CN105447440A - 实时虹膜图像评价方法和装置 - Google Patents

Abstract

本发明公开了一种实时虹膜图像评价方法和装置，属于生物识别领域。所述方法包括获取待评价的虹膜图像，对每幅虹膜图像进行瞳孔定位，对每幅虹膜图像提取瞳孔边缘区域，计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。本发明以瞳孔边缘的灰度锐变程度作为度量虹膜图像质量的指标，能够准确、稳定的获取最佳的虹膜图像，同时对外界的光线变化具有很强的抗干扰性。

Description

实时虹膜图像评价方法和装置

技术领域

本发明涉及生物识别领域，特别是指一种实时虹膜图像评价方法和装置。

背景技术

随着信息技术的不断发展，传统身份识别方式(如身份证，笔迹识别等)被现代生物模式识别方式(如虹膜识别，人脸识别等)替代成为必然趋势。而在众多生物特征中，虹膜由于其位置的特殊，具有更强的稳定性和不可复制性，其天然存在的几何特征又为识别提供了便利。故虹膜识别技术本身具有很强发展前景，其产品也具有较强的市场潜力。在一整套完备的虹膜识别系统中，采用高质量的虹膜图像评价方法能有效提高识别效率和降低误判率。

目前，现有技术中较为成熟的虹膜图像评价方法包括：

(1)Daugman基于快速傅立叶变换的方法。它对虹膜区域上的两个矩形块内的像素点进行二维快速傅立叶变换，然后通过对其高频、中频和低频能量的统计，分析图像是否清晰和存在睫毛遮挡。该模型的通用性不强，容易将纹理较少的清晰虹膜图像误判为低质量虹膜图像。

(2)基于小波包分解的方法。它选取纹理高频分量分布最集中的子频带作为特征子频带，以其能量作为判别图像质量的准则。该方法的缺点是无法判断因睫毛遮挡而存在问题的虹膜图像。

(3)美国的GuanghuaZhang所提出的算法。它是先完成虹膜的定位，然后在此基础上把虹膜与瞳孔之间的边缘像素梯度的模除以虹膜与瞳孔之间灰度差作为图像聚焦的判据。它设置的阈值是0.5，即：如果其值大于0.5，则虹膜图像为清晰的图像；如果其值大于0小于0.5，则虹膜图像为模糊的图像。为了增强算法的健壮性，该算法取阴影区域中梯度最大的20个像素的平均值作为判据的分子。该方法的缺点是缺乏严格的理论依据，阈值的选择困难，存在一定的主观性，不具有广泛的适用性。

(4)上海交通大学的邢磊和施鹏飞提出的基于图像清晰度、内外偏心度和虹膜可见度的方法。它建立了图像清晰度、内外偏心度和虹膜可见度三个衡量图像质量的指标，实现了对虹膜图像进行实时质量评价的要求。该方法的缺点是对光照条件较为敏感，稳定性不强。

发明内容

本发明要解决的技术问题是提供一种准确性高、稳定性好、抗干扰性强的实时虹膜图像评价方法和装置。

为解决上述技术问题，本发明提供技术方案如下：

一种实时虹膜图像评价方法，包括：

获取待评价的虹膜图像；

对每幅虹膜图像进行瞳孔定位；

对每幅虹膜图像提取瞳孔边缘区域；

计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

一种实时虹膜图像评价装置，包括：

获取模块：用于获取待评价的虹膜图像；

定位模块：用于对每幅虹膜图像进行瞳孔定位；

提取模块：用于对每幅虹膜图像提取瞳孔边缘区域；

计算模块：用于计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

本发明具有以下有益效果：

与现有技术相比，本发明获取待评价的虹膜图像，对每幅虹膜图像进行瞳孔定位，对每幅虹膜图像提取瞳孔边缘区域，计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。本发明以瞳孔边缘的灰度锐变程度作为度量虹膜图像质量的指标，该方法对虹膜图像的判别具有很强的区分性，本发明中选取的瞳孔边缘区域对光照条件的变化不敏感(光照变化导致的瞳孔变形不影响瞳孔区域到虹膜区域的边缘锐化程度)，避免了现有技术中由于周围光照环境的变化导致瞳孔及虹膜变形，进而导致虹膜图像质量评价的误判及判断不稳定的现象。本发明能够准确、稳定的获取最佳的虹膜图像，同时对外界的光线变化具有很强的抗干扰性。

附图说明

图1为本发明的实时虹膜图像评价方法的流程示意图一；

图2为本发明的实时虹膜图像评价方法的流程示意图二；

图3为本发明的实时虹膜图像评价方法的参考趋势图；

图4为本发明的实时虹膜图像评价装置的结构示意图一；

图5为本发明的实时虹膜图像评价装置的结构示意图二。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种实时虹膜图像评价方法，如图1所示，包括：

步骤S101：获取待评价的虹膜图像；

本步骤中，可以获取至少两幅虹膜图像，为后续的虹膜图像评价及选择提供丰富的样本。

步骤S102：对每幅虹膜图像进行瞳孔定位；

本步骤中，瞳孔定位的方法采用本领域技术人员公知的各种方法均可，例如形心法、边界拟合法等。

步骤S103：对每幅虹膜图像提取瞳孔边缘区域；

本步骤中，瞳孔边缘区域是指瞳孔与虹膜之间圆环分界的附近区域，提取瞳孔边缘的方法采用本领域技术人员公知的方法均可，例如锐化处理、边缘梯度二值化等，在提取瞳孔边缘之后就能方便的计算出瞳孔边缘区域。

步骤S104：计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

本发明的实时虹膜图像评价方法，以瞳孔边缘的灰度锐变程度作为度量虹膜图像质量的指标，该方法对虹膜图像的判别具有很强的区分性，本发明中选取的瞳孔边缘区域对光照条件的变化不敏感(光照变化导致的瞳孔变形不影响瞳孔区域到虹膜区域的边缘锐化程度)，避免了现有技术中由于周围光照环境的变化导致瞳孔及虹膜变形，进而导致虹膜图像质量评价的误判及判断不稳定的现象。本发明能够准确、稳定的获取最佳的虹膜图像，同时对外界的光线变化具有很强的抗干扰性。

由于瞳孔对光照具有敏感性，周围光照环境的变化会导致瞳孔及虹膜变形，这是现有技术中虹膜图像质量评价方法不稳定原因所在。但是无论瞳孔及虹膜形状如何变化，其灰度值不变，瞳孔边缘区域对应的像素点灰度值变化程度不变。对焦不准确的图像，由于点扩散效应，像素被“平均化”，相较于对焦准确的图像，该区域的像素灰度变化程度要小。

作为本发明的一种改进，步骤S104包括：对提取的瞳孔边缘区域内的像素点采用图像梯度向量模平方和计算出瞳孔边缘区域像素点的灰度值变化量。

本步骤中，具体可以通过公式(1)对瞳孔边缘区域像素点计算灰度值变化量的指标值：

$\mathrm{score}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\{{[g(x+1,y)-g(x,y)]}^2+{[g(x,y+1)-g(x,y)]}^2\}}{R}---\left(1\right)$

其中，(i,j)表示瞳孔边缘区域内的像素点，g(i,j)表示(i,j)点的灰度值，R表示虹膜内圆半径，g(x+1,y)-g(x,y)表示(i,j)点的灰度水平梯度值，g(x,y+1)-g(x,y)表示(i,j)点的灰度垂直梯度值。

公式(1)的分子部分是图像梯度向量模平方和的数值形式，除以虹膜内圆半径R的目的是消除区域大小对score值的影响。本发明中，通过计算瞳孔边缘区域的梯度能量来度量边缘灰度的锐变程度，并归一化消除区域大小的影响。该质量评价方法的核心思想是，以瞳孔边缘区域像素的锐变程度作为度量图像对焦质量的依据，具体地，可以采用梯度模平方和的形式，也可以采用其他相同原理的公式进行计算。选择该类公式的好处是简单直接、快捷、计算效率高。

优选的，步骤S103包括：提取瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧四分之一的区域作为所述瞳孔边缘区域。该方法的好处是可以降低运算量、提高数据处理速度。

本步骤中，也可以提取二分之一、三分之一、五分之一、六分之一等等的瞳孔边缘的环形区域作为瞳孔边缘区域。下面以四分之一为例进行说明：

具体可以根据瞳孔定位的结果确定瞳孔边缘区域，如以瞳孔中心为坐标原点的极坐标公式(2)所示：

Ω＝{(ρ,θ)|180≤θ≤270,R-x≤ρ≤R+x}(2)

其中，Ω表示提取的瞳孔边缘区域，θ表示四分之一(为了避免睫毛干扰，本发明中的θ优选为瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧中的90°角，如180≤θ≤270、270≤θ≤360等等)的角度选择，ρ表示像素点距原点的距离，x(可以为2、3、4、5、6、7、8等等)表示像素点。

为了提高效率和定位结果的正确率，如图2所示，步骤S102之前可以包括：对待评价的虹膜图像进行频域滤波，计算总能量，选取排名前一定数量的虹膜图像。

本步骤中，是通过矩阵元素的对应点乘法运算实现了图像从时域到频域的变换，相对于在时域的计算，频域处理的速度显得更快，有效的提高了图像的处理速度。经过频域滤波的虹膜图像通过频域滤波后的结果的像素值做逐点累加，计算出总能量，选取排名靠前的一定数量(如20％、30％、40％等等)的虹膜图像，可以过滤质量严重损坏的图像，后续仅对选取出的排名靠前的虹膜图像进行分析，可以有效的提高虹膜图像评价效率。

具体的，频域滤波矩阵可以为：

$\left[\begin{array}{ccccc}-1& -1& -1& -1& -1\\ -1& +2& +2& +2& -1\\ -1& +2& 0& +2& -1\\ -1& +2& +2& +2& -1\\ -1& -1& -1& -1& -1\end{array}\right]$

其中，频域滤波矩阵也可以为其他形式(如其他N×N、N×M的矩阵形式)的频域滤波矩阵，其中矩阵元素中的+2(也可以为+1、+3、+4、+5等等)能够将原图的像素点呈亮色状态，矩阵元素中的-1(也可以为-2、-3、-4、-5等等)能够将原图的像素点呈暗色状态。

作为本发明的一种改进，步骤S101包括：对人眼采集一段视频样本，并逐帧保存为虹膜图像。

本步骤中，为了降低干扰、提高结果的准确性，使用设备在距离人眼一定范围(如15cm-5cm，根据设备的性能而异)内匀速移动，匀速移动的方法可以是使用设备单方向匀速靠近人眼，再反向匀速远离人眼，或者是重复该过程多次，以得到视频样本，并且逐帧保存为虹膜图像。该方法对于采样的虹膜视频序列，能够区分对焦准确和对焦模糊的图像，相比于现有技术中通过拍照进行虹膜采集的方法，能够为后续工作中获取最佳的虹膜图像提供更丰富的选择样本，同时使虹膜图像的采集更加自然。

本发明中，计算每幅虹膜图像中瞳孔边缘区域像素点的灰度值变化量，还可以一并输出序列的指标变化趋势图，如图3a-3c所示，趋势图中极大值对应的领域即是质量最佳的虹膜图像。所谓趋势图是样本序列中的每一帧图像对应的灰度值变化量描述出的连线图，若采集时设备单方向地靠近人眼或远离人眼，则结果成单调变化。若是无规则移动，则趋势图依设备的运动状态而变化。纵坐标最高的点对应的横坐标，即是质量最佳的虹膜图像的位置。

本发明中，在具体工作时，可以参照如下步骤进行：

步骤1：使用设备在距离人眼15cm-5cm范围内单方向匀速靠近人眼，再反向匀速远离人眼，采集一段视频样本；

步骤2：读取步骤1采集到的视频，逐帧保存为虹膜图像；

步骤3：对步骤2中保存的图像进行频域变换，计算总能量∑∑F(x,y)。按能量排序，保存排名前30％的图像。

步骤4：对步骤3中筛选出的图像进行瞳孔定位。

步骤5：根据瞳孔定位的结果，确定瞳孔边缘区域：

Ω＝{(ρ,θ)|180≤θ≤270,R-8≤ρ≤R+8}

步骤6：对提取的瞳孔边缘区域内的像素点采用图像梯度向量模平方和计算出瞳孔边缘区域像素点的灰度值变化量。具体采用下面的公式对瞳孔边缘区域像素点计算灰度值变化量的指标值：

$\mathrm{score}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\{{[g(x+1,y)-g(x,y)]}^2+{[g(x,y+1)-g(x,y)]}^2\}}{R}$

其中，(i,j)表示瞳孔边缘区域内的像素点，g(i,j)表示(i,j)点的灰度值，R表示虹膜内圆半径，g(x+1,y)-g(x,y)表示(i,j)点的灰度水平梯度值，g(x,y+1)-g(x,y)表示(i,j)点的灰度垂直梯度值。

步骤7：输出各帧图像的指标变化趋势图。指标值大的对应质量良好的虹膜图像。

另一方面，与上述的方法相对应，本发明提供了一种实时虹膜图像评价装置1，如图4所示，包括：

获取模块11：用于获取待评价的虹膜图像；

定位模块12：用于对每幅虹膜图像进行瞳孔定位；

提取模块13：用于对每幅虹膜图像提取瞳孔边缘区域；

计算模块14：用于计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

本发明的实时虹膜图像评价装置1，以瞳孔边缘的灰度锐变程度作为度量虹膜图像质量的指标，该装置对虹膜图像的判别具有很强的区分性，本发明中选取的瞳孔边缘区域对光照条件的变化不敏感(光照变化导致的瞳孔变形不影响瞳孔区域到虹膜区域的边缘锐化程度)，避免了现有技术中由于周围光照环境的变化导致瞳孔及虹膜变形，进而导致虹膜图像质量评价的误判及判断不稳定的现象。本发明能够准确、稳定的获取最佳的虹膜图像，同时对外界的光线变化具有很强的抗干扰性。

作为本发明的一种改进，计算模块14，进一步用于对提取的瞳孔边缘区域内的像素点采用图像梯度向量模平方和计算出瞳孔边缘区域像素点的灰度值变化量。

本发明是以瞳孔边缘区域像素的锐变程度作为度量图像对焦质量的依据。采用公式形式：其中，也可以使用其他相同原理的公式进行计算。选择该类公式的好处是简单直接、快捷、计算效率高。

优选的，提取模块13包括：

提取子模块，用于提取瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧四分之一的区域作为所述瞳孔边缘区域。

本发明中，也可以提取二分之一、三分之一、五分之一、六分之一等等的瞳孔边缘环形区域作为瞳孔边缘区域。本发明的好处是可以降低运算量、提高数据处理速度。

为了提高效率和定位结果的正确率，如图5所示，获取模块11和定位模块12之间连接有过滤模块15，用于对待评价的虹膜图像进行频域滤波，计算总能量，选取排名前一定数量的虹膜图像。

本发明中，是通过矩阵元素的对应点乘法运算实现了图像从时域到频域的变换，相对于在时域的计算，频域处理的速度显得更快。有效的提高了图像的处理速度。经过频域滤波的虹膜图像通过频域滤波后的结果的像素值做逐点累加，计算出总能量，选取排名靠前的一定数量(如20％、30％、40％等等)的虹膜图像，可以过滤质量严重损坏的图像，可以有效的提高虹膜图像评价效率。

作为本发明的一种改进，获取模块11，进一步用于对人眼采集一段视频样本，并逐帧保存为虹膜图像。

本发明中，为了降低干扰、提高结果的准确性，使用设备在距离人眼一定范围(如15cm-5cm，根据设备的性能而异)内匀速移动，匀速移动的方法可以是使用设备单方向匀速靠近人眼，再反向匀速远离人眼，或者是重复该过程多次，以得到视频样本，并且逐帧保存为虹膜图像。该方法对于采样的虹膜视频序列，能够区分对焦准确和对焦模糊的图像，相比于现有技术中通过拍照进行虹膜采集的方法，能够为后续工作中获取最佳的虹膜图像提供更丰富的选择样本，同时使虹膜图像的采集更加自然。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种实时虹膜图像评价方法，其特征在于，包括：

获取待评价的虹膜图像；

对每幅虹膜图像进行瞳孔定位；

对每幅虹膜图像提取瞳孔边缘区域；

计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

2.根据权利要求1所述的实时虹膜图像评价方法，其特征在于，所述计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量进一步为：

对提取的瞳孔边缘区域内的像素点采用图像梯度向量模平方和计算出像素点的灰度值变化量。

3.根据权利要求1所述的实时虹膜图像评价方法，其特征在于，所述对每幅虹膜图像提取瞳孔边缘区域包括：

提取瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧四分之一的区域作为所述瞳孔边缘区域。

4.根据权利要求1所述的实时虹膜图像评价方法，其特征在于，所述对每幅虹膜图像进行瞳孔定位之前包括：

对待评价的虹膜图像进行频域滤波，计算总能量，选取排名前一定数量的虹膜图像。

5.根据权利要求1-4任一所述的实时虹膜图像评价方法，其特征在于，所述获取待评价的虹膜图像进一步为：

对人眼采集一段视频样本，并逐帧保存为虹膜图像。

6.一种实时虹膜图像评价装置，其特征在于，包括：

获取模块：用于获取待评价的虹膜图像；

定位模块：用于对每幅虹膜图像进行瞳孔定位；

提取模块：用于对每幅虹膜图像提取瞳孔边缘区域；

计算模块：用于计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。

7.根据权利要求6所述的实时虹膜图像评价装置，其特征在于，所述计算模块，进一步用于对提取的瞳孔边缘区域内的像素点采用图像梯度向量模平方和计算出瞳孔边缘区域像素点的灰度值变化量。

8.根据权利要求7所述的实时虹膜图像评价装置，其特征在于，所述提取模块包括：

提取子模块，用于提取瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧四分之一的区域作为所述瞳孔边缘区域。

9.根据权利要求8所述的实时虹膜图像评价装置，其特征在于，所述获取模块和定位模块之间连接有过滤模块，用于对待评价的虹膜图像进行频域滤波，计算总能量，选取排名前一定数量的虹膜图像。

10.根据权利要求6-9任一所述的实时虹膜图像评价装置，其特征在于，所述获取模块，进一步用于对人眼采集一段视频样本，并逐帧保存为虹膜图像。