一种虹膜识别的预处理方法及装置的制造方法
【专利摘要】一种虹膜识别的预处理方法，包括以下步骤：a、通过镜头，对人眼中的虹膜进行图像采集，获得含有虹膜图像的原始灰度图像；b、利用Haar小波方法获得原始灰度图像中低频子带的虹膜图像部分；c、利用Canny算子对虹膜图像部分的虹膜边缘进行边缘检测；d、利用亚像素圆定位进行虹膜内圆的精确定位；e、利用圆检测算子，结合增加搜索半径步长，进行虹膜外圆的精确定位。利用的虹膜识别的预处理过程可以精确识别虹膜的内圆和外圆边界，快速，精确定位虹膜图像中的虹膜位置，为后续的特征点识别和特征匹配提供良好的无噪声的图像信号基础。相应的虹膜识别终端具有较高的辨识能力，采集时间短，处理效率较高。
【专利说明】
-种虹膜识别的预处理方法及装置
技术领域
[0001] 本发明设及一种信号识别方法及装置，特别设及一种图像边界识别准确率的信号 识别方法及装置。
【背景技术】
[0002] 当今幼儿园的安全问题是大家均在关屯、的问题。最引起大家关注的问题的是接送 安全问题，如果保证接送安全是当今幼儿园安全问题中的首要问题，此问题的根源就是如 何能够准确地识别与幼儿有特殊相关人员的身份识别，即如何准确识别相关人员身份是本 系统的首要任务。在身份识别中现在常用的技术有指纹识别、人脸识别和虹膜识别，指纹识 别和人脸识别在使用上有一定的阻碍，即当人有穿戴时识别非常麻烦，但虹膜识别从某种 意义上讲能克服运样的麻烦(如带手套、口罩等），因为我们走路等必须让眼睛裸露在外，不 可能密不透风，运给虹膜采集带来了方便，也是为什么本系统采用虹膜身份识别技术的原 因之一。
[0003] 虹膜技术的基本原理:虹膜能够控制瞳孔大小，并给人们的眼球带来颜色。在胎儿 发育阶段，虹膜就已形成复杂独特的结构，在整个生命历程中保持不变。运就是虹膜基础的 生物识别系统的有效性真实原因，每个人的虹膜都各不相同，运给基于虹膜的生物识别系 统的用于人类身份识别奠定了可行性基础。在典型的虹膜扫描中，在近红外光线(特定的某 =种特殊波长的红外光线）照射下摄像机可拍摄测试者眼睛的图像，软件识别眼球虹膜的 属性，然后解析成1024个样本区域，W运种方法微妙地发现可W反射光线的眼睛基质层 (stroma)结构。运一独特信息可用于产生二进制数代码。
[0004] 生物活性:虹膜是人眼的可见部分，处在巩膜的保护下，具有极强的生物活性。例 如，瞳孔的大小随光线强弱变化;视物时有不自觉的调节过程;有每秒可达十余次的无意识 瞳孔缩放;在人体脑死亡、处于深度昏迷状态或眼球组织脱离人体时，虹膜组织即完全收 缩，出现散瞳现象。运些生物活性与人体生命现象同时存在，共生共息，所W想用照片、录 像、尸体的虹膜代替活体的虹膜图像都是不可能的，从而保证了生理组织的真实性。
[0005] 非接触性:从一定距离即可获得虹膜数字图像，无需用户接触设备，对人身没有侵 犯，因而容易被公众接受
[0006] 唯一性:唯一性是指每个虹膜所包含的信息都不相同，出现形态完全相同的虹膜 组织的可能性远远低于其他组织。虹膜的纤维组织细节复杂而丰富，并且它的形成与胚胎 发生阶段该组织局部的物理化学条件有关，具有极大的随机性，即便使用克隆技术也无法 复制某个虹膜。同卵双胞胎的虹膜纹理信息不同，同一个人左右眼的虹膜纹理都不会相互 认同。
[0007] 稳定性:虹膜在人的一生中都极其稳定，出生前(胎儿7个月时）已经形成，出生6- 18个月后定型，此后终身不变.一般性疾病不会对虹膜组织造成损伤，不会因职业等因素造 成磨损。
[000引防伪性:不可能在对视觉无严重影响的情况下用外科手术改变虹膜特征，更不可 能将一个人的虹膜组织特征改变得与某个特定对象的特征相同，用照片、录像、尸体的虹膜 代替活体的虹膜图像都可被检验出来。
[0009] 但是虹膜识别过程中的信号采集、信号识别等数据处理成本极高，而且虹膜和指 纹数据一样需要高度保护，避免外泄。高成本的部分原因是由于图像信号处理的效率和准 确率造成的。
【发明内容】
[0010] 本发明的目的是提供一种虹膜识别的预处理方法，解决虹膜识别过程中的后期信 号处理可靠性的技术问题。
[0011] 本发明的另一个目的提供一种虹膜识别的预处理方法应用的虹膜识别终端，解决 现有识别终端预处理能力低下的技术问题。
[0012] 本发明的虹膜识别的预处理方法，包括W下步骤：
[0013] a、通过镜头，对人眼中的虹膜进行图像采集，获得含有虹膜图像的原始灰度图像；
[0014] b、利用化ar小波方法获得原始灰度图像中低频子带的虹膜图像部分；
[0015] C、利用化nny算子对虹膜图像部分的虹膜边缘进行边缘检测；
[0016] d、利用亚像素圆定位进行虹膜内圆的精确定位；
[0017] e、利用圆检测算子，结合增加捜索半径步长，进行虹膜外圆的精确定位。
[001引步骤a包括W下步骤：
[0019] 利用中值滤波算法对采集的原始灰度图像进行噪声处理。
[0020] 步骤b包括W下步骤：
[0021] 对原始灰度图像进行Haar小波变换，形成四个子带，选取低频子带形成的灰度图 像数据。
[0022] 步骤d包括W下步骤：
[0023] 首先根据像素级边缘点求取其沿梯度方向的邻近点的灰度值，进行边缘点区域划 分。
[0024] 步骤d包括W下步骤：
[0025] 进而求得该边缘点和其沿梯度方向邻近点的灰度差，进行灰度插值及灰度差求 取。
[0026] 步骤d包括W下步骤：
[0027] 然后利用参数拟合法求得精确的亚像素级边缘点，进行高斯曲线拟合。
[002引步骤e包括W下步骤：
[0029] 1)瞳孔圆屯、为中屯、，尺寸为IOX 10的矩阵，作为虹膜圆屯、的取值范围；
[0030] 2)依次W各点为圆屯、，从内边界的半径开始，W-定距离增加半径，运样就产生一 系列圆环；
[0031 ] 3)在每个圆环上，W-定角度选取点，运样每个圆环得到相同数目相同角度的点， 取出运些点的灰度值，将每个圆环的运些点的灰度值相加，运样每个圆环就有一灰度值之 和；
[0032] 4)将每个相邻圆环的灰度值之和进行比较，并记录灰度值之和变化最大的那个圆 环的圆屯、和半径；
[0033] 5)求出所有圆屯、取值范围对应的灰度值之和变化的最大值，选取灰度值之和变化 最大时对应的圆屯、和半径作为虹膜的圆屯、和半径。
[0034] 还包括虹膜数据的归一化。
[0035] 利用虹膜识别的预处理方法的虹膜识别终端。
[0036] 利用的虹膜识别的预处理过程可W精确识别虹膜的内圆和外圆边界，快速，精确 定位虹膜图像中的虹膜位置，为后续的特征点识别和特征匹配提供良好的无噪声的图像信 号基础。相应的虹膜识别终端具有较高的辨识能力，采集时间短，处理效率较高。
【附图说明】
[0037] 图1为本发明采用虹膜识别的预处理方法的虹膜识别终端的结构示意图；
[0038] 图2为本发明的虹膜识别终端的幼儿园安全接送系统的结构示意图；
[0039] 图3为本发明的虹膜识别终端的虹膜补光装置的结构示意图；
[0040] 图4为本发明的虹膜识别终端的识别流程示意图；
[0041] 图5为本发明的虹膜识别终端的的幼儿园安全接送系统的身份维护流程示意图；
[0042] 图6为本发明虹膜识别的预处理方法中圆边缘点梯度方向及区域划分示意图；
[0043] 图7为本发明虹膜识别的预处理方法中定义邻近点原理图；
[0044] 图8为本发明虹膜识别的预处理方法中灰度插值示意图；
[0045] 图9为本发明虹膜识别的预处理方法中高斯曲线拟合算法原理图；
[0046] 图10为现有技术的化nny算子内圆检测定位效果图；
[0047] 图11为本发明虹膜识别的预处理方法中亚像素内圆定位效果图。
【具体实施方式】
[0048] 下面结合附图对本发明的【具体实施方式】进行详细说明。
[0049] 如图1所示，虹膜识别终端Ol包括与预处理器11数据链路连接的触摸屏12、左眼虹 膜采集摄像头13、左眼虹膜补光装置14、右眼虹膜采集摄像头15、右眼虹膜补光装置16、 RFID接口 17、网络接口 18和蓝牙接口 19,其中：
[0050] 预处理器11，用于将采集的虹膜影像进行数据化转换，形成虹膜指纹数据，完成数 据比对形成匹配结果;控制摄像头和补光装置协同采集虹膜影像;通过连接的数据接口形 成数据通信链路;形成人机交互界面数据；
[0051] 触摸屏12,用于显示人机交互界面数据，提供与人机交互的传感器；
[0052] 左眼虹膜采集摄像头13,用于采集左眼虹膜的生物特征影像；
[0053] 左眼虹膜补光装置14,用于调整针对左眼虹膜的光照物理参数，配合摄像头形成 不同波长、亮度下的左眼虹膜的生物特征影像；
[0054] 右眼虹膜采集摄像头15,用于采集右眼虹膜的生物特征影像；
[0055] 右眼虹膜补光装置16,用于调整针对右眼虹膜的光照物理参数，配合摄像头形成 不同波长、亮度下的右眼虹膜的生物特征影像；
[0056] RFID接口 17,用于提供与近场通信匹配的无线通信接口，建立数据通信链路；
[0057] 网络接口 18,用于提供与TCP/IP网络匹配的无线或有线通信接口，建立数据通信 链路；
[0058] 蓝牙接口 19,用于提供与蓝牙通信匹配的无线通信接口，建立数据通信链路。
[0059] 本实施例的虹膜识别终端可W与服务端建立数据连接，分布式存储虹膜指纹数 据，建立生物特征影像的调试环境，同时集成人机交互界面，利用近场通信标识虹膜识别终 端的独立性，保证数据采集、人机交互和数据响应的可靠性。
[0060] 如图2所示，虹膜识别终端Ol通过网络接口 18分别连接虹膜识别服务器03和安全 接送业务响应服务器05建立数据通信链路，其中：
[0061 ]安全接送业务响应服务器05，用于建立服务端和终端间的业务流程数据，响应虹 膜识别终端Ol的数据请求，将业务流程数据形成人机交互数据；
[0062] 虹膜识别服务器03,用于存储虹膜识别终端Ol的虹膜指纹数据和匹配结果，分发 虹膜识别终端Ol识别范围内的虹膜指纹数据，校验虹膜识别终端Ol。
[0063] 本实施例的基于虹膜识别的幼儿园安全接送系统，利用分布式数据存储结合分布 式数据响应，形成了虹膜识别终端、虹膜识别业务与附加考勤业务的整合，使得人员与设备 在幼儿园安全接送系统中有机的形成整体，避免了人员与设备的离散性的影响。
[0064] 虹膜识别终端Ol的虹膜补光装置或虹膜补光装置对虹膜影像的形成和后续转换 处理中的数据识别具有极大的影响。
[0065] 如图3所示，（右眼或左眼）虹膜补光装置包括一个轴线与摄像头光轴重合的环形 固定体，环形固定体为一个圆环，包括共轴的后环形平板42、前环形板43、内侧环形立板44 和外侧环形立板45,后环形平板42前端的外侧边缘连接外侧环形立板45的后端，外侧环形 立板45的前端连接前环形板43后端的外侧边缘，前环形板43后端的内侧边缘连接内侧环形 立板44的前端，内侧环形立板44的后端连接后环形平板42前端的内侧边缘；
[0066] W后环形平板42为基准，内侧环形立板44的高度低于外侧环形立板45的高度，前 环形板43沿径向方向形成弧面，弧面的圆屯、远位于前环形板43前方；
[0067] 在前环形板43前端，沿周向均布第一组投射光源46，沿周向均布第二组投射光源 47,第一组投射光源46至轴线的间距大于第二组投射光源47至轴线的间距，第一组投射光 源46与第二组投射光源47交替设置；
[0068] 第一组透射光源46或第二组透射光源47中包括=个波长的光源。
[0069] 本实施例可W保证虹膜影像采集过程中对虹膜生物差异性造成的信号源误差的 弥补。
[0070] 如图4所示，为利用本系统的虹膜识别终端进行身份识别的基本步骤，可W很好地 将家长、孩子、教师的位置移动节点、考勤信息与虹膜识别相结合，形成可靠的业务流程，保 证完整系统和业务流程的可靠性。
[0071] 如图5所示，利用本系统可W统一管理业务流程中各种角色的身份验证和鉴权，可 W有效保证业务流程的可靠性。
[0072] 结合图2,虹膜识别服务器03的主要功能包括：
[0073] 能够存储所有幼儿园学生、家长及教师的所有数据(主要有学生信息、家长接送孩 子的准确信息和教师的考勤信息等）；
[0074] 能够按照园作为基本单位完成数据的归类、整合；
[0075] 能够识别所接入的虹膜接送设备的合法性，能禁止非本公司授权的虹膜设备连接 云服务器；
[0076] 能够实时备份所有与幼儿园相关的所有数据。
[0077] 虹膜识别终端Ol的主要功能包括：
[0078] 能够根据所输入的园长信息，自动从云服务器下载与本园相关的幼儿园数据；
[0079] 能够脱机或者联网方式完成幼儿园接送、教师考勤等关键的操作；
[0080] 能够完成学生、家长、教师的虹膜采集工作，采集后能够实时更新到云服务器(联 网状态下），存储>1000份虹膜模板数据(脱机状态下），当联网后能自动上传本地所储存的 所有虹膜模板数据；
[0081] 能够显示接送数据信息，考勤信息。
[0082] 能够将所有的接送信息、考勤信息拷贝到移动磁盘。
[0083] 和安全接送业务响应服务器02形成的Web端页面形式的交互数据的主要功能包 括：
[0084] 完成学生、家长和教师的详细信息录入；
[0085] 能够通过手持虹膜采集设备采集学生、家长和老师的虹膜模板数据；
[0086] 查询所有幼儿园的全部信息。
[0087] 虹膜识别的一般流程由虹膜图像采集、虹膜预处理、特征提取获得被测虹膜特征， 与由虹膜样本形成的样例虹膜特征数据库进行特征匹配，获得匹配结果。
[0088] 其中虹膜识别的预处理过程又分为虹膜图像噪声处理，瞳孔的定位，虹膜内圆定 位，虹膜外圆定位，虹膜的归一化W及虹膜图像的增强。在虹膜图像的噪声处理过程中，一 般采用中值滤波器滤除图像的噪声，但是该滤波器对于分布范围较广的小噪声点无很好的 滤除效果，同时由于采用固定阔值，因此在保留细节和平滑方面存在着矛盾。
[0089] 对于虹膜定位，目前主要流行W下=种算法：
[0090] 1、利用化nny算子和化Ugh变换结合进行虹膜的内外圆定位W及瞳孔的定位。该算 法首先采用化nny边缘检测算子对虹膜的内外圆进行边缘检测，紧接着再通过化U曲变换确 定虹膜的内圆边界，外圆边界，该算法实现虹膜定位精度高，但是速度慢。
[0091] 2、利用二值化阔值和最小二乘法算子结合进行虹膜定位。该算法首先采用二值化 阔值法分割瞳孔，并获得虹膜的内圆，再通过化nny算法进行边缘检测，用最小二乘法拟合 外圆，该算法的速度快，但是对虹膜的内外圆定位精确度不高
[0092] 3、利用小波和圆检测算法结合进行虹膜定位。该算法首先采用化ar小波的不同通 道来获得虹膜W及瞳孔的频域信息，利用化nny算法实现虹膜的内外圆的边缘检测，再利用 最小二乘法实现内圆的定位，利用圆检测算子获得外圆的定位。该算法中最小二乘法确定 内圆的准确度不高，圆检测算法确定外圆的速度较慢，因此需要对此算法进行改进。
[0093] 为了解决小波和圆检测算法中面临的边缘检测精度不高，内圆确定精准度不高W 及外圆定位算法较慢等问题，采用了亚像素圆定位算法实现内圆的精定位，利用增加捜索 半径步长的方法提升圆检测算子的检测速度。综合上述两方面的改进和创新，形成了一种 精准高效的虹膜预处理算法。
[0094] 在本实施例的基于虹膜识别的虹膜识别终端的精确高效的虹膜图像的预处理方 法包括W下步骤：
[0095] a、通过镜头，对人眼中的虹膜进行图像采集，获得含有虹膜图像的原始灰度图像；
[0096] b、利用化ar小波方法获得原始灰度图像中低频子带的虹膜图像部分；
[0097] c、利用化nny算子对虹膜图像部分的虹膜边缘进行边缘检测；
[0098] d、利用亚像素圆定位进行虹膜内圆的精确定位；
[0099] e、利用圆检测算子，结合增加捜索半径步长，进行虹膜外圆的精确定位。
[0100] 本方法可W精确识别虹膜的内圆和外圆边界，快速，精确定位虹膜图像中的虹膜 位置，为后续的特征点识别和特征匹配提供良好的无噪声的图像信号基础。
[0101] 在步骤a和步骤b间利用中值滤波算法对采集的原始灰度图像进行噪声处理，是必 要但不必须的步骤。
[0102] 其中的具体数据处理过程如下。
[0103] 1.化ar小波分解
[0104] 传统的信号分析建立在傅立叶(Fourier)变换的基础上，但由于它是一种全局的 变换，无法在时频局部对信号进行分析，而局部分析是非平稳信号分析的关键。小波变换是 一种时间一频率分析方法，它具有多分辨率分析的特点，而且在时频两域都具有表征信号 局部特征的能力，是一种时间窗口和频率窗都可W改变的时频局部化分析方法。在低频部 分，有较大的时间W免失真，即有较低的时间分辨率和较高的频率分辨率;在高频部分具有 较高的时间分辨率和较低的频率分辨率，因此小波被称为分析信号的显微镜。
[0105] 由于虹膜本身的生理特点，虹膜的边缘并不是很清晰。但虹膜定位需要得到清晰 的边缘图像，利用小波在低频能实现高分辨率分析，高频能实现低分辨率分析的特点，可W 得到消除了高频噪声和减少多余计算量的虹膜图像，突出了边缘的结构
[0106] 本发明采用了化ar小波对虹膜图像分解成四个子带，其中低频子带显示较为清晰 的瞳孔和虹膜的边缘。
[0107] 2.化nny算子进行边缘检测
[0108] 虹膜图像的边缘轮廓属子典型的阶跃状边缘，阶跃状边缘采用一阶微分算子比较 有效，而Canny边缘检测算子是一种较好的一阶算子，可用高斯函数的梯度来近似。在理论 上它很接近四个指数函数的线性组合形成的最佳边缘算子。Canny算子具有定位精度高、单 一边缘和检测效果好等优点。采用化nny算子可W较为清晰的检测出巩膜图像与虹膜图像 的边缘。
[0109] 3.亚像素级内圆精定位算法
[0110] 本方法采用亚像素级内圆精定位算法，该算法首先根据像素级边缘点求取其沿梯 度方向的邻近点的灰度值，进而求得该边缘点和其沿梯度方向邻近点的灰度差，然后利用 参数拟合法求得精确的亚像素级边缘点。算法主要分为=个部分:边缘点区域划分，灰度插 值及灰度差求取，高斯曲线拟合。
[0111] 3.1边缘点区域划分
[0112] 如图6所示，根据圆形边缘灰度分布特征，即圆形图像的边缘像素点的梯度方向为 圆形的圆屯、与边缘像素点连线方向，利用粗定位圆屯、来获取边缘点的梯度方向。0为粗定位 圆屯、，设任意像素级边缘点PU, y)，根据圆的灰度分布特征，P的梯度方向为圆屯、到该点的 连线方向，即直线OP的方向。为了便于分析与计算，将圆边缘点按如下方法分为两个区域： 直线^和12分别与X轴正方向的夹角为45°和-45°，且与圆周交点为N、K、J、M，将圆边缘点划 分为两部分，一部分为ZNOM和ZKOJ应的边缘像素点，称为区域1的边缘像素点；另一部分 是ZNOK和Z JOM对应的边缘像素点，称为区域2的边缘像素点。
[0113] 3.2灰度插值及灰度差取值
[0114] 3.2.1边缘像素点沿梯度方向的邻近点的定义
[011引如图7所示，设边缘像素点为P(Xp，Yp)，假定P在区域纳，如图6所示，L2为P点的梯 度方向直线，直线71，72,73,74为？点附近^像素为单位的四条横线，分别与直线12相交于点 B，A，C，D;直线^1，枯，^3，^4为？点附近^像素为单位的四条纵线，分别与直线12相交于点0'、 C'、B'、A'。，选取{B'，A'，C'，D'巧日{B，A，C，D}两组点作为边缘点沿梯度方向的候选邻近点。 由于P点在区域2内，梯度方向Wy方向为主，目化2的斜率的绝对值大于1，因此，候选邻近点 IB'，A'，C'，D'}巧化点的距离明显要大于候选邻近点{B，A，C，D}至化点的距离，若选用{B'， A'，C'，D'}}作为P点沿梯度方向的邻近点，会导致边缘定位不够精确，因此，选用{B，A，C，D} 作为其邻近点。同理，若P在区域1内，其沿梯度方向的邻近点应为{B'，A'，C'，D'}。
[0116] 3.2.2灰度插值获取邻近点的灰度值
[0117] 如图8所示，0为圆屯、，P为像素级边缘点，边缘点P沿梯度方向的邻近点的字母表示 与前述相同。设P在区域2内，每个正方形虚线框的中屯、代表整像素点。直线OP为P点的梯度 方向，直线Ly = yp+l与直线OP的交点为A，A点为P点一个右紧邻点。当P的位置变化时，通过 边缘点P和圆屯、的直线不同，与直线L的交点的坐标也不同，那么交点的灰度值也不同。由于 交点为非整像素点，需要对交点的灰度值进行灰度线性插值处理。W求区域2内A点的灰度 值为例。直线OP与直线y = yp+l相交于A点，设A点的坐标为(xa，ya)，ya = yp+l而Xa的值可根据 直线OP的斜率和A点纵坐标ya求得，用与A点最相近的两个整像素点A2、A3的灰度值A点的灰 度值进行线性插值，得到A点的灰度值
[0118] f(Xa，ya) = (l-入)*f([Xa]，ya)+入 *f([Xa] + l 公式 I
[0119] 其中，^ = ^-^(^，7)^(^，￥)表示像素点坐标为(^，7)的灰度值，符号表示的整数 部分，单位为像素。
[0120] 同理可W得到区域2中的B，C，D的灰度值为f(xb，yb)，f(x〇，y〇)，f(xd，yd)。
[0121 ] 3.2.3边缘点及其沿梯度方向的邻近点的灰度差值
[0122] 获得图像中像素级边缘点P的邻近点D、C、A、B的灰度值后，对P点和A、B、C、D四点进 行灰度差分处理。考虑到取差分的严密性，选取前向差分和后向差分的平均值作为该点的 灰度差分值，例如，对于点P(xp，yp)，灰度值为f(xp，yp)，其梯度方向上紧邻前一点C的灰度 值为f (Xc，yc)，后一点的灰度值为f (Xa，ya)，那么该点P(X，，Y，）的灰度差值为
[0123] 公式（2)
[0124] 3.3高斯曲线拟合
[0125] 如图9所示，对于圆形图像，像素级边缘点的梯度方向为圆屯、到该点的直线方向， 仅需对像素级边缘点及其沿梯度方向的邻近点进行高斯曲线拟合即町求出亚像素边缘点 的位置，运样可W将二维的高斯曲面拟合转化为一维的高斯曲线拟合。P点为像素级边缘 点，D，C，A，B为其沿梯度方向的邻近点，高斯曲线顶点M所对应的P'点应为其真实边缘点位 置，P点与P'点的距离差为。一维高斯曲线的表达式为：
[0126] 公式（3)
[0127] 式中4为均值，〇为标准差，为方便计算，对公式(3)两边取对数，并令歹'3如?^巧^ 转化为
[012引 祭式（4)
[0129]根据方形孔径采集定理，像素灰度插值为
[0U0]
公式（5)
[0131]令边缘点P的序号为0,灰度差为fo,其邻近点D，C，A，B序号分别表示为和 2,相应的灰度差值表示为'-2击1，。龙。对0，(：，？，4,8五点，代入式(5)，有：
[013。 進式（食)
[0133] 公式（T)
[0134] 公式（8)
[0135] 会式（9)
[0136] 公式（10)
[0137] 根据式(6)~（10)，联立方程组，用最小二乘法可求得A，B，C关于f-2，f-i，fi，f2，fo 的表达式，将其代入抛物线顶点坐标值S = -B/2A，得：
[01381
公或（11)
[0139] 根据6W及像素级边缘点P的梯度方向直线的斜率，即可分别求出P'点与P点在X方 向和Y方向上的坐标差Sx, Sy。运样，对于像素点P(xp，yp)，其对应的亚像素边缘点为P'（Xp 5x，yp|Sy)。
[0140] 3.4亚像素定位算法步骤
[0141] 1)根据像素级边缘点用灰度插值求取其沿梯度方向的邻近点的灰度值。
[0142] 2)按照公式(2)求取像素级边缘点及沿梯度方向的邻近点的灰度差。
[0143] 3)将2)中各点的灰度差代入式（11)求得偏差S再结合像素级边缘点P的梯度方向 直线的斜率，即可分别求出P点与P点的在X方向和y方向上的坐标差
[0144] 4)P(Xp，yp)，其对应的亚像素边缘点为P'（Xp+Sx，yp+Sy)
[0145] 5)对所有像素级边缘点依次求取其所对应的真实的亚像素边缘点的坐标。
[0146] 3.5亚像素内圆定位效果
[0147] 如图10和图11所示，亚像素内圆定位效果明显优于化nny算子内圆检测定位可见 亚像素内圆定位精度较局。
[0148] 4.改进的圆检测算子进行外圆定位
[0149] 由于虹膜比较良好的环状性质，所W可W采用W下公式算子定位外边缘：
[0150]
[0151] I(x，y)为W(x"，Y。）为圆屯、，为半径的圆周上点的灰度值，可W体现出虹膜与巩膜 交界处的灰度变化。与高斯函数做卷积，进一步消除了噪声，加剧了交界处的梯度变化，利 于参数提取。上述公式实质是一个尺度内的的圆形探测器。它的定位过程是在(r，x"，Y。）= 参数空间不断迭代求最优解的过程。该算子需要对圆屯、和半径进行捜索，而且是在确定灰 度差的基础上进行了一种大范围的捜索方法，很显然上述算子计算量较大。在本发明中对 其进行改进，捜小该算子的捜索范围，具体步骤如下：
[0152] 1)瞳孔圆屯、为中屯、，尺寸为IOX 10的矩阵，作为虹膜圆屯、的取值范围；
[0153] 2)依次W各点为圆屯、，从内边界的半径开始，W-定距离增加半径，运样就产生一 系列圆环；
[0154] 3)在每个圆环上，W-定角度选取点，运样每个圆环得到相同数目相同角度的点， 取出运些点的灰度值，将每个圆环的运些点的灰度值相加，运样每个圆环就有一灰度值之 和；
[0155] 4)将每个相邻圆环的灰度值之和进行比较，并记录灰度值之和变化最大的那个圆 环的圆屯、和半径；
[0156] 5)求出所有圆屯、取值范围对应的灰度值之和变化的最大值，选取灰度值之和变化 最大时对应的圆屯、和半径作为虹膜的圆屯、和半径。
[0157] 5.虹膜的归一化
[0158] 虹膜归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置，从而消除平 移、缩放和旋转对于虹膜识别的影响。本发明采用的是传统虹膜归一化算法。
[0159] W上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明掲露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该W权利要求书的保护范 围为准。
【主权项】
1. 一种虹膜识别的预处理方法，包括以下步骤： a、 通过镜头，对人眼中的虹膜进行图像采集，获得含有虹膜图像的原始灰度图像； b、 利用Haar小波方法获得原始灰度图像中低频子带的虹膜图像部分； c、 利用Canny算子对虹膜图像部分的虹膜边缘进行边缘检测； d、 利用亚像素圆定位进行虹膜内圆的精确定位； e、 利用圆检测算子，结合增加搜索半径步长，进行虹膜外圆的精确定位。2. 如权利要求1所述的虹膜识别的预处理方法，步骤a包括以下步骤： 利用中值滤波算法对采集的原始灰度图像进行噪声处理。3. 如权利要求1所述的虹膜识别的预处理方法，步骤b包括以下步骤： 对原始灰度图像进行Haar小波变换，形成四个子带，选取低频子带形成的灰度图像数 据。4. 如权利要求1所述的虹膜识别的预处理方法，步骤d包括以下步骤： 首先根据像素级边缘点求取其沿梯度方向的邻近点的灰度值，进行边缘点区域划分。5. 如权利要求1所述的虹膜识别的预处理方法，步骤d包括以下步骤： 进而求得该边缘点和其沿梯度方向邻近点的灰度差，进行灰度插值及灰度差求取。6. 如权利要求1所述的虹膜识别的预处理方法，步骤d包括以下步骤： 然后利用参数拟合法求得精确的亚像素级边缘点，进行高斯曲线拟合。7. 如权利要求1所述的虹膜识别的预处理方法，步骤e包括以下步骤： 1) 以瞳孔圆心为中心，尺寸为10 X 10的矩阵，作为虹膜圆心的取值范围； 2) 依次以各点为圆心，从内边界的半径开始，以一定距离增加半径，这样就产生一系列 圆环； 3) 在每个圆环上，以一定角度选取点，这样每个圆环得到相同数目相同角度的点，取出 这些点的灰度值，将每个圆环的这些点的灰度值相加，这样每个圆环就有一灰度值之和； 4) 将每个相邻圆环的灰度值之和进行比较，并记录灰度值之和变化最大的那个圆环的 圆心和半径； 5) 求出所有圆心取值范围对应的灰度值之和变化的最大值，选取灰度值之和变化最大 时对应的圆心和半径作为虹膜的圆心和半径。8. 如权利要求1至7中任一项所述的虹膜识别的预处理方法，还包括虹膜数据的归一 化。9. 利用权利要求1至8中任一项所述的虹膜识别的预处理方法的虹膜识别终端。
【文档编号】G06K9/00GK105956536SQ201610265148
【公开日】2016年9月21日
【申请日】2016年4月26日
【发明人】韩桂明, 李钊, 周斌
【申请人】北京森科赛德科技有限公司, 韩桂明