一种用于手术识别的眼纤膜顶盖法

一种用于手术识别的眼纤膜顶盖法

1眼鳞毛遮蔽性的确定主要用于膜识别的研究对象是膜区域的结构。然而,在高度非侵犯的虹膜识别系统中,由于对被试者不做要求,在人眼正常睁开情况下,通过获取装置采集到的虹膜图像中,眼睫毛对于虹膜的遮挡是普遍存在的。如果不加以处理,任其作为虹膜特征进入虹膜编码模块将会出现错误的虹膜代码,使虹膜识别率降低,所以有必要寻找一种有效方法确定眼睫毛遮挡区域,提取不含有眼睫毛等干扰的、真正能够用于虹膜识别的纯净纹理区域,即虹膜有效区域。在现有方法中,文献提出用虹膜的π4～3π4扇形区域来表示眼睫毛遮挡区域;文献提出用分别位于瞳孔上下的直线来切割虹膜图像,上面直线的上部就为眼睫毛遮挡区域。这2种方法存在的共同缺陷是确定出的眼睫毛遮挡区域往往不能包含虹膜外边缘内部所有眼睫毛像素,在确定的虹膜有效区域中仍存在相当的睫毛噪声。针对上述问题,本文在分析了眼睫毛结构特征的基础上,提出了一种基于端点标识的虹膜有效区域提取算法,从而有效提取“纯净”的虹膜有效区域。2眼瓣毛实际结构通过对采集到的大量虹膜图像(如图1所示)进行观察分析,发现多数眼睫毛的结构具有如下特征:眼睫毛的形状接近于线状,方向趋于垂直,且睫毛末端投影位于虹膜区域内。受到指纹识别通过验证其总体特征与局部特征,特别是局部特征的验证是通过比对其中的特征点(指纹纹线的端点和分叉点)来实现的启发,对眼睫毛结构特性进行分析发现,眼睫毛也存在其特征点(睫毛交叉点与末端端点),如果寻找眼睫毛遮挡区域的话,只需将眼睫毛末端端点找到,并选择适当的2个点与瞳孔中心点连线,在连线上面的部分就是眼睫毛遮挡区域。由此,本文提出了一种基于端点标识的眼睫毛遮挡区域检测方法。2.1膜图像中主要信息本文利用内外虹膜定位法得到虹膜外圆边缘,同时确定瞳孔圆心为(xp,yp),半径为rp,外圆圆心为(xi,yi),半径为ri。由于在采集到的虹膜图像中,因此除了虹膜区域外还包含巩膜、眼皮等其他区域,如图1所示。为了突显虹膜外圆区域,需对这些无关区域进行处理,在得到的定位图像中把无关区域的灰度阈值统一设定为H,本文将H取为0.8×255,处理后的结果如图2所示。2.2进行二值化研究为了突出眼睫毛的结构特征,有必要对得到的虹膜外圆区域进行二值化处理。但是直接二值化后的图像中还存在瞳孔,这将影响后面的端点标识,因此,在二值化前需先采用2.1节中的方法将瞳孔区域去除,再进行二值化:其中,T为指定的阈值;x为灰度值。只要选取合适的T值就可以得到效果比较好的二值图像。本文选定T=0.47,得到如图3(a)所示的虹膜外圆区域的二值图像。观察图3(a)可见,二值化后的图像中仍然带有由于灰度滤波不完整而残留的噪声。如果不对这些噪声进行处理,将在后面的图像细化部分产生大量的干扰点,从而在端点检测时产生误判,即使在端点检测的后处理中能去除一些噪声,也会大大增加工作量。因此,有必要对二值化后的图像进行噪声处理,同时提高图像清晰度。本文采取二维模板为3×3区域的中值滤波方法对二值图像进行滤波,取得了较好的效果,如图3(b)所示。2.3眼鳞毛的细化经过二值化得到的像素集里含有眼睫毛像素和非眼睫毛像素,眼睫毛细长且趋于垂直方向,它的长度比非眼睫毛区域长的多,这是由眼睫毛的结构特征决定的。本文为了使眼睫毛细长的特征体现得更突出,增加了图像细化过程。所谓细化,其实就是将一个曲线形物体变成一条单像素的线,从而图形化地显示其拓扑性质,同时细化还能在图像处理过程中简化数据结构,这样也减少了内存空间。细化的方法较多,基本思想都是选用一个结构元素来对删除图像的边界点,直至剩下骨架线。本文采用数学形态学细化的方法对图像细化,结果如图4所示。2.4眼瓣特征点的提取在指纹识别中,特征点的标识起着关键的作用,基于眼睫毛与指纹纹线的相似性,眼睫毛末端端点的标识也对最终的眼睫毛区域的选取起着决定性的作用,端点标识越精确,眼睫毛区域的定位就越准确。类似于指纹纹线,眼睫毛的特征点包括端点和交叉点。因此,本文采用类似指纹特征点标识的方法来寻找眼睫毛末端端点。特征点的提取方法可以简单分为直接从灰度图像提取特征和从细化的二值图像提取特征。本文采用比较简单易用的从细化后的图像提取特征的算法进行特征提取,在得到可靠的二值图像后,只需要一个3×3的模板就可以将特征提取出来。对于细化后的二值图像,像素点的灰度值只有2种情况(假设0表示背景点,用黑色表示;1表示前景点,用白色表示)。3×3的模板如图5(a)所示。在图5(a)中C是待检测的点,X1,X2,…,X8是它的8个邻域点,沿顺时针方向排列,H(1),H(2),…,H(8)分别是点X1,X2,…,X8的灰度值,如果C是端点,则它的8邻域满足:其中,H(9)=H(1),如果C是交叉点,则它的8邻域满足:其中,H(9)=H(1)。这样可以找到图像的细节特征点,并记录下它们的位置和类型。为了便于后面进行眼睫毛末端端点标识和眼睫毛遮挡区域划分,本文对这些特征点进行了分类处理:(1)端点和交叉点已经在上述过程中被区分开来,由于在确定眼睫毛遮挡区域时,不需要交叉点信息,因此可以直接将其去除。(2)经过分析发现,在提取出来的这些特征点中可能存在虚假特征点的情况。这些虚假特征点会严重影响后面的端点检测,故在提取到特征点之后,应该判断这些特征点的真实性,从已经提取的特征点中去除虚假特征点。受到指纹识别中虚假特征点去除过程的启发,本文设计了一种虚假特征点去除方法:设定寻找到的特征点为p1p2pn,它们组成了一个n行2列的矩阵,其中第1列与第3列分别代表的是特征点的x坐标与y坐标。从第1个特征点1p也就是矩阵的第1行开始,计算该点与pi(i=2,3,…,n)间的距离,设定一个距离函数D,如果求得的距离小于D,则去除ip。这样就得到了一个新的矩阵,其中第1行为1p,再取该矩阵中的第2个点采用上述方法再得到一个新矩阵。依此类推,最终得到的矩阵的每一行表示的就是去除虚假特征点后的特征点,如图5(c)所示。(3)经过第(1)步、第(2)步处理后得到的特征点都是眼睫毛的端点,其中眼睫毛的上端点和一些投影长度比较短的眼睫毛的下端点在眼睫毛遮挡区域的确定中不起决定性作用,也应该加以剔出,从而减少后续处理的计算量。具体处理方法如下:假定得到的端点集合是一个N行2列的矩阵,其中,第1列代表端点的x坐标,第2列代表端点的y坐标,将矩阵按其行分成M组,在这M组中寻找每组中第2列数据最大值(即y坐标最大),这个最大值所代表的点就是眼睫毛的下端点,如图5(d)所示。2.5矩阵jh的建立得到眼睫毛下端点后,这些点组成了一个M行2列的矩阵。在矩阵中取第1个点Mh,并计算该点与矩阵中其他点Mi之间的距离di。如果距离di小于瞳孔半径与外圆半径的差rc=ri-rp,则可将点Mi保留下来,并与Mh组合成新的矩阵Jh。同理在矩阵中取最后一个点Me重复上述处理,得到新的矩阵Je。在矩阵Jh的第2列数据中寻找最大值(即y坐标最大),如果只有唯一一个最大值,则该值所对应的点就是眼睫毛遮挡区域的左边界点z1;如果最大值不唯一,则寻找这些最大值所对应点的第一列数据的最大值,即x坐标最大,则该最大值所对应的点就是眼睫毛遮挡区域的左边界点z1。对矩阵Je重复上述处理,确定眼睫毛遮挡区域的右边界点z2,将这2点与瞳孔圆心(xp,yp)分别连线,并延长至与虹膜外圆相交,这样这2条射线把虹膜图像一分为二,在连线上面的部分就是眼睫毛遮挡区域。3仿真结果及分析实验所使用的图像来自于中科院自动化研究所模式识别重点实验室的虹膜图像数据库CASIA-Ver1。算法在搭载有主频为2.0GHz的IntelCeleron4CPU的计算机上通过Matlab2010R仿真实现。同时本文也对文献方法进行了仿真实现。在图6中依次给出了由本文方法、文献方法确定的眼睫毛遮挡区域。在虹膜识别中去除眼睫毛遮挡区域与瞳孔区域,余下的则为虹膜有效区域。比较图6中仿真结果可以看出,文献方法所确定的眼睫毛遮挡区域不能够包含虹膜外圆内部所有眼睫毛像素,相当一部分眼睫毛像素残留在了虹膜区域被当成虹膜纹理,势必会在进行虹膜编码时出现错误的虹膜代码,降低虹膜识别率;而本文的方法所确定的眼睫毛区域定位精度较高,基本上包含了虹膜外圆内部所有的眼睫毛像素,有效地提取出了“纯净”的虹膜有效区域。用本文方法对CASIA虹膜数据库中的其他图片进行遍历检测,成功率达到93.15%。分析失败的原因,跟虹膜定位不准确以及二值化时的阈