基于灰度特征的虹膜图像质量评价方法

技术创新
《微计算机信息》2012年第28卷第10期
120元/年邮局订阅号：82-946
《现场总线技术应用200例》
管控一体化
基于灰度特征的虹膜图像质量评价方法
A Quality Evaluation Method of Iris Images Based on Gradation Feature
(长沙理工大学)
罗晓庆周响金
LUO Xiao-qing ZHOU Xiang-jin
摘要:在虹膜识别系统中,图像质量对识别效果具有关键性的影响。

针对虹膜图像采集过程中可能出现的失焦、运动模糊等
问题,本文提出了一种基于灰度特征的虹膜图像质量评价方法。

该方法以虹膜图像的灰度分布特征为基础,提炼出虹膜完整性、虹膜可见度和虹膜清晰度三个指标,进而建立一个虹膜图像质量评价模型。

实验结果表明,该方法能够快速有效地鉴定虹膜图像的质量水平。

关键词:质量评价;虹膜图像;灰度特征中图分类号:TP391文献标识码:A
Abstract:The quality of iris image has a critical impact on recognition effectiveness in iris recognition systems.Targeting the prob -lems,such as defocus and motion blur,in the process of capturing iris images,this paper proposes a fast and effective method of e -valuating iris image quality.The method builds an iris image quality evaluation model by extracting 3indices,namely,iris integrality,iris visibility and iris definition,based on the gradation distribution feature of the iris image.The experimental results indicate that this method can identify the quality of iris images quickly and effectively.Key words:Quality Assessment;Iris Image;Gradation Feature
文章编号:1008-0570(2012)10-0258-03
1引言
虹膜识别是近年发展起来的一种新型生物特征识别方法。

与指纹识别、人脸识别和语音识别等其它生物特征识别方法相比,虹膜识别在准确性、唯一性、稳定性、可采集性和非侵犯性等方面具有更强的优势。

在实际应用中,虹膜识别系统的识别效果与采集的图像质量密切相关。

虹膜图像在采集过程中往往容易出现运动模糊、失焦、眼睑遮挡等异常情况,这些情况将会使得虹膜识别系统难以做出准确的判断,严重影响识别效果。

为了提高识别准确率,当采集到一幅虹膜图像后,需要对虹膜图像进行质量评价,检验虹膜图像是否合格,以筛选掉采集效果不佳的图像,保证后续操作的顺利进行。

目前,已有不少工作研究虹膜识别中的图像质量评价方法。

Daugman 通过计算虹膜图像二维傅里叶频谱中的高频段能量来评估虹膜图像的清晰程度。

Ma 等将虹膜图像的二维傅里叶频谱划分为高、中、低频段后,用虹膜区域总的频谱能量来区分未遮挡和严重遮挡的虹膜图像,用中频段能量与其他频率能量的比值来区分清晰和模糊的虹膜图像。

陆旭光等提出基于视觉感兴趣区的图像质量评价方法,该方法通过分析影响视觉兴趣性的亮度、灰度、面积等因素,得出不同区域的兴趣性加权系数,对客观图像质量进行评价。

文献4提出对虹膜图像空间滤波后,分别使用傅里叶频谱高频、垂直高频能量来评估离焦模糊和运动模糊程度,用虹膜区域的平均灰度值来判断虹膜是否存在遮挡。

文献5提出对虹膜图像进行二级小波分解后,计算小波系数的方差来区分清晰和模糊图像,用高频子带图像中小于某灰度阈值的像素个数来估计虹膜遮挡程度。

文献6提出对虹膜图像进行小波包分解,选取高频分量分布最集中的子频带能量来评估虹膜纹理的清晰程度。

上述评价方法主要针对眼部图像的整体质量,从图像频谱信息中提取反映图像质量的特征向量,但忽略了虹膜图像部分本身的结构和纹理特征,使得评价效果不够准确,耗时太长。

针对虹膜识别系统需要预先鉴定图像质量的需求,本文提出一种快速有效的质量评价方法。

该方法以虹膜完整性、虹膜可见度和虹膜清晰度三个度量指标为基础,建立一个虹膜图像质量评价模型。

2虹膜图像质量评价模型
采集过程中通常出现的异常情况在虹膜图像中主要体现为如下质量问题:(1)因采集虹膜图像时,瞳孔偏离到边缘位置而导致虹膜区域不完整;(2)由于用户眨眼或未充分睁开眼睛而导致拍摄的虹膜区域太小;(3)在采集过程中,由于用户移动或对焦不准确而导致虹膜图像模糊。

根据这些问题,本文用虹膜完整性、虹膜可见度和虹膜清晰度三个指标,来度量虹膜图像的质量水平。

虹膜完整性是指在图像中虹膜部分是否完整;虹膜可见度是指有效虹膜区域在图像中所占的比重;虹膜清晰度是图像的清晰程度。

采集一幅虹膜图像,首先必须保证虹膜在图像内,确保虹膜完整性。

其次判断虹膜可见度和虹膜清晰度,两者都应该有一个最小的阈值,并且两者之和应该达到一个较大的阈值。

当所有条件满足时,则认为这是一幅合格的图像。

因此,虹膜图像的质量
评价模型可设计为图1所示。

同时,虹膜图像的综合质量水平表达式如式(1)所示。

(1)
其中:S 代表虹膜图像综合质量指标,B 是虹膜涵盖度指标,
罗晓庆:硕士研究生
258--
邮局订阅号：82-946120元/年技术创新
管控一体化
《PLC 技术应用200例》
您的论文得到两院院士关注
是布尔型,Q 是虹膜可见度指标,H 是虹膜清晰度指标,T Q 、T H 和T QH 分别是Q 、H 以及Q 与H 之和的阈值,通过实验数据分析,可以确定该阈值的大小。

只有B=1且Q 、H 和Q+H 大于一定阈值时,图像综合指标S 才取1,即图像质量合格,否则视为不合格图像。

3虹膜图像质量评价指标
3.1虹膜完整性
虹膜完整性是指在图像中虹膜部分是否完整。

虹膜介于瞳
孔与巩膜之间,是一个环状区域。

由虹膜图像的灰度分布特征可知,瞳孔区域的平均灰度值最小,虹膜其次,巩膜最大。

因此,直接检测虹膜区域来判断虹膜完整性比较困难,而瞳孔近似圆形且灰度值更容易计算,可以通过检测瞳孔位置来确定虹膜是否完全包含在图像内。

具体步骤如下:
1)将虹膜图像分块,计算每块图像大小,并令宽度略等于瞳孔直径(根据经验值,一般可估计为瞳孔直径大小);
2)分别统计每块的灰度值的大小,灰度值最小的那块就是包含瞳孔部分最多的一块;
3)计算这块图像的坐标值,并判断该块图像是否位于整幅虹膜图像边缘;
4)若这块图像在边缘位置,则可认为部分虹膜不在图像内,不符合虹膜识别要求。

设图像共分成M*N 块,第(i ,j)块灰度值的大小如式(2)表示:
(2)
其中:I(i ,j)是虹膜图像第(i ,j)块大小的灰度值之和,f(x ,y)是图像在(x ,y)像素点处的灰度值。

通过计算每块图像灰度值的大小,求出灰度值最小的图像块的坐标位置,记为I min (i ,j),根
据(i ,j)的大小判定瞳孔的位置,进而判定虹膜完整性。

若得到的i 和j 的值在图像的上下左右边缘,那么可认为虹膜具有不完整性,可用式(3)表示:
(3)
B 是一个布尔值,当i 和j 取最小值或最大值时,B 取0,表示部分虹膜不在图像内,即视为虹膜图像不合格。

否则B 取1,表示具有虹膜完整性。

与其它经典算法相比,该算法大大降低了时间复杂度,而且在对定位精度要求不是很高的情况下,基本上可以如实反映虹膜区域的完整性情况,特别适合实时的图像质量评价的需要。

3.2虹膜可见度
虹膜可见度主要指有效虹膜区域的比重。

虹膜的可见度大小主要受到眼睑遮盖和瞳孔缩放的影响。

因此,虹膜可见度可以用眼睑遮盖度和瞳孔缩放度两个评价因子来衡量。

眼睑遮盖度是指实际看到的虹膜区域的像素点数目与整个虹膜圆环区域像素点数目的比重。

瞳孔缩放度是通过虹膜内圆半径与外圆半径之比来衡量。

用Q 1和Q 2分别表示眼睑遮盖度和瞳孔缩放度评价因子。

Q 1越大,表示实际看到的虹膜区域的像素点数目越多,即虹膜可见度越大。

Q 2越大,表示瞳孔被放大,致使虹膜内圆半径越大,而外圆半径不会发生变化,进而导致瞳孔缩放度越大,即虹膜可见度越小。

因此,需要综合这两个评价因子,得到虹膜可见度的度量值。

(1).Q 1的计算:
在图像大小为320*280的情况下,对于正常虹膜图像,采集到的瞳孔半经在30到50像素之间,瞳孔的灰度值在40到60之间,而虹膜区域半经在80到130像素之间,虹膜的灰度值在100到150之间,而巩膜及眼睑区域的灰度一般大于160。

按照这种差异,可以通过两个阈值I up 和I down ,作为统计有效虹膜区域像素数的上下限。

Q 1的表达式如(4)所示。

(4)
其中,,I(x ,y)是图像在(x ,y)坐标处的
灰度值。

由于虹膜的灰度值要比瞳孔的灰度值大,比巩膜和眼睑的灰度值小,因此,可以将瞳孔的平均灰度值设定为I down 。

具体步骤如下:
①统计虹膜图像灰度值的直方图;
②根据直方图灰度值分布特点,确定一个阈值,并且通过二值化处理将瞳孔边界定位出来,其中包括部分睫毛;
③通过图形学中的腐蚀和膨胀的方法去除睫毛干扰;
④将二值化后的虹膜图像分别投影到X 轴和Y 轴上,计算瞳孔的上下左右边界,分别用x Min ,x Max ,y Min ,y Max 表示。

则瞳孔的圆心和半径如式(5)表示:
(5)
⑤统计瞳孔区域的平均灰度值,最后得到I down 的值。

一般情况下,采集到的虹膜图像中,虹膜上下边缘容易被眼睑遮盖,而眼睑的灰度值一般比虹膜的灰度值要大,与巩膜的灰度值接近。

因此,选取一块巩膜区域与一块眼睑区域,分别计算每块区域的平均灰度值,将较小作为I up 。

首先粗略定位出虹膜外圆的半径,本文利用一种快速有效的定位虹膜外圆的方法。

由于虹膜外圆的圆心跟瞳孔的圆心相距很近。

在粗略定位的情况下,可视虹膜内外圆的圆心重合。

以穿过圆心(X 0,Y 0)坐标的水平线为轴,选取上下几条曲线,分别沿着左右两边进行灰度差分求值。

在大于瞳孔半径以外的一定范围内,分别计算梯度最大值,其平均值即为虹膜与巩膜的边界点。

左右边界距离的一半即为虹膜的半径。

利用I down 和I up 两个阈值,统计有效虹膜区域的象素数N iris ,得到Q 1。

用这种方法,还可以有效的排除光斑和睫毛的影响。

(2).Q 2的计算:
Q 2是瞳孔缩放因子,其表达式如下:
(6)
其中:R 0是虹膜内圆的半径,R i 是虹膜外圆的半径。

(3).虹膜可见度:
(7)
Q 表示虹膜可见度因子,Q 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。

3.3虹膜清晰度
本文根据虹膜图像的灰度分布特征,用瞳孔边沿的平均高度H 来评价虹膜图像的聚焦状态和清晰度,能取得很好的效果。

具体步骤如下:
(1)在虹膜图像中选定若干行,每行都穿过瞳孔。

(2)对于每一行,可以形成一个灰度曲线。

虹膜与瞳孔的灰度值相差较大,图像越清晰,其差值越明显,
259--
技术创新
《微计算机信息》2012年第28卷第10期
120元/年邮局订阅号：82-946
《现场总线技术应用200例》
管控一体化
所以虹膜与瞳孔之间的边沿对应于灰度曲线上明显的跳变边沿。

设灰度曲线上的点表示为In 。

(3)由灰度曲线,经过差分运算,求得灰度差分曲线Dn 。

差分运算如下:
(8)
n 个相邻点的差分累加为:
(9)
(4)在瞳孔边沿的大致范围内,从瞳孔区开始,分别向左和向右逐点往虹膜区滑动,检测3个相邻像素点的差分累加和W 3。

如果某个W 3的绝对值首次大于一个门限值W h ,则把3个像素点中的第1个像素点确定为瞳孔边沿的起始点。

(5)继续逐点滑动,直到某个W 3小于门限值结束滑动检测,并把最后一次大于门限值的W 3的3个相邻像素点的第3个像素点确定为瞳孔边沿的结束点。

(6)计算瞳孔边沿起始点到结束点的图像灰度累加和W m
(假设由m 个像素点组成),然后再求得平均值,即为瞳孔的一个边沿高度。

(7)计算所有选定行的瞳孔边沿高度,求平均值,再除以灰度级大小,最后得到瞳孔边沿的平均高度H 。

H 越大,说明该虹膜图像具备足够的聚焦度和清晰度,否则,当小于一定值T h 时,则不能满足虹膜识别的要求。

4实验结果与分析
本文主要从虹膜完整性、虹膜可见度和虹膜清晰度三个方面对虹膜图像进行了实验,取得了很好的效果。

采用的测试数据选自中科院自动化研究所公开的虹膜数据库CASIA 1.0库,以及自行设计的在各种异常情况下采集的虹膜图像。

图2显示的是虹膜位置检测结果。

a 图的瞳孔在图像内部,则可认为虹膜区域在整个图像内具有完整性。

b 图检测出瞳孔在图像边缘,表示部分虹膜不在图像内,不满足虹膜识别要求。

不同虹膜图像的虹膜可见度如图3所示。

从图中可以看到,a 图严重地被眼睑和睫毛遮挡住,虹膜可见度很小,因而无法提供足够的识别信息,不满足识别要求。

b 图中虽然眼睑遮盖范围比c 图少,但是,由于瞳孔放大,实际可用于识别的有效纹理很少,综合考虑两种因素,c 图的虹膜可见度要高于b 图。

d 图的眼睑对虹膜的遮盖很小,并且瞳孔收缩,因而可用的虹膜纹理信息非常丰富。

图4是利用瞳孔边缘的平均高度评价虹膜清晰度。

a 图是经过二值化处理后分割出的虹膜图像;b 图是虹膜图像定位结果;c 图是水平穿过瞳孔区域的灰度曲线,d 图是对应的灰度差分曲线。

在多条穿过瞳孔的灰度曲线上寻找到多个瞳孔边沿后,便可以得到瞳孔边沿的平均高度H=0.41。

通过对数据库里的图像进行大量测试,本文算法对各种异
常图像能够起到很好的过滤作用。

和Daugman 的算法进行了对比,在时间和正确率方面,本文算法都有所提高,特别适合实时的图像质量评价的需要。

对比测试结果如表1所示。

表1对比测试结果
5结论
本文提出了基于灰度特征的虹膜图像质量评价方法,该方法以虹膜图像的灰度分布特征为基础,提出虹膜完整性、虹膜可见度和虹膜清晰度三个指标,进而建立一个虹膜图像质量评价模型。

实验设备采用主频2.30GHz 的计算机,在Visual C++6.0环境下进行了测试。

与其它经典算法相比,该方法可实现对图像的实时处理,耗时更短,是一种有效可行的虹膜图像质量评价方法。

作者对本文版权全权负责,无抄袭。

参考文献
[1]DAUGMAN J.How iris recognition works.IEEE Transactions on Circuits and Systems for Video Technology[C],2004,14(1):21-30[2]Ma L,Tan T N,Wang Y H,Zhang D X.Personal identification based on iris texture analysis.IEEE Transactions on Pattern Anal －ysis and Machine Intelligence[C],2003,25(12)
[3]陆旭光,汪岳峰等.基于视觉感兴趣区的图像质量评价方法[J].微计算机信息.2005,0-3:
[4]Wei Z S,Tan T N,Sun Z N,Cui J L.Robust and fast assess －ment of iris image quality.In:Proceedings of the International Conference on Biometrics.Hong Kong,China:Springer,2006.464-471
[5]Pan L L,Xie M.The algorithm of iris image quality evaluation.In:Proceedings of the International Conference on Communica －tions,Circuits,and Systems.Kokura,Japan:IEEE,2007.616-619[6]Chen Ji,Hu Guang-Shu,Xu Jin.Iris image quality evaluation method based on wavelet packet decomposition.Journal of Ts －inghua University (Science and Technology),2003,43(3):377-380[7]中国科学院自动化研究所。

CASIA 虹膜图像数据库[DB/OL].(2003-10)[2005-08].
作者简介:罗晓庆(1983-),女(汉族),河南漯河人,长沙理工大学计算机与通信工程学院硕士研究生,主要研究方向为图像处理与模式识别。

Biography:LUO Xiao -qing (1983-),female (Han nationality),Luohe Henan,Changsha University of Science &Technology,re -search area:image processing and mode recognition.(410114湖南长沙长沙理工大学)罗晓庆周响金
通讯地址:(410114湖南长沙长沙理工大学)罗晓庆
(收稿日期:2011.10.28)(修稿日期:2012.01.28)
260--。