的虹膜圖像的尺度空間；
[0088] 統(tǒng)計(jì)單元，用于在已有尺度空間和關(guān)鍵點(diǎn)坐標(biāo)的情況下，確定關(guān)鍵點(diǎn)的主梯度方 向；
[0089] 旋轉(zhuǎn)單元，用于對坐標(biāo)軸進(jìn)行旋轉(zhuǎn)，使坐標(biāo)軸的方向與主梯度方向相同；
[0090] 提取單元，用于在新的坐標(biāo)軸下，以關(guān)鍵點(diǎn)為中心，選擇適當(dāng)?shù)泥徑鼌^(qū)域，并將其 分成若干個子區(qū)域，提取關(guān)鍵點(diǎn)的SIFT特征向量。
[0091] 該裝置保證了本發(fā)明中SIFT特征向量的旋轉(zhuǎn)不變性，并且方法簡單方便。
[0092] 進(jìn)一步的，提取單元之后還包括：
[0093] 歸一化單元，用于對SIFT特征向量進(jìn)行歸一化；
[0094] 截?cái)鄦卧?，用于判斷歸一化后的SIFT特征向量是否大于閾值，若是，則將特征向 量設(shè)置為閾值，并再次進(jìn)行歸一化。
[0095] 故本發(fā)明避免了虹膜圖像的灰度值整體漂移的影響，進(jìn)一步減少了干擾，提高 SIFT特征的鑒別性。
[0096] 對虹膜圖像進(jìn)行瞳孔粗定位的方法有多種，本發(fā)明可以利用徑向?qū)ΨQ變換對虹膜 圖像進(jìn)，行瞳孔粗定位，此時(shí)，定位模塊包括：
[0097] 卷積單元，用于使用sobel算子卷積虹膜圖像，得到各個像素點(diǎn)的梯度幅值和方 向；
[0098] 投票單元，在梯度方向上以不同半徑r長度進(jìn)行投票，并累計(jì)相應(yīng)位置梯度幅值， 得到梯度方向映射圖和梯度幅值映射圖，結(jié)合所述梯度方向映射圖和梯度幅值映射圖，取 值最大的位置為圓心，對應(yīng)的半徑r為瞳孔半徑；以圓心和瞳孔半徑即可定位得到瞳孔的 位置。
[0099] 本發(fā)明利用徑向?qū)ΨQ變換的方法，快速的定位瞳孔位置。
[0100] 下面以具體的一個實(shí)施例舉例說明，本實(shí)施例的過程如圖9所示：
[0101] (1)特征提取過程：
[0102] (a)形狀向量賦初值
[0103] 形狀向量可以由32個點(diǎn)的橫縱坐標(biāo)組成，為64維列向量，分別是，上下眼瞼各13 個點(diǎn)，共26個點(diǎn)；虹膜外圓左右各3個點(diǎn)，共6個點(diǎn)。如圖3中（a)所示，圖3中（b)顯示 了主要點(diǎn)的標(biāo)號，圖3中（c)與（d)分別列出虹膜外圓與眼瞼只有一個交點(diǎn)和無交點(diǎn)時(shí)，關(guān) 鍵點(diǎn)的設(shè)定（需要指出的是，（c)中下眼瞼的各個關(guān)鍵點(diǎn)重合，（d)中上眼瞼的各個關(guān)鍵點(diǎn) 重合，這只是理想情況下，事實(shí)上很難達(dá)到，并且這是指經(jīng)過后續(xù)計(jì)算后的最終結(jié)果，而非 初值，初值實(shí)際上依然是是32個點(diǎn)，具體如圖4所示）。
[0104] 利用徑向?qū)ΨQ變換（Radial Symmetric Transform, RST)對瞳孔進(jìn)行快速粗定位， 利用定位的瞳孔粗略位置，采用位移信息，為形狀向量賦初值，粗定位保證形狀向量位置基 本可靠，不會偏離真實(shí)值太遠(yuǎn)。如圖4。
[0105] (b)選取關(guān)鍵點(diǎn)主梯度方向
[0106] 首先，構(gòu)造虹膜圖像的尺度空間。Lindeberg已經(jīng)證明高斯核是唯一可以產(chǎn)生多尺 度空間的核，對于一幅二維圖像I (X，y)，其尺度空間L (X，y, σ )被定義為：
[0108] 其中，G(x，y，〇)是尺度可變的高斯函數(shù)，〇為尺度大小，（x，y)是空間坐標(biāo)。 〇 的大小決定圖像的模糊程度，σ值越大，圖像越模糊，即分辨率越低，〇值越小，越能保留 圖像的細(xì)節(jié)信息。此時(shí)取σ =1.6,為了避免高斯模糊損失過多的高頻信息，在建立尺度空 間之前可以先將圖像放大為原來的2倍來保留原始圖像的信息。
[0109] 在已有圖像的尺度空間和關(guān)鍵點(diǎn)坐標(biāo)的情況下，在關(guān)鍵點(diǎn)的鄰域內(nèi)，統(tǒng)計(jì)周圍像 素的梯度方向分布，以此在特定的高斯圖像L上為每個關(guān)鍵點(diǎn)指定主方向，使描述符具備 旋轉(zhuǎn)不變性，具體如下：
[0110] 對于L上的每個點(diǎn)（X，y)，計(jì)算其梯度的幅值m(x, y)和方向Θ (X，y):
[0112] 然后，以關(guān)鍵點(diǎn)為中心，采用一定區(qū)域內(nèi)的梯度方向構(gòu)成此關(guān)鍵點(diǎn)的方向直方圖。 直方圖的統(tǒng)計(jì)半徑一般為3*1. 5*〇，方向直方圖的范圍為0~360度，每10度為一個柱，共 有36個柱，每柱對應(yīng)的方向?yàn)橄袼攸c(diǎn)的梯度方向，柱的長度為此方向加和后的梯度幅值。 選取局部梯度方向直方圖最大峰值所在方向?yàn)殛P(guān)鍵點(diǎn)的主方向，大于最大峰值0.8倍的峰 值所在方向也作為關(guān)鍵點(diǎn)的方向。圖5對關(guān)鍵點(diǎn)鄰域的梯度幅值進(jìn)行了高斯加權(quán)，這樣得 到的主方向相對較穩(wěn)定（圖5中，（a)為關(guān)鍵點(diǎn)的領(lǐng)域內(nèi)每個像素點(diǎn)的梯度幅值和方向，（b) 為方向直方圖）。
[0113] (c)提取關(guān)鍵點(diǎn)的SIFT描述符
[0114] I.確定計(jì)算描述符所需的圖像區(qū)域
[0115] 將關(guān)鍵點(diǎn)鄰近區(qū)域劃分為dX d (d = 4)的子區(qū)域，每個區(qū)域作為一個種子點(diǎn)，為每 個子區(qū)域分配3 σ的矩形區(qū)域進(jìn)行采樣，與求主方向不同的是，此時(shí)，每個子區(qū)域梯度方向 直方圖具有8個方向，
考慮到實(shí)際計(jì)算時(shí)需要雙線性插值，故 所需圖像區(qū)域的邊長為3 σ *(d+1)，圖像區(qū)域的半徑為：
[0117] 其中σ為關(guān)鍵點(diǎn)所在高斯圖像對應(yīng)的尺度。
[0118] II.區(qū)域坐標(biāo)軸旋轉(zhuǎn)
[0119] 為了保證在圖像發(fā)生旋轉(zhuǎn)的情況下，特征向量仍具有不變性，需要以關(guān)鍵點(diǎn)的坐 標(biāo)為中心，將坐標(biāo)軸旋轉(zhuǎn)Θ角后獲得鄰近區(qū)域，即旋轉(zhuǎn)到主方向上，如圖6所示。
[0120] 旋轉(zhuǎn)后區(qū)域內(nèi)采樣點(diǎn)的新坐標(biāo)為：
[0122] III.計(jì)算采樣區(qū)域梯度直方圖
[0123] 旋轉(zhuǎn)后的采樣點(diǎn)坐標(biāo)在半徑為radius的圓內(nèi)被分配到dXd個子區(qū)域，然后獲取 每個采樣點(diǎn)的梯度幅值和方向，用參數(shù)為3 σ d/2的標(biāo)準(zhǔn)高斯函數(shù)對每個梯度幅值進(jìn)行加 權(quán)，這樣在每個種子點(diǎn)處都可以得到具有8個方向的梯度直方圖，如圖7。
[0124] IV. SIFT特征向量歸一化
[0125] 關(guān)鍵點(diǎn)的鄰近區(qū)域被劃分為dXd(d = 4)的子區(qū)域，即16個種子點(diǎn)，而每個種子 點(diǎn)包含8個方向的梯度信息，將這些梯度信息組合成一個4*4*8 = 128維的向量，就是一個 關(guān)鍵點(diǎn)周圍的SIFT特征。
[0126] 在組合得到SIFT特征之后，通過對特征向量進(jìn)行歸一化，可以減輕光照變化帶 來的影響。因?yàn)閳D像中每一點(diǎn)的梯度是由相鄰像素相減得到的，所以如果圖像的灰度 值出現(xiàn)整體漂移的情況，進(jìn)行歸一化也會改善上述狀況。設(shè)得到的描述符向量為H = Oi1, h2, · · ·，h12S)，歸一化后的特征向量為 L = (I1, 12, · · ·，I128)，則：
[0128] 另外，有些情況下，非線性的光照條件，以及相機(jī)飽和度的變化會導(dǎo)致一些方向的 梯度值較大，而方向卻幾乎沒受影響。此時(shí)，將向量歸一化后，可以設(shè)置一個閾值，一般取 0.2,利用這個閾值將較大的梯度值截?cái)啵缓髮財(cái)嗪蟮南蛄吭龠M(jìn)行一次歸一化處理，如 此可以提高SIFT特征的鑒別性。
[0129] (d) SIFT特征的有效性
[0130] 傳統(tǒng)的上、下眼瞼定位方法，非常容易受到睫毛的干擾。為了說明SIFT特征對睫 毛干擾具有一定的魯棒性，這里對不同類型圖像進(jìn)行了統(tǒng)計(jì)，如圖8,分別統(tǒng)計(jì)有睫毛干擾 和無睫毛干擾的真實(shí)眼瞼SIFT特征和非真實(shí)眼瞼SIFT特征，右側(cè)為真實(shí)特征，左側(cè)為非真 實(shí)特征，可見，兩者之間差異比較明顯，同時(shí)，對于真實(shí)的特征，有睫毛干擾和無睫毛干擾的 特征間雖然存在一定的差異，但是整體的相似度還是比較高的。SIFT特征對虹膜、眼瞼及不 相關(guān)的點(diǎn)具有很好的判別性和魯棒性。
[0131] (2) SDM 回歸
[0132] 特征提取完畢，需要采用合適的回歸迭代算法，將特征映射到坐標(biāo)，計(jì)算得到形狀 增量，這里采用SDM算法。不像梯度下降法、牛頓法、擬牛頓法、模擬退火、EM等算法逐步更 新策略，SDM堅(jiān)持一步更新到位。SDM方法發(fā)表于CVPR2013,是由Xuehan Xiong等人提出 的，目的在于直接通過監(jiān)督學(xué)習(xí)得到當(dāng)前點(diǎn)距目標(biāo)點(diǎn)的最優(yōu)向量。
[0133] 設(shè)給定一幅圖像I，SDM定位的目標(biāo)：最小化式（5)，得到最優(yōu)的形狀增量Δ S，
[0135] 其中，h(I(S))表示提取形狀向量S的SIFT特征。SDM參數(shù)求解的目標(biāo)如式（7)，
[0137] 其中，
表示第i個樣本的形狀增量，#表示在當(dāng)前形狀向量《Sf處提取 的SIFT特征，R。和b。是要學(xué)習(xí)的回歸參數(shù)，表示第i個樣本的初始形狀。通常，為了算 法的魯棒性，訓(xùn)練時(shí)，一幅圖像要賦予多個初始形狀。但是，由于虹膜圖片本身的特性變化 不大，且拍攝時(shí)，人眼距虹膜拍攝設(shè)備的距離有嚴(yán)格的把控，所以，這里，樣本初始形狀全部 賦予平均形狀（所有訓(xùn)練樣本形狀向量的均值），式（7)變?yōu)椋?br>r
[0139] SDM考慮到式（6)中的損