CN103854011A - 一种虹膜图像的质量评价方法 - Google Patents

Abstract

本发明提出了一种虹膜图像的质量评价方法，该算法首先采用连通域分析算法进行瞳孔定位，其次对瞳孔的左右区域进行提升静态小波分解，并通过计算两区域高频系数的拉普拉斯能量和对散焦模糊图像进行剔除；最后，通过计算瞳孔上侧区域的水平方向和垂直方向上的均值梯度，并应用SVM模型剔除有遮挡的图像。实验结果表明，该算法可以有效地、实时地评价具有散焦模糊和遮挡的虹膜图像。

Description

一种虹膜图像的质量评价方法

技术领域

本发明属于图像识别领域，具体涉及到一种虹膜图像的质量评价方法。

背景技术

虹膜是人体最独特的结构之一，它位于角膜和晶状体之间，呈圆盘状，中间为瞳孔所穿过，其表面由许多腺窝、色素斑、皱褶等构成，具有丰富的纹理信息。虹膜纹理具有以下特点：唯一性、稳定性、防伪性、非侵入性和天然的极坐标特性。这使得虹膜识别技术与以往的生物识别技术相比，具有稳定性好、准确率高、识别速度快和应用范围广等特点。近年来受到人们越来越多的关注。

在虹膜识别系统中，虹膜图像的质量是影响识别效果的重要因素。为了提高识别系统的准确性，必须选择满足一定质量要求的图像作为识别系统的输入。传统的图像质量评价方法分为主观评价和客观评价两大类。在虹膜识别系统中，通常要求对使用者的限值尽可能小，因此必须采用客观的评价标准，从虹膜图像采集仪输出的视频序列中自动挑选出一幅质量较好的图像，并实时输出到后续的识别过程中。

影响虹膜图像质量的因素主要包括眼皮、睫毛的遮挡和散焦模糊。目前，虹膜识别系统中常用的质量评价算法包括：利用虹膜图像的2维傅里叶变换计算频域高频能量的方法、计算虹膜边界梯度的方法和基于小波包分解的虹膜图像质量评价算法，这3种算法都是针对由于对焦不准引起的图像质量的差异，并不能处理眼皮、睫毛遮挡的情况。

发明内容

本发明的目的针对虹膜图像中出现眼皮、睫毛的遮挡情况下的虹膜图像质量评价，提出了一种虹膜图像质量评价方法。具体的实施步骤如下：

步骤1：虹膜定位

本发明采用基于连通域分析的瞳孔定位算法，具体的定位过程如下：

1）对虹膜图像进行全局二值化，其中二值化的阈值

，这里，I_min为图像中最小的灰度，I_mean 为图像中的灰度均值；

2） 应用闭运算去除大部分眼皮和睫毛的干扰，其中采用的矩形模板大小为4×4；

3）进行连通域分析，找出面积最大的连通域C，瞳孔的中心坐标(x_p,y_p)和瞳孔半径r_p，其中

$\begin{array}{c}(x_p,y_p)=\frac{1}{N}\underset{(x_c,y_c)\∈C}{\mathrm{\Σ}}(x_c,y_c)\\ r_p=\mathrm{round}\left[\sqrt{\frac{N}{\mathrm{\π}}}\right]\end{array}$

这里，N 为连通C 的像素点个数，(x_c,y_c) 为连通域C 中点的坐标，函数

 代表取整操作。

步骤2：剔除散焦模糊的虹膜图像

虹膜纹理是否清晰，反映到频域上则表现为高频部分的能量是否足够大。本发明采用基于提升静态小波能量和对散焦模糊的虹膜图像进行剔除，具体算法如下：

步骤2.1：图像分解

由于瞳孔上下区域睫毛遮挡的影响，因此本发明选择瞳孔两侧64×64的矩形区域R₁ 和R₂ ，分别对这两个区域进行提升静态小波分解，得到高频系数和

，其中l表示层，k 表示方向。

步骤2.2：计算两区域的拉普拉斯能量和

应用公式（1），计算两个区域高频系数的拉普拉斯能量和。

${\mathrm{SML}}^{R_1}(i,j)=\underset{m=-M}{\overset{M}{\mathrm{\Σ}}}\underset{n=-N}{\overset{N}{\mathrm{\Σ}}}{\mathrm{ML}}^{R_1}{(i+m,j+n)}^2,{\mathrm{SML}}^{R_2}(i,j)=\underset{m=-M}{\overset{M}{\mathrm{\Σ}}}\underset{n=-N}{\overset{N}{\mathrm{\Σ}}}{\mathrm{ML}}^{R_2}{(i+m,j+n)}^2---\left(1\right)$

这里

$\begin{array}{c}{\mathrm{ML}}^{R_1}(i,j)=|2I_{l,k}^{R_1}(i,j)-I_{l,k}^{R_1}(i-1,j)-I_{l,k}^{R_1}(i+1,j)|+|2I_{l,k}^{R_1}(i,j)-I_{l,k}^{R_1}(i,j-1)-I_{l,k}^{R_1}(i,j+1)|,\\ {\mathrm{ML}}^{R_2}(i,j)=|2I_{l,k}^{R_2}(i,j)-I_{l,k}^{R_2}(i-1,j)-I_{l,k}^{R_2}(i+1,j)|+|2I_{l,k}^{R_2}(i,j)-I_{l,k}^{R_2}(i,j-1)-I_{l,k}^{R_2}(i,j+1)|\end{array}$

步骤2.3 散焦模糊虹膜图像筛除

设定阈值T，通过公式（2）虹膜图像左右两区域的拉普拉斯能量和SML。当SML＞T时，表示该虹膜图像不存在散焦模糊现象；当SML＜T时，表示该虹膜图像被认定是具有散焦模糊的图像，应该被剔除。

$\mathrm{SML}=\frac{\underset{(i,j)\∈R_1}{\mathrm{\Σ}}{\mathrm{SML}}^{R_1}(i,j)+\underset{(i,j)\∈R_2}{\mathrm{\Σ}}{\mathrm{SML}}^{R_2}(i,j)}{2}---\left(2\right)$

步骤3：剔除遮挡的虹膜图像

通过多次实验表明，当虹膜图像受到眼皮遮挡时，瞳孔上侧区域在竖直方向上会存在较大的高频分量；如果存在睫毛的干扰，则瞳孔上侧区域在水平方向上具有较大的高频分量。因此，本发明采用梯度剔除遮挡的虹膜图像，具体算法如下：

步骤3.1 应用公式（3）计算瞳孔上侧区域的水平方向和垂直方向上的梯度G_x和G_y

$G_x(i,j)=I(i-1,j)-2I(i,j)+I(i+1,j),G_y(i,j)=I(i,j-1)-2I(i,j)+I(i,j+1)---\left(3\right)$

步骤3.2 应用公式（4）计算瞳孔上侧区域的水平方向和垂直方向上的梯度的均值G_x 和G_y

$G_x=\underset{(i,j)\∈R_3}{\mathrm{\Σ}}{G}_x(i,j),G_y=\underset{(i,j)\∈R_3}{\mathrm{\Σ}}{G}_y(i,j)---\left(4\right)$

步骤3.3 采用SVM对样本进行分类

从虹膜图像采集仪输出的多帧图像中挑选出一幅最优的图像作为训练样本集，构造输入SVM的特征向量为Tin=(G_x,G_y)，Y∈{+1,-1}为输出类别。选用径向基函数 $k(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{2{\mathrm{\δ}}^2}).$ 。

采用Matlab中的SVM算法剔除遮挡的虹膜图像。

本发明首先采用基于连通域分析的瞳孔定位算法，然后分别针对散焦模糊和遮挡的虹膜图像进行剔除，从而对虹膜图像进行质量评价。实验结果表明，该算法可以有效地处理散焦模糊和遮挡的情况，从输入图像到判定图像是否可用的平均时间为0.1463s，是一种实时可行的虹膜图像质量评价算法。

附图说明

图1是本发明的流程图；

图2是不同散焦模糊下的图像；

图3是不同遮挡情况下的图像。

具体实施方式

参照图1，本发明的具体过程包括：

步骤1：虹膜定位

1） 对虹膜图像进行全局二值化，其中二值化的阈值

，这里，I_min为图像中最小的灰度，I_mean 为图像中的灰度均值；

2） 应用闭运算去除大部分眼皮和睫毛的干扰，其中采用的矩形模板大小为4×4；

3）进行连通域分析，找出面积最大的连通域C，瞳孔的中心坐标(x_p,y_p)和瞳孔半径r_p，其中

$\begin{array}{c}(x_p,y_p)=\frac{1}{N}\underset{(x_c,y_c)\∈C}{\mathrm{\Σ}}(x_c,y_c)\\ r_p=\mathrm{round}\left[\sqrt{\frac{N}{\mathrm{\π}}}\right]\end{array}$

这里，N 为连通C 的像素点个数，(x_c,y_c) 为连通域C 中点的坐标，函数

 代表取整操作。

步骤2：剔除散焦模糊的虹膜图像

步骤2.1：图像分解

由于瞳孔上下区域睫毛遮挡的影响，因此本发明选择瞳孔两侧64×64的矩形区域R₁ 和R₂ ，分别对这两个区域进行提升静态小波分解，得到高频系数

和

，其中l表示层，k 表示方向。

步骤2.2：计算两区域的拉普拉斯能量和

应用公式（1），计算两个区域高频系数的拉普拉斯能量和

步骤2.3 散焦模糊虹膜图像筛除

设定阈值T，通过公式（2）虹膜图像左右两区域的拉普拉斯能量和SML。当SML＞T时，表示该虹膜图像不存在散焦模糊现象；当SML＜T时，表示该虹膜图像被认定是具有散焦模糊的图像，应该被剔除。

步骤3：剔除遮挡的虹膜图像

步骤3.1 应用公式（3）计算瞳孔上侧区域的水平方向和垂直方向上的梯度G_x和G_y

步骤3.2 应用公式（4）计算瞳孔上侧区域的水平方向和垂直方向上的梯度的均值G_x和G_y

步骤3.3 采用SVM对样本进行分类

从虹膜图像采集仪输出的多帧图像中挑选出多幅最优的图像作为训练样本集，构造输入SVM的特征向量为T_in=(G_x,G_y)，Y∈{+1,-1}为输出类别，其中1表示无遮挡，-1表示有遮挡。选用径向基函数 $k(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{2{\mathrm{\δ}}^2}).$ 。

采用Matlab中的SVM算法剔除遮挡的虹膜图像。

为了验证本发明的有效性，本发明分别从瞳孔定位、散焦模糊虹膜图像和遮挡虹膜图像三个方面进行分析。

1） 瞳孔定位分析

为了验证本发明针对瞳孔定位算法的有效性，分别与基于边缘检测和Hought变换的瞳孔定位方法进行比较，表1给出这三种算法定位结果的差异，其中x_p,y_p,r_p分别表示瞳孔中心的横纵坐标以及瞳孔的半径。显然从表1可以看出：本发明在具有睫毛和眼皮干扰的时候，瞳孔定位的结果更好。

表1 不同算法下瞳孔定位结果比较

其中，A是本发明算法的简称，B是基于边缘检测瞳孔定位方法，C是基于Hought变换的瞳孔定位方法。

2） 散焦模糊的虹膜图像

在本实验中，所用的阈值T=7.0×10⁵，针对图2中给出的三幅不同散焦模糊图像，应用本发明分别计算出这三幅图像的拉普拉斯能量和SML，计算结果见表2.

表1  不同散焦模糊图像的能量和

图像序号	（1）	（2）	（3）
				SML	8.0913E5	4.7891E5	2.1093E5

通过表2可以看出，本发明给出的基于静态小波的拉普拉斯能量和能有效剔除散焦模糊图像。

3） 遮挡图像的剔除

从CASIA虹膜数据库中挑选100幅有遮挡图像和100幅无遮挡图像作为训练样本，150幅图像作为测试样本，分类结果如图3所示，显然，本发明算法可以有效地判断虹膜图像是否具有遮挡。

Claims (4)

1.一种虹膜图像的质量评价方法，其具体步骤：1）瞳孔定位；2）散焦模糊图像剔除；3）有遮挡图像剔除。

2.根据权利要求1所述的一种虹膜图像的质量评价方法，其特征在于，采用基于连通域分析的瞳孔定位算法，具体步骤如下：

对虹膜图像进行全局二值化，其中阈值                                               

；

这里，

为图像中最小的灰度，

 为图像中的灰度均值；

2） 应用闭运算去除大部分眼皮和睫毛的干扰，其中采用的矩形模板大小为

；

3）进行连通域分析，找出面积最大的连通域C，瞳孔的中心坐标

和瞳孔半径

，其中

这里，N为连通C 的像素点个数， 

为连通域C 中点的坐标，函数

代表取整操作。

3.根据权利要求1所述的一种虹膜图像的质量评价方法，其特征在于，采用静态提升小波拉普拉斯能量和的散焦模糊图像剔除算法，具体步骤如下：

1）图像分解

选择瞳孔两侧

的矩形区域

和

，分别对这两个区域进行提升静态小波分解，得到高频系数

和

，其中l表示层，k表示方向；

2）计算两区域的拉普拉斯能量和

应用公式（1），计算两个区域高频系数的拉普拉斯能量和

  

      （1）

这里

3） 散焦模糊虹膜图像筛除

设定阈值T，通过公式（2）虹膜图像左右两区域的拉普拉斯能量和SML；当SML>T时，表示该虹膜图像不存在散焦模糊现象；当SML<T时，表示该虹膜图像被认定是具有散焦模糊的图像，应该被剔除。

4.

                  （2）

根据权利要求1所述的一种虹膜图像的质量评价方法，其特征在于，采用基于SVM的有遮挡图像剔除算法，具体步骤如下：

1） 应用公式（3）计算瞳孔上侧区域的水平方向和垂直方向上的梯度和

      （3）

2） 应用公式（4）计算瞳孔上侧区域的水平方向和垂直方向上的梯度的均值

和

                                           （4）

3）采用SVM对样本进行分类

从虹膜图像采集仪输出的多帧图像中挑选出一幅最优的图像作为训练样本集，构造输入SVM的特征向量为

，

为输出类别，选用径向基函数

。

Images