CN102567744B - 基于机器学习的虹膜图像质量确定方法 - Google Patents

Abstract

一种基于机器学习的虹膜图像质量确定方法，包括步骤：对虹膜图像进行预处理；提取虹膜图像质量因子；利用多高斯模型拟合单一质量因子正负样本的概率密度函数；利用改进的Neyman-Pearson方法融合得到虹膜图像质量分数；通过假设检验的方法确定最优质量等级数。本发明针对离焦、运动模糊和斜眼，提出了鲁棒的检测方法，引入了Neyman-Pearson方法融合多质量因子，形成质量分数，最终通过假设检验的方法得到了具有统计意义的图像质量等级。本发明可用于虹膜图像采集时的质量确定，以及针对识别算法的性能预测。

Description

基于机器学习的虹膜图像质量确定方法

技术领域

本发明涉及计算机视觉、数字图像处理和模式识别，特别是关于基于机器学习的虹膜图像质量确定的方法。

背景技术

虹膜识别作为一种可靠的身份识别技术已经得到了广泛的应用，如机场，海关，金融机构的身份鉴别。然而，由于虹膜传感器成像范围的局限性，使得很难在用户无配合的情况下获取到符合要求的虹膜图像，图像质量也就成为了虹膜识别发展的瓶颈。在图像获取的过程中，大量的不同质量的虹膜图像加入到了识别序列中，正是由于低质量的虹膜图像的加入，使得虹膜识别系统性能大幅度降低。随着大范围远距离虹膜识别系统的发展，虹膜图像质量确定算法迎来了新的挑战。

目前，虹膜质量确定的方法大体都集中在虹膜图像的单个图像质量因子评价和多质量因子融合这两个方面。单一质量因子评价是基于单个质量因子各自对虹膜图像质量影响，详见文献：[1]J.Daugman，“How irisrecognition works”，IEEE Trans.On Circuits and Systems for VideoTechnology，vol.14，no.1，pp.21-30，2004；[2]Z.Wei，T.Tan，Z.Sun and J.Cui，“Robust and fast assessment of iris image quality”，in Proc.Int.Conf.onBiometrics.2005，vol.3832，pp.464-471，LNCS 3832。但他们只考虑到单个因子的作用，而忽略了多因子联合作用对虹膜图像质量的影响，相对而言，多因子联合的质量确定方法并不多，而且多因子联合的前提是正确的评价每个质量因子，除此之外融合后的质量分数过于细分，导致各质量等级间不具有区分性，详见文献[3] N.D.Kalka，et al.，″Estimating and FusingQuality Factors for Iris Biometric Images，″IEEE Trans. on Systems，Man andCybernetics，Part A：Systems and Humans，vol.40，pp.509-524，2010。

综上所述，已有的虹膜质量确定算法并不能准确的反应虹膜图像的总体质量，如何能得到正确反应虹膜图像质量的质量分数仍是一个热门的问题。本发明从底层的质量因子出发，提出了离焦，运动模糊和斜视的新的评价方法；在融合中，引入了六个质量因子，离焦、运动模糊、斜视、光照、瞳孔伸缩和遮挡，提出了改进的Neyman-Pearson融合策略综合各因子对图像的质量的影响，得到能够反应图像整体质量的质量分数；在最后的质量等级确定中，加入了假设检验的方法，量化了质量等级数，使得图像质量等级间具有较强的区分性，并可以对系统性能有很好的预测效果。

发明内容

本发明的目的是针对上述现有技术存在的问题，提供基于机器学习的虹膜图像质量确定的方法。

本发明的基于机器学习的虹膜图像质量确定的方法包括：步骤1，对训练图像库中的虹膜图像进行预处理，提取虹膜图像质量因子，利用多高斯模型拟合单一质量因子正负样本的概率密度函数，利用改进的Neyman-Pearson方法融合各质量因子得到质量分数，根据假设检验的方法确定最优质量等级数，该步骤是学习步骤；步骤2，对测试图像进行预处理，提取虹膜图像质量因子，根据学习步骤中训练得到的各质量因子正负样本的概率密度函数得到测试图像对应质量因子的概率分布值，根据质量分数和质量等级的对应关系，将该输入虹膜图像划归到对应的质量等级内。

通过本发明的基于机器学习的虹膜图像质量确定的方法能够确定虹膜图像质量程度，进而提高虹膜系统的识别精度。具体地，本发明针对离焦因子的确定方法能够有效地克服了睫毛和眼皮对离焦因子评价时的影响；针对运动模糊因子，提出了基于Radon变换的方法，对运动方向以及运动程度评价更加准确；针对斜视因子，结合阈值法，加入了可变尺度光斑检测子，能够准确的定位到光源光斑，并因此提高了斜视情况评价的准确度。

本发明的基于机器学习的虹膜图像质量确定方法在确定质量分数时使用基于多因子的Neyman-Pearson融合算法，算法主要包含两方面的优点。第一，质量因子间由于量纲不同，很难找到合适的归一化方法，而由于Neyman-Pearson融合算法本身是乘积形式，在不进行归一化的前提下就可以将全部因子的影响反应到最终的融合质量分数中；第二，由于用对应样本点的累积概率密度即概率分布代替原Neyman-Pearson算法中的点概率密度，降低了在分布尾端过小概率密度值引发的比值突变，从而提高了质量分数的稳定性。

另外，本发明提出的基于机器学习的虹膜图像质量确定方法中基于假设检验确定质量等级的方法，使得过于细分的质量分数映射到新的质量等级中，使得质量等级间具有了统计区分性，提高了虹膜图像质量预测的鲁棒性。

因此，本发明解决了多因子影响的虹膜图像质量确定问题，解决了困扰人们多时的低质量虹膜图像对虹膜识别系统的影响，并可以广泛的应用到现有的虹膜识别系统中，也可以推广到大范围、远距离、无需配合的虹膜识别系统中。

附图说明

图1为本发明基于机器学习的虹膜图像质量确定方法流程图；

图2a为决定虹膜图像质量的离焦示例图；

图2b为决定虹膜图像质量的运动模糊示例图；

图2c为决定虹膜图像质量的斜眼示例图；

图2d为决定虹膜图像质量的光照示例图；

图2e为决定虹膜图像质量的瞳孔伸缩示例图；

图2f为决定虹膜图像质量的遮挡示例图；

图3a为本发明双圆定位的虹膜图像示意图；

图3b为本发明分割后的有效虹膜区域示意图；

图4a为本发明离焦因子判断中双扇形区域被选中的情况示意图；

图4b和4c为本发明离焦因子判断中单扇形区域被选中的情况示意图；

图5a为本发明运动模糊的示例图像；

图5b为本发明运动模糊图像的Fourior变换域的幅频响应示意图；

图5c为本发明图5b经过Radon变换后的响应示意图；

图5d为本发明图5c中运动方向的Radon变换响应示意图；

图6a为本发明斜眼的示例图像；

图6b为本发明图6a经过自适应阈值光斑检测后的光斑点位置示意图；

图6c为本发明中可变尺度光斑检测子示意图；

图6d为本发明经过检测后，光斑点排序示意图；

图7为本发明中训练集中离焦因子的正负样本概率密度分布示意图；

图8为本发明中ICE 2005上各质量等级的识别性能曲线图；

图9为本发明中OKI数据库上各质量等级的识别性能曲线图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

在虹膜识别系统快速发展的今天，由于采集设备，外界环境和虹膜自身变化导致的虹膜图像质量下降已经成为虹膜识别发展的瓶颈(如图2所示了六种虹膜图像质量变化后的情况)，如何从获取的大量虹膜图像中挑选出适合系统处理要求的图像变得尤为重要。

本发明提出了基于机器学习的虹膜图像质量确定方法涉及到的质量因子、质量分数和质量等级被定义如下：

质量因子：是指影响虹膜质量变化的单个因素，包括离焦模糊程度，如图2a；运动模糊程度，如图2b；斜眼程度，如图2c；光照程度，如图2d；瞳孔伸缩程度，如图2e；遮挡程度，如图2f。

质量分数：虹膜图像的总体质量程度。

质量等级：质量分数是一个连续的变量，给人的直观感觉是质量分数越大，图像质量越优秀，但是由于质量因子评价和质量分数融合过程中无法保证得到的质量分数是严格单调的，这样有可能导致具有高质量分数和具有相对低一些的质量分数之间的图像在质量上是一致的。所以引入了质量等级的概念，量化具体的质量等级，使得各图像质量等级间具有统计区分性。

图1为本发明基于机器学习的虹膜图像质量确定方法的流程图。参照图1，步骤S1为学习步骤，该步骤的主要目的是通过训练图像得到虹膜图像各质量因子评价中所要确定的参数、单个因子的概率密度分布以及质量分数与质量等级之间的对应关系。步骤S1进一步包括步骤S11和S12。

在步骤S11，对虹膜图像进行预处理，通过圆周微分差分算子得到虹膜的内外圆边界的圆心和半径，如图3a所示；之后通过分割算法得到有效虹膜区域，如图3b所示。

在步骤S12，提取影响虹膜图像的质量因子，包括：离焦模糊，运动模糊，斜眼，光照，瞳孔伸缩和遮挡。

离焦模糊模糊因子检测：根据虹膜预处理结果，选取虹膜内外圆之间、以水平线为起始的左右下半45度范围的扇形区域为离焦模糊因子检测的初始感兴趣区域如图4(a)所示；分别计算两个扇形区域内的平均灰度mean_f和方差σ_f，经过实验设定平均灰度阈值thm_high，thm_low和方差阈值thσ_f，满足 $\left\{{\mathrm{area}}_i\right|{\mathrm{mean}}_{f_i}\&Element;[{\mathrm{thm}}_{\mathrm{low}},{\mathrm{thm}}_{\mathrm{high}}],{\mathrm{\&sigma;}}_{f_i}<{\mathrm{th\&sigma;}}_f\}$ 条件的区域被选择为最终的感兴趣区域，其中area_i代表第i个区域，如果两个区域均不满足以上条件，比较两个区域的

小的区域被选为最终的候选区域如图4b和4c所示；最后构建5*5的离焦模糊检测子检测离焦模糊质量因子。

运动模糊质量因子检测：将虹膜图像转换到Fourior频域，得到Fourior频域中幅频分布并去除低频部分，如图5b所示；在图5b上进行Radon变换，得到其相应响应，如图5c所示，横轴表示角度，纵轴表示线积分所代表的直线与圆心的距离，其中最亮的点代表最大响应值点，其横轴坐标对应了运动方向，图5a箭头所示为检测到的运动模糊的方向；根据运动方向的Radon变换响应纵轴分布得到运动方向的Radon变换响应，如图定义一个变化阈值th_motion截断得到图5d竖线标记的尖峰，尖峰的宽度即代表运动模糊程度。

斜视质量因子检测：通过统计虹膜图像的全局直方图，从高灰度降序逐次累加各灰度级的灰度比率，当累加的灰度比率超过设定的比率阈值th_ratio时所对应的灰度值作为初始图像二值化阈值，然后去除大块光斑区域的影响，得到初始的光斑图像，如图6b所示；根据不同光斑的大小构造可变尺度的光斑检测子，如图6c所示，尺度是光斑面积的二倍，中部值为x，周围值为-1，保证所有值相加为0；对应原图的光斑位置与相应的可变尺度光斑检测子的卷积中心响应作为光斑排序依据，如图6d所示，排在前面几位的光斑定义为主光斑(这里应该考虑光源的数量而定)，主光斑与瞳孔中心的距离用来衡量斜视程度，如光斑超出瞳孔范围则定义为斜视图像。

光照质量因子检测：根据定位后的虹膜区域的灰度均值来衡量光照程度。

瞳孔伸缩质量因子检测：根据定位后的虹膜内圆半径与外圆半径的比值衡量瞳孔伸缩程度。

遮挡质量因子检测：根据虹膜的分割结果得到虹膜的有效区域，如图3b所示，根据虹膜有效区域与环状区域的比值来衡量遮挡程度。

学习步骤S1还包括步骤S13，在训练图像库中，分别提取虹膜图像质量因子，用多高斯进行单个质量因子概率密度估计，以下以离焦模糊为例，其它各因子与之相同。如图7所示，首先按照步骤S12中所述的质量因子检测方法，提取训练库中所有图像的离焦模糊质量因子，之后得到离焦模糊质量因子分数的概率分布，用多高斯模型拟合离焦模糊质量因子分数的概率分布，计算公式如下：

$f_{{\mathrm{GF}}_i}\left(x\right)=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{{\mathrm{GF}}_i,j}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}}\exp (-\frac{{(x-m_{{\mathrm{GF}}_i,j})}^2}{{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}^2})$

之后将得到的多高斯模型分为两部分，分别代表正样本即清晰图像如图7粗虚线所示和负样本即模糊图像如图7粗实线所示的概率分布(图7中各自的细虚线部分代表的是单高斯分布)，得到相应的概率密度函数，计算如下：

$f_{{\mathrm{GF}}_i}^{\mathrm{Neg}}\left(x\right)=\underset{j=1}{\overset{\left[\frac{N}{2}\right]}{\mathrm{\&Sigma;}}}{P}_{{\mathrm{GF}}_i,j}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}}\exp (-\frac{{(x-m_{{\mathrm{GF}}_i,j})}^2}{{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}^2})$

$f_{{\mathrm{GF}}_i}^{\mathrm{Pos}}\left(x\right)=\underset{j=\left[\frac{N}{2}\right]+1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{{\mathrm{GF}}_i,j}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}}\exp (-\frac{{(x-m_{{\mathrm{GF}}_i,j})}^2}{{\mathrm{\&sigma;}}_{{\mathrm{GF}}_i,j}^2})$

其中N是混合高斯模型中独立高斯函数的数量，

是第i个质量因子的概率密度，

和

分别对应第i个质量因子的第j个高斯函数的权值、均值和方差，

和

分别对应正负样本的混合概率密度函数，

表示取整。

在步骤S14，得到各质量因子的正负样本概率密度函数之后，计算其积分值即概率分布值作为Neyman-Pearson融合算法的输入，计算公式如下：

$F_{{\mathrm{GF}}_i}^{\mathrm{Pos}}\left(x\right)={\&Integral;}_{-\&infin;}^x{f}_{{\mathrm{GF}}_i}^{\mathrm{Pos}}\left(x\right)\mathrm{dx},$ $F_{{\mathrm{GF}}_i}^{\mathrm{Neg}}\left(x\right)={\&Integral;}_{-\&infin;}^x{f}_{{\mathrm{GF}}_i}^{\mathrm{Neg}}\left(x\right)\mathrm{dx}$

其中

和

是对应样本x的正负样本分布。

Neyman-Pearson融合计算公式如下：

$\mathrm{QS}\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}\frac{F_{{\mathrm{GF}}_i}^{\mathrm{Pos}}\left(x\right)}{F_{{\mathrm{GF}}_i}^{\mathrm{Neg}}\left(x\right)}$

其中n是质量因子的总数，在这里为6，QS(x)是样本x的质量分数。

在步骤S15，将训练库图像按融合后的质量分数分成m个质量等级，利用识别算法得到各质量图像间的类内匹配分数(本发明中使用的定序测量的识别算法为例说明)，通过假设检验的方法度量不同质量等级的类内比对分数的可区分性，具体的可区分系数P-value的计算公式如下：

$P_{i,i+1}=2\&times;\underset{0}{\overset{2.5\%{\mathrm{Interval}}_i}{\&Integral;}}{f}_{i+1}\left(x\right)\mathrm{dx}$

其中P_i，i+1是质量等级i与i+1的可区分系数，f_i+1(x)是质量等级i+1虹膜图像类内匹配分数的概率密度函数，25％Interval_i表示质量等级i的虹膜图像类内匹配分数的区间2.5％的位置。如果P_i，i+1小于0.05，则认为质量等级i与i+1直接具有显著区分性，反之认为相邻等级间具有相关性，说明等级划分不合理。

步骤S2的主要目的是根据训练中得到的质量因子的评价参数，各因子的概率密度函数，以及质量分数与质量等级的对应关系，来最终确定一幅测试虹膜图像的质量等级。

步骤S2具体包括：步骤S21，对测试虹膜图像进行预处理，得到虹膜内外圆的圆心和半径以及有效的虹膜区域；在步骤S22，根据训练中的质量因子提取方法计算测试虹膜图像的各质量因子；步骤S23，根据训练中得到的单个虹膜图像质量因子的概率密度计算对应测试样本的概率分布，并依据Neyman-Pearson融合方法得到样本的质量分数；步骤S24，根据训练得到的质量分数与质量等级的对应关系，得到步骤S23得到的质量分数对应的质量等级，完成测试虹膜图像的质量确定。

为了验证本发明的有效性，采用了两个数据库ICE 2005和OKI。其中ICE 2005是公开数据库，OKI是基于原始虹膜图像序列创建的，具有大量不同质量的虹膜图像。下面的表格示出本发明中ICE 2005和OKI两个数据库分成不同等级时的可区分系数P-value值。

以ICE 2005为例说明，当质量等级总数为3时，所有的P-value为0，说明各质量等级间具有可区分性，当质量等级总数为4时，P-value不全为零，说明质量等级划分不合理，最终将质量等级数定为3。从图表1还可以看出，不同数据库的质量等级并不相同，这个很容易理解，发布的数据库为了验证识别的有效性，会去除一些质量差的图像，使得质量范围减小。如图8所示，ICE数据库中三个质量等级间的性能具有明显变化，质量等级1至3代表质量越来越差，识别性能也相应降低。如图9所示，OKI各等级间的识别性能提高较为明显，说明经过质量确定后，质量等级能够有效地预测系统的性能。这说明相对于公开数据库，原始虹膜采集序列的虹膜图像的质量跨度更大，严重地影响了系统的识别性能，进而也说明了质量确定方法的有效性。

本发明的基于机器学习的虹膜图像质量确定的方法在去除低质量虹膜图像的应用中，在采集用户的虹膜图像时，实际的虹膜识别系统不可避免地会采集到一些质量差的虹膜图像，正是这些“误闯入”系统的低质量虹膜图像会直接降低虹膜识别系统的性能。在采集的过程中，可以进行虹膜图像质量确定，去除这些“误闯入”系统的图像，从而提高虹膜识别的稳定性。

本发明基于机器学习的虹膜图像质量确定的方法在指导用户配合的应用中，假设在采集用户虹膜图像的过程中，用户并不知道图像采集的情况。例如，什么样的图像能够满足系统识别的要求。加入虹膜图像质量确定模块后，可以通过判断虹膜图像的质量指导用户的行为，例如提示“请保持”，“请靠近”等命令，从而达到快速采集图像的目的。

本发明基于机器学习的虹膜图像质量确定的方法在自适应调整识别算法上的应用中，之前的虹膜识别算法是一成不变的，即不管是什么样质量的虹膜图像，识别算法只有一个，这样针对质量稍微差一些的虹膜图像，识别的效果会大幅度降低，而对于高质量的虹膜图像又浪费了很多计算资源。加入虹膜图像质量确定模块后，对虹膜图像的质量等级对系统的性能有一定的预测作用，通过这个特点，可以对应图像质量的变化优化的改变识别算法，从而改善识别系统的总体性能。

为了配合系统识别的要求，远距离虹膜识别系统在获取图像的过程中会获得一个序列或多个序列的虹膜图像，这就加大了识别算法的压力，更有甚者，由于质量差的虹膜图像的影响，虹膜系统的精度和鲁棒性会有所下降。在处理虹膜图像之前，加入自动而全面的图像质量确定和分级的方法，可以加快系统响应，提高识别系统准确性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器学习的虹膜图像质量确定方法，该方法包括步骤：

步骤1，学习步骤，在该步骤对训练图像库中的虹膜图像进行预处理，提取虹膜图像质量因子，利用多高斯模型拟合单一质量因子正负样本的概率密度函数，利用改进的Neyman-Pearson方法融合各质量因子得到质量分数，根据假设检验的方法确定最优质量等级数，该步骤进一步包括：

步骤S11，对训练库图像进行预处理，首先使用圆周微分差分算法得到虹膜内外圆信息，之后通过分割算法得到有效虹膜区域；

步骤S12，提取影响虹膜图像的质量因子，包括：离焦模糊，运动模糊，斜眼，光照，瞳孔伸缩和遮挡；

步骤S13，提取各质量因子之后，利用多高斯模型拟合训练库中虹膜图像单个质量因子的概率密度函数，之后根据图像质量特点将概率密度平均拆分成两部分，分别代表该因子的正负样本概率密度分布；

步骤S14，得到对应点的正负样本概率密度函数之后，计算概率密度积分值作为Neyman-Pearson融合的输入，得到样本的质量分数；

步骤S15，将融合后的质量分数按降序平均分成若干个等级，通过指定的识别算法得到质量等级内的样本间的类内比对分数，通过假设检验中的T检验度量不同质量等级的类内比对分数间是否具有可区分性；

步骤2，对测试虹膜图像进行预处理，提取虹膜图像质量因子，根据学习步骤中训练得到的各质量因子正负样本的概率密度函数得到测试图像中对应样本的概率分布值，根据质量分数和质量等级的对应关系，将该虹膜图像划归到对应的质量等级内，该步骤进一步包括：

步骤S21，对测试虹膜图像进行预处理，得到虹膜内外圆的圆心和半径以及有效虹膜区域；

步骤S22，根据训练中的质量因子提取方法计算测试虹膜图像的质量因子；

步骤S23，根据训练中得到的虹膜图像单个质量因子的概率密度计算测试虹膜图像质量因子的概率分布，并依据Neyman-Pearson融合方法得到质量分数；

步骤S24，根据训练中的质量分数与质量等级的对应关系，得到步骤S23得到的测试虹膜图像的质量分数对应的质量等级，完成测试虹膜图像的质量确定。

2.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，质量等级间的可区分性用可区分系数来表征。

3.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，上述提取离焦模糊质量因子包括：根据虹膜预处理结果，选取虹膜内外圆之间、以水平线为起始的左右下半45度范围的扇形区域作为离焦模糊质量因子检测的初始感兴趣区域，计算两个扇形区域内的平均灰度和方差是否满足要求，选取最适合的一个或两个区域作为最终的感兴趣区域，构建5*5的离焦模糊检测子检测离焦模糊程度。

4.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，上述提取运动模糊质量因子包括：将图像转换到Fourier频域，利用Radon变换检测运动的方向，根据运动方向的Radon变换响应的尖峰宽窄决定运动模糊的程度。

5.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，上述提取斜视质量因子包括：通过自适应阈值和可变尺度光斑检测子检测虹膜的光源光斑的位置，根据虹膜中心与光斑之间的距离与瞳孔半径的比值来确定斜视的程度。

Images