CN103077386A - 一种级联的视频流虹膜图像质量检测方法 - Google Patents

Abstract

本发明提供了一种级联的视频流虹膜图像质量检测方法，包括如下步骤：a)虹膜图像采集；b)虹膜图像定位及位置判断，若判断出定位不成功或位置不合适，则返回步骤a)重新采集；c)基于图像饱和度的自适应调整对虹膜图像清晰度进行判断，若判断出清晰度不符合要求，则返回步骤a)重新采集；d)基于光斑形状的分析对虹膜图像运动模糊判断，若判断出虹膜图像存在运动模糊，则返回步骤a)重新采集；e)基于区域的加权对虹膜图像遮挡度进行判断，若判断出虹膜图像存在严重遮挡，则返回步骤a)重新采集。本发明的虹膜图像质量检测方法可应用于复杂场景，为一种快速、准确的级联式虹膜图像质量检测方法。

Description

一种级联的视频流虹膜图像质量检测方法

技术领域

本发明涉及图像处理、模式识别和生物特征识别等技术领域，尤其涉及一种级联的视频流虹膜图像质量检测方法。

背景技术

虹膜是眼睛的一个组成部分，位于角膜的后方，晶状体的前方。虹膜识别技术采用专用光学图像采集仪采集人眼虹膜图像，然后通过数字图像处理技术、模式识别和人工智能技术对采集到的虹膜图像进行处理、存储、比对，实现对人员身份的认证和识别。虹膜识别具有唯一性高、稳定性强、非侵犯性等优点，已被成功地应用于机场、海关、银行等场合的身份鉴定。

在实际应用中，虹膜图像采集装置的景深和采集范围是固定的，当使用者采集距离处于景深范围以外时，会出现图像散焦问题。同时，使用者在采集过程中如果发生移动时，会造成图像出现运动模糊问题，甚至虹膜超出图像边界的问题。此外，使用者在采集过程中眨眼时，会造成虹膜图像的遮挡问题。上述问题出现时，所采集到的虹膜图像无法达到系统的质量要求。

虹膜图像质量判断是虹膜识别系统中的一个重要环节，其作用是对采集到的虹膜图像进行质量分析，判断当前图像是否符合给定的质量要求，并做出相应的处理。只有当前图像满足质量要求时，才能进入下一步的虹膜图像分割、特征抽取和比对等处理流程。如果当前图像不满足质量要求，则需要改变采集装置的参数或装置与使用者的相对位置，继续采集图像，直到采集到质量合格的图像。

由于实际应用中采集环境、用户配合度等的复杂性，目前国内外有效的虹膜图像质量检测方法并不多。英国剑桥大学的Daugman（U.S.Pat.No.5291560）和中国科学院自动化所的马力（CN01144524.6）提出使用频谱分析的方法判断虹膜图像的清晰度，但是该方法易受到睫毛、眉毛、头发等高频部位的影响。电子科技大学的马争等人（CN200810030096.0）采用边缘梯度能量函数的方法判断虹膜纹理的清晰度，该方法易将纹理少的虹膜图像误判为模糊的虹膜图像；同时，该专利通过分析虹膜纹理、睫毛和眼睑的灰度值特征估计虹膜的遮挡分数，对复杂环境下（如煤矿井下黑暗环境、室外强光照环境等）的低质量虹膜图像质量判断效果不理想。中科院自动化所的李星光等人（CN201110451829.X）提出基于机器学习的虹膜图像质量确定方法。该方法首先提取多个虹膜图像质量因子，然后通过Neyman-Pearson方法融合得到虹膜图像质量分数和等级，在效果方面有一定的改进，但是该方法计算复杂度高，无法实时计算。

综上，现有的虹膜识别系统虹膜图像质量检测方法多采用频谱分析、灰度分析、纹理分析等方法，计算效率低，易受噪声影响，在准确性、实时性等方面仍有较大改进的空间，如何设计实现准确的、可用于复杂场景的、快速的虹膜图像质量检测方法仍然是一个亟待解决的难题。为了解决上述问题，本发明设计开发一种级联的视频流虹膜图像质量检测方法。

发明内容

本发明的目的在于提供一种可应用于复杂场景的、快速、准确的级联式虹膜图像质量检测方法。根据本发明的方法可以实现在复杂环境下实时、准确地判断虹膜图像质量。

根据本发明的一个方面，提供了一种级联的视频流虹膜图像质量检测方法，包括如下步骤：a)虹膜图像采集；b)虹膜图像定位及位置判断，若判断出定位不成功或位置不合适，则返回步骤a)重新采集；c)基于图像饱和度的自适应调整对虹膜图像清晰度进行判断，若判断出清晰度不符合要求，则返回步骤a)重新采集；d)基于光斑形状的分析对虹膜图像运动模糊判断，若判断出虹膜图像存在运动模糊，则返回步骤a)重新采集；e)基于区域的加权对虹膜图像遮挡度进行判断，若判断出虹膜图像存在严重遮挡，则返回步骤a)重新采集。

优选地，在所述步骤b)包含下列子步骤：b1)检测和判别虹膜图像中的光斑，并结合光斑的位置和大小判别光斑是否为真实的；b2)检测虹膜图像中瞳孔候选区域；b3)融合b1)的光斑检测分析结果和b2）的瞳孔候选区域检测结果；b4)基于积分差分算法得到虹膜的定位结果；b5)基于b4)的结果判定虹膜的位置。

优选地，在所述步骤c)包含下列子步骤：c1)计算虹膜图像的全图清晰度；c2)计算虹膜图像的感兴趣区域的清晰度；c3)通过线性加权的方式融合c1)的全图清晰度和c2)的感兴趣区域的清晰度；c4)通过对图像直方图进行线性加权来计算虹膜图像的饱和度；c5)根据c4)计算得到的虹膜图像饱和度，对c3)中融合得到的虹膜图像的清晰度进行自适应调整；c6)对在c5)中调整后的虹膜图像清晰度进行判别。

优选地，所述感兴趣区域为以虹膜中心为中心，以0.9-2倍的虹膜直径为边长的矩形区域。

优选地，在所述步骤d)包含下列子步骤：d1)在所述步骤b)的基础上获取有效的光斑区域信息；d2)通过形状分析的方法判断当前图像运动模糊的程度。

优选地，所述步骤d2)的形状分析方法为形状矩方法或基于傅里叶描述子的方法。

优选地，在所述步骤e)包含下列子步骤：e1)检测眼皮的边界点；e2)对眼皮边界进行二次抛物线曲线拟合；e3)分别计算上、下眼皮的遮挡比例；e4)采用线性加权的方式对e3)计算得到的上、下眼皮遮挡比例进行融合；e5)根据e4)的融合结果判别虹膜图像的遮挡度。

优选地，在所述步骤e4)中线性加权的权重因子是可调整的。

优选地，在所述步骤e4)中下眼皮的遮挡程度高于上眼皮。

优选地，在所述步骤c)、d)和e)的顺序可交换。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示出了根据本发明的级联的视频流虹膜图像质量检测方法的流程图；

图2a示出了通过虹膜图像光学成像装置采集到的虹膜图像示意图；图2b示出了虹膜图像定位及位置判断的具体方法步骤；

图3a示出了虹膜图像清晰度判断的具体方法流程；图3b示出了虹膜图像清晰度检测算子的示例；图3c示出了昏暗环境和强光照环境下的虹膜图像；图3d示出了图像饱和度计算中权重分布的示例；

图4a示出了虹膜图像运动模糊判断的具体方法流程；图4b示出了运动模糊的虹膜图像；图4c示出了光斑一维边界曲线到光斑中心距离的统计直方图；

图5a示出了虹膜图像遮挡程度判断的具体方法流程；图5b示出了计算虹膜图像遮挡程度的一些参数。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

方法概述

图1示出了本发明所述的级联的视频流虹膜图像质量检测方法的流程图。包括如下主要步骤：

步骤S101：虹膜图像采集。通过专用的虹膜图像光学成像装置采集用户的虹膜图像。

步骤S102：虹膜图像定位及位置判断。对步骤S101采集到的虹膜图像进行粗定位，得到虹膜的内外圆参数，即瞳孔中心和半径，虹膜的中心和半径。并根据虹膜中心位置和半径大小确定该虹膜的位置是否合适。若定位不成功或位置不合适，则返回步骤S101重新采集用户的虹膜图像。

步骤S103：当步骤S102中虹膜图像的定位成功且位置符合要求时，进行虹膜图像的清晰度判断。采用基于空域滤波的方法对进入该步骤的虹膜图像进行清晰度分析。特别地，清晰度分析时采用局部和全局分析结合的方法，并结合当前虹膜图像的饱和度自适应的调节清晰度阈值。若判断出图像不清晰，则返回步骤S101重新采集用户的虹膜图像，直到图像清晰度符合要求。

步骤S104：在虹膜图像符合清晰度要求之后，对虹膜图像进行运动模糊判断。采用基于光斑形状分析的方法对进入该步骤的虹膜图像进行运动模糊计算。若判断出虹膜图像仍存在有运动模糊，则返回步骤S101重新采集用户的虹膜图像，直到符合要求为止。

步骤S105：在采集到的虹膜图像没有运动模糊之后，基于区域加权的方式对虹膜图像进行遮挡程度判断。采用先边界检测后曲线拟合的方法对虹膜图像眼皮遮挡位置进行定位，进而获得虹膜图像遮挡程度的准确估计。若判断出虹膜图像仍存在有严重遮挡，则返回步骤S101重新采集用户的虹膜图像，直到符合要求为止。

上述的步骤S103-S105的顺序仅为示意性的，在实际应用中，步骤S103-S105的顺序可任意交换，例如可以根据计算复杂度灵活调整。例如可以参照的一种排序原则是先进行计算速度快的步骤，再进行计算速度慢的步骤。下文将结合图2-5对上述各个步骤进行详细说明。

虹膜图像采集、定位及位置判断

图2a示出了在图1所示的步骤S101中，通过专用的虹膜图像光学成像装置采集到典型的640*480大小的虹膜图像示意图。图2b示出了图1所示的步骤S102的虹膜图像定位及位置判断的具体方法步骤。

实际应用中，虹膜图像的采集可以采用低分辨率单摄像头（如30万至200万像素摄像头）的单目虹膜图像采集模式，也可以是低分辨率双摄像头（如30万至200万像素摄像头）的双目虹膜图像采集模式，也可以是高分辨率单摄像头（如300万像素以上）的双目虹膜图像采集模式。本发明所支持的虹膜图像大小可以是像素数为640（宽度）*480（高度），也可以是更高分辨率的图像，例如，当采用500万像素的成像模组时虹膜图像的大小为2592（宽度）*1944（高度），当采用800万像素的成像模组时为3296（宽度）*2460（高度）。

如图2a所示，白色矩形虚线框内为虹膜图像采集的感兴趣区域（RIO），白色圆形框中为所采集到的用户的虹膜图像区域。在图2a中，虹膜中心位置标记为（X_iris，Y_iris），虹膜的半径记为R_iris。

如图2b所示，在图1所示的步骤S102的虹膜图像定位及位置判断中，包括下述子步骤：

步骤S201：虹膜图像中红外光斑的检测分析。为了得到清晰的虹膜纹理，大部分虹膜识别系统都使用波长在700-900纳米范围内的近红外LED光源对虹膜区域进行主动照明。这些近红外光源会在虹膜图像中形成光斑。并且，通过对近红外光源位置的合理配置，不仅可以配置光斑间的几何结构，还可以将光斑点控制在瞳孔范围内(见图2a所示的光斑L1和L2)。因此，只要检测出光斑在图像中的位置，就可以得到虹膜在图像中的大概位置，实现虹膜粗定位。具体地包括如下步骤：

a）光斑检测。光斑检测方法可以使用阈值的方法，即将灰度值高于给定阈值T的像素点作为光斑候选点；也可以使用空域滤波器的光斑检测算法（例如在同一发明人的中国专利CN200810102310.9中所介绍的）。检测得到的光斑L具有光斑大小参数Z和光斑位置参数（X，Y）;

b）光斑判别。当使用者佩戴眼镜等情况下，步骤a)中还可能检测出一些虚假光斑。为了消除这些虚假光斑的影响，可以对光斑的大小和位置分布特点进行分析，以判断出所检测的光斑是否为真实所需的光斑。一般地，真实的光斑大小范围为[Z_min，Z_max]，其中Z_min，Z_max的值是预先根据经验统计确定的。例如，设定方法可以通过预先采集若干合适的图像，然后统计其中光斑的大小，得到最大及最小值Z_min和Z_max。真实光斑的大小Z应满足下述条件1：

公式1：Z_min≤Z≤Z_max

上式中，Z_min和Z_max是根据实际成像模组所采集的图像统计得到。

此外，由于虹膜图像采集系统的红外光源的物理位置是固定的，因此形成的光斑的物理位置也是相对固定的。例如，图2a中的两个真实光斑L1，L2处于同一水平线上，且相对位置范围为[D_min，D_max]。D_min和D_max也是预先设定的，例如针对特定的设备通过预先采集一些图像进行统计得到的。两个真实光斑L1，L2应满足下述条件2：

公式2.1：D_min≤|X₁-X₂|≤D_max，和

公式2.2：|Y₁-Y₂|<D₀

上式中，（X₁，Y₁），（X₂，Y₂）分别是两个光斑的横纵坐标。其中，D₀是一个经验阈值，纵坐标差异小于该阈值的两个点则算法判定为该两个点处于同一水平线上。特别地，上式中[D_min，D_max]是根据给定的成像模组统计确定。

特别地，上述条件2仅是本发明对光斑位置条件的一个示意性实例。实际应用中，应根据实际光斑的数量和相对位置灵活改变光斑位置条件2。

步骤S202：虹膜图像中瞳孔候选区域的检测。受人眼瞳孔光谱特性的影响，虹膜图像中瞳孔区域一般是亮度较低的区域，甚至是亮度最低的区域之一。为了得到候选的瞳孔候选区域，可以采用灰度阈值的方法，即将灰度值低于给定阈值T_pupil的像素点作为瞳孔候选点，然后通过连通域分析方法得到候选的瞳孔区域；也可以使用灰度和位置聚类的方法得到候选的瞳孔区域。

步骤S203：光斑检测分析结果和瞳孔候选区域检测结果的融合。为了进一步提高准确性，避免单一方法造成的定位错误，根据本发明，将光斑检测分析结果和瞳孔候选区域检测分析结果相融合。具体地，对每一个候选的瞳孔区域，找到能够包含该区域的最小的矩形，然后在该矩形范围内验证是否有光斑。如果有，则认为该区域是真实的瞳孔区域。

步骤S204：基于积分差分算法得到虹膜的定位结果。积分差分方法把虹膜的内外边界建模为两个非同心的圆，并通过模型搜索得到瞳孔和虹膜的圆心和半径。积分差分算法是虹膜图像处理中的经典算法，此处不再赘述。具体参考英国剑桥大学的Daugman（U.S10.Pat.No.5291560）。特别地，由于此处定位的目的是虹膜图像质量判断，因此，对精度要求低。具体地，本发明是在将采样的虹膜图像上进行积分差分计算。

步骤S205：虹膜位置判定。对根据步骤S204中的积分差分算法得到的定位结果判断当前虹膜图像的位置是否合适。具体地，一个位置合适的虹膜图像应该满足如下条件：

公式3.1：X_iris-R_iris>D_position;

公式3.2：Y_iris-R_iris>D_position

公式3.3：X_iris+R_iris<ImageW-D_position

公式3.4：Y_iris+R_iris<ImageH-D_position

上式中，（X_iris，Y_iris）是步骤S204中得到的虹膜中心的坐标，R_iris是虹膜的半径，ImageW和ImageH是虹膜图像的宽和高，D_position是一个边界阈值。若在该步骤中根据上述公式判定的虹膜位置不合适，则需要返回图1中的步骤S101重新对虹膜图像进行采集。

虹膜图像清晰度判断

图3a示出了虹膜图像清晰度判断（图1中所示的步骤S103）的具体方法流程。在通过虹膜图像采集、定位及位置判断得到了符合要求的虹膜图像尺寸和位置之后，进行虹膜图像清晰度判断，包括下述子步骤：

步骤S301：虹膜图像全图清晰度计算。使用大尺度的虹膜图像清晰度检测算子对整个虹膜图像进行滤波，然后在全图上求和得到图像的全局清晰度值F_image。F_image的计算公式如下：

F_image=∑|Image*Filter|    公式（1）

上式中，Filter是图像清晰度检测算子，“*”是图像卷积计算子，Image表示虹膜图像。如上式所示，清晰度计算过程如下：首先计算虹膜图像与清晰度检测算子的卷积，然后对卷积结果取绝对值后逐点求和，得到清晰度值。

所述虹膜图像清晰度检测算子Filter包括三个部分：中心区域为取值正整数的正极，中间为取值为零的过渡带，外围为取值负整数的负极，所述正极系数和负极系数的和为零。示例性地，图3b给出了所述虹膜图像清晰度检测算子Filter的一个示例。

步骤S302：虹膜图像感兴趣区域清晰度计算。使用小尺度的虹膜图像清晰度检测算子对虹膜感兴趣区域（例如图2a所示的感兴趣区域）进行滤波，然后在感兴趣区域上求和得到图像的感兴趣区域的清晰度值F_roi。F_roi的计算公式同上面的公式（1），其中将虹膜图像的全图变为图像感兴趣区域，清晰度检测算子可保持不变，也可根据需要进行调整。所述感兴趣区域是指以虹膜中心为中心，以0.9-2倍的虹膜直径为边长的矩形区域。优选地，感兴趣区域为以1.2倍的虹膜直径为边长的正方形区域。这里的1.2倍是一个经验值，可以根据实际应用灵活调整。

步骤S303：虹膜图像清晰度融合。将步骤S301和步骤S302获得的清晰度值做线性加权，得到当前图像的清晰度值：

F=aF_image+bF_roi,其中a和b分别为F_image和F_roi的权重因子，且a和b要求为线性加权，即a+b=1。例如，可以是a=0.2，b=0.8，也可以是a=0.8，b=0.2，可根据实际应用灵活调整。

步骤S304：虹膜图像清晰度自适应调整。步骤S301和步骤S302中虹膜图像的清晰度计算会受到虹膜图像整体亮度的影响。而在复杂场景下，虹膜图像的整体亮度会根据实际场景的变化而变化。例如，在煤矿的井下环境，光线昏暗，同时使用者（煤矿工人）脸部沾满煤灰，使得所采集到的虹膜图像有大面积的黑色区域，例如参见图3c中(a)所示的情况。又例如，在室外强光照环境下，光线充足，使得所采集的虹膜图像有面积的高亮区域，例如参见图3c中(b)所示的情况。为了解决质量判断算法的环境适应性，需要根据图像的环境自适应的调整步骤S303计算得到的清晰度值。具体的步骤如下：

a)虹膜图像饱和度计算。首先计算图像的灰度直方图，记为H_im(i),i=0,1,…,255；然后对直方图进行加权求和，并归一化到0-100，得到当前图像的饱和度S。图3d给出了一个权重分布的示例。

b)根据图像饱和度S对步骤S303中计算得到的虹膜图像清晰度F进行自适应调整。如果饱和度高于一定阈值S_max，则调低F；如果饱和度低于一定阈值S_min，则调高F。

步骤S305：虹膜图像清晰度判别。根据调整后的清晰度F判断当前图像的清晰度是否满足要求。如果F大于给定的阈值F_th，则表明该图像清晰度合格，否则为不合格，返回图1中的步骤S101进行调整或重新采集。

虹膜图像运动模糊判断

图4a示出了虹膜图像运动模糊判断（图1中所示的步骤S104）的具体方法流程。图4b示出了运动模糊的虹膜图像，图4c（a）是一个运动模糊图像中光斑的示意图，其中红线表示该光斑的一维边界曲线。图4c（b）是计算了从水平方向开始，沿逆时针计算的一维边界曲线上等间隔采样点到光斑中心的距离。图4c（c）是边界曲线采样点到光斑距离的统计直方图。在采集使用者的虹膜图像时，有些场合可能使用者并不处于完全静止的状态，例如对人流进行快速的安全检测。还有的情况下，使用者可能在采集虹膜图像时晃动。这都会造成采集到的虹膜图像出现模糊的不利情况，因此还要进行虹膜图像的运动模糊判断，包括下述子步骤：

步骤S401：获取有效的光斑区域信息。在定位结果的基础上，结合步骤S102得到的光斑信息，获得每个光斑的信息，包括每个光斑区域上每个像素点的坐标等。

步骤S402：通过形状分析的方法判断当前图像运动模糊的程度。如图2a和图4b对比所示，在没有运动模糊的图像（图2a）中，光斑的形状是近似圆形的。而在运动模糊的图像（图4b）中，光斑由于运动模糊会呈现长条状。因此，通过光斑区域的形状分析即可判断当前图像是否存在运动模糊。除常规的形状分析方法，本发明提供两种形状分析算法，一种是基于形状矩的方法，另一种是基于傅里叶描述子的方法。下面分别作阐述。

基于形状矩的虹膜图像运动模糊检测方法的步骤如下：

a)计算得到当前光斑区域的重心，计算公式如下：

$X_{\mathrm{spot}}=\frac{1}{N}{X}_i,i=\mathrm{1,2},...,N$

$Y_{\mathrm{spot}}=\frac{1}{N}{Y}_i,i=\mathrm{1,2},...,N$

上式中，N为当前光斑包含的像素点的数目，（X_i，Y_i）是每个像素点的坐标。

b)获得光斑区域的一维边界曲线。以得到的光斑重心为中心，将光斑区域的边界曲线从0度方向沿着逆时针展开成一维曲线，该曲线记为L(i)，i=1,2,…K，其中，K为光斑边界上点的数目，L(i)为第i个边界点到光斑区域重心（X_i，Y_i）的距离。图4c中的(b)给出了一个示例。

c)计算L(i)的归一化直方图。设通常情况下光斑重心到边界的最大距离为L_max，则统计光斑边界一维曲线的距离直方图H(r)，r=1,2,…L_max，其中，H(r)表示一维曲线L(i)的K个边界点中距离光斑重心落在[r-1，r]范围内的点的数目。最后对H(r)进行归一化。

d)计算光斑一维边界曲线的各阶矩，计算公式为：

${\mathrm{\&mu;}}_n=\underset{i=1}{\overset{L_{\max }}{\mathrm{\&Sigma;}}}{(\frac{r}{L_{\max }}-m)}^{n}H\left(r\right),$ $m=\underset{i=1}{\overset{L_{\max }}{\mathrm{\&Sigma;}}}\frac{r}{L_{\max }}H\left(r\right)$

μ_n表示该曲线的n阶矩，m是曲线的平均值。

e)图像运动模糊程度的判别。如前所述，图像清晰时，光斑为规则的圆形，各阶矩为0；当出现运动模糊时，光斑形状不规则，则偶数阶矩的值较大。因此，本发明通过对偶数阶矩设定一定的阈值μ_n-th，超过该阈值的图像则认为是运动模糊图像。

基于傅里叶描述子的虹膜图像运动模糊检测方法的步骤如下：

a)计算得到当前光斑区域的重心，计算公式如下：

$X_{\mathrm{spot}}=\frac{1}{N}{X}_i,i=\mathrm{1,2},...,N$

$Y_{\mathrm{spot}}=\frac{1}{N}{Y}_i,i=\mathrm{1,2},...,N$

上式中，N为当前光斑包含的像素点的数目，（X_i，Y_i）是每个像素点的坐标。

b)获得光斑区域的一维边界曲线。以得到的光斑重心为中心，将光斑区域的边界曲线从0度方向沿着逆时针按照一定的角度间隔展开成一维曲线，该曲线记为r(θ)，θ=0,1,2,…M-1，其中，M为光斑边界上角度采样点的数目，r(θ)为第θ个角度采样点到光斑区域重心（X_i，Y_i）的距离。

c)计算r(θ)的各阶傅里叶变换的系数C_k，计算公式如下：

$C_k=\frac{1}{M}\underset{\mathrm{\&theta;}=0}{\overset{M-1}{\mathrm{\&Sigma;}}}r\left(\mathrm{\&theta;}\right)e^{-j2\mathrm{\&pi;k\&theta;}/M}$

d)图像运动模糊程度的判别。如前所述，图像清晰时，光斑为规则的圆形，各高阶系数C_k为0,；当出现运动模糊时，光斑形状不规则，则高阶系数C_k的值较大。即高阶系数的值越大，表明图像不规则性越强。因此，本发明通过对高阶系数C_k设定一定的阈值C_k-th，超过该阈值的图像则认为是运动模糊图像。请给出阈值的至少一参考值。

若根据上述步骤判定出采集的虹膜图像为运动图像，则需返回步骤S101进行重新调整或采集，以得到符合要求的非运动图像。

虹膜图像遮挡程度判断

图5a示出了虹膜图像遮挡程度判断（图1中所示的步骤S105）的具体方法流程。图5b示出了计算虹膜图像遮挡程度的一些参数。由于使用者在采集虹膜时眼睛睁开的程度不等，人眼的上下眼皮可能会对虹膜的区域进行一部分的遮挡，这会对虹膜图像的检验造成不利。根据本发明，采用先边界检测后曲线拟合的方法对虹膜图像眼皮遮挡位置进行定位，进而获得虹膜图像遮挡程度的准确估计，包括下述子步骤：

步骤S501：眼皮边界点检测。以虹膜圆心为中心，以1.1倍虹膜直径为边长确定感兴趣区域。此处的1.1仅为示例性参数，可根据需要自行设定。在感兴趣区域上进行竖直方向的边界检测，得到初始的边界点。边界检测可以使用Sobel算子、拉普拉斯算子、Canny算子等。且在上眼皮或下眼皮检测时，每个竖直方向仅保留不超过2个边界点，从而有效控制噪声边界点的数量。

步骤S502：眼皮边界曲线拟合。使用二次抛物线曲线拟合的方法对通过了直方图滤波验证的边界点进行拟合，得到精确的上下眼皮边界参数。得到的上眼皮或下眼皮抛物线曲线记为：

f(x)=ax²+bx+c,x∈[x_iris-R_iris,x_iris+R_iris]

上式中，x_iris为虹膜中心点的横坐标，R_iris为虹膜半径。上式给出了上眼皮或下眼皮曲线每个横坐标x_i上对应的纵坐标的值y_i（即f(x)）。其中通过二次抛物线曲线拟合眼皮边界，a，b，c是二次抛物线曲线的三个系数。

步骤S503：分别计算上下眼皮遮挡比例。以上眼皮为例，记瞳孔边界曲线方程为f_pupil(x)，虹膜边界圆曲线为f_iris(x)（见图5b的左上角），上眼皮边界曲线为f_upper(x)。对虹膜区域内任意一个横坐标x_i，分别计算瞳孔边界曲线、虹膜边界圆曲线、上眼皮边界曲线的纵坐标f_pupil(x_i)、f_iris(x_i)、f_upper(x_i)。则上眼皮的遮挡比例Occ_upper计算公式如下：

${\mathrm{Occ}}_{\mathrm{upper}}=\frac{\underset{x=x_{\mathrm{iris}}-R_{\mathrm{iris}}}{\overset{x_{\mathrm{iris}}+R_{\mathrm{iris}}}{\mathrm{\&Sigma;}}}|f_{\mathrm{iris}}\left(x\right)-f_{\mathrm{upper}}\left(x\right)|}{\underset{x=x_{\mathrm{iris}}-R_{\mathrm{iris}}}{\overset{x_{\mathrm{iris}}+R_{\mathrm{iris}}}{\mathrm{\&Sigma;}}}|f_{\mathrm{iris}}\left(x\right)-f_{\mathrm{pupil}}\left(x\right)|}$

特别地，此处瞳孔边界曲线是一个分段曲线，计算公式如下：

$f_{\mathrm{pupil}}=\left\{\begin{array}{c}{(x-x_{\mathrm{iris}})}^2+{(y-y_{\mathrm{iris}})}^2=R_{\mathrm{pupil}}^2,|x-x_{\mathrm{iris}}|<R_{\mathrm{pupil}}\\ y=y_{\mathrm{iris}},R_{\mathrm{pupil}}<|x-x_{\mathrm{iris}}|<R_{\mathrm{iris}}\end{array}\right.$

同样的方法可以计算出下眼皮的遮挡比例Occ_lower。

分别计算出上下眼皮的遮挡后，将二者线性融合，得到整幅图像的遮挡比例，线性融合的方法如下：

Occ_im=αOcc_upper+βOcc_lower

特别地，此处可以根据实际虹膜图像特征抽取算法的需要对权重因子α和β的比例进行调整，但需要满足α+β=1。例如，可以设定下眼皮遮挡的权重更高一些，如α=0.4和β=0.6。

步骤S504：虹膜图像遮挡度判别。根据计算的遮挡度Occ_im判断当前图像的遮挡度是否满足要求。如果Occ_im小于给定的阈值Occ_th，则表明该图像遮挡不严重，质量合格，否则为不合格，则需返回步骤S101进行重新调整或采集，以得到符合要求的非遮挡图像。

应用实施例

本发明可广泛应用于使用虹膜进行身份认证和识别的场景。特别地，根据本发明的虹膜图像质量检测方法可应用在基于虹膜识别的通道管理控制系统中。

一个典型的应用是对机场、海关或火车站的人员进行身份认证。假设在某火车站安检处安装了一套远距离虹膜识别系统，当乘客甲在进入火车站候车厅时，火车站需要对乘客甲的身份做一个认证，因此需要采集乘客甲的一张清晰的虹膜图像。此时，乘客甲需要注视一下虹膜识别采集摄像头，该虹膜识别系统就会自动运行基于本发明开发的虹膜图像质量判断算法，该算法按照级联的方式以图1所示的步骤S101-S105的顺序依次判断视频流中每幅图像的定位结果、图像清晰度、运动模糊度和遮挡度，并根据本发明给定的方法给出质量判断结果。最终该系统可以挑选出一幅质量最佳的虹膜图像。最后，识别系统在挑选出的虹膜图像上进行特征抽取，并同数据库中的特征模板进行比对，从而验证乘客甲是否是以合法身份进入火车站（如是否在火车站黑名单中）。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是显而易见的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (10)

1.一种级联的视频流虹膜图像质量检测方法，包括如下步骤：

a)虹膜图像采集；

b)虹膜图像定位及位置判断，若判断出定位不成功或位置不合适，则返回步骤a)重新采集；

c)基于图像饱和度的自适应调整对虹膜图像清晰度进行判断，若判断出清晰度不符合要求，则返回步骤a)重新采集；

d)基于光斑形状的分析对虹膜图像运动模糊判断，若判断出虹膜图像存在运动模糊，则返回步骤a)重新采集；

e)基于区域的加权对虹膜图像遮挡度进行判断，若判断出虹膜图像存在严重遮挡，则返回步骤a)重新采集。

2.根据权利要求1的方法，其中在所述步骤b)包含下列子步骤：

b1)检测和判别虹膜图像中的光斑，并结合光斑的位置和大小判别光斑是否为真实的；

b2)检测虹膜图像中瞳孔候选区域；

b3)融合b1)的光斑检测分析结果和b2）的瞳孔候选区域检测结果；

b4)基于积分差分算法得到虹膜的定位结果；

b5)基于b4)的结果判定虹膜的位置。

3.根据权利要求1的方法，其中在所述步骤c)包含下列子步骤：

c1)计算虹膜图像的全图清晰度；

c2)计算虹膜图像的感兴趣区域的清晰度；

c3)通过线性加权的方式融合c1)的全图清晰度和c2)的感兴趣区域的清晰度；

c4)通过对图像直方图进行线性加权来计算虹膜图像的饱和度；

c5)根据c4)计算得到的虹膜图像饱和度，对c3)中融合得到的虹膜图像的清晰度进行自适应调整；

c6)对在c5)中调整后的虹膜图像清晰度进行判别。

4.根据权利要求3的方法，其中所述感兴趣区域为以虹膜中心为中心，以0.9-2倍的虹膜直径为边长的矩形区域。

5.根据权利要求1的方法，其中在所述步骤d)包含下列子步骤：

d1)在所述步骤b)的基础上获取有效的光斑区域信息；

d2)通过形状分析的方法判断当前图像运动模糊的程度。

6.根据权利要求5的方法，其中所述步骤d2)的形状分析方法为形状矩方法或基于傅里叶描述子的方法。

7.根据权利要求1的方法，其中在所述步骤e)包含下列子步骤：

e1)检测眼皮的边界点；

e2)对眼皮边界进行二次抛物线曲线拟合；

e3)分别计算上、下眼皮的遮挡比例；

e4)采用线性加权的方式对e3)计算得到的上、下眼皮遮挡比例进行融合；

e5)根据e4)的融合结果判别虹膜图像的遮挡度。

8.根据权利要求7的方法，其中在所述步骤e4)中线性加权的权重因子是可调整的。

9.根据权利要求7的方法，其中在所述步骤e4)中下眼皮的遮挡程度高于上眼皮。

10.根据权利要求1的方法，其中在所述步骤c)、d)和e)的顺序可交换。

Images