圆心定位

2024-11-07

圆心定位（精选3篇）

圆心定位篇1

随着现代社会信息技术的飞速发展，身份识别的难度和重要性越来越突出。传统的身份识别方法已经不能满足现代社会的需要。生物特征识别技术由于具有稳定、便捷、不易伪造等优点，近年来已成为身份鉴别的热点[1]。虹膜识别是生物特征识别技术中的一种，具有很好的防伪性和防欺骗性，是目前诸多生物识别技术中稳定性最好、精度最高、最安全可靠的方法。

虹膜识别包括虹膜图像的采集、预处理以及虹膜图像的特征提取与匹配。预处理主要包括虹膜定位和归一化，其中虹膜定位是整个虹膜识别过程中非常关键的一个环节，虹膜定位的好坏与速度直接影响虹膜识别的精度与实时性。目前主流的虹膜定位算法有微积分方法[2]、Hough变换[3]方法和一些改进的算法[4,5]。Daugman提出的微积分算法定位精度和鲁棒性高，但是对输入图像的质量要求较高，计算量较大且耗时较多;Hough变换容易受睫毛以及光斑等随机噪声的影响导致定位准确率降低，其计算量与存储容量和参数空间成指数关系，故其实时性不高。

本文提出一种简单快速的虹膜定位算法，定位速度得到较大的提高，且定位精度也能够满足要求。算法的思路是：对于虹膜内边缘定位，二值化虹膜图像，采取有效措施去除噪声，运用投影法粗略得到瞳孔的圆心位置和半径，然后采用本文设计的算法精确定位出虹膜内边缘的圆心和半径;对于虹膜外边缘定位，利用虹膜内边缘定位得到的圆周参数以及外边缘半径的先验知识对边缘图像进行去噪处理，再运用定位内边缘同样的方法定位出虹膜外边缘的圆心及半径。实验结果表明，这种定位方法相比于其他方法，在保证定位精度的前提下定位速度得到了明显的提高，并且还具有较强的抗干扰能力。

1 虹膜定位

1.1 虹膜内边缘定位

采集到的虹膜图像除了包括虹膜环状区域外，还有可能包括眼皮、睫毛、光斑等噪声信息，所以在进行定位之前必须对这些噪声信息进行处理。首先对虹膜瞳孔内的光斑进行处理。本文采取区域生长法[6]处理瞳孔内的光斑。区域生长是串行区域生长的一种，就是从某个像素开始，按照一定的准则逐步加入临近元素，直到满足一定条件后区域生长终止。

虹膜的灰度分布具有一定的特点，一般是呈阶梯状分布，由内到外，瞳孔灰度比虹膜低，虹膜灰度比巩膜低，瞳孔的边界较为明显(图1(a))。根据这个特点，可以很方便的采用二值化方法分离出瞳孔。首先使用最大类间方差法[7]确定阈值，再对虹膜图像进行二值化，得到瞳孔和部分包括眼睫毛的二值化图像(图1(b))，将得到的二值化图像用数学形态学的方法进行连续的开闭运算以除去眼睫毛的影响(图1(c))，然后再对分离出来的瞳孔图像运用投影法[8]粗略得到瞳孔的圆心和半径。粗定位具体实现：将分离出来的瞳孔图像分别投影到X轴和Y轴上，得到投影图像坐标的最大值和最小值为Xmax、Xmin和Ymax、Ymin，则可以得到瞳孔粗定位的圆心坐标为：

半径为：

这样初步得到虹膜内边界的圆周参数，即粗定位圆心坐标为M(X'0,Y'0)，半径为R'0。

粗定位得到内圆圆心及半径后,运用Sobel边缘检测算子对原始虹膜图像进行边缘提取得到虹膜的边缘图像(图2(a))。从图2(a)可以看出,图像中含有大量的噪声信息及其它信息,这些噪声信息主要是由眼睫毛带来的,为了使虹膜内边缘定位更加准确,必须对这些噪声信息进行处理,处理过程为:已知瞳孔粗定位圆心坐标为M(X'0,Y'0),半径为R'0。将以M为圆心,R=R'0+Δr为半径(Δr为实验经验值,在图像分辨率为320×280时,Δr取5个像素)的圆以外所有灰度值为1的点都赋值为0,这样就得到了去噪后的瞳孔边缘图像(图2(b))。从图2(b)可以看出,大部分噪声信息都被去除,瞳孔的边缘信息被完全保留,这样为后面虹膜内边缘精定位的定位速度和精度提供了保障。

得到瞳孔的边缘图像后，就可以对瞳孔进行精定位。在CASIA虹膜数据库中进行大量实验，实验表明，用上面的去噪方法对边缘图像去噪后，瞳孔粗定位得到的圆心M和精定位得到的圆心O偏离不会太大，一般偏离大小在8个像素之内，所以在提取的瞳孔边缘图像中选取以粗定位圆心M为中心的一个[2×8+1]×[2×8+1]大小的区域作为瞳孔精定位圆心O的候选区域。在该区域内逐点搜索，以找到最精确的虹膜内边缘圆心。对于每个候选点，具体的搜索步骤如下：

1)计算该候选点与边缘图像中所有灰度值为1的点的欧式距离，并将这些距离进行排序，计算中间部分的方差(为了减少非边界点的影响);

2)对于候选区域内所有点进行步骤1的运算，得到一组方差值，方差值最小所对应的那个候选点即为精定位的瞳孔圆心点O;

3)确定内圆圆心O后，再计算O点到各边缘点的距离，取所有距离的平均值作为内圆半径，这样就得到内圆精定位圆心坐标为O(X0,Y0)，半径为R0。

这种方法能够简单快速的定位出虹膜内边缘，避免了传统定位方法对边缘点搜索的盲目性。定位结果如图2(c)所示。对于虹膜内边缘定位，本文粗定位算法与精定位算法都能够定位出质量较好的虹膜图像，而对于质量较差的虹膜图像，粗定位算法定位就会出现偏差，精定位算法的鲁棒性更好。粗定位与精定位结果对比如图2(d)。

1.2 虹膜外边缘定位

虹膜图像的虹膜区域很容易受到上、下眼睑以及眼睫毛的遮挡，本文在定位虹膜外边缘之前先采取一定的措施尽量减少眼睑及眼睫毛等噪声对虹膜外边缘定位的影响。首先利用Canny算子对虹膜图像进行边缘提取(图3(a))，从图3(a)可以看出，边缘图像中含有大量的噪声点，这些噪声点主要由眼睑、眼睫毛及其他噪声点组成，为了减少噪声点对外边缘定位的影响，根据虹膜外边缘半径的先验知识，将图3(a)中虹膜外边缘半径最大值以外及虹膜外边缘半径最小值以内的所有灰度值为1的点赋值为0，这样就得到了仅剩虹膜外边缘边界点及少量噪声点的边缘图像(图3(b))。通过图3(b)可知，大部分噪声点被去除，但是上下眼睑及眼睫毛仍然带有部分噪声点。再以内边缘定位得到的半径为基础，将上下眼睑所含区域去除掉，则外边缘左右两侧的边界点被完整的保留下来，这样就可以利用定位虹膜内边缘的方法来定位虹膜外边缘。

在CASIA虹膜数据库中进行大量实验，实验表明，虹膜内边缘圆心O和外边缘圆心I之间偏差不会太大，一般偏差在10个像素以内，所以在提取的虹膜外边缘图像中选取以内边缘圆心O为中心的一个[2×10+1]×[2×10+1]大小的区域作虹膜外边缘圆心的候选区域。在该区域内逐点搜索，以找到最合适的虹膜外边缘圆心。对于每个候选点，具体的搜索步骤同虹膜内边缘定位。这样就能够得到虹膜外边缘圆心I(Xi,Yi)以及虹膜外边缘半径Ri，最终得到的虹膜外边缘定位图如图3(d)所示。

2 算法的抗干扰性

获取的虹膜图像，有可能瞳孔内会有亮斑的存在，这些亮斑对虹膜定位的准确性会产生一定的影响，甚至可能导致定位的失败;同样的，眼睫毛以及眼睑的影响也不容忽视。所以本文运用区域生长法对瞳孔内的亮斑进行填充，以消除亮斑对定位的影响;再应用粗定位得到的瞳孔半径及外边缘半径的先验知识对眼睑及眼睫毛进行处理，以减少眼睫毛及眼睑的干扰作用。去除亮斑具体步骤：第一阶段，填补白色光斑点。首先，定位光斑内一点记为初始种子点。以种子点为中心取适当邻域大小，求出此邻域内所有像素的灰度平均值，如果此值大于阈值T1，将此点记为候选点;在找出的所有候选点中，分别求其左、右两侧适当区域内像素的灰度平均值H1、H2，如果这两个值中存在一个值小于阈值T2，则将此点标记为真正光斑点。其次，填充光斑。选择一个真正光斑点为种子点并将该点像素灰度值赋值为0;以该点为中心，考虑与其相邻的4邻域像素点，如果其中的某个像素点的灰度值为255，则将此像素点与该点合并，并将其灰度值赋值为0;将所有符合条件的像素点合并，直到图像中每个光斑都填充完毕。第二阶段，填充瞳孔区域。由于光斑的存在，使瞳孔内光斑的附近像素的灰度值也比较高，所以需要进一步对整个瞳孔区域进行填充，具体的思想与第一阶段相同。实验随机抽取了几副有明显噪声的图像，对于瞳孔内含有亮斑的图像定位如图4(a);有眼睫毛及眼睑影响的图像定位如图4(b);既有亮斑又有眼睫毛及眼睑影响的图像定位如图4(c)。实验表明，采用本文的算法能够快速准确的定位出这些含有噪声的虹膜图像，说明本文算法具有较强的抗干扰能力。

3 实验结果及分析

实验使用的计算机CPU为AMD 2800+,内存为512M,编程工具为MATLAB7.0,实验采用的图像为中科院自动化所提供的CASIA虹膜数据库。利用本文提出的算法,在MATLAB 7.0上精确的实现了虹膜内、外边缘的定位,相比于其他算法,定位速度有了显著提高。本文算法与微积分算法、Hough变换算法以及文献5的算法比较如表1所示。

由表中数据可以看出,利用本文提出的算法定位速度有着明显提高,并且本文算法在定位准确率上也能够满足要求。微积分算法和Hough变换算法对虹膜图像的质量要求比较高,当虹膜图像质量下降时,算法的定位准确率急剧下降;文献[5]的算法主要是对低质量图像进行定位,定位准确率得到了保证,但是定位速度不及本文算法,本文算法对虹膜图像内的亮斑和眼睫毛及眼睑进行了处理,所以本文算法在改善了虹膜识别实时性的同时还具有一定的抗干扰性。

4 结论

虹膜定位在虹膜识别实时性要求上起着关键性的作用。本文针对虹膜图像数据量大、易受光斑眼睫毛等噪声影响，提出了一种简单快速的虹膜定位算法。该算法减少了噪声点对定位过程的影响，利用先验知识及实验数据将待搜索圆心缩小在一定范围，利用最小方差搜索圆心最终完成虹膜内、外边缘的精确定位。实验结果表明，该算法在满足定位精度的前提下大大缩短了定位时间，提高了虹膜识别的实时性。

本文作者创新点：使用投影法粗定位内圆圆心和半径，缩小精定位圆心的搜索范围，采用最小方差法搜索内外圆圆心，完成内外圆的精确定位。

摘要：为了改善虹膜识别的实时性,提出一种新的快速虹膜定位方法。首先对虹膜图像进行去噪处理,然后采用类间方差法对图像进行阈值分割,再运用投影方法粗略得到虹膜内边缘圆心和半径,最后根据粗定位得到内边缘圆周参数,采用所提出的算法对虹膜内边缘进行精定位;对于外边缘定位,依据先验知识以及内边缘圆周参数去掉虹膜图像多余的边缘点及噪声点,缩小搜索范围,然后采用同样的算法对外边缘进行精定位。实验结果表明,该方法能够准确快速的定位出虹膜内外边缘,定位速度较传统算法提高了十倍左右,并且减少了传统定位算法搜索的盲目性。

关键词：虹膜定位,去噪,阈值分割,投影,最小方差

参考文献

[1]常卫东,刘完芳,鄢喜爱,等.虹膜识别的研究现状与发展趋势[J].中国科技信息,2007(1):246-247.

[2]Daugman J.High confidential visual recognition by test of statistical independence[J].IEEE Trans on pattern analysis and machine in-telligence,1993,15(11):1148-1161.

[3]Wildes R P.Iris recognition:an emerging biometric technology[J].IEEE,1997,85(9):1348-1363.

[4]吴建华,邹德凯,李静辉.基于小范围搜索的虹膜定位算法[J].仪器仪表学报,2008,29(8):1704-1708.

[5]王洪,曾文.一种改进的虹膜定位算法研究[J].武汉理工大学学报,2008,30(6):846-848.

[6]Gonzalez Rafael C.Digital image processing[M].Beijing:Publishing house of electronics industry,2006:519-530.

[7]Otsu N.Threshold Selection Method from Gray-level Histograms[J].IEEE Transactions on Systems,Man and Cybernetics,1979,SMC-9(1):62-66.

[8]李清华.虹膜定位算法研究[D].重庆:重庆大学通信工程学院,2006.

圆心定位篇2

目前,国内外已经出现了很多鱼眼图像的校正算法。国外很多学者提出了先进的校正算法[1,2,3,4,5],校正效果较好,但需手动选取点或者曲线,再求解内参外参,并用Levenberg-Marquardt等优化算法求解出校正参数,过程相对繁琐;经纬度校正算法[6]是将非线性的鱼眼图像存储转换成线性的经纬度存储,从而实现鱼眼图像的校正,但相机抖动[7]产生的拍摄误差会导致图像丧失垂直不变性;基于球面透视投影的校正算法[8]比较复杂,要先建立数学模型,然后求解各种参数。基于约束条件的校正算法[9]针对关键特征定义约束条件,通过最优化方法求解[10],但要预先采样曲线;多视角的校正算法[11]是通过转移光学中心获得透视图像,但最终得到的不是一幅完整的校正图像;基于正交投影和等距投影的鱼眼图像校正[12]对一张鱼眼图像分别建立正交和等距投影模型,再运用平移和旋转校正平面的方法实现各区域的校正,最后将鱼眼图像映射到一个半立方体的表面实现整体校正;用摄影不变性校正鱼眼图像[13]是利用共线点的投影仍然共线等原理对畸变图进行校正,但该方法要先进行鱼眼镜头的标定,求解的参数也偏多。二维校正中常用的有经度坐标校正算法[14],该算法是根据同一条经线校正后具有相同的横坐标来进行校正。

本文在传统经度坐标校正算法的基础上,提出了改进的算法。根据每条经线不断重定位圆心,计算出相应的半径,即可根据映射关系得到校正后的坐标。实验结果表明,文中提出的算法不需要进行鱼眼镜头标定,也不需要求解多项式或者相机参数,通过建立全局统一的函数,对鱼眼图像进行有效快捷的校正。

1 提取鱼眼图像有效区域

要对鱼眼图像进行校正,首先就得提取鱼眼图像的有效区域,最终提取出的有效区域是一个包含所有内容的大圆。现有的提取方法主要有逐行逐列扫描算法、区域生长算法、变角度扫描算法[15]等。

逐行逐列扫描算法是从上、下、左、右4 个方向分别逼近有效区域得到大圆4 个主要方向的切线。以从左到右扫描为例:对每一列上的像素统计最大值与最小值,当最大值与最小值之差大于某个阈值时,就证明扫描到了圆形鱼眼图像最左边的边界,即左切线。对其它三个方向如此操作,可获得另外三个边界,由这四个边界,可得到圆心坐标和半径。

变角度扫描算法是在逐行逐列扫描算法基础上,增加了从左上角、右上角、左下角、右下角四个方向的扫描线。即等效于有一条动态的直线从倾斜角为0 开始,以∏/4 递增,分别靠近鱼眼图像得到8 个方向的切点。这样增加了精度,得到更加精确的有效区域。变角度扫描算法的结果如图1 所示。

图1 得到的切线由8 条不同颜色的直线表示,相应地,可以求出切点。根据切点,取平均值可以得到相对准确的圆心位置和半径,最终得到的鱼眼图像有效区域如图2 所示。

2 传统经度坐标校正算法

鱼眼图像是一个发生畸变的圆形图像。鱼眼镜头的视角越大,其桶形弯曲畸变也越大,只有镜头中心的部分直线可以保持原来的状态。经度坐标校正就是把鱼眼图像像素点的横坐标还原到原来的位置,而纵坐标保持不变,也就是把扭曲后的鱼眼图像映射为正常的正方形的图像,即通过映射来降低鱼眼图像的畸变程度。

如图3 所示,鱼眼图像中每条经度上的不同像素点在经过校正后的图像中具有相同的横坐标。鱼眼图像上一个畸变点A(x,y),校正后的相应点为B(u,v),鱼眼图像的圆心O(x0,y0),半径为R。

则根据映射公式:

可以由畸变点A(x,y)得到校正点B(u,v)。

一幅畸变的鱼眼图像的有效区域如图4 所示,经度坐标校正后的图像如图5 所示,可以看到虽然有一定的校正效果,但仍然存在变形。

3 一种不断重定位圆心的校正方法

3.1 理论分析

通过对传统经度坐标校正算法的分析,发现畸变点到相应校正点的映射关系只在最外层经线上满足,即当畸变点位于如图1 中A点所在的经线上时,校正效果最好,当畸变点越靠近圆心时,映射函数的拟合效果越差。

本文在传统经度坐标校正算法基础上,提出了一种不断重定位圆心的校正方法。如图6 所示,畸变图像(即圆O)中任意一个畸变点A(x,y),其相应的校正点B(u,v),点A所在的经线(即弧EAF),以这段圆弧可以唯一确定一个新的圆(即圆O2),由数学知识可得出圆心O2 在鱼眼图像的零度纬线上,新圆圆心为O2(x0,y00),即重定位找到的圆心,新圆的半径为Rnew;而原畸变鱼眼图像的圆心O(x0,y0),半径为R。

如图6,根据EO2=AO2=Rnew,即:

由(2)可得:

由(2)、(3)可计算出Rnew:

如图7所示,根据FO2=AO2=Rnew,即:

由(5)可得:

由(5)、(6)可计算出Rnew:

以上两种情况得到y00和Rnew后,根据映射关系:

可得校正点B(u,v):

实际编程中,为了避免越界问题,一般采用反向映射,由B(u,v)得到A(x,y),然后将A(x,y)像素的r,g,b分量分别赋给校正点即可。

3.2 实验结果

如图8 所示,经度坐标校正的图仍有一定的变形,而重定位圆心的校正算法效果则较好,如图9 所示。

3.3 结果分析

可以由校正后的物体偏离垂直方向的平均角度作为算法校正效果的评判标准。如图11、图12 和图13所示,在房子对应位置上取A、B、C、D、E五个点,可得到这五个点的坐标。以A点为基准,计算另外四个点与A点的连线与垂直方向偏离的角度。如图10 所示,可计算E点偏离垂直方向的角度,即:

根据式(10),可分别计算B、C、D、E与垂直方向偏离的角度,最后对得到的四个角度求平均,即可得到表1 中的平均角度。如果平均角度较小,则校正效果较好,反之,效果则不理想。见表1(表1 中角度均为弧度制)。

由表1 可知,本文提出的重定位圆心校正算法比传统经度坐标校正算法校正效果好。

4 结束语

本文提出了一种不断重定位圆心的二维校正算法,该算法不用像多项式校正模型一样求取各个参数,也不用像等距投影和球面透视投影等算法一样用到三维坐标,也不用进行相机标定,简单而且校正效果好。但这种算法还存在改进的空间,对不同视场角的鱼眼相机拍摄出来的图像,该算法的校正效果并不是一直都这样好。这是后续的研究工作。

摘要：针对鱼眼图像传统经度坐标校正效果不明显,提出了一种新的鱼眼图像2D校正算法,通过对每一条畸变的经线,不断重定位圆心位置,重新计算经线上点的坐标,有效地校正桶形畸变。该算法不用进行鱼眼镜头的标定以及参数的估计,也不用寻找三维空间点信息以及在各种坐标系之间进行转换。通过与传统校正算法进行对比,发现本算法能高效快捷地对鱼眼图像进行校正,而且具有较好的效果。