一种虹膜图像质量评价的方法

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

一种虹膜图像质量评价的方法　

卢光明　：，戚佳音　，廖庆敏　

ＬＵ　Ｇｕａｎｇ—ｍｉｎｇ　一，ＱＩ　Ｊｉａ－ｙｉｎ　，ＬＩＡＯ　Ｑｉｎｇ—ｍｉｎ　

１０青华大学深圳研究生院，广东深圳５１８０５５　２．哈尔滨工业大学计算机科学与技术学院，哈尔滨１　５０００　１　

１．Ｇｒａｄｕａｔｅ　Ｓｃｈｏｏｌ　ａｔ　Ｓｈｅｎｚｈｅｎ，Ｔｓｉｎｇｈｕａ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｚｈｅｎ，Ｇｕａｎｇｄｏｎｇ　５　１　８０５５，Ｃｈｉｎａ　２．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ　

ＬＵ　Ｇｕａｎｇ—ｍｉｎｇ，Ｑｉ　Ｊｉａ—ｙｉｎ，ＬＩＡＯ　Ｑｉｎｇ－ｍｉｎ．Ｉｒｉｓ　ｉｍａｇｅ　ｑｕａｌｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｍｅｔｈｏｄ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａ—　ｔｉｏｎｓ，２００７，４３（２６）：１９７—１９９．　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｉｒｉｓ　ｉｍａｇｅ　ｉｓ　ｔｈｅ　ｋｅｙ　ｐｏｉｎｔ　ｔｏ　ａｆｆｅｃｔ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｉｒｉｓ　ｒｅｃｏｇｎｉｔｉｏｎ　ｓｙｓｔｅｍ．Ｓｅｌｅｃｔｉｎｇ　ｇｏｏｄ　ｉｒｉｓ　ｉｍａｇｅｓ　ｆｒｏｍ　ａ　ｓｅｑｕｅｎ‘ｃｅ　ｆｒａｍｅｓ　ｃａｎ　ｅｆｆｉｃｉｅｎｔｌｙ　ｄｅｐｒｅｓｓ　ｔｈｅ　ｆａｌｓｅ　ｒｅｊｅｃｔｉｏｎ　ｒａｔｅ　ａｎｄ　ｆａｌｓｅ　ａｃｃｅｐｔａｎｃｅ　ｒａｔｅ　ｏｆ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｓｙｓｔｅｍ．Ｆｏｕｒ　

ｍａｉｎ　ｃａｕｓｅｓ　ｆｒｏｍ　ｖａｒｉｏｕｓ　ｆａｃｔｏｒ－ｏｒｉｅｎｔｅｄ　ｎｏｉｓｅｓ　ｏｆｔｅｎ　ｄｅｇｒａｄｅ　ｉｒｉｓ　ｉｍａｇｅ　ｑｕａｌｉｔｙ：ｄｅｆｏｃｕｓ，ｍｏｔｉｏｎ　ｂｌｕｒ，ｅｙｅｌｉｄ　ｏｃｃｌｕｓｉｏｎ，ａｎｄ　ｅｙｅｌａｓｈ　ｏｃｃｌｕｓｉｏｎ．Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｔｅｘｔｕｒｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｎ　ｉｒｉｓ　ｉｍａｇｅｓ，ａｎ　ｉｍａｇｅ　ｑｕａｌｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｍｅｔｈｏｄ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｃｏｒｒｅ—　ｓｐｏｎｄｉｎｇ　ｔｏ　ｄｉｆｆｅｒｅｎｔ　ｓｉｔｕａｔｉｏｎｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｉｄｅａｓ　ｏｆ　ｅｖａｌｕａｔｉｏｎ　ａｒｅａ　ｌｏｃａｌｉｚｉｎｇ，ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｔｒａｎｓｆｏｒｍ，ａｎｄ　ｗｅｉｇｈｔｅｄ　ｅｎｅｒｇｙ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｅｓｅｎｔｅｄ　ｍｅｔｈｏｄ　ｉｓ　ｅｆｆｉｃｉｅｎｔ　ａｎｄ　ｒｅａｌ—ｔｉｍｅ　ｉｎ　ａｓｓｅｓｓｉｎｇ　ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｉｒｉｓ　ｉｍａｇｅｓ，ａｎｄ　ｔｈｅ　ｅｖａｌ—　

ｕａｔｉｏｎ　ｒｅｓｕｌｔｓ　ａｒｅ　ｃｏｉｎｃｉｄｅｎｔ　ｔｏ　ｔｈｅ　ｊｕｄｇｍｅｎｔ　ｏｆ　ｈｕｍａｎ　ｅｙｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｉｒｉｓ　ｒｅｃｏｇｎｉｔｉｏｎ；ｉｍａｇｅ　ｑｕａｌｉｔｙ　ａｓｓｅｓｓｍｅｎｔ；ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｔｒａｎｓｆｏｒｍ　

摘要：虹膜图像质量是影响虹膜识别系统精度的关键。从序列图像中挑选出符合要求的虹膜图像能有效地降低识别系统的拒识　率和误识率。这里按照产生虹膜图像奇异的不同情形：失焦、运动模糊、眼睑遮挡及睫毛遮挡，充分利用虹膜自身的纹理分布特点，　

在算法中引入了评价区域局部化、小波包分解和能量加权等思想，分别设计相应算法加以评判。实验结果表明该评价方案快速有　

效．其评价结果和人眼主观评价相吻合。　关键词：虹膜识别；质量评价；小波包　文章编号：１００２—８３３１（２００７）２６—０１９７—０３　文献标识码：Ａ　中图分类号：ＴＰ３９１．４１　

采集到清晰，高质量的虹膜图像是虹膜识别的首要问题。　

在采集虹膜图像时经常伴随着瞳孔收缩、眼睛眨动、眼珠转动　

等生理现象，容易造成虹膜成像质量出现问题，从而导致虹膜　识别系统的拒识率和误识率的升高。因此相对可以静态采集的　

其他生物特征（如指纹，掌纹，手形等）而言，虹膜图像的质量评　

价对提高整个虹膜识别系统的性能起到更加重要的作用。　

目前国内外对虹膜图像质量评价进行了一些初步地探ｉ寸，　提出了一些质量评价方法：Ｄｕａｇｍａｎ采用计算傅立叶频谱高频　

能量的方法判断是否清晰…；Ｚｈａｎｇ通过分析瞳孔、虹膜之问的　

边界梯度判断图像是否清晰　；Ｍａ等人定义了一个描绘子从频　域的角度来描述虹膜图像质量１　。但目前虹膜图像质量评价尚　

没有一个被广泛认可的完整评价体系，使用的所有方法均是对　

眼部图像整体质量的评价，而忽略了虹膜图像部分本身的结构　

特征和纹理特征，使得评价结果的准确性还有待改进。　

本文提出了一种新的虹膜图像质量评价方案。该方案对奇　异虹膜　像进行分类，分离出４种最主要的异常情况：失焦、运　

动模｛；ｌＩｊ、睫毛遮挡、跟睑遮挡ｆ图１　ｏ针对这４种情况的图像，　设计不同的评价因子，分别进行判断。　

一■　

（ａ）失焦模糊　（ｂ）运动模糊　

一一　

（ｃ）眼睑遮挡　（ｄ）睫毛遮挡　１　四种典型异常虹膜图像　

为了准确评价算法的有效性，定义了正确判别率来作为评　价算法准确性依据。即正确判断率为正确分类的图像数与总体　测试图像数量的比值。而判别失败可分为两种情况：（Ｉ）清晰的　

图像被错判为模糊图像；（２）模糊图像被漏判为清晰图像。当产　生错判时会导致清晰图片的丢弃，这种情况下需要重新采集清　

作者简介：卢光明（１９７５一），男，、井师，博士，主要研究方向为图像处理、模式识别等；戚佳音（１９８０一），女，博士生，研究方向为生物特征识别；廖庆敏　（１９６３一），男，教授，博士，研究方向为　像处理、视觉信息处理。

　维普资讯 http://www.cqvip.com １９８　２００７，４３（２６）　Ｃｏｍｐｕｔｅｒ　Ｅｎ　ｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

晰图像样本，会对系统的识别速度产生影响。当产生漏判时会　

导致识别失败，或携带噪声信息的低质量图片进入注册数据　库，最终带来拒识率和误识率的升高。所以理想的评价算法应　

该具有较高的正确判别率。　

１评价方案　

１．１失焦　

由于虹膜范围小、细节特征多，要获得高分辨率的图像，要　求光学系统具有较大的放大率，同时需要较大的光圈来保证光　

照条件。但是光圈越大，系统景深越小，采集时头部稍微前后移　

动，就会导致不同程度的失焦　。失焦是最常见的虹膜图像质量　问题之一。　以往的虹膜图像评价方法通常是对虹膜进行精确定位后，　

将虹膜所在的环形区域展开为矩形区域，然后在矩形区域上进　行傅里叶变换或小波变换，完成图像质量的评价。然而定位出　

的环形区域并不完全就是虹膜，往往还包含了部分眼皮以及睫　

毛等，直接计算该区域高频分量的大小，并不能真实地反映出　

图像的清晰程度。通过观察及实验发现，瞳孔两侧的虹膜相对　来说最稳定，受其它因素的干扰最小。用这两块区域（区域Ｉ、　ＩＩ）作为待评价区域，更能真实的反映虹膜图像质量的差异，其　

ｒ　０　Ｃ　，　中区域Ｉ定义的区域为Ｊ＋÷丌，＋÷丌ｆ，区域ＩＩ定义为　Ｌ　叶　叶　Ｊ　ｒ　１　１　｝丌，一｝丌ｆ，最后都归一化为大小１２８￣６４的矩形区域　Ｌ　叶　叶　Ｊ　（图２）。　

图２待评价区域及对应的展开矩形区域　

虹膜具有丰富的纹理信息。纹理清晰与否在频域上主要反　

映在高频部分，可以根据图像小波变换后高频分量的多少来评　价图像的质量，高频分量越多则认为图像质量越好　１。虹膜纹理　

主要基于径向分布，将之展开到直角坐标系，则纹理主要沿垂　直方向分布，小波包分解后纹理对应的高频能量主要集中在垂　

直高频区，即　。因此可选择　作为特征子频带。小波包除了继　

承了小波变换的优点之外，更能在高频处进一步细分，纹理越　清晰，其频域能量的分布越趋向于高频段，对这些频带的能量　

赋予适当的权值求和，从而能更精确的反应虹膜纹理的清晰程　

度。同时虹膜纹理在径向上并不是均匀分布的，越是靠近瞳孔　处纹理分布越密集，反之越稀疏，如果把虹膜内层区域赋予较　

大的权值，外层赋予较小的权值，更能符合虹膜纹理本身的特　

性。基于这种考虑，提出了“基于小波包分解的局部能量加权”　

算法来评价失焦虹膜图像质量（如图３所示）。　

图３　失焦评价算法流程图　针对虹膜图像首先提取评价区域，在所提取的评价区域内　

进行小波包分解，计算其特定频带的能量，按照不同频带赋予　

不同的权重并求和，再把评价区域划分成为不同的环带，把能　

量按照不同环带加权求和，最终得到针对失焦虹膜图像的评价　

因子Ｑ蛳　：　

Ｑ蛳　＝Ｅｐ＋　（１）　其中，　不同频带加权因子邑不同环带加权因子。　

小波包分解后得到的垂直高频区　更能反映虹膜纹理信　

息。将　继续剖分为　，　日，　和ＶＤ，使高频能量进一步细　

分，选择　，　，　作为分析频带。具体分解过程如图４所示。　

为降低运算量，选择双正交、短系数的ｄ６　ｌ５小波基。采用快速　

小波包分解算法，第一级分解时仅计算垂直高频子块　，对　

作进一步分解时仅计算　Ａ和　子块能量。　

图４小波包分解步骤　

首先定义频带能量如下：　

Ｅｉ＝∑　Ｕ，ｋ）：　（２）　Ｊ．ｈ　是不同频带小波系数，Ｅ为对应频带能量。　

纹理越清晰，其频域能量的分布越趋向于高频段，因此将　

，　，　的能量按照不同权重相加，权值的大小按照能量集　

中程度设定，以加权结果和作为判别纹理细节的清晰程度的　准则。　

Ｅ。　ＥｖｘＷｖ＋ＥＶＡｘＷＶＡ＋Ｅｖｖ＋Ｗ　ｖｖ　ｔ３）　其中，Ｅ为对应频带能量，　为对应频带的权值。　

然后把评价区域划分成多个等宽的同心环带，参考环带内　

的平均半径计算能量权值，权值从虹膜内侧至外侧递减。　

ｒ　邑：导∑（　×Ｅ）　（４）　

（５）　

其中ｚ。是瞳孔的中心，Ｅ是第ｔ环带上的加权能量，ｚ　是第ｔ环　

带到ｚ　的平均半径，　是第ｔ环带的权值，ｃ为调解常数。　

１．２运动模糊　

，在虹膜图像采集中运动模糊也是一种经常出现的情况。目　前大多数ＣＣＤ器件都工作于隔行扫描方式。隔行扫描是把一　

幅图像分成两场来扫描，第一次由上而下水平扫描奇数线，第　

二次扫描偶数线。二次扫描所生成的图场合成一幅完整的图　

像。由于扫描时是以奇数、偶数扫描线做交替隔行扫描，在这种　

工作方式下，如果被采集者在采集时发生运动，那么这两场将　

呈现出较大的差异，导致图像模糊。因此可以利用相邻行像素　

点的差异来作为度量运动模糊图像的判别依据。　

经过实验分析，设计了一个３ｘｎ算子△（该算子定义如表　

ｌ所示），用该算子与虹膜图像卷积，来计算相邻行象素之间的　

差异，然后统计水平像素灰度差异均值，最终得到运动模糊评　

价因子ｐ一。

　维普资讯 http://www.cqvip.com