CN1180368C - 虹膜识别系统的图像质量评价方法 - Google Patents

Abstract

一种虹膜识别系统的图像质量评价方法，采用“图像清晰度”指标判定采集到的虹膜图像对焦的准确程度，用灰度共生矩阵的熵作为图像清晰度的评价函数，采用“内外偏心度”指标判定采集到的虹膜图像中虹膜的内外边缘的偏心程度，即虹膜纹理的形变程度，采用“虹膜可见度”指标判定采集到的虹膜图像所包含的有效的虹膜纹理的信息量，即向识别系统提供有效信息的能力，采用“标准分法”将以上三种指标综合起来，得到虹膜图像的综合质量指数，在采集到的图像序列中选取相对质量较好的图像进行识别。本发明全面反映了虹膜识别系统对图像的质量要求，降低了时间和空间复杂度，降低了系统的错误接受率和错误拒绝率。

Description

虹膜识别系统的图像质量评价方法

技术领域：

本发明涉及一种虹膜识别系统的图像质量评价方法，采用标准分法综合三项质量指标，得到虹膜图像的综合质量指数，属于生物特征技术中的虹膜识别技术领域。

背景技术：

随着网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，现代社会对于人类自身的身份识别的准确性、安全性与实用性提出了更高的要求。传统的身份识别方法(如密码、证件等)因为容易遗忘或被伪造，已经远远不能满足这种要求，必须寻求更为安全可靠、使用方便的身份识别新途径。

生物特征技术就是利用模式识别、图像处理等方法对人类自身所具有的生理特征和行为特征(统称为生物特征)进行可靠、有效的分析和描述，通过判断这些描述的一致性从而实现自动身份识别的一类技术。通常认为的生理特征包括人脸、指纹、虹膜、视网膜、掌纹等；行为特征包括声音、签名、步态等。其中，指纹识别已经得到了比较广泛的研究和应用。

虹膜是位于眼睛黑色瞳孔和白色巩膜之间的圆环状薄膜，是眼球血管膜的一部分。与其他的生物特征相比，虹膜具有唯一性、稳定性、防伪性和非侵犯性等诸多优点，因而虹膜识别技术具有了巨大的研究意义和广泛的应用前景。

图像的质量评价在自动虹膜识别系统中是必不可少的。首先，对图像清晰程度的度量是实现自动调焦的基础。

其次，不符合标准的图像可能导致“注册失败”，即使用者因为不能提供足够的可重复获取的虹膜纹理信息，而无法在虹膜识别系统中进行注册。衡量一个虹膜识别系统通常有三个指标：错误接受率(FAR)、错误拒绝率(FRR)以及注册失败率(FTE)。这三个指标之间是相互关联的，如果降低标准使“注册失败率”下降，就意味着系统要对部分不符合质量标准的图像强行进行识别，从而会导致另外两个指标的大幅增加。导致“注册失败”的原因主要包括对焦不准确(称为“离焦”)，拍摄时眼睛没有看引导方向，以及采集瞬间瞳孔过大或眼睛眨动导致虹膜纹理过少等。

再次，采集过程得到的虹膜图像的质量高低对于能否正确识别而言至关重要。为尽量提高图像的质量，自动虹膜识别系统通常拍摄一个图像序列，然后在其中选取质量最好的图像进入下一步的识别过程。

传统的图像质量评价方法分为主观评价和客观评价。在自动虹膜识别系统中，要求整个过程中都没有操作者的介入，因此无法应用主观评价方法。图像的客观评价包括对图像的“逼真度”和“可懂度”评价。现在常用的客观评价方法如均方误差方法(MSE)和峰值信噪比方法(PSNR)等都是对于图像“逼真度”的评价。在虹膜图像的采集过程中，没有所谓的“标准图像”可言，因而要求的是对图像“可懂度”的评价。近年来比较流行的基于HVS的质量评价方法，根据人的视觉特性建立质量评价模型。由于视觉上感觉良好的图像(如瞳孔放大的虹膜图像)并不一定适合计算机自动识别，也不能满足虹膜图像质量评价的需要。

在衡量图像清晰度方面，较为常用的是最大熵法。但是由于直方图并不含有图像的几何信息，因此，最大熵法具有熵值在齐焦点附近变化平缓，以及会出现第二峰值点两点不足。为了对图像进行纹理分析，Haralick等人提出了灰度共生矩阵(GLCM)的概念。基于统计特性的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，该矩阵的特征量通常被用作图像纹理的度量，但没有用于虹膜图像的质量评价。

发明内容：

本发明的目的在于针对现有技术的不足，提供一种虹膜识别系统的图像质量评价方法，在图像序列中选取质量最好的图像进行识别，减少系统错误接受率和错误拒绝率，提高系统的整体性能。

为实现这样的目的，本发明从自动虹膜识别系统设计的角度出发，针对导致注册失败的几个主要因素，提出了图像清晰度，内外偏心度以及虹膜可见度三个指标，以判定采集到的图像是否可以进入识别过程。

本发明采用“图像清晰度”指标判定采集到的虹膜图像对焦的准确程度，把反映图像纹理特征的灰度共生矩阵与反映图像均衡性特征的熵结合起来，提出用灰度共生矩阵的熵作为图像清晰度的评价函数，以克服最大熵法不能反映图像结构的不足。采用“内外偏心度”指标判定采集到的虹膜图像中虹膜的内外边缘的偏心程度，即虹膜纹理的形变程度，采用“虹膜可见度”指标判定采集到的虹膜图像所包含的有效的虹膜纹理的信息量，即向识别系统提供有效信息的能力。

本发明采用“标准分法”将以上三种指标综合起来，得到虹膜图像的综合质量指数，在采集到的图像序列中选取相对质量较好的图像进行识别。

本发明方法的具体步骤如下：

一、图像清晰度

本发明采用基于灰度共生矩阵的熵作为图像清晰度的评价函数。对灰度图像来说，“清晰”的含义就是图像的灰度值分布在尽量宽的灰度等级范围内，并且同一区域内灰度均衡，区域之间差别明显。

影响图像清晰度的因素主要是对焦是否准确(图像准确对焦时的成像点称为“齐焦点”，实际成像时离开齐焦点的距离称为“离焦量”)。其次照明太亮或者太暗可能把图像的灰度限制在一个很小的范围内。再次，由于拍摄瞬间眼球的移动，可能造成图像的运动模糊。

图像直方图的熵(以下简称“熵”)反映着图像中信息的含量，熵与图像的清晰程度紧密相联。一般而言，图像越清晰，所包含的信息量越大，其熵值也越大。基于统计特性的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，该矩阵的特征量通常被用作图像纹理的度量。本发明把反映图像纹理特征的灰度共生矩阵与反映图像均衡性特征的熵结合起来，首先计算图像的灰度共生矩阵，然后用灰度共生矩阵的熵作为图像清晰度的评价函数。

二、内外偏心度

通过对虹膜图像的灰度直方图进行分析可知，眼睑(包括其他面部皮肤)、虹膜和瞳孔明显的分为三个灰度等级(眼睑的灰度高于虹膜，虹膜的灰度又高于瞳孔)。从灰度直方图上的两个波谷可以得到虹膜与瞳孔之间的灰度阈值，以及虹膜与巩膜之间的灰度阈值。

将虹膜图像分别向X轴和Y轴方向作投影。利用其在X轴方向的灰度投影以及两个灰度阈值，可以求出瞳孔的半径与圆心横坐标，以及虹膜的半径与圆心横坐标。利用其在Y轴方向的灰度投影及两个灰度阈值，可以求出瞳孔圆心纵坐标。由于眼睑的遮盖，虹膜外边界的上下两段通常是不可见的，因此不能由此求出虹膜圆心纵坐标。为得到虹膜圆心纵坐标，这里采用如下的方法：

由圆形的对称性可知，圆形边界上任意两点的中垂线必经过圆心。同时，由于已经得到了虹膜圆心的横坐标，因此，可以作经过虹膜圆心横坐标的垂线，然后在左右两侧可见的虹膜边界上任取两点，求出它们的中垂线与圆心所在垂线的交点。任取不同的两点可以得到很多不同的交点，但由圆形的对称性可知，出现频度最高的点必是真正的圆心位置。因此，可以对这些交点进行投票，把频度最高的点作为虹膜的圆心。

内外偏心度定义为瞳孔圆心与虹膜圆心之间的距离在虹膜半径中所占的比重。这个值越小，说明虹膜的内外边界越接近同心圆，图像越有利于识别。

三、虹膜可见度

由采集过程获取的有效虹膜纹理的多少直接影响到识别的准确性。虽然虹膜相对于其他生物特征来说，可供识别的信息要丰富得多，但是由于眼睑遮盖或瞳孔缩放，仍然可能无法获得足够的纹理信息。特别是在拍摄的瞬间，可能由于人眼的眨动，导致虹膜纹理完全不可见。

不同位置的虹膜纹理在识别中所起的作用差别很大。由人的生理特点所决定，越靠近瞳孔的区域，虹膜纹理越密集；越远离瞳孔的区域，虹膜纹理越稀疏。特别是对于东方人来说，可供识别的有效纹理往往集中在靠近瞳孔的一个较窄的环形区域内。因此，“虹膜可见度”衡量的，应该是“有效虹膜区域的比重”。虹膜可见度指标必须能够同时反映上述两种因素的影响。

在计算眼睑遮盖因子时，本发明从虹膜图像的灰度分布特征入手，直接进行像素的统计。利用虹膜与瞳孔之间，以及虹膜与巩膜之间的两个灰度阈值，统计位于这两个灰度阈值之间的有效虹膜区域的象素数。眼睑遮盖因子定义为有效虹膜区域的象素数与整个虹膜区域的象素数的比值，其中整个虹膜区域的象素数可以由求得的虹膜半径获得。

通常虹膜的纹理区域也会有光斑和部分睫毛的干扰。由于光斑的灰度很高，而睫毛的灰度非常低(通常与瞳孔的灰度相差无几)，都不在统计的灰度区间内，因此这种方法可以有效的排除光斑和睫毛的影响。

瞳孔缩放因子定义为虹膜半径与瞳孔半径的差在虹膜半径中所占的比重。

虹膜可见度定义为眼睑遮盖因子与瞳孔缩放因子的乘积。这个值越大，说明有效的虹膜纹理信息越多，越有利于虹膜的识别。

四、序列虹膜图像的综合质量评价

如果一幅虹膜图像的三个指标都满足要求，则可以认为其“质量合格”。但在质量合格的图像之间，质量差别仍然很大。通常希望在拍摄到的图像序列中选取质量最好的图像用于最终的识别，因此必须综合考虑上述三个指标。本发明采用“标准分法”将三个指标综合，得到虹膜图像的整体质量指标，以排除三个指标之间由于数值的分布差异造成的不可比性，而能够如实的反映虹膜图像的整体质量。

对采集到的一个图像序列，针对每一项质量指标将其中的图像由高到低排序，按照正态分布的原理，指定一个分布区间，计算出每一幅图像对应该项质量指标的标准分，将每幅图像的三个标准分相加，得到该图像的综合质量指数。

本发明具有显著的有益效果。本发明从自动虹膜识别系统设计的角度出发，提出对采集到的虹膜图像进行质量评价，判断当前采集到的图像是否适合进入下一步的识别过程，并由反映虹膜图像整体质量水平的“综合质量指数”在图像序列中选取质量最好的图像进行识别，从而大大降低了系统的错误接受率和错误拒绝率。

在判断虹膜图像质量的指标的选择上，既考虑到图像质量评价的一般特点，保留了“图像清晰度”的度量，又结合虹膜识别系统对图像的特殊要求，针对引起“注册失败”的几个主要原因，提出了“内外偏心度”和“虹膜可见度”两个衡量指标，从而全面的反映了虹膜识别系统对图像的质量要求。

在对“图像清晰度”的度量中，将反映图像纹理特征的灰度共生矩阵与反映图像均衡性特征的熵结合起来，提出用基于灰度共生矩阵的熵作为图像清晰度的评价函数，克服了最大熵法不能反映图像结构的不足。

在对“内外偏心度”的度量中，采用了新的虹膜外边界定位算法。该算法利用图像的灰度信息得到虹膜外边界的圆心横坐标，并利用圆形的对称性，对任意两个边界点的中垂线与圆心所在垂线的交点进行一维的投票，以此确定外边界圆心的纵坐标。与传统的虹膜定位算法相比，本算法避免了利用梯度算子提取边缘的过程和Hough变换中三维的投票，因而大大降低了时间和空间复杂度。

在对“虹膜可见度”的度量中，根据不同位置的虹膜在识别中所起的作用不同的特性，并结合东方人的生理特点，提出这一指标应综合考虑“眼睑遮盖”和“瞳孔放大”两个因素的影响，从而反映“有效虹膜纹理的丰富程度”。在计算其中眼睑遮盖因子时，根据眼睑、虹膜与瞳孔之间灰度分布的特点，采用像素值统计的方法直接计算虹膜部分所占的比重，避免了虹膜边缘检测定位和对上下眼睑的曲线拟合过程。

在图像序列中选择质量最好的图像时，本发明采用“标准分法”将三个指标综合，得到虹膜图像的综合质量指数，可以排除三个指标之间由于数值的分布差异造成的不可比性，因而能够如实的反映虹膜图像的整体质量。

附图说明：

图1为虹膜外边界圆心定位算法图示。

图2为最大熵法与采用基于灰度共生矩阵的熵作为评价函数的比较图示。

图3为不同虹膜图像的内外偏心度图示。

图4为不同虹膜图像的虹膜可见度图示。

图5为“图像质量综合指数”—“正确识别率”曲线图图示。

具体实施方式：

一、图像清晰度

采用基于灰度共生矩阵的熵作为图像清晰度的评价函数。

在计算图像的灰度共生矩阵时，首先求出以图像的灰度为i的点为起点，在δ＝(Δm，Δn)范围内灰度值为j的像素的频度P_δ(i，j)，以P_δ(i，j)为构成灰度共生矩阵的分量。然后以分量之和为1进行标准化。

图像的清晰度为：

$Q_1=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{\δ}}(i,j)\lg P_{\mathrm{\δ}}(i,j)---\left(5\right)$

由熵的定义可知，当P_δ(i，j)各项差别越明显，即图像的层次越分明，熵值越低；当P_δ(i，j)的各项越接近时，即图像模糊时，其熵值越高。因此，采集到的图像越接近齐焦点，Q₁的值越小，在齐焦点处达到最小值。

图2为最大熵法与采用基于灰度共生矩阵的熵作为自动对焦评价函数的比较。在左图中可以看到，直接用图像的熵作为评价函数，其值在齐焦点附近变化缓慢，并且在O′点出现第二极值点。而右图中用基于灰度共生矩阵的熵衡量图像清晰度，其值在齐焦点附近变化很大，并且只有一个极值点。所拍摄到的图像与齐焦位置越接近，图像的清晰度Q₁的值越小。在齐焦点，Q₁达到最小值。

二、内外偏心度

虹膜外边界圆心的定位算法如图1所示：粗线代表提取边缘后可见的虹膜外边界，只有左右两侧的边缘信息可用于圆心的确定。中央的直线为x＝x₂，其中x₂为由灰度直方图确定的虹膜圆心的横坐标。在可见的虹膜外边界上任取两点，其中垂线和直线x＝x₂有许多不同的交点(如O′)，其中重复频率最高的点O(x₂，y₂)就是所求的虹膜外边界的圆心。

内外偏心度：

$Q_2=\frac{\mathrm{\Δd}}{R_2}\×100\%=\frac{\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}}{R_2}\×100\%$

其中，(x₁，y₁)，(x₂，y₂)分别为瞳孔和虹膜的圆心坐标；R₂为虹膜半径。

图3为不同虹膜图像的内外偏心度。A图中拍摄时眼睛正视镜头，因此虹膜的内外边界几乎是同心圆，其内外偏心度Q₂＝1％。B图中眼睛完全没有朝向引导装置，发生了明显的斜视，其内外偏心度Q₂＝23％。因此，内外偏心度指标能够很好的防止斜视的发生。

三、虹膜可见度

虹膜可见度

$Q_3=K_1\×K_2=\frac{N_{\mathrm{iris}}}{N_{\mathrm{all}}}\×(1-\frac{R_1}{R_2})=\frac{N_{\mathrm{iris}}}{{\mathrm{\πR}}_2^2}\×(1-\frac{R_1}{R_2})$

眼睑遮盖因子：

$K_1=\frac{N_{\mathrm{iris}}}{N_{\mathrm{all}}}=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}n(x,y)}{N_{\mathrm{all}}}$

瞳孔缩放因子：

$K_2=1-\frac{R_1}{R_2}$

其中，R₁，R₂分别为瞳孔和虹膜的半径；I(x，y)为图像在(x，y)坐标处的灰度值。V_pupil，V_sclera分别为从灰度直方图上得到的虹膜与瞳孔以及虹膜与巩膜之间的阈值。

不同虹膜图像的虹膜可见度如图4所示。从图中可以看到，A图的眼睑对虹膜的遮盖很小，并且瞳孔收缩，虹膜可见度为66％，因而可用的虹膜纹理信息非常丰富；B图中虽然眼睑遮住了超过1/3的虹膜区域，但是由于瞳孔很小，虹膜可见度为45％，有效的虹膜纹理区域还是相对较多；C图中眼睑的遮盖很小，若单纯考虑眼睑遮盖因子，与B图相差不大，但是由于瞳孔放大，实际可用于识别的有效纹理很少，因此虹膜可见度只有21％，明显低于B图。由此可见，综合考虑两种因素的“虹膜可见度”指标才能正确评价虹膜图像的信息量多少；D图中由于在拍摄的瞬间眼睛的眨动，使虹膜区域几乎完全不可见，虹膜可见度只有1％，因而无法提供足够的识别信息，应该重新拍摄。

四、虹膜图像综合质量指数

序列虹膜图像的综合质量指标定义为

$Q=50+10\mathrm{\Σ}\frac{(Q_i-{\stackrel{\‾}{Q}}_i)}{{\mathrm{\σ}}_i}---\left(6\right)$

其中，i＝1，2，3，Q₁、Q₂、A₃分别为上述的图像清晰度、内外偏心度和虹膜可见度指标， Q_i为相应指标的平均值， ${\mathrm{\σ}}_i=\sqrt{\frac{\mathrm{\Σ}{(Q_i-{\stackrel{\‾}{Q}}_i)}^2}{n}}$ 为相应指标的标准差，n为序列中的图像数量。

质量指标Q的平均值为50，变化范围在10～90之间。Q越大，表示图像的质量越高。

本发明的方法可以通过虹膜识别系统的两种工作模式：“验证”工作模式(1∶1)和“辨认”工作模式(1∶N)得到检验。本发明在测试时使用了“辨认”工作模式：即首先建立一个高质量的“样本虹膜库”，将连续拍摄的一个图像序列的“测试图像”按照“标准分法”计算各自的虹膜图像综合质量指数，然后在“样本虹膜库”进行“辨认”，对每一个质量等级的“测试图像”分别统计其正确识别率。

测试时采用了Daugman提出的算法。由于在图像质量满足标准的情况下，Daugman的方法可以达到100％的正确识别率，因此采用其算法可以排除算法本身性能的影响。

本次测试使用的“样本虹膜库”拥有500幅高质量的“样本图像”，测试了10个序列的“测试图像”，每个图像序列拥有连续拍摄的10幅图像。

从图5可以看出，随着图像质量综合指数Q的增大，正确识别率也相应提高。由图像质量综合指数体现的图像质量与由识别过程所体现的图像质量基本一致。

Claims (1)

1、一种虹膜识别系统的图像质量评价方法，其特征在于包括：

1)采用“图像清晰度”指标判定采集到的虹膜图像对焦的准确程度，把反映图像纹理特征的灰度共生矩阵与反映图像均衡性特征的熵结合起来，用灰度共生矩阵的熵作为图像清晰度的评价函数；

2)采用“内外偏心度”指标判定采集到的虹膜图像中虹膜的内外边缘的偏心程度，即虹膜纹理的形变程度，从虹膜图像的灰度直方图上的两个波谷得到虹膜与瞳孔之间的灰度阈值，以及虹膜与巩膜之间的灰度阈值，将虹膜图像分别向X轴和Y轴方向作投影，利用其在X轴方向的灰度投影以及两个灰度阈值，求出瞳孔的半径与瞳孔圆心横坐标，以及虹膜的半径与虹膜圆心横坐标，利用其在Y轴方向的灰度投影及两个灰度阈值，求出瞳孔圆心纵坐标，作经过虹膜圆心横坐标的垂线，然后在左右两侧可见的虹膜边界上任取两点，求出它们的中垂线与圆心所在垂线的交点，任取不同的两点得到很多不同的交点，对这些交点进行投票，把频度最高的点作为虹膜的圆心，将瞳孔圆心与虹膜圆心之间的距离在虹膜半径中所占的比重定义为内外偏心度；

3)采用“虹膜可见度”指标判定采集到的虹膜图像所包含的有效的虹膜纹理的信息量，利用虹膜与瞳孔之间，以及虹膜与巩膜之间的两个灰度阈值，统计位于这两个灰度阈值之间的有效虹膜区域的象素数，眼睑遮盖因子定义为有效虹膜区域的象素数与整个虹膜区域的象素数的比值，其中整个虹膜区域的象素数由求得的虹膜半径获得，瞳孔缩放因子定义为虹膜半径与瞳孔半径的差在虹膜半径中所占的比重，虹膜可见度定义为眼睑遮盖因子与瞳孔缩放因子的乘积；

4)采用“标准分法”将以上三种指标综合起来，对采集到的一个图像序列，针对每一项指标将其中的图像由高到低排序，按照正态分布的原理，指定一个分布区间，计算出每一幅图像对应该项指标的标准分，将每幅图像的三个标准分相加，得到虹膜图像的综合质量指数，在采集到的图像序列中选取质量最好的图像进行识别。

Images