用于同時(shí)檢測的視網(wǎng)膜分割中的眼睛和眼睛

用于同時(shí)檢測的視網(wǎng)膜分割中的眼睛和眼睛

在高度信息的現(xiàn)代社會，身份識別的重要性和難度日益突出。虹膜是一種重要的身份鑒別特征,基于虹膜識別的身份驗(yàn)證技術(shù)是目前最具發(fā)展?jié)摿Φ纳镒R別技術(shù)。虹膜圖像采集時(shí),由于主客觀條件的限制,且不對采集者做強(qiáng)制性要求,上下眼瞼張開的程度是有限的,遮蓋了部分虹膜結(jié)構(gòu),因而分割出的虹膜并不是完整的環(huán)形,其不僅包含“有用”的虹膜部分,也包含“不相關(guān)”的部分(如眼瞼、睫毛等)。如果不把這些干擾的區(qū)域檢測出來并去除,在后續(xù)的處理中,會被認(rèn)為是虹膜紋理的一部分而進(jìn)行編碼和匹配,在很大程度上會影響虹膜識別的精確性,因此,應(yīng)盡量去除眼皮和睫毛等干擾。虹膜識別技術(shù)中對虹膜分割的研究主要集中在虹膜內(nèi)外邊緣的檢測,有關(guān)眼瞼遮擋和眼睫毛檢測的研究不夠深入,主要是借鑒外邊緣的定位算法,然而Daugman和Wildes算法在定位外邊緣和眼瞼時(shí)均需在三維和四維空間求最優(yōu)解,定位速度慢,搜索過程復(fù)雜,耗時(shí)較多。何家峰等將定位后的環(huán)形限制在–π/4～π/4及3π/4～5π/4二個(gè)90°區(qū)間,也有人直接刪除歸一化虹膜圖像的一部分,在一定程度上能消除一部分干擾,簡化運(yùn)算,可是在剩余部分仍會有殘余睫毛和眼瞼存在,可利用的虹膜特征明顯減少?；跀?shù)學(xué)形態(tài)學(xué),本文采用最小二乘估計(jì)結(jié)合邊緣提取來檢測上下眼瞼,利用閾值法檢測睫毛遮擋,以檢測此算法在檢測精度和速度上是否具有優(yōu)越性。1常用的眼構(gòu)建方法采集的虹膜圖像可能會受上下眼瞼的遮擋,會不同程度遮住部分虹膜,大部分的虹膜圖像眼瞼的邊緣非常不明顯,特別是下眼瞼,往往受眼睫毛的干擾及眼瞼皮膚對照明光源的反光,因此精確檢測眼瞼遮擋是比較困難的。眼瞼定位時(shí),Daugman采用模糊邊緣圓弧模板和拋物線模型的積分差分法檢測眼瞼邊緣來檢測眼瞼;Wildes提出過采用邊緣檢測與Hough投票相結(jié)合的方法檢測眼瞼邊緣;Pardas提出基于最短路徑檢測的眼瞼邊緣檢測方法。文獻(xiàn)利用廣義Hough變換進(jìn)行拋物線的擬合。圓弧方程和拋物線方程分別如(12)和(16)式所示:(x-x0)+(y-y0)=r,(1)(-(x-h1)sinθi+(y-ki)conθi)2=αi((x-hi)sinθi+(y-ki)conθi)。(2)針對上述檢測方法的局限性,本文首先采用水平方向的Sobel算子提取邊緣圖像,然后采用最小二乘法擬合拋物線來檢測眼瞼。1.1非線性最小二乘法最小二乘法是通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配,它用簡單的方法求得一些絕對不可知的真值,而令誤差平方和為最小。用最小二乘法擬合拋物線,拋物線方程為:p(x)=ax2+bx+c。(3)若存在一組實(shí)驗(yàn)數(shù)據(jù)(X,Y)={(xn,yn)|n=1,2,…N},用最小二乘法在此數(shù)據(jù)上擬合拋物線,即根據(jù)偏差的平方和Q為最小的條件來求解拋物線的3個(gè)參數(shù)a、b、c。通過Q(a,b,c)對a,b,c求偏導(dǎo),令偏導(dǎo)為0,得到極值點(diǎn),比較所有極值點(diǎn)的函數(shù)值即可得到最小值。Q(a,b,c)=∑(yn-(ax2nn2+bxn+c))2,(4)令?Q?a=0,?Q?b=0,?Q?c=0?Q?a=0,?Q?b=0,?Q?c=0。(5)在估計(jì)誤差平方和最小的原則下,拋物線參數(shù)的最小二乘估計(jì)為:XLS=(UTU)-1UTV=U-1V,(6)其中,X=[abc]T?(7)???????U=[Ui,j]Ui,J=∑n=1N∑i=13∑j=13x6?i?jn?(8)???????V=[Vi]Vi=∑n=1N∑i=13x3?inyn。(9)X=[abc]Τ?(7){U=[Ui,j]Ui,J=∑n=1Ν∑i=13∑j=13xn6-i-j?(8){V=[Vi]Vi=∑n=1Ν∑i=13xn3-iyn。(9)1.2眼瞼檢測算法眼瞼檢測包括上眼瞼檢測和下眼瞼邊緣檢測。根據(jù)眼瞼的形狀,上下眼瞼可以用拋物線曲線來近似。眼瞼邊緣檢測可分為三部分:眼瞼子圖像的截取、尋找眼瞼邊緣點(diǎn)集和曲線擬合。二者方法類似。算法步驟如下:1)根據(jù)虹膜內(nèi)外邊緣的定位結(jié)果,分別確定上下眼瞼所在的區(qū)域,從而縮小檢測范圍。2)采用水平方向Sobel算子對縮減后的眼瞼圖像進(jìn)行邊緣檢測,以降低睫毛對眼瞼邊緣的影響。3)采用連通區(qū)域的知識進(jìn)一步去除噪聲,獲得眼瞼邊緣候選點(diǎn)集。4)利用最小二乘法對候選邊緣圖進(jìn)行拋物線擬合,如圖1和圖2的(d)所示。2雙閾值法異形眼圖檢測睫毛對于虹膜來說是一種不規(guī)則“黑噪聲”,其灰度值很小,但由于光照等因素影響,部分睫毛的灰度值會與虹膜紋理的灰度值相差不大,給虹膜的紋理分析帶來困擾。而相對來說上眼瞼上的眼睫毛產(chǎn)生的影響比下眼瞼的睫毛要大得多,因此只研究上眼瞼的睫毛去除。關(guān)于檢測眼睫毛的方法主要有3種:JunzhouHuang等提出一種基于相位一致性的噪聲檢測方法,該方法能檢測眼睫毛、眼瞼、光斑和瞳孔;Kong等提出檢測眼睫毛模型的3個(gè)標(biāo)準(zhǔn);袁曉燕等采用遲滯閾值法來檢測眼睫毛。然而JunzhouHuang等根據(jù)邊緣信息定位眼睫毛區(qū)域,處理后有孤立噪聲點(diǎn);Kong等的方法的前提條件是眼睫毛的灰度值遠(yuǎn)小于虹膜像素的灰度值,且搜索過程比較耗時(shí);袁曉燕等的方法對光照變化的影響比較大。針對上述方法存在的不足,本文設(shè)計(jì)一種簡單而有效的雙閾值法檢測眼睫毛,抑制睫毛的影響,盡可能地保留有用的虹膜信息。雙閾值法睫毛的檢測的步驟:1)根據(jù)內(nèi)邊緣定位的結(jié)果截取子圖像。2)分別采用2個(gè)不同的閾值T1和T2對子圖像進(jìn)行二值化處理后取反,記為I1和I2。3)利用I1和I2,通過選取最大連通區(qū)域?qū)⑼滋崛〕鰜聿⑷》?記為I3和I4。4)按照式(10)進(jìn)行圖像或操作,從而得到眼睫毛圖Ieyelash。Ieyelash=(I1-I3)&(I2-I4)。(10)3嘴唇定位檢測實(shí)驗(yàn)所用圖像為實(shí)驗(yàn)室所建虹膜庫,采集設(shè)備為“天目”便攜式虹膜采集儀,分辨率為480×640。實(shí)驗(yàn)平臺為主頻為2.4G,內(nèi)存256,Matlab7.0編程環(huán)境的PC機(jī)。圖4和圖5的(a)圖分別給出左眼和右眼的上下眼瞼定位圖,(b)圖為檢測出的上眼睫毛,(c)圖為根據(jù)內(nèi)外邊緣和上下眼瞼定位所分割出來含有睫毛的虹膜區(qū)域,(d)為去除眼瞼和睫毛干擾后的分割圖。從圖可看出眼瞼定位較準(zhǔn)確,大部分睫毛能檢測出來,只有極少部分睫毛沒有檢出,這對虹膜識別影響極小。算法不僅能將沒有遮擋的虹膜分割出來,甚至對一些虹膜遮掩較嚴(yán)重的圖像中也可將虹膜較好的分離,對虹膜庫中的樣本的97.6%以上的圖像有效,平均定位時(shí)間與其他方法的對比見表1。4過眼瞳