再生的形状矩 阵，具有拟合不变性和刚性运动中的唯一性，并且将m a r k o v 随机场的局 部特性考虑到局部变形模板中。这样，该模型就既能处理由刚性运动引起 的全局变形而又保持局部变形的控制能力。 2 1 3 主动统计对象模型 主动视觉中的主要问题就是如何有效地利用先验知识。主动轮廓线模 型只是利用关于一般对象的先验知识，没有利用关于特定对象的先验知 识。因此，在精度要求高的地方如人脸定位不太适用。在利用先验知识方 9 重庆邮电大学硕士论文 第二章主动轮廓模型 面，变形模板对主动轮廓线模型做了改进，是一种己知先验形状的主动轮 廓线方法。因此，变形模板被用在分割眼睛和嘴巴上。然而，使用变形模 板需要人为设计参数化的几何模型，这对于形状简单的形状规则的对象如 眼睛和嘴巴还比较可行，但是对于形状复杂的对象，如鼻子、眉毛和人脸 外轮廓等就很麻烦了，不仅参数很多，而且能量函数也很复杂。为了克服 主动轮廓线模型和变形模板的不足，c o o t e s 等人提出了主动统计对象模型， 包括主动形状模型【2 0 】和主动表面模型【2 1 ，22 1 ，非常适合于形状复杂的对象分 割。 主动统计对象模型通过训练的方法得到对象的统计知识，从而建立对 象的统计模型。统计对象模型的优点在于能够对各种形状的对象进行建 模，因为关于对象的知识可以从训练数据中学习得到，所以它非常适合于 形状复杂的对象分割。训练过程需要手工标定对象的形状，这虽然比较耗 时费力，然而它却能够对各种形状进行建模，特别是不规则的形状，如鼻 子、眉毛等，因此人脸定位主要采用主动统计对象模型。主动统计对象模 型和变形模板的主要区别在于统计模型中的各个参数是从数据中学习而 来，是统计参数，参数之间的相互关系明确，而变形模板中的参数是人为 设计的，参数之间的关系不明确，在设计能量函数的时候如何对它们进行 权衡是非常困难的事情。同时，主动统计对象模型的匹配过程也通过统计 学习得到，它往往没有明确的能量函数。 2 2 主动轮廓线模型( s n a k e ) k a s s 等人【l7 ，1 8 】认为在许多图像理解任务中，低层事件的正确理解依赖 于高层知识。他们试图设计一种这样的能量函数：其局部极值组成了可供 高层视觉处理进行选择的方案，从该组方案中选择最优的一种，其值是由 能量相叠加来完成。这样，在寻找显著的图像特征时，高层机制可能通过 将图像特征选择一个适当的局部极值点而与模型进行交互。基于这样一种 思想，k a s s 等人在19 8 8 年提出了称为s n a k e 的主动轮廓线模型。 2 2 1 基本的s n a k e 模型 蛇模型被定义为能量达到最小的曲线，s n a k e 的能量根据它的形状和 在图像中的位置确定，内力约束它的形状，外力引导它的行为，图像力将 其拖向显著的图像特征。该能量的局部极小值与期望得到的图像属性相 1 0 重庆邮电大学硕士论文第二章主动轮廓模型 关。s n a k e 可以被理解为一种更为一般的变形模板匹配模型技术的特殊情 况，后者也是使用能量最小化的思想。不像大多数其他的模型那样，s n a k e 是主动的，总是最小化它的能力函数，因此表现出一种动态特性。s n a k e 的搜索过程如图2 1 所示。但是，s n a k e 并不能完全解决在图像中寻找轮 廓的问题，实际上它往往依靠其他机制，如与用户交互，与一些更高的视 觉理解处理方法交互。这个交互必须为具体指定一个估计的形状或开始位 置，通常在期望轮廓的附近。 图2 1s n a k e 模型搜索过程 k a s s 等提出的原始s n a