用于脑膜识别的眼鳞毛光照检测算法

用于脑膜识别的眼鳞毛光照检测算法

1眼鳞毛遮检验作为人的特征，蜂窝具有渗透性、稳定性、可检测性、非特异性等优点。非接触生物特征的识别是身份识别研究和应用发展的必然趋势。与识别脸、声音、指纹等识别方法相比，蜂窝识别具有更高的精度。但是在现有虹膜识别的文献中通常是在人眼睁大到一定程度的情况下进行的处理,这种情况下眼睫毛遮挡比较小,容易得到虹膜的有效区域。然而在人眼正常张开下,通常眼睫毛会对虹膜的遮挡比较严重,如果不对其进行去除,眼睫毛就会被当作虹膜特征的一部分,从而影响虹膜识别率,所以有必要在虹膜预处理过程中专门对眼睫毛的遮挡进行处理。现有关于眼睫毛遮挡检测的方法主要有以下几种方法:1)Kong和Zhang提出的聚集与分散两步检测眼睫毛的方法,采用一维Gabor滤波器来提取聚集眼睫毛,灰度方差来检测分散眼睫毛。这种方法检测精度比较高,但是如何区分该眼睫毛区域是分散眼睫毛还是聚集眼睫毛在文中没有明确的给出判定的方法;而且在检测眼睫毛时只是用一个单一阈值做二值化处理,这样做会在连接眼睫毛像素时有断开。2)JunzhouHuang提出了一种基于相位一致性的噪声检测方法,该方法根据边缘信息定位眼睫毛区域,从实验结果看出,这种方法把邻近眼睫毛之间的部分归为一个眼睫毛区域,且处理后有孤立噪声点。3)XiaoyanYuan提出用迟滞阈值法来检测眼睫毛,使用双阈值来检测眼毛,但该文并没有给出阈值如何选取。4)HeWei提出基于局部灰度极小值检测眼睫毛的算法。该算法得到的候选眼毛像素集包含了许多非眼毛像素而且真正的眼睫毛像素点会检测不出来,从而不能连接成真实的眼睫毛。并且此方法用到眼睑的检测结果,如果在眼睑检测不准的情况下使用,那么此方法将不适用。4)来毅通过构造交叉形的形态学结构元素,二值化检测眼睫毛。该检测方法在归一化后的虹膜区域内进行,而相比归一化后的虹膜图像而言,归一化前的眼睫毛特征更明显。本文针对以上文献的不足提出了一种新的检测眼睫毛遮挡的方法:找到有眼睫毛遮挡的虹膜有效区域,而后利用基于Canny算子检测此区域,最后用一个扇形区域来表示虹膜中的眼睫毛的区域,使其下端不包含眼睫毛点。最终得到的结果如下图1所示。2外圆心定位的结果通过文献找到内圆圆心即瞳孔的圆心(xp,yp),半径rp;外圆圆心即虹膜外边界的圆心(xi,yi),半径ri。由于定位的准确率为98.3%,因此可以用其定位的结果作为本文扇形区域选取的中间结果。其定位的结果如上图2所示。3膜的有效区域在瞳孔左右两侧分别选取两个100×150大小的矩形区域,由于瞳孔边界点的信息不准确,故取(xp-rp-k,yi-ri)与(xp+rp+k,yi+ri)分别作为两区域的一个顶点,本文k取值为5。根据对图库的实验分析可知虹膜的有效区域一定会落在其中。有效区域如图3所示。4误判率、高定位精度、虚假边缘Canny算子被认为是当今最优检测边缘的算子。其具有以下特点:1)低误判率,即尽可能少地把边缘点误认为是非边缘点;2)高定位精度,即准确地把边缘点定位在灰度变化最大的像素上;3)抑制虚假边缘。通过在虹膜图像中的边缘检测实验中发现,Canny算子具有其他算子所不具备的更好的效果。4.1-d高斯平滑图像为了去除由光照影响下图像的噪声,使图像更平滑,故用高斯低通滤波器来滤除。式中σ表示标准差,平滑函数宽度的量度。σ越大轮廓越宽,σ越越小轮廓越窄。因为眼睫毛轮廓窄,通过实验本文σ取值为0.52。在实际处理过程中二维高斯函数可以由x方向作平滑后得到的平滑图像Fsx(x,y)与y方向作平滑得到最终的平滑图像Fs(x,y),本文也是基于此得到高斯平滑的图像。其中u=-L+x,L为高斯算子的宽度,u表示距该像素的距离,x取0~2L,这样1-D高斯窗口的宽度就为2L+1;根据判别表达式exp(>-ML2/2σ2),来取得L的值,本文M=0.0001,L的值取1~20,在CASIA虹膜数据库中进行实验得到L=2或者L=3,由于计算方法类似,故本文以L=2举例说明。当L=2时,高斯窗口的大小为2L+1=5。根据表达式(2)得到1-D高斯算子的模板h(x)=[2.1356e-5,8.6157e-7,6.3662e-3,8.6157e-7,2.1356e-5]。利用原图像f(x,y)与1-D高斯模板h(x)作卷积fsx(x,y)=f(x,y)*h(x),得到x方向的高斯平滑图像fsx(x,y)。由于h(y)=h(x)T,所以原图像的经高斯平滑后得到的图像fs(x,y)可由fs(x,y)=fsx(x,y)*h(x)T得到。由上面分析可知,分别对x和y方向作平滑,最终fs(x,y)就是所要得到的对原图像进行高斯模糊的图像。高斯模糊即平滑图像如下图4所示(为了显示效果,截取虹膜附近眼睫毛的图像)。4.2偏导数的55高斯矩阵模板对式(1)作X方向的方向导数得到:其中b为当前要检测的点。而当L=3时为7×7矩阵。本文以L=2为例,得到二维一阶x方向偏导数的5×5高斯矩阵模板h′x如下:利用得到的高斯模糊图像即平滑图像fs(x,y)与h′x作卷积ex=fs(x,y)*h′x得到x方向的方向导数ex。由于h′y=(h′x)T,故y方向的方向导数ey=fs(x,y)*(h′x)T。由梯度幅值公式得到点当前点(x,y)的幅值A(x,y)。为了显示梯度的效果,把的得到的A(x,y)×1000,观看效果图如图5所示。4.3ey0并pcr工艺参数把图像分成四个区域,如图6所示,其中区域1代表0°~45°与180°~225°;在每一方向上加45°,得到区域2代表45°~90°与225°~270°;区域3代表90°~135°和270°~315°,区域4代表135°~180°和315°~360°。下面以区域1为例,如果ey≤0并且ex≥-ey,则落在0°~45°区间,其中ey≤0,表示落在x的上半轴,因为显示器的y轴坐标与数轴的y轴坐标相反;ex≥-ey表示方向导数更偏向x轴。ey≥0并且ex≤-ey,则落在180°~225°区间。如果落在区域1内,则可利用A(x+1,y),A(x+1,y-1);A(x-1,y),A(x-1,y-1)对梯度进行插值来判断当前像素(x,y)梯度是否是局部最大值。当且仅当式(4)成立时满足梯度局部最大。其中:d1=(1-w)A(x+,1y)+wA(x+,1y-)1,d2=1(-w)A(x-,1y)+wA(x-,1y-)1由4.2节可知A(x,y)表示点(x,y)的梯度幅值;w为插值比例,w=|ex|/|ey|。用式(4)标记出极大值点,即候选眼毛像素集B(x,y)。非最大化抑制的结果如图7所示(为了显示效果本文把局部极大值点的灰度置为255,并且截取虹膜附近眼睫毛的图像)。4.4眼无侧眼的眼眼检测性能在所得到的选眼毛像素集B(x,y)中,如果A(x,y)>T1则标记为强点,记录强点数目n。对CASIA虹膜图库2400幅图片进行遍历,在表1列出在不同T1值的选取下眼睫毛检测准确率的关系,在图8列出了在不同T1值的选取下眼睫毛检测准确率的曲线图。由表1和图8可以看出T1当取值为0.15时眼睫毛准确率最高。把得到的强点灰度置为255得到的得图像强点的显示效果如图9所示。正是因为光照等干扰的影响,从图像中可以看到,用单一阈值T1得到的图像中眼毛有断开的点。为了把眼睫毛准备的连接起来而没有断开,故需要用第二个阈值T2。如果A(x,y)>T2则标记为弱点,这里T2=0.4T1,图10表示的是T1>A(x,y)>T2的点,即属于弱的点但不属于强的点。图9与图10的白色区域合并起来就是A(x,y)>T2,即属于弱的点。4.5眼无眼点标记的眼瓣毛像素集的建立基本思想:首先找到一个强的点,并把强点个数n置为n-1,找在其八邻域内的每一点,如果找到的是强点,那么继续在找到的强点的八邻域内寻找,并把它做标记,使其下次寻找的时越过该点;如果找到弱的点也继续在找到的弱点的八邻域内寻找,直到找不到强的点和弱的点为止,最终得到一个连通的区域;如果连通区域内的像素数目大于T3,本文取T3=54,则认为该连通区域是眼睫毛,这样完成一次循环。如果n>0并且强点未被标记,就做下一次循环,直到找完所有的强的点为止。最终得到图像眼睫毛像素集,见图11。把眼睫毛的点灰度置为255得到的显示效果如图12所示。5眼毛像素点及最小样本fin由于下眼睫毛不遮挡虹膜的有效区域,故只对虹膜的上眼睫毛区域进行处理。在左边所选区域内连接瞳孔与所选区域中的眼毛像素点(x,y),通过计算tanθ=(y-yi)/(x-xp),tanθ取的最小值即为虹膜有效区域内眼睫毛的最低点fmin(x,y)。例如在图12中θ1<θ2<θ3,故应取l1与x轴的夹角θ1。用瞳孔的圆心与fmin(x,y)连线;右边区域作相同的处理,这样得到的除去瞳孔的下方扇形区域就是虹膜的有效区域,如图1所示。6实验结果与分析本实验采用第一届中国生物特征识别竞赛BVC2004提供的虹膜图像库进行测试。该图库由DB1-B和DB2-B两组样本组成,其中,每组样本分别采集了30个人的虹膜,包括每个人的左右眼虹膜,每个虹膜在不同的条件下采集20幅,每组样本1200幅,共2400幅。采集的图像为灰度图像,图像分辨率为640×480。实验所用机器的主频是P3733M,内存为256M,操作系统为windows2000professional,编程所用工具为VisualC++6.0。用本文的方法对CASIA虹膜数据库进行遍历实验,如果T3的取值限定在45~64之间,2234幅图片都能够准确检测,准确率为93.08%,检测平均耗时为1.58s。通过图13与图14的对比可以看出:通过本文的方法检测眼睫毛后,选取扇形区域内的虹膜图像的类内距离分布函数与类间距离分布函数的交叉比较小,提高了模式的可分性。通过图15与图16的对比可以看出:通过本文的方法检测眼睫毛后,等错率降低,从而提高正确识别率。分析眼睫毛检测失败的原因,是因为虹膜采集装置的影响使得眼睫毛灰度和背景的灰度比较接近,而且本文的算法是在根据实验提前设定的两个阈值。检测眼瓣毛所取得的检测算法在现有的边缘检测算法中,Canny算法是公认的标准算法,其功能强大。本文利用瞳孔左右的两个区域来划定眼睫毛遮挡区域,并将Cann