一种虹膜图像的采集方法 技术领域 本发明涉及一种虹膜图像的采集方法，属生物特征识别和安全认证技术领域。
背景技术 虹膜身份识别系统中，第一步重要的工作是虹膜图像的采集，为了保证虹膜识别的质量，图像采集阶段一定要保证采集到的图象中虹膜部份非常清晰。现有的技术中，主要计算图像边缘灰度差或图像频域能量指标，根据这个指标选择出候选的虹膜图像，如《How iris recognition works》(John Daugman，http：//www.cl.cam.ac.uk/users/jgd1000/irisrecog.pdf)、《一种序列虹膜型图像的质量评价方法》(李连贵等，测控技术，20(5))、《A Emerging bio-metric Technology》(R.P.Wildes，Proceedings of IEEE，1997，85(9))与《基于小波包分解的虹膜图像质量评价算法》(陈戟，，清华大学学报(自然科学版)2003年第43卷第3期)中所示，而这一清晰度指标一般指图像的高频分量指标或图像的局部对比度指标。在实际使用中，常常会出现下面的问题：
1、运动拉丝的影响：在采用隔行扫描摄像头，运动图像产生的运动拉丝现像，会产生很高的清晰度指标；对于快速运动的物体，由于摄像头一次场扫速度的限制，也会产生拉丝现象。
2、噪声地影响：开放环境下，噪声水平会随不同的光照条件而产生明显的变化。照明好的图像噪声水平低，照明差的图像，噪声水平就会变得很高，而摄像头的自动均衡功能会使噪声放大。这样，在计算图像清晰度时，低照度情况下，过大的噪声将产生较高的高频分量指标，使采用高频分量判断图像清晰度失去作用。
3、计算量较大：由于虹膜图像清晰度的分析是建立在对图像中虹膜位置计算的基础上的，这使现有的图像清晰度的计算量进一步增大，运算所需要的硬件性能过高，不利于硬件器材成本的降低，从而限制了虹膜识别系统的应用。现有的虹膜图像采集方法都是在虹膜被均匀照明情况下实现的，如文献《A System forAutomated Iris Recognition》(R.P.Wildes，et al，Proceedings of the Second IEEEWorkshop on Applications of Computer Vision，1994，p121)所述。
发明内容 本发明的目的是提出一种虹膜图像的采集方法，通过对瞳孔中未弥散化的红外参考光源成像的计算，评估虹膜图像的清晰度，以减少图象质量评估的计算量，加快图像的采集速度，同时保证图像质量的恒定。
本发明提出的虹膜图像的采集方法，包括以下各步骤：
(1)实时采集多幅虹膜图像；
(2)对采集的多幅虹膜图像分别进行虹膜内边缘定位，以确定瞳孔位置；
(3)设定一个灰度阈值，将处于上述瞳孔范围内的各像素点灰度值与阈值进行比较，对于灰度值高于阈值的像素点进行计数，从而求出该计数值与整个瞳孔范围内的像素点数的比值；
(4)对上述比值从小到大进行实时排序，选择排序结果中前n幅虹膜图像，选择该n幅图像中最先通过虹膜特征检测的图像，即为最终的采集图像。
上述方法中，虹膜内边缘定位的方法包括如下步骤：
(1)设定一个灰度阈值，在图象的每个列方向中找出灰度值低于阈值的序列；
(2)从上述序列中选出最长的序列，则该序列的中点与待定瞳孔的中心处于同一水平线；
(3)对上述水平线上的像素点进行测试，剔除灰度值高于上述设定阈值的像素，得到瞳孔的左、右边界。
上述方法中虹膜特征检测的方法包括如下步骤：
(1)对于位于瞳孔中心像素点所在水平线左侧所有的像素点，求出它们的灰度梯度曲线，选出高于某一阈值的局部极大值点作为候选左侧边界点；
(2)对于位于瞳孔中心像素点所在水平线右侧所有的像素点，求出它们的灰度梯度曲线，选出高于某一阈值的局部极大值点作为候选右侧边界点；
(3)从上述候选左边界点队列与右边界点队列中，分别任意选取一个点，由该两个点组成一个虹膜外边界；
(4)计算上述虹膜外边界上所有点的灰度平均值；
(5)计算上述灰度平均值对当前虹膜半径的偏微分值，最大偏微分绝对值所对应的虹膜边界即为待定的虹膜的外边界。
(6)将待定的虹膜外边界和已知内边界与经验虹膜的内、外边界特征相比较，符合经验模型的，即通过特征检测。
本发明提出的虹膜图像的采集方法，通过对瞳孔中未弥散化的红外参考光源成像的计算，评估虹膜图像的清晰度，从而大大减少了质量评估的计算量，加快了图像的采集速度，同时保证了图像质量的恒定。通过采用未弥散的红外灯照明，快速判断图像质量的好坏，避免了运动拉丝与噪声水平不均产生的影响，同时显著的降低了图像清晰度评估的计算量，满足了图像实时处理的要求。
【附图说明】
图1是实时采集的虹膜图像样本。
图2是虹膜内边缘定位结果。
图3是虹膜的灰度梯度曲线。
图4是虹膜外边缘定位结果。
图5是失焦图像与其经过所述算法处理的结果。
图6是成焦图像与其经过所述算法处理的结果。
【具体实施方式】
本发明提出的虹膜图像的采集方法，首先实时采集多幅虹膜图像；对采集的多幅虹膜图像分别进行虹膜内边缘定位，以确定瞳孔位置；设定一个灰度阈值，将处于上述瞳孔范围内的各像素点灰度值与阈值进行比较，对于灰度值高于阈值的像素点进行计数，从而求出该计数值与整个瞳孔范围内的像素点数的比值；对上述比值从小到大进行实时排序，选择排序结果中前n幅虹膜图像，选择该n幅图像中最先通过虹膜特征检测的图像，即为最终的采集图像。
上述方法中，虹膜内边缘定位的方法为：设定一个灰度阈值，在虹膜图象(如图1所示)的每个列方向中找出灰度值低于阈值的序列；从上述序列中选出最长的序列，则该序列的中点与待定瞳孔的中心处于同一水平线；对上述水平线上的像素点进行测试，剔除灰度值高于上述设定阈值的像素，得到瞳孔的左、右边界，如图2所示。
上述方法中，虹膜特征检测的方法为：对于位于瞳孔中心像素点所在水平线左侧所有的像素点，求出它们的灰度梯度曲线，选出高于设定阈值的局部极大值点作为候选左侧边界点；对于位于瞳孔中心像素点所在水平线右侧所有的像素点，求出它们的灰度梯度曲线，选出高于设定阈值的局部极大值点作为候选右侧边界点，图3为虹膜左侧像素的灰度梯度曲线，图3中，Tg为设定的阈值，Z1，Z2，Z3为选出的左侧边界点。从上述选出的左边界点队列与右边界点队列中，分别任意选取一个点，由该两个点组成一个虹膜外边界；计算该虹膜外边界上所有点的灰度平均值；计算该灰度平均值对当前虹膜半径的偏微分值，最大偏微分绝对值所对应的虹膜边界即为待定的虹膜的外边界；将待定的虹膜外边界和已知内边界与经验虹膜的内、外边界特征相比较，符合经验模型的，即认为通过特征检测。
本发明方法中，虹膜内边缘定位所依据的原理是：通过分析图像的灰度分布可以得知，瞳孔、虹膜、眼白、眼皮等不同部位的灰度值不相同。由于瞳孔通光，因此在图像中瞳孔的灰度值很低，且灰度分布非常均匀，显著区别于眼睛的其他部分。因此可以利用瞳孔的灰度分布特性，通过设定合适的阈值将瞳孔与虹膜分离开来。
本发明方法中，虹膜外边缘定位时，在所得到的虹膜左边界与右边界的候选队列中，各选取一个点组成一个虹膜外边界。选取所有可能的组合，计算下述圆检测器在这些虹膜外边界上的值。使下述圆检测器达到最大值的虹膜外边界就是真正的虹膜的外边界，图4所示为虹膜外边缘定位结果。
上式中，Gδ(r)为一个平滑函数，通常可以选用高斯函数，rk、xk、yk为当前虹膜外边界的半径与中心坐标。I(x，y)为原始图像。
本发明方法所依据的原理是：通常情况下，在进行虹膜图像采集时，为了避免照明光源在视野中成像对虹膜图像的影响，采用弥散光源。但是，如果巧妙安排点阵红外光源的位置，可以使光源成像在瞳孔的内部，同时，适当选择当光源的径向位置合适时，可以使光源在瞳孔中的像与虹膜组织在最后摄像头采得的图像的清晰度保持一至。因此，对于虹膜图像的清晰度的判断，就转化为对瞳孔中光源图像清晰度的判断。
当图像处于在成焦平面附近的不同位置，由于对焦的原因，光源的像会发生模糊，光斑大小会发生变化，如图5a、图6a所示。将瞳孔范围内的图像进行二值化，二值化结果如图5b、图6b所示。对白色部分进行计数，就可以计算出光斑的大小。
当虹膜组织不在成焦面时，光斑范围较大，二值化之后白色部分面积较大；
当虹膜组织位于成焦面时，光斑范围较小，二值化之后白色部分面积较小；
本发明方法采用的虹膜图像采集方法仅仅包含一个瞳孔定位过程和一个图像二值化计数过程。在保证现有照明下，运算量大大简化，不用涉及到较复杂的乘除运算，非常适合于手持式设备、单片机等低端的处理器，降低装置的成本。本发明方法对于隐形眼镜不敏感，仍然可以保持准确度。