朱立軍，苑瑋琦

?

一種改進(jìn)蟻群算法的睫毛提取

朱立軍1,2，苑瑋琦1

( 1. 沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，沈陽 110870；2. 沈陽化工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，沈陽 110142 )

睫毛檢測是虹膜識別預(yù)處理階段的一個(gè)重要環(huán)節(jié)，本文提出一種基于改進(jìn)蟻群算法的睫毛提取方法。該方法首先通過引入睫毛區(qū)域內(nèi)、外方向因子使得人工螞蟻能快速聚集到睫毛邊緣，并且通過采取全局和局部兩種策略來對信息素進(jìn)行更新，然后使用OTSU算法根據(jù)所得圖像的信息素濃度把圖像分割成睫毛邊緣和非睫毛邊緣兩部分。最后，對分割出的睫毛邊緣進(jìn)行整合、除噪，得到最終的睫毛。實(shí)驗(yàn)結(jié)果表明：該方法提取睫毛的效果較其他相關(guān)算法有明顯的提高；并且當(dāng)人工螞蟻間距取約25 pixels的時(shí)候，算法既能保證睫毛檢測的速度又能保證睫毛檢測的效果。

蟻群算法；人工螞蟻；睫毛檢測；OTSU；虹膜識別

0 引 言

虹膜識別由于具有普遍性、唯一性、穩(wěn)定性、非侵犯性等優(yōu)點(diǎn)，所以被認(rèn)為是目前最具潛力的生物特征識別方法之一。睫毛的主要作用是用來阻擋灰塵等異物進(jìn)入眼睛，然而在提取虹膜特征時(shí)，睫毛有時(shí)可能不同程度地對虹膜形成遮擋，從而影響了真實(shí)虹膜特征的提取。因此，在虹膜識別的預(yù)處理階段，準(zhǔn)確地檢測出睫毛遮擋區(qū)域是保證虹膜識別準(zhǔn)確率非常重要的一個(gè)環(huán)節(jié)。

目前關(guān)于睫毛檢測的主要方法包括：Kong Waikin等[1]把睫毛分成分散和聚集兩類，對分散睫毛采用一維Gabor濾波器與圖像做卷積，如果結(jié)果小于給定的閾值，則判斷為睫毛；對于聚集睫毛的檢測，則使用一個(gè)5′5的小矩形窗口，如果窗口的灰度差小于預(yù)設(shè)閾值，則該矩形窗口的中心就可判定為一個(gè)睫毛點(diǎn)；Huang Junzhou等[2]首先根據(jù)相位一致性提取噪聲的邊緣信息，然后結(jié)合邊緣和區(qū)域的信息來定位眼睫毛區(qū)域；Suhad A等[3]首先對圖像進(jìn)行灰度變換來增強(qiáng)圖像的對比度，然后采用Soble算子根據(jù)給定閾值來檢測睫毛；Walid Aydi等[4]首先求出圖像的對角梯度，然后通過預(yù)設(shè)閾值來提取睫毛；苑瑋琦等[5]提出采用多種不同的方法，通過選取相應(yīng)的閾值提取睫毛點(diǎn)，然后再把這些提取到的睫毛點(diǎn)組合起來形成最終的睫毛。來毅等人[6]使用灰度形態(tài)學(xué)的方法，將形態(tài)學(xué)運(yùn)算后的圖像二值化，即可檢測出眼睫毛。

以上方法大多是采用人工預(yù)設(shè)閾值的方法來判定某個(gè)像素是否屬于睫毛。這種方法的優(yōu)勢是簡單、高效，而局限性是由于最優(yōu)閾值往往難以得到，從而造成睫毛檢測的結(jié)果不夠令人滿意。因此，為了進(jìn)一步提高睫毛檢測的效果，本文提出一種新的基于改進(jìn)蟻群算法的睫毛提取方法，該方法不是通過人工預(yù)設(shè)閾值的方法來判定睫毛，而是先通過人工螞蟻搜索睫毛邊緣，在搜索的過程中不斷增強(qiáng)睫毛邊緣的信息，同時(shí)削弱非邊緣信息，然后再通過OTSU算法[7]自動找到最優(yōu)睫毛分割閾值。這樣就能保證較好的睫毛分割效果。

1 改進(jìn)蟻群算法提取睫毛的原理

蟻群算法是1991年意大利學(xué)者Dorigo M[8]等人從螞蟻群體覓食行為的過程中得到啟發(fā), 提出的一種模擬螞蟻行為的模擬進(jìn)化算法，我們稱為基本螞蟻算法(AS)。由于該算法具有信息正反饋、分布計(jì)算和啟發(fā)式搜索等特點(diǎn)，近些年來已經(jīng)被成功地應(yīng)用于路徑優(yōu)化[9]，故障診斷[10]以及圖像分割[11-16]。

對虹膜圖像進(jìn)行睫毛提取的過程可以理解為模擬螞蟻行為的人工螞蟻覓食過程。把圖像看成二維矩陣，每個(gè)像素位置對應(yīng)矩陣中的一個(gè)元素，每′像素區(qū)域里放一只人工螞蟻。由于睫毛的特點(diǎn)是像素灰度值較低且邊緣梯度較高，根據(jù)這一特點(diǎn)，人工螞蟻的搜索目標(biāo)就是灰度值小且梯度大的像素。為了提高睫毛提取的精度，在睫毛區(qū)域內(nèi)部引入局部方向因子，該因子引導(dǎo)人工螞蟻向離他較近的且信息素濃度較高的睫毛靠近；同時(shí)分別采取全局策略和局部策略來對信息素進(jìn)行更新，使得睫毛邊緣的信息素濃度進(jìn)一步得到了增強(qiáng)。這樣通過若干步迭代后，睫毛邊緣的信息素濃度就會明顯的高于非睫毛邊緣區(qū)域的信息素濃度，然后再根據(jù)OTSU算法對所得到的圖像進(jìn)行分割就能很容易地分割出睫毛邊緣。最后，對分割出的睫毛邊緣進(jìn)行整合、除噪，得到了最終的睫毛。算法流程圖如圖1所示，其中關(guān)鍵步驟如下。

圖1 睫毛提取算法流程圖

1.1 睫毛提取區(qū)域的確定

根據(jù)對大量虹膜圖像觀察發(fā)現(xiàn)：一般人的睫毛遮擋虹膜的范圍為瞳孔中心以上區(qū)域，所以，我們選擇睫毛提取(Eyelash Abstract, EA)區(qū)域?yàn)閳D像中以瞳孔的中心為底線的以上部分，如圖2中粗黑線以上陰影部分所示。

圖2 睫毛提取區(qū)域的確定

1.2 睫毛提取區(qū)域信息素初值的確定

另外，由于瞳孔邊緣處的梯度較大且灰度較低，對人工螞蟻路徑選擇會形成干擾，所以對瞳孔及其邊緣附近區(qū)域的信息素初值置0。

1.3 轉(zhuǎn)移概率的定義

人工螞蟻每次從當(dāng)前位置，在八鄰域范圍內(nèi)按照轉(zhuǎn)移概率選擇下一步要到達(dá)的位置。在這里，對轉(zhuǎn)移概率定義如下：

，分別表示EA區(qū)域的高度和寬度。表示位置和之間的距離。當(dāng)人工螞蟻?zhàn)哌M(jìn)睫毛區(qū)域內(nèi)部時(shí)，參數(shù)使得人工螞蟻在搜索睫毛邊緣時(shí)，即考慮信息素濃度較高的邊緣方向，同時(shí)也考慮了信息素濃度較低卻距離較近的邊緣方向，從而保證了睫毛提取的精度。

1.4 信息素更新策略

每只人工螞蟻?zhàn)咄暌?guī)定的步數(shù)后，各位置處的信息素根據(jù)式(7)進(jìn)行調(diào)整：

為了進(jìn)一步提高目標(biāo)的信息素濃度，還采用信息素局部更新策略，引入?yún)?shù)

當(dāng)?shù)谥蝗斯の浵伇闅v之后，位置處的信息素增量依據(jù)和的大小成比例的進(jìn)行相應(yīng)的調(diào)整，這樣信息素越高的地方信息素增長越快，信息素越低的地方信息素增長越慢，從而有利于進(jìn)一步提高睫毛提取效果。

1.5 睫毛邊緣的分割

當(dāng)所有螞蟻按照方向轉(zhuǎn)移策略和信息素更新策略遍歷圖像的過程中，睫毛邊緣的信息素濃度會越來越大，當(dāng)所有螞蟻遍歷完后，睫毛邊緣的信息素濃度總體上就會明顯比非睫毛邊緣信息素濃度高。然后采用OTSU算法得到圖像二值化的最優(yōu)分割閾值，高于閾值的部分為睫毛邊緣，像素灰度值設(shè)為255；低于閾值的部分分為非睫毛區(qū)域，像素灰度值設(shè)為0。

1.6 睫毛的整合

由于蟻群算法搜索的目標(biāo)是梯度大且灰度小的像素，并且睫毛本身存在一定的寬度，因此采用如上方法提取到的是中間存在空隙的睫毛。為了得到完整的睫毛，需要對空隙進(jìn)行填充。根據(jù)大量實(shí)驗(yàn)觀察發(fā)現(xiàn)中間的縫隙寬度大約小于3 pixels。為了去掉中間的空隙，提取出完整的睫毛，分別求出目標(biāo)二值睫毛圖像的左、右邊緣的圖像，由于睫毛灰度的特點(diǎn)是中間低兩邊高，所以，左邊緣的判別方法是：該位置是邊緣(二值圖像灰度值255)并且原始灰度圖像中該位置右邊像素灰度值一定比當(dāng)前位置的低；同理右邊緣的判別方法是該位置是邊緣(二值圖像灰度值255)并且原始灰度圖像中該位置左邊像素灰度值一定比當(dāng)前位置的低。然后采用如下式顯示最終的睫毛。

1.7 采用序列滑動窗口消除噪聲

采取如上算法提取出的睫毛會存在一些噪聲，為了進(jìn)一步提高睫毛提取效果，需要進(jìn)行除噪。根據(jù)觀察發(fā)現(xiàn)睫毛一般是連續(xù)的，而這些噪聲是一些孤立的斑點(diǎn)。采用序列滑動窗口來消除噪聲。窗口序列的邊長為3~pixel，窗口厚度為1 pixel，首先，采用3′3的窗口逐像素滑過圖像，在滑動過程中，如果周圍8個(gè)像素位置均沒有灰度值為255的像素，而中間像素為255的像素，則確定該像素為噪聲，把它的值改為0。然后，依次使用邊長為4~的窗口采用同樣的辦法消除被窗口包圍的噪聲。

注意窗口選擇不能太大，如果過大不但增加程序運(yùn)行時(shí)間，而且有時(shí)會把睫毛誤當(dāng)做噪聲消除，從而影響了睫毛提取的精度；如果選擇過小，則有些噪聲不能去除。經(jīng)驗(yàn)表明，取5較為理想。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)分別采用中科院自動化所的CASIA-IrisV1虹膜圖庫和本研究室自己采集的虹膜圖庫進(jìn)行驗(yàn)證。其中CASIA-IrisV1庫虹膜圖像分辨力為320′280，本研究室自采集虹膜圖像分辨力為800′600。實(shí)驗(yàn)所用機(jī)器的主頻是2.71 GHz，內(nèi)存為2 G，操作系統(tǒng)為Windows XP，編程所用工具為Visual C++2010。由于文獻(xiàn)[1]和文獻(xiàn)[4]都是針對沒有進(jìn)行規(guī)范化處理的虹膜圖像。所以選擇這兩個(gè)算法與本文的算法進(jìn)行對比。另外，文獻(xiàn)[1]和文獻(xiàn)[4]提取睫毛時(shí)都會產(chǎn)生噪聲，為了對算法進(jìn)行客觀的比較，這兩種算法對噪聲的過濾也是采用和本文一樣(1.7小節(jié))的方法。本文算法主要參數(shù)的典型設(shè)置：圖像梯度閾值=45；轉(zhuǎn)移概率各因子的權(quán)重分別為=4,=2,；信息素更新，；螞蟻屬性設(shè)置=3 000，=25。

2.1 睫毛的提取效果比較

從圖3可以看出：圖3(b)、圖3(c)算法提取的睫毛存在很多中斷的現(xiàn)象，這主要是由于同一根睫毛不同部位的灰度值往往是不同的，而判定閾值卻是恒定造成的。相比之下，圖3(d)本算法提取的睫毛連續(xù)性比圖3(b)、圖3(c)算法有了明顯的提高。同時(shí)，從圖中還可以看出：對于睫毛較密的區(qū)域(如睫毛左上部分)，相對其他算法，圖3(d)算法提取的效果也較理想。圖4是采用本研究室自采集虹膜圖像進(jìn)行睫毛檢測的結(jié)果，由圖4(d)可知，睫毛的提取效果要優(yōu)于其他兩種算法。

圖3 不同算法對CASIA-IrisV1庫虹膜圖像睫毛檢測效果的比較

需要指出的是，雖然本算法在提取睫毛的效果上優(yōu)于其他算法，但仍然存在漏判和誤判現(xiàn)象。其中漏判現(xiàn)象如圖3(d)、4(d)中黑色箭頭所示，從圖中可以看出，箭頭所指的睫毛并沒有被完整地提取出來，其主要原因是由于這些睫毛末端的灰度值與背景較接近，且梯度值較小，所以人工螞蟻較難識別，造成漏判；另外，當(dāng)虹膜內(nèi)部存在某些特征紋理(如裂縫、坑洞等)，而這些特征紋理的邊緣與睫毛較相似的時(shí)候，就會容易造成誤判。如圖4(d)中白色箭頭所示。

圖4 不同算法對本研究室自采集虹膜圖像睫毛檢測效果的比較

2.2 螞蟻間距與運(yùn)行時(shí)間和睫毛檢測效果的關(guān)系

為了分析運(yùn)行時(shí)間與人工螞蟻間距的關(guān)系，分別在不同像素間距處放一只人工螞蟻，得到算法的平均運(yùn)行時(shí)間和人工螞蟻間距的關(guān)系如圖5所示。由圖5可知，人工螞蟻間距越大、算法運(yùn)行時(shí)間越短；而人工螞蟻間距越小，算法運(yùn)行時(shí)間越長。當(dāng)人工螞蟻間距小于20 pixels的時(shí)候，程序的運(yùn)行時(shí)間隨著人工螞蟻間距的增加下降較快；而當(dāng)人工螞蟻間距大于20 pixels的時(shí)候，程序運(yùn)行時(shí)間下降較緩慢。

圖5 螞蟻間距與運(yùn)行時(shí)間關(guān)系

另外，由實(shí)驗(yàn)可知，人工螞蟻間距越大，睫毛提取的效果越差；間距越小，提取效果越好，以圖3(a)為例，圖6分別是采用本算法使用不同間隔數(shù)目人工螞蟻提取睫毛所花費(fèi)的運(yùn)行時(shí)間及運(yùn)行效果?？梢钥闯觯瑘D6(a)和圖6(b)效果差別并不明顯，而圖6(c)提取的睫毛則出現(xiàn)了明顯的斷裂。

圖6 不同的間隔數(shù)和運(yùn)行時(shí)間下的效果圖

權(quán)衡如上兩方面的因素并經(jīng)過反復(fù)實(shí)驗(yàn)驗(yàn)證得出：當(dāng)選取人工螞蟻間隔數(shù)目取25 pixels時(shí)，既能保證較好的睫毛提取效果，又使得程序的運(yùn)行時(shí)間較短。

3 結(jié) 論

本文提出了一種新的基于蟻群算法的睫毛提取算法，該算法不是通過人工預(yù)設(shè)閾值來判斷睫毛，而是先通過人工螞蟻的遍歷來增強(qiáng)目標(biāo)(睫毛邊緣)的信息強(qiáng)度，然后使用OTSU算法自動獲得最佳睫毛分割閾值。實(shí)驗(yàn)結(jié)果表明：與其他睫毛檢測算法相比，該算法提取睫毛的效果有了明顯的提高。并且通過實(shí)驗(yàn)驗(yàn)證，當(dāng)人工螞蟻間距取25 pixels的時(shí)候，既能保證睫毛檢測的速度又能保證睫毛檢測的效果。

由于本算法搜索的目標(biāo)是灰度小、梯度大的像素。所以當(dāng)睫毛的顏色與背景較接近，虹膜內(nèi)部存在與睫毛特征相似的紋理邊緣時(shí)，就可能造成漏判和誤判。這是我們今后工作要進(jìn)一步研究和解決的問題。

[1] WANIKIN K，DAVID Z. Detecting eyelash and reflection for accurate iris segmentation [J]. International Journal of Pattern Recognition and Artificial Intelligence(S0218-0014)，2003，17(6)：1025-1034.

[2] HUANG J Z，WANG Y H，TAN T N，. A new iris segmentation method for recognition [C]// Proceedings of the 17th International Conference on Pattern Recognition. Cambridge，UK，Aug 26，2004，8：554-557.

[3] ALI S A，LOAY D，GEROGE E. Iris Recognition System Based on Texture Features [J]. International Journal of Network Security(S1816-353X)，2014，6：1-11.

[4] AYDI W，KAMOUN L，MASMOUDI N. A Fast and Accurate Eyelids and Eyelashes Detection Approach for Iris Segmentation [J]. Journal of Multimedia Processing and Technologies(S0976-4127)，2012，3(4)：166-173.

[5] 苑瑋琦，徐露，林忠華. 一種新的虹膜圖像預(yù)處理方法 [J]. 光電子·激光，2009，20(2)：234-239.

YUAN Weiqi，XU Lu，LING Zhonghua. A novel method of iris image preprocessing [J]. Journal of Optoelectronics. Laster，2009，20(2)：234-239.

[6] 來毅，路陳紅，盧朝陽. 用于虹膜識別的眼瞼及眼睫毛遮擋檢測 [J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào)，2007，19(3)：346-350.

LAI Yi，LU Chenhong，LU Zhaoyang. Eyelid and eyelash occlusions detection for iris recognition [J]. Journal of Computer-Aided Design & Computer Graphics，2007，19(3)：346-350.

[7] 賈永紅. 數(shù)字圖像處理 [M]. 武漢：武漢大學(xué)出版社，2009：146-149.

JIA Yonghong. Digital Image Processing [M]. Wuhan：Wuhan University Press，2009：146-149.

[8] COLORNI A，DORIGO M，MANIEZZO V，. Distributed optimization by ant colonies [C]// Proceedings of ECAL91 (European Conference on Artificial Life)，Paris，F(xiàn)rance，1991：134-142.

[9] 許川佩，蔡震，胡聰. 基于蟻群算法的數(shù)字微流控生物芯片在線測試路徑優(yōu)化 [J]. 儀器儀表學(xué)報(bào)，2014，35(6)：1417-1424.

XU Chuanpei，CAI Zhen，HU Chong. On-line test path optimization for digital microfluidic biochips based on ant colony algorithm [J]. Chinese Journal of Scientific Instrument，2014，35(6)：1417-1424.

[10] 王家林，吳正國，楊宣訪. 基于蟻群神經(jīng)網(wǎng)絡(luò)的線性直流電源故障診斷 [J]. 儀器儀表學(xué)報(bào)，2009，30(3)：515-520.

WANG Jialin，WU Zhengguo，YANG Xuanfang. Fault diagnosis of linear DC electric source based on ant colony algorithm and neural network [J]. Chinese Journal of Scientific Instrument，2009，30(3)：515-520.

[11] SUSMITA G，MEGHA K，ANINDYA H，. Use of aggregation pheromone density for image segmentation [J]. Pattern Recognition Letters(S0167-8655)，2009，30(3)：939-949.

[12] RAL P，DUTTA M. Image edge detection using modified ant colony optimization algorithm based on weighted heuristics [J]. International Journal of Computer Application(S0975-8887)，2013，68(5)：5-9.

[13] PANIGRAHY M P，AHMED S. Image edge detection based on ACO technique [J]. International Journal of Computer Science and Telecommunications(S2047-3338)，2013，4(1)：42-46.

[14] ZHANG Jian，ZHOU Jiliu，HE Kun，. Image edge detection using quantum ant colony optimization [J]. International Journal of Digital Content Technology and its Application(JDCTA)(S1975-9339)，2012，6(11)：187-195.

[15] TYAGI Y，PUNTAMBEKAR T A，SEXENA P，. A hybrid approach to edge detection using ant colony optimization and fuzzy logic [J]. Internal Journal of Hybrid Information Technology(S1738-9968)，2012，5(1)：37-46.

[16] YE Z G，MOHAMADIAN H，YE Y M. Quantitative analysis of feature detection using adaptive canny edge detector and enhanced colony optimization [J]. International Journal of Modeling and Optimization(S2010-3679)，2012，2(4)：384-390.

An Eyelash Extraction Method Based on Improved Ant Colony Algorithm

ZHU Lijun1,2，YUAN Weiqi1

( 1. School of Information Science and Engineering, Shenyang University of Technology, Shenyang 110870, China; 2. School of Computer Science and Technology, Shenyang University of Chemical Technology, Shenyang 110142, China )

Eyelash detection is an important step during the period of iris recognition preprocessing. An eyelash extraction algorithm based on improved ant colony algorithm is proposed. Firstly, by introducing direction factor of inside the eyelash region and outside the eyelash region, the artificial ant can gather to the eyelash-edge quickly, increasing pheromone intensity of eyelash-edge and decreasing that of non-eyelash-edge. At the same time, global and local strategies are taken respectively to update pheromone. After that, the OTSU algorithm is used to segment eyelash edge according to the pheromone intensity of image. Finally, by integrating the eyelash-edge and deleting the noise, the eyelash can be obtained. Experimental results show that, compared with other concerned algorithms, the effect of the proposed method is better than that of others, and when the distance between artificial ants is about 25 pixels, the algorithm can not only ensure eyelash detection speed but guarantee the detection effect.

ant colony algorithm; artificial ant; eyelash detection; OTSU; iris recognition

1003-501X(2016)06-0044-07

TP391. 41

A

10.3969/j.issn.1003-501X.2016.06.008

朱立軍(1972-)，男(漢族)，遼寧沈陽人。講師，碩士，主要研究方向?yàn)樯锾卣髯R別。E-mail: zhulijun@yeah.net。

2015-09-02；

2015-12-01

國家自然科學(xué)基金(61271365)