虹膜采集系统中 像质量评估的研究

摘  要： 虹膜识别系统中，虹膜图像质量的好坏直接影响识别的精度。针对虹膜采集过程，提出一种全面的虹膜质量评估方法，利用直方图对虹膜图像进行总体评估、对瞳孔定位；利用瞳孔圆心与亮斑重心之间的距离判断亮斑的位置与瞳孔的偏离度；利用总有界变差对虹膜感兴趣区域进行清晰度的判断；利用直线拟合法定位眼睑并对虹膜有效区域进行判断。实验证明，本文提出的方法切实可行。
关键词： 虹膜识别；质量评估；总有界变差；直线拟合

　在各种不同的生物识别技术中，虹膜识别比其他的生物识别拥有更多的优良特性：唯一性、稳定性、良好的防伪性、非侵犯性[1]。传统虹膜识别系统主要包括虹膜采集、预处理、特征提取和特征匹配。但是虹膜识别系统采集的虹膜图像并不是都符合识别的要求，其中有很多图像存在着模糊、反光点干扰、虹膜有效区域过小等影响，降低了虹膜图像识别的精度。所以在对虹膜图像预处理前对虹膜图像进行质量评估显得尤为重要[2]。本文在对现有的虹膜图像质量评估算法分析研究基础上，结合虹膜采集系统的实际情况，提出一种比较全面的虹膜质量评估方法。
1 总体评估
　本文采集到的虹膜图像大小为480×640像素的8位灰度图像。在采集过程中由于被采集者的移动往往使得采集到的虹膜图像在质量上存在很大的缺陷，如图1所示。所以在虹膜图像进行定位前须对图像进行总体的评价，剔除一些不合要求的图像，以保证虹膜定位的准确性，节省采集过程所需时间。

　一个合适的虹膜图像其直方图的分布有规律性[3]，如图2为一虹膜图像和其灰度直方图。由图可以发现，直方图有三个比较明显的峰值，分别对应瞳孔区域(NP)、虹膜区域(NI)和巩膜与皮肤区域(No)，其中，NP为灰度值<45的所有像素点，NI为灰度值在45~120之间的所有像素点，NO为灰度值>120的所有像素点。评估参数计算如下：

式中Q1、Q2为定义的两个评估参数，Q1越小证明虹膜的可见度愈小，但是如果Q1过大也有可能是瞳孔被遮挡，所以对Q1选择两个门限，即符合要求的虹膜图像应满足T1<Q1<T2，而对Q2设定门限为Q2>T3。T1、T2、T3是通过实验得到的阈值。

　式中，(x，y)为瞳孔的圆心。D越小证明亮斑越靠近瞳孔圆心，偏离度越小；反之，越远离瞳孔圆心，其偏离度越大。因此设定一阈值Td，规定D大于此阈值的图像为不合格。光源点的检测结果如图5所示。

　从检测结果可以发现，图5(a)、(b)两幅图像的亮斑与瞳孔圆心距离小，偏离度也小，符合要求。图5(c)中的亮斑与瞳孔圆心距离远，虹膜偏离度也比较大，部分亮斑在虹膜的区域上，破坏了虹膜的纹理，是不合格的图像。
2.3 图像清晰度判断
　在虹膜采集的过程中，由于移动或离焦都会使虹膜图像变得模糊，虹膜图像清晰与否直接影响到整个虹膜识别过程，清晰的图像可以有效地降低误判率。目前虹膜图像清晰度的评估方法主要有三种：空域分析法、频域分析法[5]、小波分析法[6]。其中，频域分析法计算量大，不能满足实时处理的要求，而空域分析法则运算速度快，可以满足实时处理要求。
　本文利用图像的总有界变差[7]判断虹膜图像的清晰度。数字图像的总有界变差即图像f(x，y)在x、y方向的变化率之和，可表示为：

　通过对ROI区域的总有界变差的计算，选择合适的阈值，规定总有界变差大于此阈值的虹膜图像为清晰图像。
2.4 虹膜有效区域的判断
　在整个眼部图像中，眼皮对虹膜部分的遮挡情况会经常出现，如果眼皮对虹膜部分遮挡严重将会影响到识别的精度。目前关于上下眼睑的检测大部分都是采用二次曲线的拟合进行检测。这种方法可以比较准确地定位眼睑部分，但是算法难度相对较大，运算速度慢。针对这种情况，本文在一定的精度下采用近似直线拟合的方法对眼睑进行检测。一般情况下，下眼皮对虹膜部分的影响较小，所以本文主要针对上眼皮的遮挡进行上眼睑的检测。
　检验出上眼睑后就可以求出眼睑下方虹膜区域的面积，根据面积的大小可以判定眼皮对虹膜部分的遮档情况。为了节省时间，本文在瞳孔的上部选择了一个64×64大小的ROI区域，然后在ROI区域中进行上眼睑检测。主要步骤如下：

　本文在总结了当前主流虹膜质量评估算法的基础上，从实时性出发，分别从总体与细节两方面对虹膜图像进行质量评估。在细节评估方面提出了一些新的方法，相比目前的一些主流评估方法更全面、更快速。通过对大量的虹膜图像进行评估表明，本文的算法与主观评估相一致。
参考文献
[1] 王蕴红，朱勇，谭铁牛.基于虹膜识别的身份鉴别[J].自动化学报，2002，28(1)：1-10.
[2] XING L， SHI P F.  A quality evaluation method of iris images[J]. Chinese Jorunal of Stereology and Images Analysis， 2003，8(2).
[3] 马争，骆丽.实时虹膜图像质量评估的研究[J].仪器仪表学报，2008(4)：144-148.
[4] 邢磊，施鹏飞.虹膜图像的质量评估方法[J].中国体视学报与图像分析，2005，8(2)：108-113.
[5] Li Ma， Tan Tieniu， Wang Yunhong， et al. Personal identification based on iris texture analysis[J]. Transaction On Pattern Analysis And Machine Intelligence， 2003，25(12).
[6] 陈戟，胡广书，徐进.基于小波包分解的虹膜图像质量评级算法[J].清华大学学报(自然科学版)，2003(3)：377-380.
[7] Cheng Xiaogang， Chen Qimei， Liu Guoqing. The relation between total bounded variation and image definition detection[J]. Journal of Beijing University of Posts and Telecommunications， 2009(9)：120-122.