圆形霍夫变换改进

Question

我正在研究一种虹膜识别算法，该算法将these 类型的图像处理成唯一代码，用于识别和身份验证。

经过过滤、智能阈值化，然后在图像中找到边缘，下一步显然是为瞳孔和虹膜拟合圆圈。我环顾四周使用的技术是圆形霍夫变换。这是我的实现代码。抱歉，变量名很神秘。

print "Populating Accumulator..."
# Loop over image rows
for x in range(w):
    # Loop over image columns
    for y in range(h):
        # Only process black pixels
        if inp[x,y] == 0:
            # px,py = 0 means pupil, otherwise pupil center
            if px == 0:
                ra = r_min
                rb = r_max
            else:
                rr = sqrt((px-x)*(px-x)+(py-y)*(py-y))
                ra = int(rr-3)
                rb = int(rr+3)
            # a is the width of the image, b is the height
            for _a in range(a):
                for _b in range(b):
                    for _r in range(rb-ra):
                        s1 = x - (_a + a_min)
                        s2 = y - (_b + b_min)
                        r1 = _r + ra
                        if (s1 * s1 + s2 * s2 == r1 * r1):
                            new = acc[_a][_b][_r]
                            if new >= maxVotes:
                                maxVotes = new
print "Done"

# Average all circles with the most votes
for _a in range(a):
    for _b in range(b):
        for _r in range(r):
            if acc[_a][_b][_r] >= maxVotes-1:
                total_a += _a + a_min
                total_b += _b + b_min
                total_r += _r + r_min
                amount += 1
top_a = total_a / amount
top_b = total_b / amount
top_r = total_r / amount
print top_a,top_b,top_r

这是用 python 编写的，并使用 Python Imaging Library 进行图像处理。如您所见，这是一种非常幼稚的寻找圆圈的蛮力方法。它有效，但需要几分钟。基本思想是在有黑色像素的地方（来自阈值和边缘检测）绘制从 rmin 到 rmax 的圆圈，构建一个累加器数组，该数组包含图像上某个位置被“投票”的次数。得票最多的 x、y 和 r 就是感兴趣的圈子。我试图利用虹膜和瞳孔具有大致相同的中心（变量 ra 和 rb）这一事实来降低 r 循环的一些复杂性，但是瞳孔检测需要很长时间，所以这并不重要。

现在，显然我的实现非常幼稚。它使用三维参数空间（x、y 和 r），不幸的是，这使得它运行得比可接受的慢。我可以做哪些改进？有什么办法可以将其简化为二维参数空间？有没有更有效的方法来访问和设置我不知道的像素？

顺便说一句，是否还有其他我不知道的技术可以提高该算法的整体运行时间？比如近似瞳孔或虹膜最大半径的方法？

注意：我也尝试过为此使用 OpenCV，但我无法将参数调整到足以始终准确的程度。

如果您需要任何其他信息，请告诉我。

注意：我再次误解了自己的代码。它在技术上是 5 维的，但 3 维的 x,y,r 循环只对黑色像素起作用。

Answer 1

假设您想要圆的位置而不是 R 的度量。

如果您对 R 的可能范围有一个不错的估计，那么一种常见的技术是运行该算法以对固定的 R 进行第一次猜测，然后对其进行调整并重试。