[发明专利]一种虹膜图像噪声分类检测方法

说明书

技术领域

本发明涉及一种图像噪声检测方法，特别是涉及一种用于虹膜生物识别系统的虹 膜图像噪声检测方法。

背景技术

虹膜识别具有准确性高、稳定性强、防伪性好和非接触检测等显著优势，是目前已 知最先进的生物识别技术。在虹膜识别系统中，获取高质量的虹膜图像是提高识别效率的 前提。然而，在实际应用中，虹膜图像中的虹膜区域会被光源像点、眼睑和睫毛等噪声干扰； 如果不对这些噪声进行检测并将其干扰予以剔除，势必会影响虹膜定位的准确性，被提取 的无效虹膜特征也会增加，从而使虹膜识别的准确率大大降低。因此，在虹膜图像预处理过 程中需要检测虹膜噪声并将其干扰剔除，以增强虹膜定位的准确性和虹膜特征提取的有效 性，从而保证虹膜识别的准确率。

虹膜图像中的噪声主要包括那些出现在虹膜区域内的光源像点、眼睑和睫毛部 分，它们易于遮挡虹膜的边缘和纹理，干扰虹膜定位和特征提取，且难以消除。在目前的虹 膜识别系统中，常用的虹膜图像噪声检测方法主要是通过阈值分割和模型匹配或粗略或精 细地筛选噪声点并加以标记，剔除其对虹膜图像预处理和特征编码的干扰，从而减小虹膜 图像噪声对虹膜识别准确率的影响。这类方法虽然能对虹膜图像中的各类噪声进行检测， 但是存在以下明显的缺点：

1、阈值分割法主要用于光源像点和睫毛噪声的检测，这两类噪声的灰度分布没有 统一的规律，不同区域的噪声点对选取的阈值较为敏感，并且虹膜图像的整体灰度分布受 背景光照影响严重。单一的阈值选取仅能粗略地检测噪声；自适应的多阈值选取较为困难， 且影响检测速度。因此，利用一般的阈值分割法检测噪声，效率较低。

2、模型匹配法主要用于眼睑和睫毛噪声的检测，这两类噪声的区域分布不具有规 则的形状，且因人而异。想要建立合适的模型去匹配噪声点的分布比较困难，粗略的模型在 检测噪声的同时会将部分有效的虹膜区域视为噪声，使可用的虹膜特征点减少，从而影响 虹膜识别的效率；精细的模型设计复杂，噪声检测速度慢，同样会影响虹膜识别的效率。因 此，单纯地利用模型匹配法检测虹膜图像的噪声，很难兼顾检测的速度与精度。

发明内容

本发明要解决的技术问题是提供一种虹膜图像噪声分类检测方法，以解决虹膜识 别系统中虹膜图像干扰噪声影响系统识别率的问题。

为解决上述技术问题，本发明采用下述技术方案：

一种虹膜图像噪声分类检测方法，该方法的步骤包括

S1、检测虹膜区域内的光源像点噪声；

S2、检测虹膜区域内的眼睑噪声；

S3、检测虹膜区域内的睫毛噪声；

S4、基于步骤S1至S3中检测得到的光源像点、眼睑和睫毛的噪声信息，标记虹膜区 域内的所有噪声点，并剔除该像素点。

优选的，所述步骤S1包括：

S11、确定虹膜区域中瞳孔的位置参数，所述位置参数包括瞳孔半径、中心点的行 坐标和列坐标；

S12、对虹膜区域中瞳孔区域的像素灰度进行统计，得到分布曲线中小于高灰度峰 值的波谷中对应的最大灰度值gssa：

并确定虹膜区域内光源像点的灰度分割阈值gsst：gsst＝gssa+α，其中，α<0为安 全系数；

S13、利用阈值分割结合连通域筛选的方法对虹膜区域内的光源像点进行检测，将 Ψ内灰度值小于gsst，且聚集在n－连通域内的像素点作为光源像点SD:

SD＝{(x，y)|[x，y]＝find(bwlabel(gs(Ψ)＞gsst，n))}。

优选的，所述步骤S2包括：

S21、划定上、下眼睑的待搜索区域Φt和Φb：

其中，x，y分别表示虹膜图像中的行、列坐标变量；

S22、对下眼睑的待搜索区域Φb进行恢复对比扩展：Φ_b＝imadjust(Φ_b)；

S23、将Prewitt边缘提取与误差平方和最小化抛物线拟合方法相结合，分别对上 眼睑和下眼睑的边缘进行检测，获得虹膜区域内的眼睑像素点集：

ED＝ED_t∪ED_b，其中，ED_t为虹膜区域内的上眼睑，ED_b为虹膜区域内的下眼睑。

优选的，所述步骤S3包括：

S31、划定睫毛的待搜索区域Θ：