简介这份资源面向计算机视觉初学者与生物识别方向的学习者围绕霍夫圆变换在虹膜内外圆检测中的应用展开帮助读者理解从图像预处理到圆检测、再到身份匹配的完整流程。包内共9个文件以8张jpg虹膜图像和1个Python脚本为主图片涵盖原始虹膜、预处理结果及内外圆标注脚本则基于OpenCV的HoughCircles()实现检测压缩包约2.38MB便于直接运行与对照观察。资源重点演示了去噪、对比度增强、二值化等预处理步骤并通过比较圆心坐标与半径区分瞳孔内圆和虹膜外圆为后续特征匹配提供依据。目前已有1222人学习下载适合希望快速上手霍夫圆变换、理解虹膜识别关键环节的读者参考实践。1. 霍夫圆变换做虹膜内外圆检测为什么它至今仍是性价比最高的起点虹膜内外圆检测这件事很多人第一次听到会以为要上深度学习。但真到产线或原型阶段你会发现一个反直觉的事实在近红外、正面、光照可控的条件下霍夫圆变换Hough Circle Transform配合 OpenCV往往比训练一个分割网络更快落地而且不需要标注数据。它的核心逻辑是把边缘点映射到参数空间投票圆心的累积峰值就是候选圆。虹膜内圆瞳孔边界和外圆虹膜与巩膜交界恰好是两个同心度较高、对比度明显的圆这正是霍夫圆变换擅长的场景。这套方案适合谁适合做虹膜识别预处理、眼动追踪、疲劳驾驶检测、医学瞳孔测量这类需要先定位虹膜区域的工程师。你不需要 GPU不需要数据集一台装了 Python 和 OpenCV 的普通机器就能跑。但要注意霍夫圆变换对噪声和参数极其敏感调参不当就是一场玄学。下面我会把从环境搭建到内外圆分离的完整路径拆开包括我踩过的坑和最终稳定下来的参数区间。2. 从图像到候选圆霍夫圆变换在虹膜场景下的参数逻辑2.1 为什么虹膜检测要先做灰度化和高斯模糊OpenCV 的HoughCircles只接受单通道灰度图。虹膜图像通常来自近红外摄像头本身色彩信息很少转灰度几乎不损失信息。但直接转灰度后做霍夫变换睫毛、眼睑边缘、反光点都会产生大量虚假边缘导致投票分散。所以第一步是高斯模糊用低通滤波压制高频噪声。这里有个容易翻车的点模糊核不能太大。虹膜内圆直径在图像中通常只有 30 到 80 像素如果高斯核超过 7×7瞳孔边界会被糊掉霍夫变换直接找不到内圆。我一般用 5×5 或 3×3配合cv2.GaussianBlur的 sigma 自动计算。import cv2 import numpy as np # 读取近红外虹膜图像灰度模式 img cv2.imread(iris_nir.jpg, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(图像读取失败检查路径) # 高斯模糊核大小 5x5sigmaX 设为 0 表示由核大小自动推导 blurred cv2.GaussianBlur(img, (5, 5), 0) # 可选直方图均衡化增强对比度对暗光图像有效 equalized cv2.equalizeHist(blurred)逻辑说明GaussianBlur的第二个参数是核尺寸必须是奇数。第三个参数 sigmaX 设为 0 时OpenCV 按0.3*((ksize-1)*0.5 - 1) 0.8计算对 5×5 核约为 1.1足够平滑又不破坏边界。equalizeHist不是必须的如果原始图像对比度已经很好加了反而会放大噪声建议先不加看效果再决定。参数说明核大小 3×3 适合高分辨率图像瞳孔直径大于 100 像素5×5 适合中等分辨率7×7 只在图像噪声极大时用但会牺牲内圆检测率。2.2 HoughCircles 的五个关键参数怎么设cv2.HoughCircles的签名里真正影响虹膜检测的就五个参数dp、minDist、param1、param2、minRadius/maxRadius。很多人直接抄网上的param230结果要么检测不到要么满屏假圆。下面这张表是我在 640×480 近红外虹膜图上反复测试后总结的区间。参数含义虹膜内圆推荐值虹膜外圆推荐值调参方向dp累加器分辨率与图像分辨率之比1.01.0大于 1 会降低精度一般不动minDist圆心之间最小距离5080太小会检出重复圆太大会漏检param1Canny 高阈值100100低阈值边缘多投票分散param2累加器阈值20~3030~40越小越容易检出假圆minRadius最小半径2050按图像分辨率缩放maxRadius最大半径50120设 0 表示不限但会拖慢速度# 检测虹膜内圆瞳孔边界 circles_inner cv2.HoughCircles( equalized, cv2.HOUGH_GRADIENT, dp1.0, minDist50, param1100, param225, minRadius20, maxRadius50 ) # 检测虹膜外圆虹膜与巩膜交界 circles_outer cv2.HoughCircles( equalized, cv2.HOUGH_GRADIENT, dp1.0, minDist80, param1100, param235, minRadius50, maxRadius120 ) if circles_inner is not None: circles_inner np.round(circles_inner[0]).astype(int) for (x, y, r) in circles_inner: cv2.circle(img, (x, y), r, (255, 0, 0), 2) if circles_outer is not None: circles_outer np.round(circles_outer[0]).astype(int) for (x, y, r) in circles_outer: cv2.circle(img, (x, y), r, (0, 255, 0), 2)逻辑说明内圆和外圆分两次调用因为它们的半径范围差异大。如果一次调用设minRadius20, maxRadius120累加器会在两个尺度上竞争param2很难同时满足内外圆。分开检测后内圆用低param2抓弱边界外圆用高param2抑制假圆。参数说明param2是累加器阈值它等于一个圆至少需要多少个边缘点投票。内圆边界短边缘点少所以param2要低外圆边界长边缘点多param2可以高一些。minDist设成略大于内圆最大直径防止同一个圆被检出多次。2.3 用 Canny 边缘图替代灰度图做霍夫输入HoughCircles内部会自己跑 Canny但它的 Canny 阈值由param1控制不够灵活。更稳的做法是自己先做 Canny把边缘图传给霍夫变换。这样你可以单独调 Canny 的低阈值和高阈值把睫毛和眼睑的边缘滤掉。# 手动 Canny双阈值控制 edges cv2.Canny(equalized, 50, 150, apertureSize3) # 形态学闭运算连接断裂边缘 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) edges_closed cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel) # 用边缘图做霍夫圆检测 circles cv2.HoughCircles( edges_closed, cv2.HOUGH_GRADIENT, dp1.0, minDist60, param1100, # 此时 param1 只影响内部梯度计算 param228, minRadius20, maxRadius120 )逻辑说明Canny 低阈值 50、高阈值 150 是经验值低阈值抓弱边缘高阈值确定强边缘。形态学闭运算用 3×3 椭圆核把断开的瞳孔边界连起来避免霍夫投票时边缘点不足。注意闭运算不能太强否则会把睫毛和瞳孔粘在一起。参数说明apertureSize是 Sobel 算子大小3 是默认值。如果图像噪声大可以升到 5但会损失细节。闭运算核大小 3×3 适合大多数情况瞳孔边界断裂严重时可以试 5×5但之后要用开运算去掉毛刺。3. 内外圆分离与同心度校验把候选圆变成可用结果3.1 按半径和圆心距筛选内外圆霍夫变换返回的是一堆圆没有标签。你需要根据半径和圆心位置判断哪个是内圆、哪个是外圆。虹膜内外圆近似同心圆心距通常小于外圆半径的 20%。利用这个先验可以写一个筛选函数。def select_iris_circles(circles, img_shape): 从霍夫圆结果中筛选出内圆和外圆 circles: HoughCircles 返回的数组shape (1, N, 3) img_shape: 图像尺寸 (h, w) 返回: (inner_circle, outer_circle) 或 (None, None) if circles is None: return None, None circles np.round(circles[0]).astype(int) h, w img_shape[:2] center_img np.array([w / 2, h / 2]) # 按半径排序 circles sorted(circles, keylambda c: c[2]) inner None outer None for c in circles: x, y, r c # 圆心不能离图像中心太远 if np.linalg.norm(np.array([x, y]) - center_img) min(h, w) * 0.3: continue if inner is None: inner c elif outer is None: # 外圆半径至少比内圆大 20 像素 if r - inner[2] 20: outer c break return inner, outer逻辑说明先按半径升序排列最小的且圆心靠近图像中心的作为内圆。然后找第一个半径比内圆大 20 像素以上的作为外圆。圆心距限制用min(h, w) * 0.3是防止把眼角或镜框边缘误判为虹膜。参数说明半径差阈值 20 像素对应 640×480 图像如果分辨率翻倍这个值也要翻倍。圆心距阈值 0.3 是宽松上限实际虹膜圆心偏离图像中心通常不超过 0.15设 0.3 是为了容忍头部轻微转动。3.2 同心度校验与异常剔除筛选出的内外圆不一定同心。如果圆心距超过外圆半径的 25%说明检测结果不可靠应该丢弃或重新检测。这个校验步骤能过滤掉大部分假阳性。def validate_concentricity(inner, outer, max_offset_ratio0.25): 校验内外圆同心度 max_offset_ratio: 圆心距与外圆半径的最大允许比值 if inner is None or outer is None: return False x1, y1, r1 inner x2, y2, r2 outer center_dist np.sqrt((x1 - x2) ** 2 (y1 - y2) ** 2) if center_dist r2 * max_offset_ratio: return False # 内圆必须完全在外圆内部 if r1 center_dist r2: return False return True逻辑说明第一个条件限制圆心偏移第二个条件保证内圆不超出外圆。两个条件同时满足才认为是一组合法的虹膜内外圆。如果校验失败可以降低param2重新检测或者对图像做更强的预处理。参数说明max_offset_ratio默认 0.25对正面虹膜图像可以收紧到 0.15对侧视或转动图像可以放宽到 0.35。内圆完全包含条件里用r1 center_dist r2判断留了一点余量。3.3 可视化与结果输出检测完要把结果画出来方便调试。除了画圆还要标出圆心和半径数值这样调参时能直观看到变化。def draw_iris_result(img, inner, outer): 在图像上绘制内外圆和圆心 vis cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) if inner is not None: x, y, r inner cv2.circle(vis, (x, y), r, (255, 0, 0), 2) cv2.circle(vis, (x, y), 2, (255, 0, 0), 3) cv2.putText(vis, finner r{r}, (x - 40, y - r - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1) if outer is not None: x, y, r outer cv2.circle(vis, (x, y), r, (0, 255, 0), 2) cv2.circle(vis, (x, y), 2, (0, 255, 0), 3) cv2.putText(vis, fouter r{r}, (x - 40, y - r - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) return vis # 完整流程 inner, outer select_iris_circles(circles, img.shape) if validate_concentricity(inner, outer): result draw_iris_result(img, inner, outer) cv2.imwrite(iris_result.jpg, result) else: print(同心度校验失败建议调整 param2 或预处理)逻辑说明draw_iris_result把灰度图转成 BGR 才能画彩色圆。内圆用蓝色外圆用绿色圆心用小实心圆标出。文字标注半径值方便对比不同参数下的检测结果。参数说明cv2.putText的位置在圆上方 10 像素如果圆靠近图像顶部文字会出界可以改成圆下方。字体大小 0.5 适合 640×480高分辨率图像要调大。4. 避坑与排查虹膜霍夫圆检测的五个血泪教训4.1 现象内圆检测不到外圆正常原因瞳孔边界对比度低或者高斯模糊核太大把边界糊掉了。近红外图像里瞳孔是暗的虹膜是中等灰度边界梯度不如外圆明显。解决先单独对内圆区域做直方图均衡化或者用自适应阈值先分割瞳孔再算边界。把param2降到 15 到 20同时把maxRadius收紧到实际瞳孔半径的 1.5 倍。如果还不行换用cv2.Canny手动边缘图低阈值降到 30。4.2 现象满屏都是假圆内外圆混在一起原因param2太小累加器阈值过低任何边缘组合都能投票成圆。或者minDist太小同一个圆被检出多次。解决先把param2提高到 40 以上看真圆是否还在。如果真圆消失说明边缘点太少问题在预处理而不是阈值。检查 Canny 边缘图如果边缘断裂严重加形态学闭运算。minDist至少设为内圆最大直径的 1.2 倍。4.3 现象外圆把眼睑或镜框包含进去原因外圆maxRadius设得太大或者param1太低导致眼睑边缘参与投票。解决根据实际图像量一下虹膜外圆直径把maxRadius设为实测值的 1.2 倍。param1提高到 120 到 150抑制弱边缘。如果镜框反光严重先在预处理阶段用掩膜把图像四角裁掉。4.4 现象同一张图每次运行结果不一样原因HoughCircles内部有随机性特别是dp大于 1 或param2处于临界值时。另外如果图像有噪声边缘检测结果不稳定。解决固定dp1.0param2不要设在临界值上留 5 到 10 的余量。对图像先做中值滤波cv2.medianBlur核大小 3再高斯模糊中值滤波对椒盐噪声特别有效。如果还不行对同一张图跑三次取圆心和半径的中位数。4.5 现象检测速度慢单帧超过 200 毫秒原因maxRadius设得太大累加器维度高。或者图像分辨率太高640×480 以上没做缩放。解决先把图像缩放到宽度 640 再检测检测完把圆心和半径按比例放大回原图。maxRadius设成实际可能的最大值不要用 0。如果实时性要求高把dp设为 1.5精度损失约 2 到 3 像素但速度提升明显。5. 进阶技巧用梯度方向约束和 ROI 裁剪把检测率拉到 95% 以上前面讲的都是标准流程但在实际项目里虹膜图像往往有眼睑遮挡、反光点、睫毛干扰。要把检测率从 80% 拉到 95% 以上需要加两个约束梯度方向投票和 ROI 裁剪。梯度方向投票的思路是虹膜内外圆的边缘梯度方向应该指向圆心或背离圆心。OpenCV 的HoughCircles用的是HOUGH_GRADIENT它已经利用了梯度信息但你可以通过预处理进一步强化。具体做法是对 Canny 边缘图做一次梯度方向过滤只保留梯度方向与圆心连线夹角小于 30 度的边缘点。def filter_edges_by_gradient(edges, img, center, radius_range): 保留梯度方向指向圆心的边缘点 edges: Canny 边缘图 img: 灰度图 center: 预估圆心 (x, y) radius_range: (min_r, max_r) grad_x cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize3) grad_y cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize3) ys, xs np.where(edges 0) filtered np.zeros_like(edges) cx, cy center min_r, max_r radius_range for x, y in zip(xs, ys): dx x - cx dy y - cy dist np.sqrt(dx**2 dy**2) if dist min_r or dist max_r: continue # 梯度方向与径向的夹角 gx grad_x[y, x] gy grad_y[y, x] if gx 0 and gy 0: continue cos_angle (gx * dx gy * dy) / (np.sqrt(gx**2 gy**2) * dist 1e-6) if abs(cos_angle) 0.866: # cos(30度) filtered[y, x] 255 return filtered逻辑说明cos_angle的绝对值大于 0.866 对应夹角小于 30 度。梯度方向与径向平行时说明这个边缘点很可能属于以center为圆心的圆。过滤后只保留这些点霍夫投票会集中得多。参数说明center可以用图像中心或上一帧的检测结果。radius_range按内外圆分别设。夹角阈值 30 度是经验值收紧到 20 度会更严格但可能漏掉部分边界放宽到 40 度会引入更多噪声。ROI 裁剪更简单先用人脸检测或眼睛检测框出眼睛区域只在这个区域内做霍夫变换。区域小了假圆自然少param2可以降下来抓弱边界。我一般用 OpenCV 的 Haar 级联检测眼睛裁剪时向外扩 20 像素防止虹膜被裁掉。eye_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_eye.xml) eyes eye_cascade.detectMultiScale(img, 1.1, 5, minSize(60, 60)) for (ex, ey, ew, eh) in eyes: # 外扩 20 像素 x1 max(0, ex - 20) y1 max(0, ey - 20) x2 min(img.shape[1], ex ew 20) y2 min(img.shape[0], ey eh 20) roi img[y1:y2, x1:x2] # 在 roi 上做霍夫圆检测参数可以更激进 circles_roi cv2.HoughCircles(roi, cv2.HOUGH_GRADIENT, 1.0, 40, param1100, param220, minRadius15, maxRadius80) # 坐标还原到原图 if circles_roi is not None: for c in circles_roi[0]: c[0] x1 c[1] y1逻辑说明Haar 眼睛检测速度快虽然精度一般但用来做 ROI 足够。ROI 内param2可以降到 20因为区域小假圆概率低。坐标还原时注意加上裁剪偏移。参数说明detectMultiScale的scaleFactor1.1、minNeighbors5是通用值。minSize(60, 60)过滤掉太小的误检。如果 Haar 检测不到眼睛可以退回全图检测或者用更稳的深度学习眼睛检测器但那会增加依赖。最后说一个我自己的习惯每次调完参数不要只看一张图。至少准备 20 张不同光照、不同遮挡程度的虹膜图跑一遍统计检测率和同心度校验通过率。参数在单张图上好看没用要在批量测试里稳定才算数。我一般会把param2从 15 到 45 以 5 为步长扫一遍画一条检测率曲线选曲线拐点附近的参数留出余量。这套流程跑下来正面近红外虹膜图像的检测率能稳定在 95% 以上单帧耗时在 640×480 下约 30 到 50 毫秒足够做实时预处理。希望帮到你。本文还有配套的精品资源点击获取