眼眼视音检测算法的研究

眼眼视音检测算法的研究

作为一种新兴的生物特征识别技术，薄膜识别受到了高度可靠性、稳定性和非损伤性的影响。由于在捕获图像时违反了受试者的非侵犯，检测到的膜图像通常包含大量噪声。影响蜂窝识别噪声的主要有三种类型：瞳孔去除、眼唇疲劳和斑点。如果你不从膜像中去除，则作为膜色特征的一部分，它对膜成像系统的识别性能产生不利影响。在大多数情况下，膜图像中的细裂纹灰值与周围图像相比是大的，因此使用阈值法很容易去除。因此，本文主要研究去除眼和耳唇疲劳的方法。去除眼睑遮挡的关键是检测眼睑边缘,目前眼睑边缘的检测方法基本可分成三大类:1)基于抛物线模型的积分差分法;2)边缘检测与Hough变换相结合的方法;3)最短路径检测法.前2类方法都是基于抛物线模型在四维空间中搜索,计算量很大,难以满足实时性要求;同时基于抛物线模型的方法对于不符合抛物线模型的眼睑边缘检测误差较大.最短路径检测法是先找到2个眼角点,然后通过搜索2个角点间最短路径得到眼睑边缘上各点的位置;但由于这是一个不断搜索的过程,因而检测速度较慢,且对角点检测的准确性依赖很大.针对上述检测方法的局限性,本文首先运用灰度形态学方法得到一个直方图具有3段特性的虹膜图像,并进行图像分割,再结合原始图像中眼睑边缘的灰度信息得到它的一个候选点集;最后利用Bézier曲线拟合得到眼睑边缘.现有文献中关于眼睫毛遮挡检测方法的报道并不多,较为有效的是由Kong等提出的分步检测眼睫毛的方法,其基本思想是把眼睫毛分为孤立的眼睫毛和重叠的眼睫毛2类.前者可通过1DGabor滤波的方法检测;后者则采用灰度方差的方法来判断;最后利用眼睫毛连接属性去除噪声.这种方法的优点是检测精度较高;缺点是需要根据所用图像库预先设定较多的参数值,且检测过程较复杂.本文提出一种新的眼睫毛遮挡检测方法:通过灰度形态学操作,根据所得图像直方图的第一个峰值,将形态学运算后的图像二值化,即可检测出眼睫毛.实验结果表明:本文算法能够有效地检测出眼睑和眼睫毛遮挡,有利于提高虹膜系统的识别性能.1结构元素分割灰度形态学是二值形态学的扩展,其基本运算包括膨胀、腐蚀、开启和闭合运算等.灰度开启运算能够消除原始图像中比结构元素尺寸小的亮细节,同时相对地保持整体灰度级和较大的明亮区域不变.因此,利用目标的灰度信息和形状特征设计适当的开启运算结构元素即可实现目标的有效分割.本文利用眼睑和眼睫毛的灰度信息及形状特征分别设计不同的灰度形态学结构元素,通过灰度形态学开启运算有效地分割出虹膜图像中眼睑和眼睫毛遮挡区域,从而提高了系统的识别性能.1.1上嘴唇边缘检测眼睑边缘检测包括上眼睑边缘检测和下眼睑边缘检测,由于两者方法类似,下面以上眼睑为例说明眼睑边缘检测过程.上眼睑对虹膜图像区域的遮挡是最常见的,如果遮挡过于严重,则该图像就很难用于识别.上眼睑边缘检测过程可分为上眼睑分割、寻找上眼睑边缘点集和曲线拟合3个部分.上眼睑分割的目的是从虹膜图像中分割出包含上眼睑边缘的区域,并用二值图像表示;寻找上眼睑边缘点集是从该二值图像中去除噪声,得到更精确的上眼睑边缘候选点集;曲线拟合是根据上眼睑边缘候选点集,通过Bézier曲线拟合得到上眼睑边缘.1.1.1图像块中上眼底边缘的分割如图1a所示,采集得到的虹膜图像通常包含较多面部部分,为了提高检测速度,可利用瞳孔位置参数切割原始图像得到一个包含上眼睑的图像块,如图1b所示,后续处理均在此图像块上进行.上眼睑分割就是利用灰度形态学运算从图像块中分割出包含上眼睑边缘的区域.图1所示为灰度形态学运算的过程,其中图1c给出了一个3×3的灰度形态学结构元素.根据上眼睑边缘形如开口向下的弧线这一特点,设置ak∈,k=5,7,9,其他元素值取为-∞.a5,a7和a9的值由上眼睑灰度的统计均值确定,本文取a5=a7=a9=175.用该结构元素对图像块进行灰度开启运算,可得到一个直方图具有3段特性的图像.如图1e所示,直方图中间一段主要对应上眼睑边缘、眼睫毛和瞳孔部分.为确定眼睑边缘,选择直方图中间一段对应的图像像素为目标,置为255,其他像素区域为背景,置为0,从而实现了对灰度开启后图像的灰度切分.通过灰度切分,得到只包含上眼睑边缘、眼睫毛和瞳孔部分的二值图像,如图1f所示.1.1.2上眼底边缘检测灰度切分后得到的图像中除了包含上眼睑边缘点集外,还包含瞳孔和眼睫毛等部分,为了准确地找到曲线拟合所需的候选点,必须先去除这些噪声.瞳孔部分可以根据其位置参数去除,眼睫毛和其他噪声基本可通过二值形态学的开运算消除.由此可得到一个只包含上眼睑边缘点集和较少残留噪声的二值图像,设此图像为G.从G中准确地找到上眼睑边缘上的点是精确分割上眼睑的关键.设点(i,j)是原始图像I中上眼睑边缘上的一点,则在一个小邻域内,其灰度f(i,j)在水平方向的变化较小,而在垂直方向变化较大.在原始图像I上对G中每个可能的上眼睑边缘点进行判断,满足下列条件的点认为是上眼睑边缘上的点{|f(i,j)-f(i±3,j)|＜Τ1|f(i,j)-f(i,j±2)|＞Τ2Τ3＜f(i,j)＜Τ4‚⎧⎩⎨⎪⎪|f(i,j)−f(i±3,j)|＜T1|f(i,j)−f(i,j±2)|＞T2T3＜f(i,j)＜T4‚其中T1=15,T2=30,T3和T4通过统计原始图像上眼睑边缘的灰度均值确定.检测到的候选点集如图2a所示.1.1.3下眼侧边缘特征考虑到实际系统中并非遮挡虹膜的眼睑都符合抛物线模型,为了减少由此带来的误差,本文采用Bézier曲线拟合眼睑边缘.首先从上眼睑边缘候选点集中取出n+1个点,然后根据C(t)=n∑i=0ΡiBi,n(t),0≤t≤1直接拟合出上眼睑边缘.其中,Pi为曲线的特征多边形,Bi,n(t)是Bernstein基函数,Bi,n(t)=Cinti(1-t)n-i,i=0,1,…,n.由于受到运算时间的限制,没有再对得到的曲线作局部特征点微调.拟合结果如图2b所示.采用类似的方法可检测出下眼睑边缘.检测时,根据下眼睑灰度及形状特性(开口向上的弧线),设置图1c所示结构元素为a1=a3=100,a5=200,其他都等于-∞.检测结果如图2c所示.1.2眼瞳毛遮滤过滤技术虹膜图像区域内的眼睫毛遮挡会影响虹膜图像特征的提取,因此有必要在特征提取前去除.为了提高检测速度,眼睫毛遮挡检测在归一化后的虹膜图像区域上进行,虹膜定位和归一化见文献.图3a所示为对图1a归一化后的结果.眼睫毛遮挡检测的过程由灰度归一化和遮挡区域检测2部分组成.1.2.1回归系数的图像为了消除亮度变化对眼睫毛遮挡检测的影响,采用f′(i,j)={Μean′+√Var′(f(i,j)-Μean)2Var,iff(i,j)＞ΜeanΜean′-√Var′(f(i,j)-Μean)2Var,other对图3a进行灰度归一化,结果如图3b所示.其中,f,Mean和Var分别为原图像的灰度值、均值和方差;f′,Mean′和Var′分别为灰度归一化后图像的灰度值、均值和方差,本文取Mean′=100,Var′=100.1.2.2构元素的k观察发现,眼睫毛通常呈线状,且其基本分布在±45°范围之内,因此用于眼睫毛遮挡检测的结构元素设置为交叉形.结合灰度归一化后眼睫毛的灰度信息,设置图1c所示结构元素的ak=172,k=1,3,5,7,9;其他元素值取为-∞.通过新构造的结构元素对灰度归一化后的图像进行灰度开启运算,得到一个直方图具有分段特性的图像.从图3d可以看出,直方图中第一个峰值主要对应眼睫毛部分,经二值化后很容易得到只包含眼睫毛和少量噪声的二值图像,通过二值形态学开运算可滤除其中的大部分噪声.眼睫毛遮挡检测结果如图3e所示.经过上述处理基本可去除虹膜图像中的眼睑和眼睫毛遮挡噪声,有利于下一步的特征提取和匹配.图4所示为对应图1a的2种遮挡检测综合结果.2rocclusion.5.2单通道rocclusion波算法1.有遮挡检测的虹膜特征提取和匹配算法Step1.在原始虹膜图像R上定位虹膜内外边界.Step2.在R上检测眼睑边缘并归一化,得到只含有眼睑遮挡的图像Reyelid.Step3.将R归一化后检测眼睫毛,得到只含有眼睫毛遮挡的图像Reyelid.Step4.求Reyelid和Reyelash遮挡区域的并集,获得R归一化后的噪声图像Rocclusion.Step5.利用2D奇Gabor滤波器进行特征提取,然后对相位编码.Step6.根据Rocclusion排除遮挡区域对应的虹膜代码,计算虹膜汉明距离并进行匹配.3实验结果和分析为了测试本文算法性能,我们分别将本文提出的眼睑边缘检测算法和文献算法,以及本文提出的眼睫毛遮挡检测算法和文献算法,从主观准确率、检测时间和识别结果3个方面进行了比较.实验采用虹膜识别难度较大的图像库——第一届中国生物特征识别竞赛训练库Ⅰ,从中取600幅虹膜图像,其中包括30人,每人20幅左眼图像,图像大小为640×480.实验环境是PⅢ866GHz+WinXP+VC6.0.曲线拟合时取n=16.3.1眼瓣自适应识别准确率的定义是基于有利于识别的角度,从人眼来看,如果遮挡区域能被有效地从虹膜中分割出来,即为准确检测.表1～3所示分别列出了其他算法和本文算法用于检测上眼睑边缘、下眼睑边缘和眼睫毛遮挡时的主观准确率及检测时间.由表1,2可知,本文算法对于绝大多数图像都能准确、快速地检测出眼睑边缘.这主要是因为所构造的灰度形态学结构元素对绝大部分图像都能有效地检测眼睑边缘,避免了文献算法在四维空间中搜索的问题.对于不能准确检测出眼睑边缘的图像,主要是因为图像G中残留的噪声点影响了Bézier曲线拟合的精度.另外,如果在去噪过程中一些关键点被当作噪声去除,也会影响眼睑边缘检测的准确性.从表3可以看出,2种眼睫毛遮挡检测算法在检测速度和准确率上相当.与文献相比,本文算法只需要预先确定2个参数,因为在设置好灰度归一化后期望的均值和方差后,很容易确定用于检测眼睫毛的灰度结构元的元素值,而结构元素的形状是由眼睫毛的形状来确定.3.2种遮挡检测方法测试d为了进一步验证本文算法的有效性,表4给出了在认证模式下无遮挡检测和有遮挡检测时虹膜识别结果.其中,等错误率(equalerrorrate,EER)为错误拒绝率和错误接受率相等时的数值,EER越小,说明系统整体性能越好;D为可区分性指标,D越大,说明类内和类间分布的距离越大,虹膜模式越容易区分.从表4可以看出,本文遮挡检测算法和其他2种遮挡检测方法相比更有效,这也和前面的主观效果相吻合.另外,无遮挡检测的EER要比2种遮挡都检测时大,说明经过遮挡检测,系统整体性能得到提高,证明本文对遮挡检测的方法是有效的.从表4还可以看出,2种遮挡都检测后EER还不是很理想,原因如下:1)实验所用图像库图像质量较差,导致仍有近4%的虹膜定位不准;2)虹膜有效面积不足50%的图像较多,在600