一種虹膜圖像噪聲分類檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種圖像噪聲檢測方法，特別是設(shè)及一種用于虹膜生物識別系統(tǒng)的虹 膜圖像噪聲檢測方法。
【背景技術(shù)】
[0002] 虹膜識別具有準確性高、穩(wěn)定性強、防偽性好和非接觸檢測等顯著優(yōu)勢，是目前已 知最先進的生物識別技術(shù)。在虹膜識別系統(tǒng)中，獲取高質(zhì)量的虹膜圖像是提高識別效率的 前提。然而，在實際應用中，虹膜圖像中的虹膜區(qū)域會被光源像點、眼險和睫毛等噪聲干擾； 如果不對運些噪聲進行檢測并將其干擾予W剔除，勢必會影響虹膜定位的準確性，被提取 的無效虹膜特征也會增加，從而使虹膜識別的準確率大大降低。因此，在虹膜圖像預處理過 程中需要檢測虹膜噪聲并將其干擾剔除，W增強虹膜定位的準確性和虹膜特征提取的有效 性，從而保證虹膜識別的準確率。
[0003] 虹膜圖像中的噪聲主要包括那些出現(xiàn)在虹膜區(qū)域內(nèi)的光源像點、眼險和睫毛部 分，它們易于遮擋虹膜的邊緣和紋理，干擾虹膜定位和特征提取，且難W消除。在目前的虹 膜識別系統(tǒng)中，常用的虹膜圖像噪聲檢測方法主要是通過闊值分割和模型匹配或粗略或精 細地篩選噪聲點并加 W標記，剔除其對虹膜圖像預處理和特征編碼的干擾，從而減小虹膜 圖像噪聲對虹膜識別準確率的影響。運類方法雖然能對虹膜圖像中的各類噪聲進行檢測， 但是存在W下明顯的缺點：
[0004] 1、闊值分割法主要用于光源像點和睫毛噪聲的檢測，運兩類噪聲的灰度分布沒有 統(tǒng)一的規(guī)律，不同區(qū)域的噪聲點對選取的闊值較為敏感，并且虹膜圖像的整體灰度分布受 背景光照影響嚴重。單一的闊值選取僅能粗略地檢測噪聲；自適應的多闊值選取較為困難， 且影響檢測速度。因此，利用一般的闊值分割法檢測噪聲，效率較低。
[0005] 2、模型匹配法主要用于眼險和睫毛噪聲的檢測，運兩類噪聲的區(qū)域分布不具有規(guī) 則的形狀，且因人而異。想要建立合適的模型去匹配噪聲點的分布比較困難，粗略的模型在 檢測噪聲的同時會將部分有效的虹膜區(qū)域視為噪聲，使可用的虹膜特征點減少，從而影響 虹膜識別的效率;精細的模型設(shè)計復雜，噪聲檢測速度慢，同樣會影響虹膜識別的效率。因 此，單純地利用模型匹配法檢測虹膜圖像的噪聲，很難兼顧檢測的速度與精度。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的技術(shù)問題是提供一種虹膜圖像噪聲分類檢測方法，W解決虹膜識 別系統(tǒng)中虹膜圖像干擾噪聲影響系統(tǒng)識別率的問題。
[0007] 為解決上述技術(shù)問題，本發(fā)明采用下述技術(shù)方案：
[000引一種虹膜圖像噪聲分類檢測方法，該方法的步驟包括 [0009] S1、檢測虹膜區(qū)域內(nèi)的光源像點噪聲；
[0010] S2、檢測虹膜區(qū)域內(nèi)的眼險噪聲；
[0011] S3、檢測虹膜區(qū)域內(nèi)的睫毛噪聲；
[0012] S4、基于步驟SI至S3中檢測得到的光源像點、眼險和睫毛的噪聲信息，標記虹膜區(qū) 域內(nèi)的所有噪聲點，并剔除該像素點。
[0013] 優(yōu)選的，所述步驟S1包括：
[0014] S11、確定虹膜區(qū)域中瞳孔的位置參數(shù)，所述位置參數(shù)包括瞳孔半徑、中屯、點的行 坐標和列坐標.
[0015] S12、對虹膜區(qū)域中瞳孔區(qū)域的像素灰度進行統(tǒng)計，得到分布曲線中小于高灰度峰 值的波谷中對應的最大灰度值gssa:
[0016]
[0017]并確定虹膜區(qū)域內(nèi)光源像點的灰度分割闊值gsst :gsst = gssa+a，其中，α<〇為安 全系數(shù)；
[0018] S13、利用闊值分割結(jié)合連通域篩選的方法對虹膜區(qū)域內(nèi)的光源像點進行檢測，將 Ψ內(nèi)灰度值小于gsst,且聚集在η-連通域內(nèi)的像素點作為光源像點SD:
[0019] SD={(x,y) | [x,y] =f ind(bwlabel(gs( Ψ )>gsst,n))}〇
[0020] 優(yōu)選的，所述步驟S2包括：
[0021] S21、劃定上、下眼險的待捜索區(qū)域Ot和巫b:
[0022]
[002引其中，x，y分別表示虹膜圖像中的行、列坐標變量；
[0024] S22、對下眼險的待捜索區(qū)域巫b進行恢復對比擴展：巫b = imadjust(巫b);
[0025] S23、將PrewUt邊緣提取與誤差平方和最小化拋物線擬合方法相結(jié)合，分別對上 眼險和下眼險的邊緣進行檢測，獲得虹膜區(qū)域內(nèi)的眼險像素點集：
[0026] 邸二邸t U邸b，其中，邸t為虹膜區(qū)域內(nèi)的上眼險，邸b為虹膜區(qū)域內(nèi)的下眼險。
[0027] 優(yōu)選的，所述步驟S3包括：
[00巧]S31、劃定睫毛的待捜索區(qū)域Θ :
[0029] Θ = {(x,y) | xp-rim < x < xp+rp,yp-rim < y < yp+rim}\ Ω ；
[0030] S32、將上眼險邊緣附件的睫毛灰度較低且成簇狀的部分作為濃密睫毛的檢測區(qū) 域 0d: 0d={(x，y)| xp-rim < X < max(x' )，y = y'，（X'，y' ) Ε Θ η EDt};
[0031] 將上眼險邊緣遠離眼險邊緣的睫毛零落分散的部分作為稀疏睫毛的檢測區(qū)域 0S： 0s= 0\0d；
[0032] S33、利用灰度直方圖統(tǒng)計自適應地確定濃密睫毛的分割闊值gshd:
[0033]
[0034] 其中，λ〉〇為安全系數(shù);并確定虹膜區(qū)域內(nèi)的濃密睫毛點集E曲為：
[003引 E曲={(x，y) |gs(x，y)<gshd，（x，y)e 0d};
[0036] S34、選取鄰近瞳孔邊緣的兩個虹膜區(qū)域小像素塊Λ 1和Λ2作為參考，根據(jù)Λ 1和 八2的灰度分布確定稀疏睫毛的分割闊值gshs:
[0039] 其中，ω、!!是位置參數(shù)，0是經(jīng)驗參數(shù);并確定虹膜區(qū)域內(nèi)系數(shù)睫毛點集EHs為:EHs = {(x，y)|gs(x，y)<gshs，（x，y)E0s};
[0040] S35、根據(jù)虹膜區(qū)域內(nèi)的濃密睫毛點集和稀疏睫毛點集，獲得虹膜區(qū)域內(nèi)的睫毛像 素點集邸:邸=E曲U邸S。
[0041] 優(yōu)選的，所述步驟S4包括:將噪聲淹沒圖像定義為M:
[0042]
[0043] 其中，size(M) = size(I)，I為原始虹膜圖像，SD光源像點，E加艮險像素點集，邸睫 毛像素點集。
[0044] 本發(fā)明的有益效果如下：
[0045] 本發(fā)明所述技術(shù)方案從影響虹膜圖像質(zhì)量最主要的幾個因素著手，快速而有效地 剔除噪聲干擾對虹膜定位與特征提取的影響，同時可兼顧虹膜圖像預處理算法與特征提取 匹配算法的適應性，從而提高虹膜識別的效率。
【附圖說明】
[0046] 下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進一步詳細的說明；
[0047] 圖1示出本發(fā)明所述一種虹膜圖像噪聲分類檢測方法的示意圖。
【具體實施方式】
[0048] 為了更清楚地說明本發(fā)明，下面結(jié)合優(yōu)選實施例和附圖對本發(fā)明做進一步的說 明。附圖中相似的部件W相同的附圖標記進行表示。本領(lǐng)域技術(shù)人員應當理解，下面所具體 描述的內(nèi)容是說明性的而非限制性的，不應W此限制本發(fā)明的保護范圍。
[0049] 如圖1所示，本發(fā)明公開了一種虹膜圖像噪聲分類檢測方法的具體步驟是：
[0050] 第一步，檢測虹膜區(qū)域內(nèi)的光源像點噪聲
[0051] 由于虹膜識別系統(tǒng)的成像模塊采用紅外光源照明，在虹膜圖像中的人眼部分會產(chǎn) 生光源像點，其中位于虹膜區(qū)域的光源像點會遮擋虹膜紋理而影響識別的準確率，因此應 當被視為噪聲檢測出來。一般地，光源像點的灰度值遠遠大于其他像素點，且分布集中，可 W利用闊值分割結(jié)合連通域篩選的方法進行檢測。由于瞳孔內(nèi)的像素灰度分布對比明顯， 分為瞳孔低灰度像素區(qū)域和光源像點高灰度像素區(qū)域兩部分，因此可W利用瞳孔內(nèi)的光源 像點灰度分布自適應地確定虹膜區(qū)域內(nèi)光源像點的灰度分割闊值。
[0052]在檢測噪聲前，已對虹膜圖像進行了瞳孔定位，已知瞳孔的位置參數(shù)為（xp，yp， 巧），其中，rp、xp和yp分別表示瞳孔的半徑和中屯、點的行、列坐標。設(shè)瞳孔區(qū)域為Ω，其像素 灰度矩陣為gs( Ω )，統(tǒng)計Ω的像素灰度分布，得到分布曲線中小于高灰度峰值的波