圆形霍夫变换的改进

Question

我正在研究一种虹膜识别算法，该算法将这些类型的图像处理成唯一的代码以进行识别和身份验证目的。

在过滤、智能阈值处理、然后找到图像中的边缘之后，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，变量名称很神秘。

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来进行图像处理。正如您所看到的，这是一种非常简单的寻找圆的蛮力方法。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，其中包含图像上某个位置被“投票”的次数。 x、y、r 中得票最多的就是兴趣圈。我尝试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，但瞳孔检测花费的时间太长，因此并不重要。

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，这使其运行速度低于可接受的速度。我可以做出哪些改进？有什么办法可以将其简化为二维参数空间吗？是否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？例如近似瞳孔或虹膜最大半径的方法？

注意：我也尝试使用 OpenCV 来实现此目的，但我无法将参数调整到足以保持一致的准确度。

如果您需要任何其他信息，请告诉我。

注意：我再次误解了我自己的代码。从技术上讲，它是 5 维的，但 3 维 x,y,r 循环仅对黑色像素进行操作。

Answer 1

假设您想要的是圆的位置而不是 R 的测量值。

如果您对 R 的可能范围有一个不错的估计，那么常见的技术是运行算法来首次猜测固定 R，调整它并重试。