CN105117705B - 一种虹膜图像质量级联式评价方法 - Google Patents
一种虹膜图像质量级联式评价方法 Download PDFInfo
- Publication number
- CN105117705B CN105117705B CN201510530737.9A CN201510530737A CN105117705B CN 105117705 B CN105117705 B CN 105117705B CN 201510530737 A CN201510530737 A CN 201510530737A CN 105117705 B CN105117705 B CN 105117705B
- Authority
- CN
- China
- Prior art keywords
- iris image
- iris
- pupil
- formula
- image block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/60—Static or dynamic means for assisting the user to position a body part for biometric acquisition
- G06V40/63—Static or dynamic means for assisting the user to position a body part for biometric acquisition by static guides
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种虹膜图像质量级联式评价方法,包括如下步骤:S1、测算虹膜图像中光源像点与瞳孔的相对位置,判定是否斜视,若是则判定图像未达到质量要求,若否则继续;S2、根据灰度分类统计法检测虹膜图像中虹膜的可用度,并判定可用度是否合格,若否则判定图像未达到质量要求,若是则继续;S3、测算虹膜图像中局部能量梯度,判定是否存在离焦模糊,若是则判定图像未达到质量要求,若否则继续;S4、根据环向梯度峰值检测法判定是否存在运动模糊,若是则判定图像未达到质量要求,若否则判定图像达到质量要求。本发明所述技术方案便于实现多线程流水线设计,有效缩减质量评价时间,同时降低存储消耗,从而提高虹膜识别效率。
Description
技术领域
本发明涉及图像质量评价方法。更具体地,涉及一种虹膜图像质量级联式评价方法。
背景技术
虹膜识别具有准确性高、稳定性强、防伪性好和非接触检测等显著优势,是目前已知最先进的生物识别技术。在虹膜识别系统中,快速获取高质量的虹膜图像是提高识别效率的关键。然而,在实际应用中,由于用户使用习惯及配合程度的差异,输入的虹膜图像视频流中常常存在斜视、闭眼和模糊等质量不理想的图像;如果将这些图像进行虹膜识别,会严重影响识别的效率,并大大增加错误拒识的风险。因此,在虹膜图像预处理过程中需要加入质量评价的步骤,筛选出满足一定质量要求的虹膜图像进行识别,提高虹膜识别效率,降低错误拒识率。
在目前的虹膜识别系统中,常用的虹膜图像质量评价方法通过分别检测图像清晰度、虹膜形状、尺寸、有效区域面积、对比度和注视角度等多项指标,加权计算出质量得分,然后将分数大于质量阈值的图像视为质量合格的虹膜图像。这类方法虽然能从多方面评价一幅虹膜图像的质量,但是存在以下明显的缺点:
1、没有充分考虑实际系统的成像特性和虹膜特征编码与匹配算法的适应性,有些质量指标并不会对识别结果产生决定性影响。如果对可能影响虹膜图像质量的各项指标均进行检测,势必会削弱系统的自适应性,降低虹膜识别的效率。
2、由于各项指标对虹膜识别结果的影响程度不尽相同,且随着应用场景和用户的不同而变化,在加权计算质量得分时,如何分配各项指标的权值是比较困难的。同时由于影响质量得分的变量较多,如何选取一个最优的质量阈值进行质量判别也是非常困难的。
3、计算多项质量指标不利于算法优化,并且对硬件资源要求较高。如果采取并行运算,会大大增加对存储空间的消耗;如果采取串行运算,会严重影响识别速度。
因此,需要提供一种虹膜图像质量级联式评价方法。
发明内容
本发明的目的在于提供一种虹膜图像质量级联式评价方法,解决由于虹膜图像质量判别效率低而影响虹膜识别整体效率的问题。
为达到上述目的,本发明采用下述技术方案:
一种虹膜图像质量级联式评价方法,该方法包括如下步骤:
S1、测算虹膜图像中光源像点与瞳孔的相对位置,判定是否存在斜视,若是则判定所述虹膜图像未达到质量要求,若否则继续流程;
S2、根据灰度分类统计法检测所述虹膜图像中虹膜的可用度,并判定所述可用度是否满足要求,若否则判定所述虹膜图像未达到质量要求,若是则继续流程;
S3、测算所述虹膜图像中局部能量梯度,判定是否存在离焦模糊,若是则判定所述虹膜图像未达到质量要求,若否则继续流程;
S4、根据环向梯度峰值检测法判定是否存在运动模糊,若是则判定所述虹膜图像未达到质量要求,若否则判定所述虹膜图像达到质量要求。
优选地,步骤S1中测算虹膜图像中光源像点与瞳孔的相对位置,判定是否存在斜视的方法为:
计算光源像点中心与瞳孔中心的欧式距离d,公式如下:
d=sqrt((xl-xp)2+(yl-yp)2)
公式中,xl、yl分别为光源像点的中心点的行、列坐标,xp、yp分别表示瞳孔的中心点的行、列坐标;
设距离阈值为Td,当d>Td时,判定存在斜视。
优选地,步骤S2中根据灰度分类统计法检测所述虹膜图像中虹膜的可用度,并判定所述可用度是否满足要求的方法为:
对虹膜图像进行直方图均衡化操作,使其灰度均匀分布;
分别选取两个在瞳孔中心正下方偏离正、负45°的虹膜区域内的虹膜图像块Ωa和Ωb;
统计虹膜图像块Ωa和Ωb的灰度分布,得到灰度分类阈值基数:
gb=mean(mean(gs(Ωa)),mean(gs(Ωb)))
式中,gs(·)是取灰度值函数;
分别设定灰度分类高阈值为Tgu=gb+λ1,低阈值为Tgd=gb-λ2,其中λ1、λ2为分类阈值安全系数;
分别选取瞳孔中心正左、正右和正下方的三个虹膜图像块Φ1、Φ2、Φ3作为可用度判定区域;
分别统计虹膜图像块Φ1、Φ2和Φ3的灰度分布,得到其中灰度值介于Tgd和Tgu之间的像素所占的比例p1、p2和p3;
定义虹膜可用度为:
vd=σ1p1+σ2p2+σ3p3,0≤p1,p2,p3≤1
式中,σ1、σ2、σ3∈[0,1],分别为虹膜图像块Φ1、Φ2、Φ3中灰度值介于Tgd和Tgu之间的像素所占的比例p1、p2和p3权重因子,且σ1+σ2+σ3=1;
设虹膜可用度阈值为Tv,当vd<Tv时,判定可用度不满足要求。
优选地,虹膜图像块Ωa和Ωb的位置公式为:
s.t.rp+la≤r≤rp+lb,π/4-αa≤θ≤π/4+αb
式中,rp表示瞳孔的半径,xp、yp分别表示瞳孔的中心点的行、列坐标,la、lb分别为虹膜图像块Ωa、Ωb的圆周到瞳孔边界圆周的距离,αa、αb分别为虹膜图像块Ωa、Ωb的偏离瞳孔正下方正、负45°基准的角度。
优选地,虹膜图像块Φ1、Φ2、Φ3的位置公式为:
式中,rp表示瞳孔的半径,xp、yp分别表示瞳孔的中心点的行、列坐标,β、γ为区域选定参数,β代表虹膜图像块的边长,γ是虹膜图像块与瞳孔边界的距离。
优选地,步骤S3中测算所述虹膜图像中局部能量梯度,判定是否存在离焦模糊的方法为:
分别选取两个在瞳孔中心正下方偏离正、负45°的虹膜区域内的虹膜图像块Ωa和Ωb,瞳孔中心正下方的虹膜图像块Φ3作为离焦模糊判定区域;
分别计算虹膜图像块Ωa、Ωb和Φ3的能量梯度值Eg1、Eg2和Eg3;
定义第一清晰度因子df1为:
df1=τ1Eg1+τ2Eg2+τ3Eg3
式中,τ1、τ2、τ3∈(0,1)为分别虹膜图像块Ωa、Ωb、Φ3的能量梯度值的权重因子;
设第一清晰度阈值为Td1,当df1<Td1时,判定存在离焦模糊。
优选地,虹膜图像块Ωa、Ωb和Φ3的位置公式为:
s.t.rp+la≤r≤rp+lb,π/4-αa≤θ≤π/4+αb
式中,rp表示瞳孔的半径,xp、yp分别表示瞳孔的中心点的行、列坐标,la、lb分别为虹膜图像块Ωa、Ωb的圆周到瞳孔边界圆周的距离,αa、αb分别为虹膜图像块Ωa、Ωb的偏离瞳孔正下方正、负45°基准的角度,β、γ为区域选定参数,β代表虹膜图像块的边长,γ是虹膜图像块与瞳孔边界的距离。
优选地,计算虹膜图像块Ωa、Ωb和Φ3的能量梯度值Eg1、Eg2和Eg3的公式为:
式中,gs(x,y)表示坐标(x,y)点像素的灰度值。
优选地,步骤S4中根据环向梯度峰值检测法判定所述虹膜图像是否存在运动模糊的方法为:
选取瞳孔中心正下方的瞳孔、虹膜过渡环状带Ψ作为运动模糊判定区域,位置公式为:
Ψ={(x,y)|x=xp+r cosθ,y=yp+r sinθ}
s.t.rp-ε1≤r≤rp+ε2,-η≤θ≤η
式中,ε1代表所选区域由瞳孔边界向内偏离的距离,ε2代表所选区域由瞳孔边界向外偏离的距离,η代表所选区域中心偏离瞳孔正下方的角度;
计算区域Ψ的环向梯度向量gv,公式为:
式中,gs(r,θ)表示极坐标(r,θ)点像素的灰度值,n为对角度范围[0,η)的采样点数;
定义第二清晰度因子为:
设第二清晰度阈值为Td2,当df2<Td2时,判定存在运动模糊。
本发明的有益效果如下:
本发明所述技术方案便于实现多线程流水线设计,可以有效缩减质量评价时间,同时降低存储消耗,从而提高虹膜识别的效率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出虹膜图像质量级联式评价方法流程图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本实施例提供的虹膜图像质量级联式评价方法包括如下步骤:
S1、测算虹膜图像中光源像点与瞳孔的相对位置,判定是否存在斜视,若是则判定虹膜图像未达到质量要求,若否则继续流程;
S2、根据灰度分类统计法检测虹膜图像中虹膜的可用度,并判定可用度是否满足要求,若否则判定虹膜图像未达到质量要求,若是则继续流程;
S3、测算虹膜图像中局部能量梯度,判定是否存在离焦模糊,若是则判定虹膜图像未达到质量要求,若否则继续流程;
S4、根据环向梯度峰值检测法判定虹膜图像是否存在运动模糊,若是则判定虹膜图像未达到质量要求,若否则判定虹膜图像达到质量要求。
其中
步骤S1中测算虹膜图像中光源像点与瞳孔的相对位置,判定是否斜视的具体方法为:
由于人眼斜视会使虹膜图像产生畸变,当图像中的虹膜区域畸变严重时,即很难识别,因此首先判定人眼是否斜视,以及斜视的程度。根据虹膜识别系统的成像特性,当人眼注视镜头时,在虹膜图像中会产生光源像点。正视时,光源像点位于瞳孔内;斜视时,光源像点偏离瞳孔。因此通过测算光源像点与瞳孔的相对位置,可以判定人眼的斜视程度。
由于在质量评价前,已经进行了虹膜定位,因此已知瞳孔的位置参数(xp,yp,rp)和虹膜的位置参数(xi,yi,ri),rp、xp和yp分别表示瞳孔的半径和中心点的行、列坐标,ri、xi和yi分别表示虹膜的半径和中心点的行、列坐标。在虹膜图像中,光源像点的灰度值远大于其他像素的灰度值,因此在已知的虹膜区域内利用阈值分割结合联通域检测的方法即能搜索到光源像点的位置(xl,yl,rl),其中rl、xl和yl分别表示光源像点的半径和中心点的行、列坐标。
计算光源像点中心与瞳孔中心的欧式距离d,公式如下:
d=sqrt((xl-xp)2+(yl-yp)2),
通过判断d的大小可以检测斜视程度:
若d≤|rp-rl|,则光源像点在瞳孔内部,无斜视;
若|rp-rl|<d<rp+rl,则部分光源像点偏离瞳孔,已斜视;
若d≥rp+rl,则光源像点全部偏离瞳孔,斜视较严重。
当光源像点全部偏离瞳孔,即斜视较为严重,除了虹膜区域产生畸变,光源像点会遮挡部分虹膜纹理,识别则较为困难。
在实际应用中,由于虹膜特征编码与匹配算法的自适应性,允许一定程度的斜视。设距离阈值为Td,本实施例中设定Td=rp+(ri-rp)/4,当d>Td时,视为斜视严重,判定当前帧虹膜图像质量不合格。
步骤S2中根据灰度分类统计法检测虹膜图像中虹膜的可用度,并判定可用度是否满足要求的具体方法为:
在虹膜图像中,虹膜区域常常被眼皮和睫毛遮挡,其中上眼皮和睫毛最容易遮挡虹膜,其次是下眼皮。遮挡严重时,可用的虹膜区域面积大大减小,难以被正确识别。一般地,虹膜图像灰度值分布满足睫毛<虹膜<眼皮的规律,且灰度值差异明显。因此可以根据灰度分类统计法检测虹膜的可用度。
首先,对原始虹膜图像进行直方图均衡化操作,使其灰度均匀分布,避免由于整幅图像过亮或过暗对灰度分类统计造成的影响。
然后,确定灰度分类阈值。瞳孔中心正下方偏离正、负45°附近的虹膜区域最不容易被遮挡,因此在这两个稳定的虹膜区域内分别选取一个虹膜图像块Ωa和Ωb:
s.t.rp+la≤r≤rp+lb,π/4-αa≤θ≤π/4+αb
式中,la、lb分别为虹膜图像块Ωa、Ωb的圆周到瞳孔边界圆周的距离,αa、αb分别为虹膜图像块Ωa、Ωb的偏离瞳孔正下方正、负45°基准的角度,本实施例中选取la=(ri-rp)/4、lb=3(ri-rp)/4、αa=αb=π/12。
统计虹膜图像块Ωa和Ωb的灰度分布,得到灰度分类阈值基数:
gb=mean(mean(gs(Ωa)),mean(gs(Ωb)))
其中gs(·)是取灰度值函数;
设定灰度分类高阈值为Tgu=gb+λ1,低阈值为Tgd=gb-λ2,其中λ1、λ2为分类阈值安全系数,本实施例中设λ1=(max(gs(Ωa),gs(Ωb))-gb)/4、λ2=(gb-min(gs(Ωa),gs(Ωb)))/5。这样,虹膜区域内灰度值介于Tgd和Tgu之间的像素视为真实的虹膜像素点,其余灰度值像素视为眼皮和睫毛等干扰点。
最后,检测虹膜的可用度。分别选取瞳孔中心正左、正右和正下方的三个虹膜图像块Φ1、Φ2、Φ3作为典型的可用度判定区域:
式中,β、γ为区域选定参数,β代表所选定的三个虹膜图像块(正方形)的边长,γ代表所选定的三个虹膜图像块与瞳孔边界的距离,β=(ri-rp)/6、γ=(ri-rp)/3。
分别统计虹膜图像块Φ1、Φ2和Φ3的灰度分布,得到其中灰度值介于灰度分类低阈值Tgd和灰度分类高阈值Tgu之间的像素所占的比例p1、p2和p3,
则定义虹膜可用度为:
vd=σ1p1+σ2p2+σ3p3,0≤p1,p2,p3≤1
式中,σ1、σ2、σ3∈[0,1]分别为虹膜图像块Φ1、Φ2、Φ3中灰度值介于Tgd和Tgu之间的像素所占的比例p1、p2和p3权重因子,且σ1+σ2+σ3=1,本实施例中,设σ1=σ2=0.28、σ3=0.44。因此,vd∈[0,1]。
在实际应用中,由于虹膜特征编码与匹配算法的自适应性,允许一定程度的遮挡。设虹膜可用度阈值为Tv,本实施例中设定Tv=0.67,当vd<Tv时,视为遮挡严重,判定当前帧虹膜图像质量不合格。
步骤S3中测算虹膜图像中局部能量梯度,判定是否存在离焦模糊的具体方法为:
在虹膜识别系统的使用过程中,由于用户使用习惯及配合程度的差异,虹膜图像中常常会有不同程度的模糊。模糊是影响虹膜图像清晰度的主要因素,分为离焦模糊和运动模糊。离焦模糊主要是由于用户距离虹膜识别系统的位置不合适而引起的,可以通过测算虹膜区域的局部能量梯度判定虹膜纹理是否丰富,从而检测离焦模糊的程度。
选取第二步中划定的三个虹膜图像块Ωa、Ωb和Φ3作为典型的离焦模糊判定区域,其中虹膜图像块Φ3的区域选定参数为β=γ=(ri-rp)/3。由于这三个虹膜图像块不容易受到遮挡等干扰,且具有各不相同的梯度方向,因此可以较好地反映虹膜图像的离焦模糊程度。分别计算虹膜图像块Ωa、Ωb和Φ3的能量梯度值:
式中,gs(x,y)表示坐标(x,y)点像素的灰度值。
定义第一清晰度因子df1为:
df1=τ1Eg1+τ2Eg2+τ3Eg3
式中,τ1、τ2、τ3∈(0,1)为分别虹膜图像块Ωa、Ωb和Φ3的能量梯度值的权重因子,本实施例中设τ1=τ2=0.36,τ3=0.28。
在实际应用中,由于虹膜特征编码与匹配算法的自适应性,允许一定程度的离焦模糊。设第一清晰度阈值为Td1,本实施例中Td1的具体数值由对实际的虹膜图像训练集测试得到,当df1<Td1时,视为离焦模糊严重,判定当前帧虹膜图像质量不合格。
步骤S4中根据环向梯度峰值检测法判定虹膜图像是否存在运动模糊的具体方法为
运动模糊是由于用户在识别过程中身体移动或头部晃动而引起的,可以根据环向梯度峰值检测法判定虹膜边缘是否清晰,从而检测运动模糊的程度。
选取瞳孔中心正下方偏离正、负一定角度范围内的瞳孔、虹膜过渡环状带作为典型的运动模糊判定区域:
Ψ={(x,y)|x=xp+r cosθ,y=yp+r sinθ}
s.t.rp-ε1≤r≤rp+ε2,-η≤θ≤η
式中,ε1、ε2、η为区域选定参数,ε1代表所选区域由瞳孔边界向内偏离的距离,ε2代表所选区域由瞳孔边界向外偏离的距离,η代表所选区域中心偏离瞳孔正下方的角度;本实施例中设ε1=rp/4,ε2=(ri-rp)/3,η=π/3。由于区域Ψ不容易受到遮挡等干扰,且具有多个不同的梯度方向,因此可以较好地反映虹膜图像的运动模糊程度。
在清晰的虹膜图像中,瞳孔与虹膜的交界处灰度值差异明显,梯度较大,而交界处两边邻域的梯度则较小。计算区域Ψ的环向梯度向量gv的公式为:
式中,gs(r,θ)表示极坐标(r,θ)点像素的灰度值,n为对角度范围[0,η)的采样点数,本实施例中n=60。
检测gv中的环向梯度峰值,定义第二清晰度因子为:
在实际应用中,由于虹膜特征编码与匹配算法的自适应性,允许一定程度的运动模糊。设第二清晰度阈值为Td2,本实施例中Td2的具体数值由对实际的虹膜图像训练集测试得到,当df2<Td2时,视为运动模糊严重,判定当前帧虹膜图像质量不合格。
通过以上四步对斜视、遮挡和模糊等最容易影响虹膜图像质量的几个因素进行了检测和评估,组成了虹膜图像质量级联式评价方法。只有通过当前步骤的质量评估,才会进入下一级质量评估,否则判定当前帧图像未达到质量要求,将其舍弃,并可以开始对下一帧输入的虹膜图像从步骤S1开始,重新进行质量评价。
本实施例提供的虹膜图像质量级联式评价方法,便于实现多线程流水线设计,可以有效缩减质量评价时间,同时降低存储消耗,从而提高虹膜识别的效率。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种虹膜图像质量级联式评价方法,其特征在于,该方法包括如下步骤:
S1、测算虹膜图像中光源像点与瞳孔的相对位置,判定是否存在斜视,若是则判定所述虹膜图像未达到质量要求,若否则继续流程;
S2、根据灰度分类统计法检测所述虹膜图像中虹膜的可用度,并判定所述可用度是否满足要求,若否则判定所述虹膜图像未达到质量要求,若是则继续流程;
S3、测算所述虹膜图像中局部能量梯度,判定是否存在离焦模糊,若是则判定所述虹膜图像未达到质量要求,若否则继续流程;
S4、根据环向梯度峰值检测法判定是否存在运动模糊,若是则判定所述虹膜图像未达到质量要求,若否则判定所述虹膜图像达到质量要求;
步骤S4中根据环向梯度峰值检测法判定所述虹膜图像是否存在运动模糊的方法为:
选取瞳孔中心正下方的瞳孔、虹膜过渡环状带Ψ作为运动模糊判定区域,位置公式为:
Ψ={(x,y)|x=xp+rcosθ,y=yp+rsinθ}
s.t.rp-ε1≤r≤rp+ε2,-η≤θ≤η
式中,rp表示瞳孔的半径,xp、yp分别表示瞳孔的中心点的行、列坐标,ε1代表所选区域由瞳孔边界向内偏离的距离,ε2代表所选区域由瞳孔边界向外偏离的距离,η代表所选区域中心偏离瞳孔正下方的角度;
计算区域Ψ的环向梯度向量gv,公式为:
式中,gs(r,θ)表示极坐标(r,θ)点像素的灰度值,n为对角度范围[0,η)的采样点数;
定义第二清晰度因子为:
设第二清晰度阈值为Td2,当df2<Td2时,判定存在运动模糊。
2.根据权利要求1所述的虹膜图像质量级联式评价方法,其特征在于,步骤S1中测算虹膜图像中光源像点与瞳孔的相对位置,判定是否存在斜视的方法为:
计算光源像点中心与瞳孔中心的欧式距离d,公式如下:
d=sqrt((xl-xp)2+(yl-yp)2)
公式中,xl、yl分别为光源像点的中心点的行、列坐标;
设距离阈值为Td,当d>Td时,判定存在斜视。
3.根据权利要求1所述的虹膜图像质量级联式评价方法,其特征在于,步骤S2中根据灰度分类统计法检测所述虹膜图像中虹膜的可用度,并判定所述可用度是否满足要求的方法为:
对虹膜图像进行直方图均衡化操作,使其灰度均匀分布;
分别选取两个在瞳孔中心正下方偏离正、负45°的虹膜区域内的虹膜图像块Ωa和Ωb;
统计虹膜图像块Ωa和Ωb的灰度分布,得到灰度分类阈值基数:
gb=mean(mean(gs(Ωa)),mean(gs(Ωb)))
式中,gs(·)是取灰度值函数;
分别设定灰度分类高阈值为Tgu=gb+λ1,低阈值为Tgd=gb-λ2,其中λ1、λ2为分类阈值安全系数;
分别选取瞳孔中心正左、正右和正下方的三个虹膜图像块Φ1、Φ2、Φ3作为可用度判定区域;
分别统计虹膜图像块Φ1、Φ2和Φ3的灰度分布,得到其中灰度值介于Tgd和Tgu之间的像素所占的比例p1、p2和p3;
定义虹膜可用度为:
vd=σ1p1+σ2p2+σ3p3,0≤p1,p2,p3≤1
式中,σ1、σ2、σ3∈[0,1],分别为虹膜图像块Φ1、Φ2、Φ3中灰度值介于Tgd和Tgu之间的像素所占的比例p1、p2和p3权重因子,且σ1+σ2+σ3=1;
设虹膜可用度阈值为Tv,当vd<Tv时,判定可用度不满足要求。
4.根据权利要求3所述的虹膜图像质量级联式评价方法,其特征在于,虹膜图像块Ωa和Ωb的位置公式为:
s.t.rp+la≤r≤rp+lb,π/4-αa≤θ≤π/4+αb
式中,la、lb分别为虹膜图像块Ωa、Ωb的圆周到瞳孔边界圆周的距离,αa、αb分别为虹膜图像块Ωa、Ωb的偏离瞳孔正下方正、负45°基准的角度。
5.根据权利要求3所述的虹膜图像质量级联式评价方法,其特征在于,虹膜图像块Φ1、Φ2、Φ3的位置公式为:
式中,β、γ为区域选定参数,β代表虹膜图像块的边长,γ是虹膜图像块与瞳孔边界的距离。
6.根据权利要求1所述的虹膜图像质量级联式评价方法,其特征在于,步骤S3中测算所述虹膜图像中局部能量梯度,判定是否存在离焦模糊的方法为:
分别选取两个在瞳孔中心正下方偏离正、负45°的虹膜区域内的虹膜图像块Ωa和Ωb,瞳孔中心正下方的虹膜图像块Φ3作为离焦模糊判定区域;
分别计算虹膜图像块Ωa、Ωb和Φ3的能量梯度值Eg1、Eg2和Eg3;
定义第一清晰度因子df1为:
df1=τ1Eg1+τ2Eg2+τ3Eg3
式中,τ1、τ2、τ3∈(0,1)分别为虹膜图像块Ωa、Ωb、Φ3的能量梯度值的权重因子;
设第一清晰度阈值为Td1,当df1<Td1时,判定存在离焦模糊。
7.根据权利要求6所述的虹膜图像质量级联式评价方法,其特征在于,虹膜图像块Ωa、Ωb和Φ3的位置公式为:
s.t.rp+la≤r≤rp+lb,π/4-αa≤θ≤π/4+αb
式中,la、lb分别为虹膜图像块Ωa、Ωb的圆周到瞳孔边界圆周的距离,αa、αb分别为虹膜图像块Ωa、Ωb的偏离瞳孔正下方正、负45°基准的角度,β、γ为区域选定参数,β代表虹膜图像块的边长,γ是虹膜图像块与瞳孔边界的距离。
8.根据权利要求6所述的虹膜图像质量级联式评价方法,其特征在于,计算虹膜图像块Ωa、Ωb和Φ3的能量梯度值Eg1、Eg2和Eg3的公式为:
式中,gs(x,y)表示坐标(x,y)点像素的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530737.9A CN105117705B (zh) | 2015-08-26 | 2015-08-26 | 一种虹膜图像质量级联式评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530737.9A CN105117705B (zh) | 2015-08-26 | 2015-08-26 | 一种虹膜图像质量级联式评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117705A CN105117705A (zh) | 2015-12-02 |
CN105117705B true CN105117705B (zh) | 2018-08-24 |
Family
ID=54665688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510530737.9A Active CN105117705B (zh) | 2015-08-26 | 2015-08-26 | 一种虹膜图像质量级联式评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117705B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844737B (zh) * | 2016-09-19 | 2020-10-27 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
CN106503621A (zh) * | 2016-09-26 | 2017-03-15 | 北京无线电计量测试研究所 | 一种虹膜采集方法和系统 |
CN108460765B (zh) * | 2018-04-09 | 2021-03-30 | 北京无线电计量测试研究所 | 一种虹膜图像质量检测方法 |
CN108491843B (zh) * | 2018-04-12 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及存储介质 |
CN108710832B (zh) * | 2018-04-26 | 2021-07-30 | 北京万里红科技股份有限公司 | 一种无参考虹膜图像清晰度检测方法 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109101646B (zh) * | 2018-08-21 | 2020-12-18 | 北京深瞐科技有限公司 | 数据处理方法、装置、系统及计算机可读介质 |
CN110619273B (zh) * | 2019-08-14 | 2023-10-31 | 张杰辉 | 一种高效的虹膜识别方法以及识别装置 |
CN113743173A (zh) * | 2020-05-27 | 2021-12-03 | 支付宝(杭州)信息技术有限公司 | 运动模糊图像的识别方法、装置、电子设备和支付设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
CN102567744A (zh) * | 2011-12-29 | 2012-07-11 | 中国科学院自动化研究所 | 基于机器学习的虹膜图像质量确定方法 |
CN103324908A (zh) * | 2012-03-23 | 2013-09-25 | 桂林电子科技大学 | 用于虹膜识别的快速虹膜采集判断控制方法 |
CN104463096A (zh) * | 2014-10-30 | 2015-03-25 | 北京天诚盛业科技有限公司 | 双目虹膜图像检测方法和装置 |
-
2015
- 2015-08-26 CN CN201510530737.9A patent/CN105117705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339603A (zh) * | 2008-08-07 | 2009-01-07 | 电子科技大学中山学院 | 一种从视频流中选取到了质量合格的虹膜图像的方法 |
CN102567744A (zh) * | 2011-12-29 | 2012-07-11 | 中国科学院自动化研究所 | 基于机器学习的虹膜图像质量确定方法 |
CN103324908A (zh) * | 2012-03-23 | 2013-09-25 | 桂林电子科技大学 | 用于虹膜识别的快速虹膜采集判断控制方法 |
CN104463096A (zh) * | 2014-10-30 | 2015-03-25 | 北京天诚盛业科技有限公司 | 双目虹膜图像检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
虹膜识别综述;田启川等;《计算机应用研究》;20080531;第25卷(第5期);第1297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105117705A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117705B (zh) | 一种虹膜图像质量级联式评价方法 | |
CN103996195B (zh) | 一种图像显著性检测方法 | |
CN110377385B (zh) | 一种屏幕显示方法、装置及终端设备 | |
US20160253550A1 (en) | Eye location method and device | |
CN103093210B (zh) | 人脸识别中眼镜的鉴别方法及装置 | |
CN101930543B (zh) | 一种自拍视频中眼睛图像的调正方法 | |
CN106570447B (zh) | 基于灰度直方图匹配的人脸照片太阳镜自动去除方法 | |
Frucci et al. | WIRE: Watershed based iris recognition | |
CN106503644B (zh) | 基于边缘投影及颜色特征的眼镜属性检测方法 | |
CN110245626B (zh) | 一种在虹膜图像中精确检测眼睫毛图像的方法 | |
WO2022137603A1 (ja) | 判定方法、判定装置、及び判定プログラム | |
CN107895157A (zh) | 一种低分辨率图像虹膜中心精确定位的方法 | |
CN103218615B (zh) | 人脸判定方法 | |
Li et al. | Robust iris segmentation based on learned boundary detectors | |
CN110321753A (zh) | 一种基于人脸几何特征的人脸图像质量评价方法 | |
CN108710832A (zh) | 一种无参考虹膜图像清晰度检测方法 | |
CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 | |
CN108742656A (zh) | 基于脸部特征点定位的疲劳状态检测方法 | |
CN111291701A (zh) | 一种基于图像梯度和椭圆拟合算法的视线追踪方法 | |
CN105631816B (zh) | 一种虹膜图像噪声分类检测方法 | |
Singh et al. | Segmentation techniques for Iris recognition system | |
CN105631285A (zh) | 一种生物特征身份识别方法及装置 | |
CN105809085B (zh) | 人眼定位方法及装置 | |
CN109446935B (zh) | 一种用于远距离行进中虹膜识别的虹膜定位方法 | |
CN110909601A (zh) | 一种基于深度学习的美瞳识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |