[人眼检测] high confidence visual recognition of persons by a test of statistical independence

iris检测算法流程

基本原理

如下图，人眼形状是圆形。在图像中找到一个圆，该圆应该有明显的边界（虹膜与眼白）。在该圆周上的各像素平均值与相邻半径的平均值之差达到最大。如下图的外圆。假设其圆心为c， 半径为r。那么半径r+1圆周上的像素平均值与r的像素平均值达到最大。

基本思路是：先遍历圆心位置，再遍历半径，找到相差最大的位置。为了加速，可以用各种方法去快速定位圆心位置。该文章使用阈值+局部最小+粗搜索来缩小范围。找到了该圆心大致范围，再遍历所有找最小。

预处理

I=imcomplement(imfill(imcomplement(I),'holes'));

粗检测

1. I < 0.5
2. 排除3x3矩阵内的局部最小值
3. 排除离各个边缘距离小于最小半径的点
4. 对于剩下的点，采用partiald在圆弧上求blur积分
5. 最大值即为iris的中心所在的大致位置

细检测 search

1. 在粗检测附近找10x10的patch
2. 在这个patch内，同样采用partiald在圆弧上求blur积分
3. 最大值即为iris的中心所在的大致位置，而这个半径也就是iris半径

各算法细节

partiald

R半径20-180遍历，每个求L (通过lineint求取) 若超出图像范围，半径不再增加对于各个半径获得对应的L，对L差分(diff(L))对这个差分进行blur， blur=convn(D,f,'same');取这个blur里面绝对值最大值作为以该点为中心的“置信度”

lineint算法

在围绕(x,y)指定半径r的圆周上， 将像素值累加，再去平均值即为L值。（注意：这里iris和pupil方法略有不同）。圆周的累加采用等分方法，将圆周等分600份，取圆周上的点的像素值进行计算。

最终结果：