没有合适的资源?快使用搜索试试~ 我知道了~
近红外图像瞳孔检测的边缘图生成技术及硬件实现
工程科学与技术,国际期刊20(2017)694完整文章一种新的用于近红外图像Vineet KumarSunday,Abhijit Asati,Anu GuptaBirla Institute of Technology and Science Pilani,333031,India阿提奇莱因福奥文章历史记录:2016年6月23日收到2016年10月20日修订2016年11月3日接受2016年11月17日在线发布保留字:虹膜定位瞳孔检测边缘图生成基于FPGA的实现硬件实现A B S T R A C T提出了一种用于近红外(NIR)图像瞳孔检测的边缘图生成技术及其硬件实现。所提出的边缘图生成技术是基于使用高斯滤波、图像二值化和Sobel边缘检测操作来生成同一眼睛图像的两个不同的边缘图,然后使用对二值图像的相交操作来将它们组合成单个边缘图。该方法大大减少了人眼边缘图中的伪边缘,有利于准确快速地检测瞳孔。提出了基于现场可编程逻辑阵列(FPGA)的硬件实现所提出的技术,它可以用于虹膜定位系统基于FPGA的平台上的虹膜识别应用。所提出的边缘图生成硬件是一个并行流水线实现。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍虹膜定位是虹膜识别算法中的一个重要的第一阶段虹膜定位之后是虹膜归一化,特征提取和虹膜模板匹配的阶段,但虹膜定位是有限(有限)数据库大小的虹膜识别系统中最耗时的阶段[1,2]。开发低成本和小尺寸的虹膜识别嵌入式系统是当前的研究主题,其中优选使用低速和低功耗中央处理单元(CPU)[3,4]。由于虹膜定位是一项非常耗时的任务,因此,虹膜定位任务的专用硬件对于此类嵌入式虹膜识别系统实现实时性能现场可编程门阵列(FPGA)是实现嵌入式虹膜识别系统的合适技术,因为当今虹膜局部化涉及图像处理,FPGA广泛缩略语:BRAM ,块随机存取存储器; CASIA,中国科学院自动化研究所; CILV 3,CASIA Iris-Lamp,3.0版; CITHV 4,CASIA Iris-Thousand,4.0版; CHT,圆形霍夫变换; CPU,中央处理器; FPGA,现场可编程门阵列; NIR,近红外。*通讯作者。电 子 邮 件 地 址 : vineet@pilani.bits-pilani.ac.in ( 五 ) Kumar ) ,abhijit_asati@pilani.bits-pilani.ac.in(A. Asati),anug@pilani.bits-pilani.ac.in(A. Gupta)。由Karabuk大学负责进行同行审查用于实现图像处理任务以满足实时约束。对于虹膜识别应用,在近红外(NIR)照明下捕获的虹膜图像优于可见波长(VW)图像,因为NIR图像中的虹膜揭示了丰富且复杂的图案[5]。NIR图像中的虹膜定位是两步过程:(1)输入眼睛图像中的瞳孔检测;以及(2)检测虹膜的外(边缘)边界(图1)。在NIR图像[6,7]的情况下,在边缘边界检测之前执行瞳孔检测,因为瞳孔在这些图像中是突出显示的暗区域,并且与边缘边界相比,其边界与周围环境具有更高的对比度NIR图像中瞳孔检测的常用和准确方法是基于边缘图生成,然后是圆形霍夫变换(CHT),而边缘系统边界可以通过在瞳孔的左侧和右侧以及上下眼睑之间的图像区域中找到最大灰度差来检测[8]。瞳孔检测是NIR图像虹膜定位中的重要步骤,这是由于两个原因:瞳孔检测消耗虹膜定位中的大部分时间,因为在瞳孔检测中处理整个眼睛图像,而在边缘边界检测中处理瞳孔周围的小的子图像[7,9]。如果瞳孔被错误地检测,则边缘边界也将被错误地检测,因为边缘边界检测方法使用瞳孔圆参数作为输入[7图图1示出了通过首先生成眼睛图像的边缘图然后找到中心来执行瞳孔检测,http://dx.doi.org/10.1016/j.jestch.2016.11.0012215-0986/©2016 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestch诉Kumar等人 /工程科学与技术,国际期刊20(2017)694-704695Fig. 1. 近红外图像中的虹膜定位。瞳孔半径在这个边缘图使用CHT。CHT寻找瞳孔中心和半径的精度和速度取决于眼睛图像边缘图包含的假边缘(瞳孔轮廓以外的边缘)[7]。为了提高瞳孔检测和虹膜定位的速度和精度,瞳孔检测的边缘图生成起着至关重要的作用。眼睛图像的边缘图应该尽可能少地具有假边缘,以进行准确的瞳孔检测[7]。中描述了CHT的硬件实现[11],但它没有提供边缘图生成硬件。在本文中,我们提出了一种边缘图生成技术的瞳孔检测近红外图像及其硬件实现,它大大减少了虚假边缘的边缘图,使瞳孔可以准确,快速地检测使用一个通用的CHT算法。这种边缘图生成技术可以应用于图2所示的受约束和较少约束的NIR图像。约束较少的图像可能具有不同类型的噪声,例如照明反射点、不均匀照明以及眼睑、睫毛和眉毛等的遮挡[7,10]。这些反射和非均匀照明分别由获取图像时所提出的技术可以应用于从非常短的距离捕获的特写图像和从较长距离捕获的非特写图像[12]。我们在这项研究中使用了来自两 个 数 据 库 的 图 像 : ( 1 ) CASIA Iris-Thousand , 版 本 4.0(CITHV 4);和(2)CASIA Iris-Lamp,版本3.0(CILV 3)。 这些是NIR图像数据库,包含较少约束的图像,可在互联网上免费获得[13]。本文件的其余部分安排如下。第二节讨论了相关的工作。第3节描述了所提出的边缘图生成技术,而其硬件实现在第4节中介绍。第5节讨论了所提出的边缘图生成硬件的合成和性能结果。最后,在第6节中总结了工作。2. 相关工作虽然在文献中有几种虹膜定位的算法,但专门用于虹膜定位任务的硬件是不可用.在[2]中,虹膜定位在FPGA上实现,执行时间为159 ms,但既没有透露虹膜定位的硬件架构设计,也没有透露其精度评估。在文献[2]中,作者使用了Daugman在最近的工作中,[11]提出了用于实时虹膜边界检测系统的CHT的硬件架构设计和实现,但这项工作不包括CHT的边缘图生成的该CHT硬件[11]在眼睛图像的边缘图中检测圆需要5 ms时间,这比上述基于IDO的硬件[2]快得多在[14,15]中还描述了Hough变换的基于FPGA的实现,用于图像中的圆和线检测,但他们没有讨论边缘图的生成。边缘图的生成不仅仅是一个边缘检测步骤,它还需要图像预处理步骤,特别是对于约束较少的图像的虹膜定位。例如,为了在嘈杂的CITHV 4图像中定位虹膜,[7]提出了一种基于Navier-Stokes方程的修补技术,以去除照明反射点,并提出了概率边界(Pb)边缘检测算子来对抗非均匀照明。用于虹膜定位的边缘图生成的常用技术包括阈值处理、形态学操作、Canny和Sobel边缘检测、图像滤波操作、反射去除和图像质量增强等[16,17,6,18,19]。当图像数据是非理想的,具有光照反射、不一致的照明、低对比度以及眼睑、睫毛和眉毛等的严重遮挡时3. 所提出的边缘图生成技术用于瞳孔检测的两种标准边缘图生成技术是:(a)基于阈值;以及(b)基于边缘检测。在所提出的技术中,通过组合使用(a)和(b)获得的两个边缘图来生成用于瞳孔检测的边缘图,这提高了瞳孔检测的精度和速度,如图3所示。这种改进的性能是由于减少了CHT用于圆图二、 近红外图像:(a)约束图像(CASIA IrisV 1);(b)较少约束图像(CITHV 4)。××696V. Kumar et al. /工程科学与技术,国际期刊20(2017)694图三.用于瞳孔定位的边缘图生成技术:(a)导致错误瞳孔定位的基于阈值的技术;(b)导致错误瞳孔定位的基于边缘检测的技术;(c)所提出的使用逻辑AND来组合(a)和(b)的边缘图的技术,其导致正确瞳孔定位。侦测所提出的边缘图生成技术详细解释使用图。 四、在所提出的技术中,用于瞳孔检测的最终边缘图通过组合两个边缘图来生成:(1)通过对强度眼睛图像应用边缘检测而获得的边缘图,如图4(c)所示;及(2)边缘─通过对眼睛图像应用强度阈值处理以分割瞳孔区域,然后进行边缘检测而获得的图,如图4(e)所示。由于这两个边缘图都包含共同的瞳孔轮廓,因此使用交叉操作(逻辑AND)将它们组合在单个边缘图中,这最小化了由于诸如眼睑、睫毛和照明反射等噪声而导致的假边缘,如图4(f)所示。图4示出了图4(c)和图4(e)中的边缘图包含由于眼睑和睫毛引起的假边缘,但是由于相交操作,这些假边缘在图4(f)中的眼睛图像的最终边缘图中被减少。该交叉操作还去除了由于反射和非均匀照明而导致的假边缘。图4(c)中的边缘图包含由于反射引起的边缘,但排除由于暗照明引起的边缘,而图4(e)中的边缘图排除反射的影响,但包含由于暗照明引起的边缘。因此,如图4(f)所示,对这两个边缘图的相交操作消除了反射和暗照明的影响。图4(f)中提出的边缘图与图4(f)相比具有明显更少的假边缘。 4(c)或(e)。输入眼睛图像如图所示。 4包含反射斑点和非均匀照明,但是所提出的边缘图生成技术对于不具有反射斑点和非均匀照明的图像也是有效和有用的,因为它还减少了由于眼睑、睫毛和眉毛等。这可通过附录A下图A1中的图1和图2进行说明。图A1中的图像属于CILV 3数据库,其包含眼睑、睫毛和眉毛的遮挡作为主要噪声。下面描述所提出的技术(图43.1. 高斯滤波原始眼睛图像的平滑去除了随机噪声和不均匀的强度,这些噪声和不均匀的强度可能导致边缘检测图像中不必要的假边缘。它还通过减少二值图像中的假黑像素来帮助图像二值化(图像阈值化)步骤。平滑的眼睛图像如图所示。 4(b). 利用高斯滤波器对原始眼睛图像进行平滑处理[20]第20页41)的大小为3 3并且sigma(r)等于1.0。这种规模和选择sigma值以使高斯滤波器的硬件实现资源高效且简单,这在第4.3节中讨论。3.2. Sobel边缘检测对平滑后的眼睛图像进行Sobel边缘检测,不进行细化处理.两个33索贝尔滤波器掩模用于找到图像梯度的x导数和y导数分量,如[20](第114页)所述。在边缘检测中选择合适的阈值,使得在图像中的强边缘中的瞳孔边缘被检测到,并且弱边缘,因为边缘边界未被检测到。利用MATLAB中的edge()函数确定阈值的初始值,然后通过对数据库图像的仿真和边缘检测图像的可视化来调整阈值。较高的阈值给出较少的边缘像素,而较低的阈值给出较多的边缘像素。 阈值的最终值是经过多次迭代的模拟和人工检查的边缘检测图像,然后它保持恒定的给定的数据库。图图4(c)示出了在平滑的眼睛图像上应用Sobel算子之后的边缘图图像。这幅边缘图××诉Kumar等人 /工程科学与技术,国际期刊20(2017)694-704697图四、提出的用于瞳孔检测的边缘图生成技术:(a)来自CITHV 4的原始虹膜图像(320× 240);(b)高斯平滑虹膜图像(r= 1.0,k = 3);(c)在(b)上应用Sobel边缘检测器而不细化后获得的边缘图像;(d)在(b)上应用强度阈值化后的二值图像;(e)在(d)上应用Sobel边缘检测器而不细化后获得的边缘图像;(f)在(c)和(e)上通过交集(逻辑AND)运算获得的边缘图。瞳孔边缘和由于照明反射点、眼睑、睫毛和睫毛框而引起的其它(假)边缘。非均匀照明的特点是,当对强度眼睛图像应用边缘检测时,如图1所示,未检测到非均匀照明。 4(c),因为强度值逐渐变化。对图像二值化后得到的眼睛图像的二值图像再次进行Sobel边缘检测,不进行3.3. 值化瞳孔是虹膜图像中的暗区域。基于强度的阈值[20](pp. 27-28)用于分割瞳孔区域。对高斯平滑的虹膜图像应用具有阈值(T)的全局阈值处理,以得到如图4(d)所示的二值化图像(二值图像)。对于强度图像,fx;y,得到的二进制图像gx;y给出为:图4中的边缘图和图5中的边缘图都可以在硬件中实现。(c)和(e)可以并行产生,然后使用与门组合以获得最终的边缘图。下面讨论所提出的技术的硬件架构4.1. 硬件架构所提出的硬件架构在图5中示出,用于图4中描述的边缘图生成技术。这种架构读取输入图像的一个像素,每个时钟周期,并开始输出一个像素的最终边缘图后,初始延迟的每个时钟周期,从而给出一个像素的吞吐量每个时钟周期。初始延迟主要由滑动窗口组件引起。该体系结构是一种并行和流水线设计。采用滑动窗口和流水线寄存器实现流水线操作,并行性意味着两个边缘检测器g x y. 1 ← fx; yP T并行生成图像并将其组合以给出单个1×;0←fx;yT<边缘地图。的滑动Windows提供3 3像素(P1,P2,P3... P9)的图像的高斯和索贝尔滤波器。 图 5示出T的值通过找到最小像素值(M)在平滑的图像中,并将40加到M[21]。瞳孔被认为是NIR图像中最暗的区域,并且数字40指示瞳孔内的像素值的变化。3.4. 逻辑与运算逻辑与运算对二值图像执行交集运算,其中两个图像的对应像素被与运算以获得新的二值图像。 对二值图像的交集运算被用来合并图1的两个边缘图。图4(c)和图4(e)中所示的边缘图,以获得图4(f)中所示的最终边缘图。最终的边图包含两个边图共有的边。4. 所提出的边缘图生成硬件本节介绍了硬件实现的建议,提出的所提出的技术(图4)适用于并行输入(原始)图像的像素被通过-经过滑动窗口、高斯滤波、图像二值化、Sobel边缘检测等模块,最后通过与门得到输入图像的最终边缘图。接下来描述在所提出的架构中使用的各种硬件模块4.2. 3×3推拉窗在基于窗口的滤波[22]中,W W窗口被扫描通过输入图像,并且该窗口的每个可能位置根据滤波器函数f生成输出像素,如图2所示。六、通过对窗口内的像素执行一些计算来获得输出(滤波)图像所执行的计算由滤波器的类型(滤波器函数,f)确定。图7示出了3个输入图像(I)的3个像素窗口,当窗口从图像的左上方开始并向上到右下方移动通过整个图像时,其像素保持变化。这个窗口称为滑动窗口。×××××××698V. Kumar等人/工程科学与技术,国际期刊20(2017)694图五. 所提出的用于瞳孔检测的边缘图生成(硬件)架构。使用图8所示的架构实现3 × 3滑动窗口效果,这被称为滑动窗口架构。该架构采用图像的像素流(每个时钟周期一个像素)作为输入,并提供3 × 3像素流(33 pix-e1/时钟周期)作为输出,该初始延迟大致等于填充线缓冲器所需的时间(如所描述的稍后)。输出,3 3像素(P1,P2,P3. P9)流用于计算,其中3 3过滤器掩码(内核)为特定过滤操作。这将具有在图像上的光栅扫描中滑动3 3内核窗口的效果。滑动窗口体系结构有一个输入线和九个输出线。该架构使用两个行缓冲器,本质上是两个FIFO(先进先出)寄存器组和九个8位寄存器。对于图像宽度,每个行缓冲器的长度等于W-3W.线缓冲器使用FPGA的双端口块RAM(BRAM)来实现,其中在每个时钟周期同时从BRAM读取像素并且将另一个像素写入BRAM中以将其用作FIFO。该BRAM的读和写地址增加,在每个时钟周期,他们复位为零时,线缓冲区的全长达到。读地址总是比写地址前进一位。该架构提供初始延迟在输出第一个有效的3× 3像素集之前,它需要2 W + 3个时钟周期,但在此之后,它在每个时钟周期都提供3×见图7。 基于窗口的图像滤波中的3×4.3. 高斯滤波器的33用于高斯图像滤波的滤波器掩码或核(k)[20](p.21)在等式中显示。(二)、 的EQ。(3)执行k与输入图像(I)的卷积,这给出了平滑图像(IG)。k的元素与相应的像素相乘的图像窗口,以获得按照等式的加权和。(四)、高斯滤波器模块的硬件结构实现了Eq. (4)如图9所示。除了加法器之外,该架构还使用移位器来执行乘法和除法运算,并且在单个时钟周期内获得多于一位的移位。该结构采用流水线寄存器,以保证每个时钟周期一个输出像素的吞吐量。输入像素值(P1、P2、P3. P9)改变由滑动窗口架构提供的每个时钟周期,如之前所讨论的(图1A和1B)。第7和第8段)。图六、 窗口过滤器。 阴影像素表示位于P5处的输入窗口,其产生输出图像中对应位置的滤波值P50。输入图像中的每个可能的窗口位置在输出图像中生成对应的像素值。167×45234.ð诉Kumar等人 /工程科学与技术,国际期刊20(2017)694-70469921213见图8。 3× 3滑动窗口架构。GM<$qG2G2ð7Þ16 6 4 24275ð2Þ12 1IG<$kωI3P 50¼ P1 <$2ωP2 <$P3 <$2ωP4 <$4ωP5 <$2ωP6 <$P7 <$2ωP8<$P9 <$=16<$4<$4.4. 索贝尔边缘检测器Sobel边缘检测器[20](第114页)利用两个3 × 3梯度滤波器掩码(Sobel内核),将其与输入图像(I)卷积以计算图像梯度的x导数和y导数,即使用等式Gx和Gy。(5)和(6)。-101G x¼-两个02ωI-10126-1-两个-137GMjGxj jGyj8Gx¼ P3<$2 ω P6< $P9- P1- 2ω P4-P7 <$9 <$Gy¼ P7 2ω P8 P9- P1- 2ω P2-P3 10Sobel边缘检测架构在图10中示出,其根据等式10计算图像梯度分量Gx和Gy。(9)和(10)。这些方程是使用图像窗口和Sobel核获得的,其中P1,P2,P3P9是图像窗口并且这些像素随着窗口在整个图像上滑动而改变,如前所述(图1A和1B)。第7和第8段)。 图 10并行计算GX和GY,并使用流水线寄存器来实现每个时钟周期一个输出像素的吞吐量。在使用Eq.在(8)中,基于如图10所示的阈值来选择边缘像素。该体系结构涉及加法、减法和乘法运算。乘法通过左移操作来执行4.5. 图像二值化Gy¼0 001 215ωI6图像二值化已经在前面的第3.3节中描述。对于图像二值化的硬件实现,Eq.局部边缘强度定义为梯度幅值(GM),并使用Eq. (7)。设计一个能计算平方和平方根运算的(11)使用。使用阈值(T)从强度图像fx;y获得二进制图像gx;y。for every一切pixel像素.因此,适合通过如等式[14](八)、g x;y255←fx;yPT0←fx;yT<ð11Þ见图9。 高斯滤波器结构。Xy700V. Kumar et al. /工程科学与技术,国际期刊20(2017)694具有用于图像二值化的注册输出的硬件模块如图所示。 11,它实现了Eq。(十一)、5. 结果和讨论5.1. FPGA实现结果用于瞳孔检测的边缘图生成架构(图 5)针对Xilinx公司的7系列FPGA Zynq xc 7z 020 - 1clg 484,采用Verilog硬件描述语言进行了实现,并在Zedboard上对边缘图生成硬件进行了测试。表1示出了图5中呈现的完整架构的合成结果。 获得的总频率为276.625 MHz。块RAM的总数为3,用于实现滑动窗口结构的行缓冲器。5.2. 性能结果5.2.1. 边缘图生成硬件为了在FPGA上测试边缘图生成硬件,VIVADO v2014.4的“Xil-inx's System Generator(XSG)for DSP”工具用了建立了一个Simulink模型,该模型使用Simulink模块集从计算机硬盘读取图像文件并将输出图像保存到MATLAB工作空间中。用于在ZedBoard(ZynqFPGA板)上测试图像的Simulink模型快照如图所示。 12个。由所提出的边缘图生成技术的FPGA实现生成的边缘图图像在图13中示出。图4中描述的边缘图生成技术在MATLAB中实现。图13示出了从FPGA上的硬件实现获得的边缘图与使用MATLAB实现获得的边缘图完全匹配。因此,所提出的硬件实现是100%准确的。5.2.2. 边缘图生成硬件的处理时间边缘图生成硬件的处理时间通过计算完成边缘图生成任务所需的时钟周期总数来确定。边缘图生成结构的时钟周期延迟和其模块在表2中给出。产生边沿所需的时钟周期总数320× 240像素大小的图像的映射在表3中给出。在200MHz的时钟频率下,处理时间为390.46ls,如表3所示,通过将时钟周期总数乘以时钟周期获得。为了比较所提出的硬件实现和软件实现,该算法也实现在C++。该算法的编译机器码在Intel i5处理器上运行时需要80.47 ms的CPU时间如表3所示,所提出的边缘图生成的专用硬件实现了比软件实现快206的速度。见图10。 Sobel边缘检测架构。Σð Þ诉Kumar等人 /工程科学与技术,国际期刊20(2017)694-704701见图11。 图像二值化硬件。表1所提出的边缘图生成硬件架构的综合结果(320 × 240像素图像)。设备利用率汇总穿过他们。在累加器阵列中的峰值被确定为每个半径。所有峰中的最大值给出瞳孔圆的半径和中心将CHT应用于眼睛图像的边缘图(图1)。 4(f))块RAM数量最大频率,fmax= 276.625 MHz5.2.3. 瞳孔检测准确在我们的工作中,我们还实现了CHT算法[23],以在眼睛图像的边缘图中找到瞳孔圆半径和瞳孔位置。CHT算法的输入是半径范围,即瞳孔圆的最小和最大半径(rmin rmax)。在每个边缘点(xc,yc)处,其是边缘图中的白色像素,虚拟圆使用等式以不同的半径绘制。(12)下文。x¼xcrωcosh12y<$ycrωsinh使用Eq.(12)位于圆创建大小与图像相同的二维(2D)累加器数组并将其初始化为零。累加器数组中单元格的值每循环一对于标准技术,CHT也被应用于通过两种技术生成的边缘图:(1)基于边缘检测的技术(图4(c ));和(2)基于阈值的技术(图4(e))。基于边缘检测的标准技术被称为Wildes在实验中使用以下两个数据集来发现瞳孔检测的准确性和时间成本。1. CITHV4:拍摄了该数据库的前1000张图像。2. CILV 3:从该数据库中选择总共811幅图像,选择每个受试者的第一幅左眼图像和第一幅右眼图像表4中的瞳孔检测方法在安装在具有Intel i5 CPU@2.40 GHz、8GB RAM 和Windows 7操作系统的计算机上的MATLAB (版本8.4)表4示出了使用CHT算法的不同边缘图生成技术的瞳孔检测的准确度和平均时间成本。MATLAB见图12。 在FPGA上测试用于瞳孔检测的边缘图生成硬件的设置。逻辑利用使用可用利用率(%)所提出的技术产生的瞳孔检测切片寄存器3961064000.37精度样本的瞳孔定位图像使用建议的切片LUT462532000.86边缘图生成技术如图所示 。 十四岁为了完全使用的LUT-FF对31554358比较所 提 出 的边缘图生成技术(图 四、702V. Kumar et al. /工程科学与技术,国际期刊20(2017)694图十三.所提出的用于瞳孔检测的边缘图生成硬件的准确性测试:(a)测试图像;(b)使用在FPGA上执行的边缘图生成硬件生成的边缘图;(c)使用边缘图生成硬件的等效MATLAB代码生成的边缘图;(d)(b)和(c)的差异图像图像(320× 240)取自CITHV4和CILV3数据库。表2所提出的边缘图生成硬件的时钟周期延迟模块时钟周期延迟3× 3滑动窗口(对于320× 240图像,W = 320)643(=2 W +3)高斯滤波器2Sobel边缘检测器4图像二值化1完整架构643 ×2 + 7 = 1293表3所提出的边缘图生成硬件的每幅图像的处理时间。图像尺寸时钟周期硬件@200 MHz软件执行时间提速320 ×240像素1293þ 320ω 240390.46升秒80.47毫秒206表4示出了所提出的边缘图生成技术由于眼睛图像的边缘图中的假边缘的减少而导致改善的瞳孔检测准确度和时间性能。局限性:所提出的方法可能会失败,主要是由于在瞳孔区域中的反射的存在,因为假的边缘对应于这些反射出现在最终的边缘图。为了进一步提高所提出的方法的精度,必须在两个中间边缘图中的任何一个中的相交操作之前去除反射,这将是我们未来的工作。所提出的方法可以准确地工作与近红外图像,但它不会准确地工作的VW图像,因为阈值分割无法分割瞳孔中的VW图像。在这种情况下,基于边缘检测的边缘图生成将比所提出的方法更好地工作。图14.使用所提出的边缘图生成技术的瞳孔定位图像的样本(图像属于CITHV4和CILV3数据库)。诉Kumar等人 /工程科学与技术,国际期刊20(2017)694-704703表4用于瞳孔检测的边缘图生成技术的比较边缘图生成技术瞳孔检测(边缘图代加海底隧道)CITHV4*CILV 3*准确度(%)每个图像的时间(秒)准确度(%)每次施法时间(秒)基于边缘检测(Wildes[18])96.002.1087.913.13以控股为基础(Bendale et al. [19])94.301.8386.681.95提出99.101.0897.780.92*图像大小= 320× 240像素。图A1. 提出了用于瞳孔检测的边缘图生成技术图1和图2中的图像是:(a)来自CILV 3的原始虹膜图像(320× 240);(b)高斯平滑虹膜图像(r= 1.0,k = 3);(c)在(b)上应用Sobel边缘检测器而没有细化之后获得的边缘图像;(d)应用强度检测器之后的在(b)上进行阈值处理;(e)在(d)上应用Sobel边缘检测器而不进行细化之后获得的边缘图像;(f)通过在(d)上进行交集(逻辑AND)运算获得的边缘图。(c)及(e)。6. 结论本文提出了一种用于近红外图像瞳孔检测的边缘图生成技术及其硬件实现所提出的边缘图生成技术不仅减少了由于眼睑,睫毛,眼镜和眉毛,但也消除了虚假的边缘,由于反射和黑暗的照明所造成的照明源,同时捕捉图像。所提出的边缘图生成硬件在小的初始延迟之后以每个时钟周期一个像素的速率产生输出像素,而输入图像像素也以每个时钟周期一个像素的相同速率到来。边缘图×704V. Kumar et al. /工程科学与技术,国际期刊20(2017)694生成硬件需要390LS来生成大小为320 - 240像素的输入图像的边缘图,当它被时钟控制在200 MHz时。使用所提出的边缘图生成硬件及其等效的MATLAB实现生成的边缘图确实具有100%的匹配。本文的工作可用于虹膜定位系统的开发,以满足嵌入式虹膜识别系统的实时性要求作者贡献所有作者都做出了同样的贡献。利益冲突作者声明,发表本文不存在利益冲突致谢本文的部分研究使用了中国科学院自动化研究所(CASIA)的CASIA-IrisV 4和CASIA-IrisV 3我们感谢CASIA为我们提供虹膜图像。附录A见图A1.引用[1] A.巴西特,M.Y. Javed,使用强度梯度在灰度图像中定位虹膜,Opt. 激光工程45(12)(Dec.2007)1107-1114。[2] M. López,J. Daugman,E. Cantó,Hardware-software co-design of an irisrecognition algorithm,IETInf. 安全 5(1)(2011)60。[3] K. Grabowski,A.黄晓波,虹膜识别系统的硬件结构优化,北京,高等教育出版社。电路系统视频技术 21(9)(2011)1293-1303。[4] J. Liu-Jimenez,R.桑切斯-雷洛湾陈晓,陈晓,陈晓生,等.嵌入式系统中的虹膜识别技术.北京:计算机科学出版社,2000,21(3):100 - 101. 19(2)(2011年2月)274-282。[5] 黄文,虹膜识别技术,国立成功大学电子工程研究所硕士论文,2004[6] F.扬岛Usman,S.陈文辉,虹膜识别系统中的虹膜定位,计算机图像处理,硕士论文。J. 22(6)(2012)971-986。[7] N. 王 , 英 - 地 李 , 匿 名 戒 酒 会 El-Besaf , T. Zhang , X. Niu , Toward accuratelocalizationand high recognition performance for noisy iris images,MultimediaToolsAppl.71(3)(2014)1411-1430.[8] V. Kumar,A. Asati,A. Gupta,基于积分微分算子的无约束红外虹膜图像的虹膜定位,在:信号处理,计算和控制国际会议论文集,JUIT,2015年9月,Waknaghat,印度,pp.277-281。[9] H. 梅赫罗特拉峰萨湾Majhi,虹膜识别的快速分割和自适应SURF描述符,数学。Comput. 模型58(1 -2)(2013)132-146。[10] F.扬岛Usman,S.A. Khan,S.A. Malik,一种非理想数据的动态非圆形虹膜定位技术,Comput。电动Eng. 40(8)(2014)215-226。[11] H. 恩 戈 河 拉 克 维 奇 河 布 鲁 萨 尔 河 Ives , Resource-aware architecture designandimplementationofHoughtransformforareal-timeirisboundarydetectionsystem,IEEE Trans. 消费电子学。 60(3)(2014)485-492。[12] K.W. Bowyer,K. Hollingsworth,P.J. Flynn,虹膜生物识别的图像理解:调查,Comput。目视图像理解110(2)(2008年5月)281- 307。[13] CASIA虹膜数据库:可在线访问:http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp(2016年4月28日访问)。[14] A. Elhossini , M. Moussa , A memory efficient FPGA implementation ofHough transform for line and circle detection , in : Proc. of the 25thCanadian Conference on Electrical and Computer Engineering,Montreal,QC,Canada,29 April[15] Z.- H. Chen,A.W.Y.苏,M.- T.孙,资源有效的FPGA架构和霍夫变换的实现,IEEE Trans.Very Large Scale Integr. 20(8)(2012)1419-1428。[16] S. Khalighi,F.Pak,P.蒂尔达Nunes,使用鲁棒定位和基于非下采样轮廓波的特征进行虹膜识别,J. Sign。过程81(1)(2015)111-128。[17] J. Zuo,N.A. Schmid,非理想虹膜图像的鲁棒分割方法,IEEE Trans. 系统曼·赛伯恩B部分Cybern。 40(3)(2010)703-718。[18] 王志荣,虹膜辨识:一种新兴的生物辨识技术,国立成功大学生物工程研究所硕士论文,民国97年[19] A. Bendale,A. Nigam,S.杨文,基于改进霍夫变换的虹膜分割方 法 , 北京:人民出版社。内特尔Comput. Technol. Appl. 304(2012)408-415。[20] 急 诊 室 Davies , Computer and Machine Vision : Theory , Algorithms ,Practicalities,Academic Press,2012.[21] S.沙阿,A. Ross,使用测地线活动轮廓的虹膜分割,IEEE Trans. 信息取证安全4(4)(2009)824-836。[22] 丹吉Bailey,设计过程,在:FPGA上的嵌入式图像处理设计,John Wiley &Sons(亚洲)Pvt。Ltd,Singapore,2011.[23] H.K. Yuen,J. J. J. Illingworth,J. Kittler,Hough变换求圆方法的比较研究,ImageVis。Comput. 8(1)(1990)71-77。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功