尹思璐，孫洪林，劉笑楠，李秀梅

（1.沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院,沈陽(yáng)110870；2.93303部隊(duì)，沈陽(yáng)110015）

1 引 言

虹膜識(shí)別是利用人眼虹膜作為生物特征進(jìn)行身份認(rèn)證的生物特征識(shí)別技術(shù)。通過(guò)二十余年的發(fā)展，可控環(huán)境下虹膜識(shí)別技術(shù)已經(jīng)具有非常優(yōu)越的識(shí)別性能。這些虹膜識(shí)別系統(tǒng)大多在特定環(huán)境下采用紅外光或可見(jiàn)光采集設(shè)備對(duì)虹膜進(jìn)行圖像采集，所得虹膜圖像受干擾小，質(zhì)量?jī)?yōu)良[1]。隨著移動(dòng)互聯(lián)網(wǎng)及智能移動(dòng)設(shè)備的飛速發(fā)展和普及，應(yīng)用于智能移動(dòng)終端的移動(dòng)虹膜識(shí)別技術(shù)越來(lái)越受到眾多研究者的重視。然而，在“移動(dòng)”的應(yīng)用條件下，由于圖像采集條件的不可控，導(dǎo)致所得的圖像受到光照、位置錯(cuò)誤等諸多因素干擾，虹膜圖像的質(zhì)量嚴(yán)重降低，直接影響移動(dòng)虹膜識(shí)別系統(tǒng)的識(shí)別性能[2]。因此，如何正確評(píng)價(jià)移動(dòng)終端在不可控條件下所獲虹膜圖像的質(zhì)量是推動(dòng)移動(dòng)終端虹膜識(shí)別技術(shù)發(fā)展和應(yīng)用的關(guān)鍵問(wèn)題。

虹膜圖像的質(zhì)量評(píng)價(jià)方法可分為單測(cè)度和多測(cè)度兩類，其中多測(cè)度方法基本是由多個(gè)單測(cè)度評(píng)價(jià)組合而成[3]。如羅曉慶等人[4]以虹膜圖像的灰度分布特征為基礎(chǔ)，提出虹膜完整性、虹膜可見(jiàn)度和虹膜清晰度三個(gè)單測(cè)度結(jié)合的虹膜圖像質(zhì)量評(píng)價(jià)模型。藺勇等人[5]提出了利用圖像分割參數(shù)計(jì)算各評(píng)價(jià)因子的方法，根據(jù)實(shí)驗(yàn)得到的各評(píng)價(jià)因子閾值以及圖像分割可能的錯(cuò)誤，對(duì)質(zhì)量評(píng)價(jià)因子進(jìn)行校準(zhǔn)，最后融合校準(zhǔn)后的因子形成虹膜圖像質(zhì)量評(píng)價(jià)值。史春蕾等人[6]提出離焦模糊和眼瞼嚴(yán)重遮擋兩種測(cè)度的評(píng)價(jià)方法，利用LoG算子提取虹膜兩側(cè)局部區(qū)域的高頻能量以判斷圖像是否散焦模糊，并計(jì)算瞳孔上方指定矩形區(qū)域的灰度均值判斷虹膜是否有眼瞼嚴(yán)重遮擋。Lee等人[7]提出了一種能夠從圖像序列中選擇高質(zhì)量的虹膜圖像的序列圖像質(zhì)量評(píng)價(jià)方法。該方法首先計(jì)算鄰近瞳孔的右側(cè)和左側(cè)的虹膜區(qū)域的梯度信息，以區(qū)分模糊圖像與對(duì)焦圖像，然后使用有效的虹膜區(qū)域來(lái)區(qū)分遮擋圖像和有用圖像。王洪[8]提出了基于徑向?qū)ΨQ變換的瞳孔粗定位及快速虹膜圖像質(zhì)量判定算法。上述方法在紅外虹膜圖像的質(zhì)量評(píng)價(jià)領(lǐng)域均取得了良好的效果。

然而，移動(dòng)虹膜識(shí)別的采集條件與傳統(tǒng)的虹膜識(shí)別相差甚遠(yuǎn)，采集所得的虹膜圖像中不僅存在共性的質(zhì)量問(wèn)題，還存在可見(jiàn)光采集的特有問(wèn)題。如圖1和圖2所示，兩類圖像對(duì)比可見(jiàn)：首先，兩種采集方式均可獲得清晰的虹膜圖像，如圖1(a)和圖2(a)、(b)、(c)；其次，兩類圖像均可能出現(xiàn)模糊現(xiàn)象，如圖1(b)和圖2(j)、(k)、(l)，不同的是移動(dòng)虹膜識(shí)別中的模糊不僅僅來(lái)源于失焦問(wèn)題，還可能源于采集者手或頭的輕微運(yùn)動(dòng)引起的運(yùn)動(dòng)模糊；再次，兩類圖像均可能出現(xiàn)遮擋現(xiàn)象，如眼皮遮擋等，如圖1(c)和圖2(d)、(e)、(f)，不同的是智能手機(jī)的操作者往往不是專業(yè)虹膜識(shí)別研究者，無(wú)法準(zhǔn)確把握?qǐng)D像采集時(shí)機(jī)，從而導(dǎo)致更加嚴(yán)重的遮擋甚至閉眼；最后，可見(jiàn)光采集帶來(lái)嚴(yán)重的光干擾問(wèn)題，尤其會(huì)在虹膜區(qū)域產(chǎn)生鏡面反射，從而嚴(yán)重干擾虹膜紋理信息，如圖2(g)、(h)、(i)。

圖1 紅外光下拍攝的虹膜圖像(來(lái)自圖庫(kù)CASIA[9])

圖2 移動(dòng)終端拍攝的可見(jiàn)光虹膜圖像

綜上所述，移動(dòng)虹膜識(shí)別由于圖像采集條件的變化，導(dǎo)致圖像中出現(xiàn)了不同于傳統(tǒng)虹膜識(shí)別固定距離紅外采集的新的干擾因素。這些干擾所導(dǎo)致的虹膜模糊、遮擋、光反射等問(wèn)題將嚴(yán)重降低虹膜圖像的質(zhì)量，影響虹膜紋理的特征提取與匹配，降低虹膜識(shí)別的正確率和運(yùn)行效率。而傳統(tǒng)的虹膜圖像質(zhì)量評(píng)價(jià)方法無(wú)法完全適用于可見(jiàn)光下采集的虹膜圖像，因此亟需研究新的解決方案。為此，提出一種應(yīng)用于可見(jiàn)光虹膜圖像的多測(cè)度級(jí)聯(lián)型圖像質(zhì)量評(píng)價(jià)方法。該方法首先利用Viola-Jones算法在實(shí)現(xiàn)眼區(qū)域定位的同時(shí)排除嚴(yán)重干擾圖像；其次，通過(guò)所設(shè)計(jì)的滑動(dòng)窗口對(duì)眼區(qū)域圖像進(jìn)行遍歷，實(shí)現(xiàn)瞳孔中心的定位，確定虹膜區(qū)域的準(zhǔn)確位置，進(jìn)一步排除虹膜中存在陰影或眼瞼、睫毛遮擋，閉眼，及圖像整體灰度過(guò)暗或過(guò)亮等受干擾嚴(yán)重的虹膜圖像；最后，采用所設(shè)計(jì)的鏡面反射評(píng)價(jià)因子和模糊評(píng)價(jià)因子進(jìn)行圖像反射和模糊程度的定量評(píng)價(jià)。最終通過(guò)上述級(jí)聯(lián)式模型實(shí)現(xiàn)對(duì)干擾嚴(yán)重的虹膜圖像的排除，并對(duì)余下的虹膜圖像進(jìn)行干擾類型的判斷與干擾程度的評(píng)價(jià)，為提高移動(dòng)虹膜識(shí)別系統(tǒng)的識(shí)別正確率和運(yùn)算效率提供幫助。

2 可見(jiàn)光虹膜圖像質(zhì)量評(píng)價(jià)相關(guān)定義及標(biāo)準(zhǔn)

為研究可見(jiàn)光虹膜圖像的質(zhì)量評(píng)價(jià)方法并對(duì)方法的檢測(cè)效果進(jìn)行客觀評(píng)價(jià)，通過(guò)實(shí)驗(yàn)室人員對(duì)MICHE-I圖庫(kù)[10]中的虹膜圖像的主觀評(píng)價(jià)和識(shí)別，對(duì)虹膜圖像進(jìn)行了類別分組。參與評(píng)價(jià)人員共5人，一男四女，全部從事虹膜識(shí)別相關(guān)課題的研究，分類結(jié)果的判定采用少數(shù)服從多數(shù)的原則。通過(guò)上述方法，將圖庫(kù)中的虹膜圖像分為優(yōu)質(zhì)圖像和干擾圖像兩類，并將干擾圖像中的嚴(yán)重干擾圖像、反射干擾圖像和模糊干擾圖像單獨(dú)分組。通過(guò)對(duì)各組圖像的相關(guān)特性的分析，給出各類圖像的描述和評(píng)價(jià)標(biāo)準(zhǔn)。

優(yōu)質(zhì)圖像中眼睛及周圍區(qū)域應(yīng)符合眼部特征，如圖2(a)、(b)、(c)所示，上下眼瞼的灰度明顯高于虹膜的灰度，虹膜的灰度明顯高于瞳孔的灰度，虹膜區(qū)域基本未被遮擋，并且虹膜紋理清晰可見(jiàn)。

嚴(yán)重干擾圖像，如圖2(d)、(e)、(f)所示，眼睛及周圍區(qū)域不符合眼部特征，虹膜區(qū)域被嚴(yán)重遮擋或紋理被全部埋沒(méi)，無(wú)法定位到虹膜，更不可能存在可以提取的虹膜紋理信息，因此在質(zhì)量評(píng)價(jià)過(guò)程中這類圖像應(yīng)直接排除。

反射干擾圖像是由于眼角膜對(duì)光源產(chǎn)生鏡面反射，此時(shí)虹膜紋理被光反射遮擋，如圖2(g)、(h)、(i)所示。這種光干擾可能來(lái)自光源或者其他物體的反射光，隨著遮擋面積的增大，可提取的虹膜紋理信息越來(lái)越少。

模糊圖像是由于在拍攝時(shí)，攝像頭失焦或者拍攝者手或頭部的輕微運(yùn)動(dòng)，導(dǎo)致虹膜紋理模糊不清，模糊程度越大，提取虹膜紋理信息的可能性就越小。如圖2(j)、(k)、(l)所示即為虹膜區(qū)域不同程度模糊的圖像。

3 級(jí)聯(lián)型可見(jiàn)光虹膜圖像質(zhì)量評(píng)價(jià)方法

本研究設(shè)計(jì)了一個(gè)三層級(jí)聯(lián)的判別模型對(duì)虹膜圖像進(jìn)行質(zhì)量判別。模型第一層采用Viola-Jones算法[11]實(shí)現(xiàn)圖像中的眼睛區(qū)域定位，并且進(jìn)行無(wú)眼區(qū)域特征的嚴(yán)重干擾圖像的排除，對(duì)后續(xù)步驟中的感興趣區(qū)域進(jìn)行第一次質(zhì)量粗評(píng)價(jià)；第二層利用所設(shè)計(jì)的滑動(dòng)窗口來(lái)定位瞳孔中心點(diǎn)，并根據(jù)該點(diǎn)位置和虹膜半徑獲得精確的虹膜區(qū)域，通過(guò)上述過(guò)程進(jìn)一步對(duì)虹膜區(qū)域存在嚴(yán)重干擾的虹膜圖像進(jìn)行檢測(cè)，從而排除受眼瞼、外物陰影、頭發(fā)遮擋或閉眼的虹膜圖像；第三層通過(guò)專門定義的檢測(cè)因子衡量虹膜區(qū)域的模糊和光反射程度，對(duì)圖像質(zhì)量進(jìn)行定量評(píng)價(jià)。模型結(jié)構(gòu)如圖3所示。三層結(jié)構(gòu)逐級(jí)展開(kāi)，每一層均可實(shí)現(xiàn)特定屬性的質(zhì)量評(píng)價(jià)，二、三層均在上一層次評(píng)價(jià)結(jié)果的基礎(chǔ)上對(duì)該層的屬性進(jìn)行評(píng)價(jià)，層層遞進(jìn)，最終實(shí)現(xiàn)虹膜圖像中虹膜區(qū)域的圖像質(zhì)量評(píng)價(jià)。

3.1 基于Viola-Jones算法的眼區(qū)域檢測(cè)

在第一層級(jí)聯(lián)判別模型中，采用Viola-Jones算法，該方法分為三個(gè)步驟：

(1)利用Haar-like特征[12]描述人眼的共有屬性并采用積分圖法計(jì)算特征；

圖3 級(jí)聯(lián)型多測(cè)度質(zhì)量評(píng)價(jià)模型結(jié)構(gòu)圖

(2)利用特征訓(xùn)練弱分類器使之成為最優(yōu)分類器，多個(gè)最優(yōu)弱分類器組合形成強(qiáng)分類器；

(3)將強(qiáng)分類器級(jí)聯(lián)，提高檢測(cè)的速度和準(zhǔn)確率。

Viola-Jones算法首先將圖像分割成24×24的窗口，提取每個(gè)窗口的人眼特征，采用積分圖快速計(jì)算特征值。將該特征值經(jīng)過(guò)下式所示的弱分類器：

式中，χ為圖像的子窗口，f為Haar-like特征，θ為閾值，p表示不等式的方向。然后，Viola-Jones算法采用Adaboost迭代算法的一個(gè)變體，將弱分類器迭代成強(qiáng)分類器。組合T個(gè)最優(yōu)弱分類器得到強(qiáng)分類器，組合方式如下：

圖4 眼區(qū)域檢測(cè)級(jí)聯(lián)分類器

通過(guò)上述步驟，即可檢測(cè)出虹膜圖像中特征最符合眼區(qū)域特征的眼睛區(qū)域范圍，而一些由于閉眼、位置錯(cuò)誤或眼區(qū)域嚴(yán)重遮擋而產(chǎn)生的干擾嚴(yán)重的虹膜圖像將無(wú)眼區(qū)域檢出，從而被排除在外，無(wú)法進(jìn)入下一個(gè)層級(jí)的質(zhì)量評(píng)價(jià)。

3.2 基于虹膜區(qū)域定位的感興趣區(qū)域質(zhì)量評(píng)價(jià)

判別各區(qū)域的灰度屬性是否符合本層從第一層模型得到的眼睛區(qū)域，通過(guò)定位瞳孔中心點(diǎn)，再以該點(diǎn)為中心向外擴(kuò)散確定虹膜的半徑，最后通過(guò)眼睛模板驗(yàn)證得到的結(jié)果，判斷該圖像虹膜區(qū)域的特性是否符合評(píng)價(jià)標(biāo)準(zhǔn)。

正常的虹膜圖像中瞳孔區(qū)域像素灰度小于虹膜區(qū)域像素灰度，而虹膜區(qū)域像素灰度又小于鞏膜和皮膚區(qū)域像素灰度。因此，一個(gè)質(zhì)量合格的圖像，其眼周區(qū)域灰度最小的位置應(yīng)該位于瞳孔?；谏鲜龇治?，本層次首先設(shè)計(jì)一個(gè)正方形滑動(dòng)窗口，其邊長(zhǎng)略大于瞳孔直徑，令其在第一層判別模型得到的眼睛區(qū)域內(nèi)由上至下，由左至右滑動(dòng)，找出平均灰度最小的滑動(dòng)窗口，將該滑動(dòng)窗判定為瞳孔所在區(qū)域，滑動(dòng)窗的中心即為瞳孔內(nèi)一點(diǎn)。然后，以該點(diǎn)為圓心，逐像素增大半徑，計(jì)算每?jī)蓚€(gè)相鄰半徑同心圓的灰度均值，將平均灰度差值的最大點(diǎn)所對(duì)應(yīng)的圓半徑作為虹膜區(qū)域的外徑。

為了確定上述過(guò)程中滑動(dòng)窗口大小和虹膜外徑的搜索范圍，需要對(duì)圖庫(kù)中860張圖像的上述參數(shù)進(jìn)行統(tǒng)計(jì)分析。分析結(jié)果如圖5所示。圖中兩個(gè)數(shù)據(jù)集分別為瞳孔直徑和虹膜外徑的歸一化統(tǒng)計(jì)結(jié)果，可得知兩參數(shù)的最大值分別為38和186。因此滑動(dòng)窗口選取40×40個(gè)像素即可將所有圖像中的瞳孔包含在內(nèi)且計(jì)算量最?。缓缒ね獍霃剿阉魃舷拗颠x為200。

為了對(duì)虹膜區(qū)域的圖像質(zhì)量進(jìn)行進(jìn)一步評(píng)價(jià)，排除受干擾的劣質(zhì)虹膜圖像，需要對(duì)所得虹膜區(qū)域圖像進(jìn)行評(píng)價(jià)和篩選。本研究依據(jù)優(yōu)質(zhì)圖像虹膜區(qū)域的特性設(shè)計(jì)如圖6所示的檢測(cè)模板，將瞳孔與虹膜看作兩個(gè)同心圓，分別取左側(cè)鞏膜A，左側(cè)虹膜B，瞳孔C，右側(cè)虹膜D，右側(cè)鞏膜E，下側(cè)虹膜F和眼皮上G七個(gè)區(qū)域。判斷是否符合A＞B＞C，C＜D＜E且C＜F＜G，并將判別結(jié)果作為第二步質(zhì)量評(píng)價(jià)的結(jié)果。

圖5 瞳孔直徑和虹膜外半徑歸一化箱式統(tǒng)計(jì)圖

圖6 虹膜區(qū)域檢測(cè)模板

3.3 基于評(píng)價(jià)因子的虹膜區(qū)域模糊及鏡面反射程度評(píng)價(jià)

通過(guò)前兩層的評(píng)價(jià)，已基本排除閉眼、位置錯(cuò)誤、嚴(yán)重遮擋等被嚴(yán)重干擾的虹膜圖像，并且實(shí)現(xiàn)了虹膜區(qū)域定位。在第三層評(píng)價(jià)中，特別定義了兩種評(píng)價(jià)因子，評(píng)價(jià)虹膜圖像的受光干擾程度和模糊程度，對(duì)虹膜圖像的質(zhì)量進(jìn)行定量評(píng)價(jià)。

3.3.1 鏡面反射評(píng)價(jià)因子

虹膜區(qū)域鏡面反射評(píng)價(jià)因子定義如下式：

式中Aspec表示虹膜區(qū)域中存在鏡面反射的區(qū)域的面積，Anom則表示其中未被光照干擾的區(qū)域的面積。

通過(guò)對(duì)圖庫(kù)中虹膜圖像的分析，可得知在亮度分量下，存在反射與無(wú)光干擾像素的亮度數(shù)值具有良好的可分性。圖7所示為隨機(jī)選取100張存在鏡面反射的虹膜圖像的亮度統(tǒng)計(jì)結(jié)果，分別選取虹膜區(qū)域中兩類區(qū)域各100個(gè)像素點(diǎn)進(jìn)行統(tǒng)計(jì)，可以發(fā)現(xiàn)，虹膜中鏡面反射區(qū)域的圖像亮度明顯高于其他區(qū)域，這說(shuō)明在該分量上虹膜中的光干擾區(qū)域與其他區(qū)域具有良好的可分性，可通過(guò)圖像分割的方法將其分開(kāi)。因此將原圖像變換到HSV顏色模型中，在亮度分量V中利用OTSU法[13]選取閾值T，當(dāng)像素亮度Tij＞T時(shí)，判定該像素為存在鏡面反射的虹膜區(qū)域；否則，判定為無(wú)光干擾區(qū)域。

圖7 反射區(qū)域與無(wú)反射區(qū)域像素亮度對(duì)比

3.3.2 模糊評(píng)價(jià)因子

采用二維離散小波變換方法[14]評(píng)價(jià)虹膜區(qū)域的模糊程度，評(píng)價(jià)因子定義如下式：

其中HL表示圖像水平方向上的高頻信息矩陣之和，LH表示圖像豎直方向上的高頻信息之和，HH表示圖像在對(duì)角線方向上的高頻信息之和,v表示圖像的平均灰度。設(shè)原圖像的大小為M×N，對(duì)圖像做1階二維離散小波變換，得細(xì)節(jié)分量則式(4)中各參數(shù)計(jì)算方法如下：

由于圖庫(kù)中的圖像是在不確定的條件下拍攝的，每張圖像的光照強(qiáng)度、圖像背景與曝光程度都不相同，使得圖像的清晰度受灰度影響很大。為了計(jì)算得到的清晰度具有可比性，將高頻分量和與圖像平均灰度之比作為模糊評(píng)價(jià)因子。

4 實(shí)驗(yàn)結(jié)果及分析

采用MICHE-I虹膜圖像庫(kù)對(duì)算法進(jìn)行測(cè)試。該圖庫(kù)是在可見(jiàn)光下使用移動(dòng)設(shè)備分別在室內(nèi)與室外采集的虹膜圖像。此處采用其中由iPhone 5拍攝60個(gè)人的共計(jì)860張虹膜圖像，圖像分辨率為960×1280像素。

4.1 級(jí)聯(lián)判別模型各層次結(jié)果分析

如圖8所示為第一層評(píng)價(jià)的輸出結(jié)果，圖中分別為圖2中各圖像的檢測(cè)結(jié)果。檢測(cè)結(jié)果表明，此方法能夠利用Viola-Jones算法在移動(dòng)端虹膜圖像中定位出眼睛的位置。對(duì)于被嚴(yán)重干擾的虹膜圖像，如圖8(e)和圖8(f)所示，由于眼睛區(qū)域的窗口特征不符合眼睛的Haar-like特征，無(wú)法正確定位眼區(qū)域，這類圖像可直接排除。

圖8 第一層評(píng)判結(jié)果

經(jīng)過(guò)第一層質(zhì)量評(píng)價(jià)后，一部分嚴(yán)重干擾的圖像被排除。在此基礎(chǔ)上，第二層判別模型在眼睛區(qū)域的瞳孔內(nèi)一點(diǎn)定位結(jié)果如圖9所示 (以白點(diǎn)標(biāo)示)。實(shí)驗(yàn)結(jié)果表明，對(duì)于無(wú)干擾的優(yōu)質(zhì)虹膜圖像，瞳孔內(nèi)一點(diǎn)被準(zhǔn)確定位，如圖9(a)～(c)和圖9(f)～(j)所示；而對(duì)于虹膜區(qū)域被眼瞼、面部陰影或眼鏡框嚴(yán)重遮擋的虹膜圖像，如圖9(d)～(e)所示，得到的則是錯(cuò)誤的瞳孔中心定位。

圖9 定位瞳孔中心點(diǎn)

利用上述方法，可計(jì)算出虹膜的外半徑，結(jié)果如圖10所示。通過(guò)檢測(cè)模板的評(píng)判，圖10(d)由于虹膜區(qū)域并不滿足模板要求而被剔除。

圖10 虹膜區(qū)域定位結(jié)果

第三層判別模型檢測(cè)鏡面反射因子與模糊因子。利用上述方法對(duì)圖10中正確定位虹膜區(qū)域進(jìn)行鏡面反射因子與模糊因子的計(jì)算，結(jié)果如表1所示。從表中可以得知，當(dāng)虹膜區(qū)域存在反射時(shí)，λ值比較高，如圖10(e)～(g)；當(dāng)虹膜區(qū)域模糊時(shí)，g值比較低，如圖11(h)～(j)。由此可見(jiàn)，利用本方法能有效地檢測(cè)干擾因子的種類及程度。

表1 圖10中各虹膜圖像反射因子與模糊因子數(shù)值

另外，與其他時(shí)域變換[15]和頻域變換[16]方法相比較，此處定義的模糊評(píng)價(jià)因子所采用的小波變換方法能夠更好地反映圖像的模糊程度。在分類圖庫(kù)中隨機(jī)選取50幅模糊圖像和50張優(yōu)質(zhì)圖像分別采用時(shí)域變換、頻域變換對(duì)圖像的相關(guān)特性進(jìn)行分析，如圖11所示。

圖11 三種方法比較結(jié)果圖

實(shí)驗(yàn)結(jié)果表明，頻域方法與時(shí)域方法在移動(dòng)端拍攝的虹膜圖像中不具有可分性，而本研究中提出的基于小波變換的評(píng)價(jià)因子在清晰圖像與模糊圖像中有明顯的區(qū)別，說(shuō)明該因子對(duì)虹膜圖像的模糊程度具有更高的敏感性。

4.2 反射與模糊測(cè)度的閾值分析

為了確定反射與模糊干擾圖像的評(píng)價(jià)標(biāo)準(zhǔn)，分別采用不同評(píng)價(jià)閾值所獲得的評(píng)判結(jié)果與主觀評(píng)價(jià)結(jié)果進(jìn)行比對(duì)，結(jié)果如圖12和圖13所示。

圖12 反射圖像判別ROC曲線圖

圖13 模糊圖像判別ROC曲線圖

圖12所示為以四種大小的反射評(píng)價(jià)因子取值為分類標(biāo)準(zhǔn)所獲得的存在反射與不存在反射兩類虹膜圖像的分類結(jié)果ROC曲線，圖中λ分別取值0.3、0.4、0.5和0.6。結(jié)果表明，反射程度選取為0.4時(shí)，得到最大的AUC，與主觀評(píng)價(jià)的結(jié)果最為接近。因此，在該評(píng)價(jià)模型中，將λ=0.4作為虹膜圖像是否存在反射光干擾的評(píng)判閾值。

圖13所示為以四種大小的模糊評(píng)價(jià)因子取值為分類標(biāo)準(zhǔn)所獲得的模糊與非模糊兩類虹膜圖像的分類結(jié)果ROC曲線，圖中g(shù)分別取值1.1×104、1.2×104、1.3×104和 1.4×104。結(jié)果表明，當(dāng)模糊判別閾值選取為1.3×104時(shí)，得到最大的AUC，與主觀評(píng)價(jià)的結(jié)果最接近。因此，此模型將該值作為虹膜圖像是否判為模糊的評(píng)判閾值。

4.3 質(zhì)量評(píng)價(jià)方法對(duì)虹膜識(shí)別結(jié)果的影響

為了說(shuō)明本方法對(duì)虹膜識(shí)別正確率的影響，分別對(duì)圖庫(kù)中的圖像進(jìn)行兩次識(shí)別測(cè)試，其一是在預(yù)處理步驟中融入本方法，另外一次則不進(jìn)行圖像的質(zhì)量評(píng)價(jià)。兩次測(cè)試均采用二維Gabor變換提取虹膜特征，將所得特征進(jìn)行二維離散余弦變換，最后用歐氏距離進(jìn)行分類。當(dāng)不加入質(zhì)量評(píng)價(jià)時(shí)，虹膜識(shí)別正確率為68%，加入質(zhì)量評(píng)價(jià)時(shí)，虹膜識(shí)別正確率提高到81%?？梢?jiàn)，在虹膜識(shí)別系統(tǒng)中加入該質(zhì)量評(píng)價(jià)環(huán)節(jié)，能夠大幅提高虹膜識(shí)別的準(zhǔn)確率。另外，由于劣質(zhì)圖像的逐層排除，使得進(jìn)入后續(xù)運(yùn)算的圖像數(shù)量減少，從而提高虹膜識(shí)別系統(tǒng)的運(yùn)算效率。

5 結(jié)束語(yǔ)

提出了一種應(yīng)用于可見(jiàn)光虹膜圖像的質(zhì)量評(píng)價(jià)方法，即級(jí)聯(lián)型多測(cè)度質(zhì)量評(píng)價(jià)方法。該方法由三層級(jí)聯(lián)模型構(gòu)成，每一層都對(duì)虹膜圖像的質(zhì)量做出相應(yīng)評(píng)價(jià)，避免受嚴(yán)重干擾的圖像進(jìn)入下一個(gè)層次的判別，并且針對(duì)可見(jiàn)光中特有的光反射問(wèn)題和模糊問(wèn)題給出了定量評(píng)價(jià)的方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地對(duì)虹膜圖像做出定性和定量評(píng)價(jià)。如將此法應(yīng)用于移動(dòng)虹膜識(shí)別系統(tǒng)中，可在虹膜采集后對(duì)虹膜圖像做出即時(shí)的質(zhì)量評(píng)價(jià)，當(dāng)未取得合格虹膜圖像時(shí)，便能及時(shí)提醒用戶重新拍攝圖像，僅令質(zhì)量合格的圖像進(jìn)入后續(xù)的特征提取和身份識(shí)別步驟。這將提高移動(dòng)終端虹膜識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率和運(yùn)行效率，減輕終端的運(yùn)算負(fù)擔(dān)。