基于BP神经网络和霍夫变换的非理想虹膜定位.pdf

第卷 第期沈 阳 化 工 大 学 学 报.收稿日期:基金项目:国家自然科学基金资助项目()作者简介:孙丹()女辽宁阜新人硕士研究生在读主要从事模式识别的研究.通信联系人:朱立军()男辽宁沈阳人讲师博士主要从事模式识别的研究.文章编号:()基于 神经网络和霍夫变换的非理想虹膜定位孙 丹 朱立军沈阳化工大学 计算机科学与技术学院 辽宁 沈阳 摘 要:针对传统虹膜定位方法对非理想虹膜定位效果不理想的问题提出了一种基于 神经网络和霍夫变换的非理想虹膜定位方法.首先将要定位的虹膜图像分块提取每块图像的特征向量其次采用 神经网络的方法检测边缘块与非边缘块通过对边缘块进行数学运算实现外边界的精确定位然后以外边界的圆心为种子像素对内边界进行区域增长最后利用霍夫变换实现内边界的精确定位.实验结果表明该算法具有较高的准确率并且对睫毛与眼睑遮挡严重、女生画眼线等情况该算法也能取得较好的效果.关键词:非理想虹膜定位 神经网络 区域增长 霍夫变换:./.中图分类号:文献标识码:传统的身份识别方法如密码、钥匙、身份证等具有不安全性、携带不方便、容易忘记等特点因此已经不能满足人们的需求.近年来生物识别方法得到了广泛应用如指纹识别、人脸识别、虹膜识别等.虹膜由于其独特的纹理和极高的精度受到了广泛关注它具有防伪性、唯一性、稳定性和非侵害性等诸多优点因此虹膜识别在抓捕嫌疑犯、门禁系统等方面应用非常广泛.通过观察虹膜图像发现虹膜的内外边界都近似于圆形因此虹膜定位算法就是定位圆形.目前虹膜定位经典算法主要有两种:提出的微积分算法和 提出的边缘检测结合 变换的算法.但是两种算法计算量均较大时间较长并且都容易受到眼睑、睫毛和光斑等各种噪声的影响导致定位错误.针对传统虹膜定位方法存在的不足国内外学者在此基础上提出了改进的虹膜定位算法.朱立军等采用并查集方法和 变换进行内边界定位然后利用边缘检测模板和边缘点的密度进行外边界定位王凯等先粗定位找到边缘点再建立模型求得边缘曲线最后实现虹膜的精确定位张林等先用矩形框对瞳孔进行估计然后通过水平边缘点选择规则剔除非水平边缘点最后利用 变换以及求得的参数定位虹膜孙雯雯等先对图像进行灰度数学形态学操作并二值化再进行一次二值图像形态学处理最后对其边缘检测后利用 变换定位虹膜王延年等先采用聚类法分割瞳孔根据几何特征对瞳孔粗定位然后计算瞳孔的圆心与半径最后利用瞳孔圆周参数和先验知识定位虹膜吕金花等对内边界采用区域属性的分析方法加最小二乘法拟合对外边界寻找感兴趣区域加最小二乘法拟合杨秀等对内边界先将图像转换成二值图形粗定位再对边缘检测进行精定位对外边界结合检测模板进行粗定位使用 圆盘算子进行精定位田子林等首先使用形态学开运算并对图像进行二值化操作然后使用形态学闭运算并利用 算法提取图像边界信息最后根据内边界与外边界的差异性分别使用霍夫变换和最小二乘法定 第 期孙 丹等:基于 神经网络和霍夫变换的非理想虹膜定位 位虹膜内外边界孙正等对内边界利用投影法分割出一个包含瞳孔的矩形区域通过最大类间方差法确定该区域的阈值完成瞳孔的分割对外边界需要基于瞳孔中心分割出某一方向上的扇形区域计算每个扇环的平均灰度值进而确定该方向上的虹膜外边界点对这些边界点进行筛选并进行圆的拟合最终实现虹膜的定位 等首先对图像进行预处理计算图像的梯度信息然后利用 运算实现内外边界的粗定位最后根据梯度霍夫变换实现内外边界的精定位 等提出了一种新的基于粗糙熵的虹膜分割软计算方法并利用圆扇区分析进行定位从而使不确定性最小化 等自适应的获取两个阈值并将灰度图像转换成三值图像然后使用 边缘检测算子生成边缘点再将一种改进的基于共形几何代数的圆检测算法应用于检测虹膜的边缘和瞳孔边界并找到候选边界最后使用共形几何代数内积确定候选边界的边缘点是否在圆上定义了一个缺陷率来表示每个候选边界的完整性只有缺陷率最低的缺陷才被设置为瞳孔和边缘边界.以上各种算法定位效果较好但是大多数是对理想的虹膜进行定位对于睫毛和眼睑遮挡严重、存在光斑、位置偏移等非理想虹膜的定位效果并不理想.对于非理想虹膜定位在研究了大量文献的基础上结合其各自优点本文提出了一种基于 神经网络 和霍夫变换的非理想虹膜定位方法.对于外边界首先将预处理后的虹膜图像分块计算得到能描述每块图像的特征以此作为边缘块与非边缘块分类的依据然后对边缘块进行数学运算得到外边界的半径与圆心进而完成外边界定位对于内边界利用外边界的圆心进行区域增长然后应用霍夫变换完成内边界定位.虹膜图像预处理虹膜定位是虹膜识别过程中的重要步骤定位效果的好坏直接影响了虹膜识别的准确率.为了提高虹膜定位的准确度在进行定位之前需进行去光斑处理并且减少各种噪声对定位的影响.二值掩模去光斑采集虹膜图像的过程中因为光照等问题采集得到的图像往往存在反射光斑这会对虹膜定位造成一定的影响.为了保证后续工作的准确性在定位之前需要对采集得到的图像进行去光斑处理本文采用二值掩模去除光斑.在采集得到的虹膜图像中截取带有光斑的部分通过指定的灰度范围分割出带有光斑的图像定位出光斑所在的位置使用公式()计算得到二值化掩码图像.()().()其中:()为原始图像灰度值、为所要选择区域的灰度范围即光斑所在区域的灰度范围若灰度值在这个范围内则返回(白色)否则返回(黑色).由于虹膜图像中的光斑变化幅度较大难以保证得到的掩码图像中的光斑完全覆盖住了原图中的光斑.为了更好地去除光斑在进行光斑填充之前需要对掩码图像进行膨胀处理使膨胀后的掩码图像可以基本覆盖住光斑.最后对光斑进行填充对膨胀后的掩码图像中非零像素使用其相邻像素进行填充如图 所示.图()为原始图像图 ()为截取带有光斑的图像图()为掩码图像图()为膨胀后的掩码图像图()为去光斑后的图像.沈 阳 化 工 大 学 学 报 年图 去光斑过程 形态学去睫毛睫毛的灰度值和瞳孔的灰度值相近并且睫毛是杂乱无章的因此会对提取图像特征产生一定的影响.笔者采用形态学的方法减少睫毛对后续工作的干扰先对虹膜图像进行先腐蚀后膨胀的开运算消除小颗粒噪声以及断开虹膜与睫毛粘结的部分然后进行先膨胀后腐蚀的闭运算填充虹膜的细小空洞.图 为形态学处理后的图像.图 形态学处理后的图像 基于 神经网络的外边界定位 神经网络主要应用于函数逼近、模式识别、分类和数据压缩笔者将虹膜外边界的定位问题转化成分类问题.首先对二值图像进行第一次分块在此基础上对每块图像进行第二次分块计算第二次分块后的图像中由 变成 的变换次数和由 变成 的变换次数此时得到能描述第一次分块后的每块图像特点的特征向量然后采用 神经网络的方法检测边缘块与非边缘块最后对边缘块进行数学运算实现外边界的精确定位.采用分块策略得到特征向量由于虹膜内的复杂纹理以及反射光斑应用灰度图像的灰度值不能准确定位出边界位置所以需将图像转换成二值图像二值化的结果如图 所示.在二值图像中虹膜左侧的边界位置前面为白色即连续的像素值 后面为黑色即连续的像素值 虹膜右侧的边界位置前面为黑色即连续的像素值 后面为白色即连续的像素值.本文就是依据图像中由 变成 的变换次数和由 变成 的变换次数来实现对边缘块和非边缘块的分类.图 二值化图像 首先对二值图像 进行第一次分块将图像分成 个小块再对每小块图像 继续进行分块分成了 块分块示意图如图 所示.计算块图像()中由 变成 的变换次数和由 变成 的变换次数这样就可以得到能描述块图像 中、分布特点的特征向量以此再通过 神经网络的方法判断出边缘块或非边缘块.具体计算如公式()和公式()所示.()且()()()且().()其中:代表每个小块 中由 变成 的变换次数代表每个小块 中由 变成 的变换次数.将图像 中的 和 按行优先顺序进行排列得到块图像 的特征向量.进行 神经网络训练时为了方便数据的处理需要对求得的数据进行归一化处理计算公式为:()()第 期孙 丹等:基于 神经网络和霍夫变换的非理想虹膜定位 ().()图 分块示意图 此时得到了一个具有 个元素的一维向量即这个向量就是用来表示所对应图像 的特征向量.使用 神经网络建立外边界定位模型 神经网络主要由输入层、隐藏层和输出层构成本文采用网络的输入层、隐藏层和输出层均为 层.根据上文得到的输入为即神经网络输入的节点个数为 个.判断是否为边缘块或非边缘块作为输出即神经网络的输出节点个数为 个取值为 或 输出为 时代表输出为边缘块输出为 时代表输出为非边缘块.隐藏层中节点个数的确定方法目前仍然没有理论上的依据个数太少会导致欠拟合达不到预期的效果个数太多会加大网络计算量并容易出现过拟合的情况.本算法通过实验测试考虑定位精度的问题确定隐藏层中的节点个数与输入层的节点个数一致最终的 神经网络结构为 .神经网络结构如图 所示.图 神经网络结构 本节所要做的就是标记出边缘块然后进行数学运算精确定位虹膜外边界.采用训练样本对模型进行训练训练好的模型就可以进行边缘块与非边缘块的分类.如果模型输出为 则代表此块为边缘块否则为非边缘块.外边界精定位经过 神经网络训练能够识别出分块后的虹膜图像中哪些块属于边缘块哪些块属于非边缘块.接着还需要对边缘块的二值图像进行分析来确定外边界的半径和圆心从而实现外边界精确定位.对于外边界的直径分为三种情况进行计算第一种情况为一行中没有边缘块或只有一个边缘块则默认计算后的值为.第二种情况为每行只有左右两个边缘块此时计算外边界直径的大致过程为:()首先找到左边边缘块的首行中第一个由像素值 变成像素值 的位置取像素值 对应的纵坐标值将其存入到 数组中然后找到右边边缘块的首行中第一个由像素值 变成像素值 的位置取像素值 的纵坐标值将其存入到 数组中以此类推直到将边缘块的所有行中的纵坐标值都存到数组 与 中.()将数组 与 中的值对应相减得到的值为同一行两个边界位置的距离具体计算公式为()()().()其中 为图像 的高.()如果其他行中也有满足一行中有两个边缘块的情况则按照步骤()和()进行计算直到没有满足一行中存在两个边缘块的情况计算结束.()最后从所有的距离 中选取最大值作为外边界的直径进而确定半径和圆心完成外边界的定位.第三种情况为训练后的图像中存在一行中有多个边缘块的情况这时应用上述方法无法计算需将不进行计算的边缘块去掉.具体做法为以瞳孔为中心向两侧遍历因为需要找到外边界的直径即最长的距离所以将离瞳孔最远的两个边缘块保留此时变成了一行中有两个边缘块的情况返回到第二种情况计算外边界的直径完成外边界的定位.图 为虹膜外边界的精确定位.沈 阳 化 工 大 学 学 报 年图 外边界精确定位 基于 变换的内边界定位 采用区域增长对内边界进行粗定位虹膜图像有一定的灰度分布特点巩膜灰度值最大瞳孔灰度值最小虹膜的灰度值介于两者之间同时瞳孔是一个闭合的连通区域.根据瞳孔的这两个特点采用区域增长的方法对瞳孔进行粗定位使用区域增长法最重要的为种子像素的选择会对定位的结果产生一定的影响.笔者选择在定位外边界的基础上进行内边界定位不仅可以缩小定位内边界的范围同时可以选择外边界的圆心作为种子像素减少了选择种子像素的时间具体操作过程为:以外边界的圆心作为种子像素然后搜索该种子像素的八邻域找到与种子像素值相同的像素点合并将这些像素点作为新的种子像素重复以上操作直到再也找不到相同像素值的像素点为止至此得到了内边界的大致位置.图()中瞳孔内的白色圆点为外边界的圆心以此圆心进行区域增长区域增长的结果如图()所示.图 内边界粗定位 采用 变换对内边界进行精定位在内边界粗定位的基础上利用 变换进行内边界的精确定位因为在使用 变换之前就已经确定出了内边界的大致位置所以减小了搜索内边界的半径与圆心的范围提高了 变换的速度.霍夫变换过程为()().()其中:()为虹膜内边界的所有边界点 ()()其他为是否投票.当()时表示该边界点经过半径为、圆心为()的圆可理解为该边界点对参数为()的圆进行了投票当 取最大值时表示边界点经过参数为()的圆最多此时对应的参数就是霍夫变换检测的圆的参数.内边界定位的结果如图 所示.图 内边界精定位 应用外边界的圆心作为种子像素对内边界进行区域增长即便在光斑干扰下也能定位出大部分的瞳孔如图()所示.最后应用 变换进行内边界的精定位如图()所示.图 内边界定位 实验结果与分析本文的虹膜定位算法是在 环境下编程实现的.实验所用图库是实验室采集的可见光虹膜图库一共 张分辨率均为 其中具有各种非约束条件下采集得到的可 第 期孙 丹等:基于 神经网络和霍夫变换的非理想虹膜定位 见光虹膜图像如存在反射光斑、眼睑和睫毛严重遮挡、曝光严重等情况.图 为使用本算法得到的虹膜图像定位结果.图 虹膜定位结果 为了验证不同的分块策略对定位准确率的影响本算法应用不同的分块进行虹膜定位.经过反复实验最终确定第一次分块的长宽为图像的/第二次分块的长宽为第一次分块后每块图像的/时定位效果最好准确率最高.本算法的训练集数量为 同时选择的边缘块与非边缘块数量一致保证了训练的有效性和准确性.为了验证本算法的有效性笔者采用准确性重合度()衡量算法的优劣公式为 .()其中:表示实际虹膜区域包括的像素个数表示本文定位出的虹膜区域包括的像素个数.如果 的值小于 则认为虹膜定位成功定位准确率()公式为.()其中:表示样本中定位成功的图像个数表示样本个数.为了进一步验证本算法的准确率采用本算法和文献的算法、微积分与 变换相结合的方法进行对比.所采用的图库是可见光图库它具有外边缘模糊内边缘清晰的特点.根据微积分方法和 变换方法的适用特点决定用微积分方法定位虹膜外边界用 变换方法定位虹膜内边界结果对比如表 所示.表 不同算法准确率的对比 算法内边界定位准确率/外边界定位准确率/平均定位准确率/变换 算法 参考文献算法 本算法 本算法内边界定位准确率为 外边界定位准确率为 平均准确率为.实验结果表明本算法的定位准确率有了明显提高并且对睫毛与眼睑遮挡严重、女生画眼线等情况本算法也能得到较好的效果.虽然本算法和其他算法相比准确率有了一定提高但仍然存在定位失败的情况如图 所示.图()失败的原因是原始虹膜图像不是圆形而是类似于椭圆形由于本文定位虹膜的算法是基于圆形的所以定位失败.图()定位失败的原因是虹膜的左边界紧邻图像左侧计算两个边缘块的距离时直径所在的行找不到由 变成 的位置从而计算出的最大直径并不是实际虹膜的最大直径导致定位失败.图 定位失败的图像 沈 阳 化 工 大 学 学 报 年 结 论针对非理想虹膜定位本文提出了一种基于 神经网络和霍夫变换的非理想虹膜定位方法.首先应用 神经网络进行外边界的粗定位然后应用数学运算进行外边界的精定位在定位外边界的基础上缩小范围精确定位内边界.该方法不需要事先知道内圆和外圆的初始定位并且对于眼睑和睫毛遮挡、反射光斑、过度曝光和复杂纹理等情况该方法受到的影响较小.本文算法内边界定位准确率为 外边界定位准确率为 平均准确率为.同时还分析对比了其他同类算法的定位效果实验结果表明本文提出的算法准确率更高.下一步的工作将致力于研究怎样彻底地消除眼睑对定位的影响进一步提高算法的准确率.参考文献:秦武旻朱长婕.虹膜快速检测与精确定位的算法研究.国外电子测量技术():.():.()():.:.():.朱立军苑玮琦.基于并查集和边缘检测模板的非理想虹膜定位.计算机应用研究():.王凯钱沄涛.基于线性基函数模型的虹膜定位.光电工程():.张林王保强.一种改进的基于 变换的虹膜定位算法.电子技术应用():.孙雯雯周茂霞白成杰.基于 变换的虹膜定位算法.计算机与数字工程():.王延年姬乐乐.基于阈值分割及边缘检测的虹膜定位算法.微处理机():.吕金花孙建平.基于内外边缘分离的虹膜定位方法.电力科学与工程():.杨秀张轩雄.一种快速有效的虹膜定位方法.软件导刊():.田子林陈家新.基于最小二乘法与霍夫变换的虹膜定位算法.电子技术应用():.孙正陈兆学李晓萌.基于单位扇环灰度的虹膜定位算法.光学技术():.:.:.:.:.赵娟平张玉侠.基于 神经网络整定的 控制及其仿真研究.沈阳化工学院学报():.任帅男王庆辉.神经网络算法在“摇头”避障小车中的应用.沈阳化工大学学报():.第 期孙 丹等:基于 神经网络和霍夫变换的非理想虹膜定位 ():.:(上接第 页)/()():/()().()().().()()/./().()().:()