吳祖慷, 朱曉冬, 劉元寧, 王超群, 周智勇

(1. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 長春 130012； 2. 吉林大學(xué) 符號計(jì)算與知識工程教育部重點(diǎn)實(shí)驗(yàn)室, 長春 130012； 3. 吉林大學(xué) 軟件學(xué)院, 長春 130012)

近年來, 人們對信息安全的需求日益增加, 生物信息識別技術(shù)憑借高精度等突出優(yōu)勢正逐步取代傳統(tǒng)身份認(rèn)證方法, 虹膜識別技術(shù)更是由于高識別率和可靠性而得到廣泛關(guān)注. 虹膜識別過程主要包括圖像采集、 預(yù)處理、 特征提取和特征識別4個(gè)模塊. 獲取圖像的質(zhì)量優(yōu)劣直接影響系統(tǒng)的識別效果, 所以在處理虹膜圖像前設(shè)置虹膜圖像的質(zhì)量評價(jià)步驟十分必要[1].

Daugman[2]通過計(jì)算整幅圖像的二維Fourier頻譜中的高頻能量判斷虹膜圖像的清晰度； Wildes[3]利用虹膜外邊緣處的灰度變化值評價(jià)圖像粗糙程度； 陳戟等[4]使用基于小波包分解的方法評判虹膜圖像紋理質(zhì)量. 在評價(jià)指標(biāo)融合方面, Aditya等[5]采用累加計(jì)算評估因素的方法進(jìn)行圖像多方位質(zhì)量測評； Gao[6]提出了粗-精評價(jià)指標(biāo)相結(jié)合的方法, 并利用支持向量機(jī)(support vector machine, SVM)對指標(biāo)進(jìn)行融合得到分類結(jié)果； 晁靜靜等[7]利用GA-BP(genetic algorithm-back proagation)神經(jīng)網(wǎng)對多指標(biāo)進(jìn)行融合完成對虹膜圖像的綜合評價(jià).

為提高虹膜圖像質(zhì)量評價(jià)方法的準(zhǔn)確性, 本文結(jié)合ISO/IEC 27974-6: 2015[8]國際虹膜圖像質(zhì)量評價(jià)參考指標(biāo), 首先提出基于圖像處理的虹膜圖像活性檢測方法, 然后利用清晰度評價(jià)指標(biāo)對虹膜圖像進(jìn)行初步篩選, 最后利用離心度、 瞳孔放縮度、 瞳孔有效區(qū)域、 虹膜圓環(huán)區(qū)域清晰度4個(gè)評價(jià)指標(biāo), 結(jié)合SVM對指標(biāo)進(jìn)行有效融合, 并利用遺傳算法(GA)對模型進(jìn)行參數(shù)優(yōu)化. 通過GA-SVM模型對圖像的質(zhì)量評價(jià)結(jié)果進(jìn)行訓(xùn)練, 預(yù)測虹膜圖像的綜合評估分?jǐn)?shù), 本文方法的框架如圖1所示.

圖1 本文方法框架Fig.1 Framework of proposed method

1 虹膜圖像質(zhì)量評價(jià)指標(biāo)

1.1 虹膜活體檢測

為杜絕偽造和盜取他人的生物信息用于身份識別, 在質(zhì)量評價(jià)前, 通常需要判定輸入的虹膜圖像是否具有活性. 目前的經(jīng)典方法有利用瞳孔收縮反應(yīng)[9]、 基于神經(jīng)網(wǎng)絡(luò)二分類、 透鏡接觸方法、 動(dòng)作指令檢測、 光場成像[10]等. 本文利用圖像處理中圖像減法運(yùn)算完成對序列虹膜圖像的動(dòng)態(tài)檢測, 對序列相鄰兩幅圖像灰度值分量相減, 得到目標(biāo)的動(dòng)態(tài)表達(dá). 選取某類虹膜序列圖像8張, 若相鄰圖像間發(fā)生動(dòng)態(tài)變化, 則同一人在不同波段的圖像便會(huì)呈現(xiàn)圖像間的差別, 如圖2前7張序列相鄰圖像的動(dòng)態(tài)表達(dá)； 相反, 通過偽造等不具有活性的虹膜圖像通常不會(huì)呈現(xiàn)圖像的動(dòng)態(tài)性, 如圖2最后一張圖片. 表1列出了序列圖像瞳孔參數(shù)的變化, 由表1瞳孔坐標(biāo)(x,y)和半徑參數(shù)r的變化可知, 序列圖像是活性動(dòng)態(tài)的.

表1 序列圖像瞳孔參數(shù)的變化

圖2 序列相鄰圖像的動(dòng)態(tài)表達(dá)Fig.2 Dynamic expression of sequential adjacent images

1.2 整幅虹膜圖像清晰度檢測

首先對虹膜圖像進(jìn)行清晰度評價(jià), 本文采用Laplace梯度法[11]. 設(shè)虹膜圖像為M×N維, 利用二階Laplace算子對原始虹膜圖像進(jìn)行卷積, 分別提取水平和豎直方向的梯度, 計(jì)算平均灰度值, 作為清晰度指標(biāo)值Q1.圖像越清晰,Q1值越大, 并對Q1值小于設(shè)定閾值W1的圖像進(jìn)行篩除, 根據(jù)不同類別數(shù)據(jù)分別選取閾值W1.清晰度評價(jià)指標(biāo)計(jì)算公式為

(1)

其中Gx(x,y)和Gy(x,y)分別表示虹膜圖像像素點(diǎn)f(x,y)和卷積模板作用的結(jié)果.本文同時(shí)利用DefRto失焦檢測對Laplace梯度法進(jìn)行補(bǔ)充, 得到失焦檢測值DR, DR值越小表示圖像失焦越嚴(yán)重, 對虹膜圖像清晰度的評價(jià)結(jié)果如圖3所示.

圖3 同類不同樣本虹膜圖像的清晰度Fig.3 Definition of iris images of different samples in same class

1.3 虹膜斜眼和超邊界檢測

首先對圖像進(jìn)行開閉運(yùn)算、 二值化、 Canny邊緣檢測等預(yù)處理, 得到一張?jiān)肼曒^少的虹膜圖像； 再采用Hough圓檢測方法完成對虹膜圖像的定位分割, 并得到瞳孔圓心坐標(biāo)、 半徑和虹膜半徑等參數(shù)； 最后通過橡皮圈模型對分割圖像進(jìn)行歸一化處理, 調(diào)整歸一化圖像尺寸為512×64, 選取右上側(cè)睫毛眼瞼遮擋程度較小, 尺寸為256×32的ROI區(qū)域, 進(jìn)行直方圖均衡化[12]處理以增強(qiáng)圖像紋理特征, 效果如圖4所示.

在拍攝虹膜圖像時(shí), 會(huì)得到一些瞳孔偏移、 眼球翻轉(zhuǎn)程度較大和超邊界的圖像, 這些圖像通常會(huì)導(dǎo)致定位偏差和虹膜區(qū)域圖像不完整. 本文采用一種離心度評價(jià)指標(biāo), 即計(jì)算瞳孔圓心到圖像中心距離和圖像半對角線長度的比值大小, 離心度值越大表明圖像偏移程度越嚴(yán)重, 進(jìn)而對有上述問題的虹膜圖像進(jìn)行篩選. 設(shè)離心度評價(jià)指標(biāo)為L1, 計(jì)算公式為

(2)

其中Δd表示瞳孔中心到圖像中心的距離,d表示圖像對角半徑, (x1,y1)表示圖像中心點(diǎn)坐標(biāo), (xpupil,ypupil)表示瞳孔中心坐標(biāo).對虹膜圖像的離心度評價(jià)結(jié)果如5所示.

圖4 虹膜圖像的定位、 分割、 歸一化、 增強(qiáng)結(jié)果Fig.4 Localization, segmentation, normalization and enhancement results of iris images

圖5 虹膜圖像偏移度測試結(jié)果Fig.5 Results of deviation test of iris images

1.4 虹膜有效區(qū)域檢測

1.4.1 瞳孔放縮檢測

人眼瞳孔受到光強(qiáng)影響會(huì)產(chǎn)生縮放現(xiàn)象, 當(dāng)瞳孔擴(kuò)放程度較大時(shí), 會(huì)減少虹膜的有效紋理信息量, 難以提取更多的虹膜特征.本文通過瞳孔放縮評價(jià)指標(biāo), 對瞳孔過分?jǐn)U張的虹膜進(jìn)行篩查.通過對虹膜圖像進(jìn)行定位處理, 得到瞳孔區(qū)域的半徑值和虹膜外圓的半徑值, 設(shè)瞳孔放縮評價(jià)指標(biāo)為T1, 計(jì)算公式為

(3)

其中Spupil表示瞳孔區(qū)域面積,Siris表示虹膜區(qū)域面積,T1表示虹膜有效可用區(qū)域占比.T1值越大, 虹膜圖像包含的特征信息越多, 越有利于特征提取和識別.對虹膜圖像瞳孔放縮的評價(jià)結(jié)果如圖6所示.

圖6 虹膜圖像瞳孔擴(kuò)張、 收縮檢測結(jié)果Fig.6 Pupil dilation and contraction detection results of iris images

1.4.2 瞳孔有效區(qū)域

本文采用的虹膜定位方法為同心圓檢測, 因而瞳孔被睫毛、 眼瞼遮擋程度會(huì)反應(yīng)出虹膜圖像的遮擋程度和有效區(qū)域面積.在定位階段, 若瞳孔可見區(qū)域較小, 則Hough圓無法檢測出瞳孔圓, 由此可篩除閉眼程度較大的虹膜圖像. 對于其余閉眼情形, 本文提出一種瞳孔有效區(qū)域評價(jià)指標(biāo), 利用對虹膜圖像瞳孔黑色素個(gè)數(shù)和瞳孔內(nèi)圓面積的占比, 反映瞳孔的有效區(qū)域面積, 從而側(cè)面反映虹膜有效區(qū)域占比程度, 篩除包含紋理特征較少的虹膜圖像. 設(shè)瞳孔有效區(qū)域評價(jià)指標(biāo)為T2, 計(jì)算公式為

(4)

其中Spupil表示表示瞳孔區(qū)域面積,Bpupil表示瞳孔區(qū)域黑色像素點(diǎn)個(gè)數(shù), 得到評價(jià)結(jié)果如圖7所示.

圖7 虹膜圖像瞳孔有效區(qū)域檢測結(jié)果Fig.7 Pupil effective area detection results of iris images

1.5 虹膜圓環(huán)區(qū)域清晰度評價(jià)

虹膜圖像的清晰評價(jià)是針對整幅虹膜圖像進(jìn)行的, 篩除的多數(shù)為由于移動(dòng)和眨眼導(dǎo)致的運(yùn)動(dòng)模糊圖像, 不能有效評判人眼部分離焦模糊.實(shí)際上, 對虹膜圖像定位分割后得到的虹膜圓環(huán)區(qū)域紋理的清晰度更能表達(dá)虹膜圖像質(zhì)量的優(yōu)劣.因此, 本文提出一種基于歸一化虹膜區(qū)域圖像和ROI區(qū)域的清晰度評價(jià)方法, 評價(jià)指標(biāo)記為Qnor和Qroi, 評價(jià)方法同樣利用Laplace梯度方法, 對歸一化后的虹膜區(qū)域進(jìn)行清晰度質(zhì)量評價(jià). 設(shè)虹膜圓環(huán)區(qū)域清晰度評價(jià)指標(biāo)為

Q2=ω1×Qnor+ω2×Qroi,

其中ω1和ω2為Qnor和Qroi對應(yīng)的權(quán)值, 評價(jià)結(jié)果如圖8所示.

圖8 虹膜圓環(huán)區(qū)域清晰度評價(jià)結(jié)果Fig.8 Evaluation results of definition of iris cirrus region

2 多指標(biāo)融合的虹膜圖像質(zhì)量評價(jià)模型

2.1 指標(biāo)融合方法

對圖像質(zhì)量特征進(jìn)行融合, 就是構(gòu)造一個(gè)關(guān)于特征和圖像質(zhì)量的映射模型[13].目前已有很多融合的分類方法, 如Bayes概率方法、 神經(jīng)網(wǎng)絡(luò)方法等, 但上述方法均存在參數(shù)較多、 易陷入局部最優(yōu)等問題[14]. 而SVM具有小樣本、 處理非線性能力強(qiáng)、 精度高等特點(diǎn), 所以本文選用SVM作為指標(biāo)融合分類器. SVM利用核函數(shù)將低維的輸入空間數(shù)據(jù)通過非線性映射函數(shù)映射到高維特征空間, 將輸入空間中線性不可分問題轉(zhuǎn)化為特征空間中的線性可分問題； 輸入要分類樣本的特征向量矩陣, 同樣本標(biāo)簽一起放入模型中訓(xùn)練, 輸出分類結(jié)果. 但SVM仍存在許多問題, 如： 由于樣本集數(shù)量對訓(xùn)練模型的泛型及適用性會(huì)產(chǎn)生影響, 因此如何選取合適的樣本集； 如何選擇適用樣本特點(diǎn)的核函數(shù)； 如何確定最優(yōu)的核函數(shù)參數(shù)以及平衡系數(shù)等. 為提高SVM分類精度及對參數(shù)進(jìn)行有效優(yōu)化, 本文選取具有全局擇優(yōu)能力強(qiáng)、 不易陷入局部最優(yōu)解及自適應(yīng)和自學(xué)習(xí)等優(yōu)點(diǎn)的GA作為參數(shù)優(yōu)化方法.

2.2 GA-SVM分類器

SVM分類器設(shè)計(jì)的關(guān)鍵是確定核函數(shù). 高斯核通過比較樣本間的相似度, 在一個(gè)刻畫相似度的空間中, 使同類樣本更好地聚集, 進(jìn)而線性可分. 徑向基核(radial basis function, RBF)作為高斯核最常用的一種, 在處理大部分問題時(shí)效果都不會(huì)出現(xiàn)較大偏差, 且RBF需要確定的參數(shù)比其他核函數(shù)少, 函數(shù)復(fù)雜程度更低, 因此本文選用RBF核函數(shù).

優(yōu)化SVM分類器的關(guān)鍵是確定懲罰系數(shù)C和核參數(shù)γ.懲罰系數(shù)C值越大, 對誤分類的懲罰越大, 對訓(xùn)練集測試準(zhǔn)確率高, 但泛化能力較弱；C值越小, 對誤分類懲罰越小, 允許容錯(cuò), 將其作為噪聲點(diǎn), 泛化能力較強(qiáng).本文采用GA對SVM進(jìn)行優(yōu)化的算法流程如圖9所示.

GA對SVM進(jìn)行優(yōu)化的算法主要步驟如下.

1) 數(shù)據(jù)標(biāo)準(zhǔn)化： 對訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理, 消除量綱差異.

2) 編碼和種群初始化： 對懲罰系數(shù)C和核參數(shù)γ編碼, 隨機(jī)生成初始化種群.

3) GA停止優(yōu)化判斷： 計(jì)算個(gè)體適應(yīng)度, 并對種群進(jìn)行選擇、 交叉、 變異, 直至滿足GA終止條件, 得到優(yōu)化參數(shù).

4) SVM分類精度判斷： 將得到的優(yōu)化參數(shù)應(yīng)用到SVM分類器中進(jìn)行實(shí)驗(yàn)測試, 判斷是否符合期望精度, 若未達(dá)到, 則轉(zhuǎn)步驟3).

5) 測試分類： 利用訓(xùn)練好的GA-SVM模型對測試集進(jìn)行分類, 得到分類結(jié)果.

圖9 基于GA選取最優(yōu)參數(shù)流程Fig.9 Process of selecting optimal parameters based on GA

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)環(huán)境為CPU主頻2.20 GHz, 內(nèi)存4 GB, Win10操作系統(tǒng), 編程工具為VS2010和Python 3.9.0. 實(shí)驗(yàn)選用吉林大學(xué)生物信息識別實(shí)驗(yàn)室自主采集的JLU-6.0虹膜庫(http://www.jlucomputer.com/index/irislibrary/irislibrary.html)作為實(shí)驗(yàn)虹膜庫, 包含103類圖像, 左右雙眼, 每類400張圖像, 共計(jì)82 400張圖像； 本文選取JLU-6.0虹膜庫中50類圖像, 每類包含100張圖像, 共計(jì)5 000張虹膜圖像. 其中通過清晰度指標(biāo)初步篩除203張模糊圖像, 將剩余的4 797張圖像構(gòu)成實(shí)驗(yàn)數(shù)據(jù)集IrisData, 并根據(jù)匹配結(jié)果對每個(gè)樣本進(jìn)行標(biāo)記. 然后將IrisData按質(zhì)量優(yōu)劣分成三部分, 其中質(zhì)量較好部分包含1 535張圖像, 質(zhì)量合格部分包含2 734張圖像, 質(zhì)量不合格部分包含528張圖像. 質(zhì)量較好是指通過計(jì)算綜合質(zhì)量分?jǐn)?shù)評分較高且針對任何方法都能進(jìn)行匹配的樣本數(shù)據(jù), 故本文重點(diǎn)研究剩余的兩類圖像. 通過對隨機(jī)3類數(shù)據(jù)的測試, 將樣本數(shù)據(jù)的訓(xùn)練集和測試集劃分為(1/2)∶(1/2),(2/3)∶(1/3)和(3/4)∶(1/4), 利用分類器訓(xùn)練優(yōu)化得到的平均分類準(zhǔn)確率分別為94.594 6%,94.898 0%,93.243 2%. 表2列出了不同比例訓(xùn)練集和測試集的分類準(zhǔn)確性. 參數(shù)測試如圖10所示. 考慮到既要滿足較高的準(zhǔn)確性, 又要兼顧有足夠的訓(xùn)練數(shù)據(jù)泛化模型, 因此本文從剩余3 262張質(zhì)量合格和不合格圖像中每部分隨機(jī)挑選出2/3共2 175張圖像作為訓(xùn)練集IrisData_Train, 剩余的1/3共1 087張圖像作為測試集IrisData_Test.

圖10 測試集∶訓(xùn)練集=(1/3)∶(2/3)時(shí)的參數(shù)測試結(jié)果Fig.10 Test results of parameters with a ratio of 1/3 test set to 2/3 training set

表2 不同比例訓(xùn)練集和測試集的分類準(zhǔn)確性

3.1 評價(jià)指標(biāo)提取和數(shù)據(jù)標(biāo)準(zhǔn)化

將離心度L1、 瞳孔放縮度T1、 瞳孔有效區(qū)域T2、 虹膜圓環(huán)區(qū)域清晰度Q2這4個(gè)測度評價(jià)指標(biāo)經(jīng)標(biāo)準(zhǔn)化處理, 將指標(biāo)數(shù)據(jù)轉(zhuǎn)化為[0,1]內(nèi)的數(shù), 以消除數(shù)量級差異較大導(dǎo)致的誤差, 加速網(wǎng)絡(luò)訓(xùn)練的收斂.數(shù)據(jù)標(biāo)準(zhǔn)化方法采用min-max法[15], 其函數(shù)形式為

w=(w-wmin)/(wmax-wmin),

(5)

其中wmax和wmin分別表示每類數(shù)據(jù)中得分最大和最小的指標(biāo)值.將標(biāo)準(zhǔn)化后的評價(jià)指標(biāo)分別作為樣本向量的分量, 樣本向量的表達(dá)式為

(6)

3.2 虹膜圖像評估結(jié)果和模型效果分析

目前針對虹膜質(zhì)量評價(jià)算法性能的優(yōu)劣尚未統(tǒng)一標(biāo)準(zhǔn), 但評價(jià)方法需達(dá)到一定的準(zhǔn)確性[16-17].因此本文從評價(jià)指標(biāo)的準(zhǔn)確性和模型的分類準(zhǔn)確性兩方面進(jìn)行測試.

3.2.1 與主觀一致性的指標(biāo)有效性分析

為驗(yàn)證本文提出指標(biāo)的有效性, 針對上述指標(biāo), 從同一類400張虹膜圖像中選取8張質(zhì)量由低到高依次變化的樣本, 編號為1～8, 根據(jù)多測度指標(biāo)對相應(yīng)虹膜圖像樣本進(jìn)行評分.得到虹膜圖像不同質(zhì)量狀態(tài)和各評價(jià)指標(biāo)的關(guān)系如圖11所示.由圖11可見: 隨著虹膜圖像質(zhì)量狀態(tài)越來越好, 清晰度Q1、 虹膜圓環(huán)區(qū)域清晰度Q2指標(biāo)值呈增長趨勢, 且基于虹膜圓環(huán)區(qū)域評價(jià)相比于針對整幅圖像評價(jià)更能反映虹膜圖像清晰度的好壞程度, 如圖11(A)所示. 瞳孔有效區(qū)域T2指標(biāo)值越來越大, 離心度L1、 瞳孔放縮度T1值越來越小, 如圖11(B)所示.因此, 實(shí)驗(yàn)結(jié)果與本文所述的各指標(biāo)屬性基本一致, 本文提出的各評價(jià)指標(biāo)和主觀評價(jià)具有一致性, 即本文提出的各評價(jià)指標(biāo)是有效且準(zhǔn)確的.

圖11 與主觀一致性的指標(biāo)有效性分析結(jié)果Fig.11 Analysis results of effectiveness of indicators consistent with subjectivity

3.2.2 計(jì)算指標(biāo)順序?qū)|(zhì)量評價(jià)效率的影響

為降低評價(jià)因子的計(jì)算量, 在對虹膜圖像計(jì)算評價(jià)指標(biāo)值時(shí), 考慮到指標(biāo)值的計(jì)算依據(jù)對虹膜圖像的定位等操作, 本文對各指標(biāo)進(jìn)行了因果關(guān)系分析和順序調(diào)整, 分析結(jié)果如下.

1) 活體檢測： 無前提, 直接對圖像進(jìn)行形態(tài)學(xué)處理.

2) 清晰度： 無前提, 直接對圖像進(jìn)行函數(shù)運(yùn)算.

3) 離心度： 瞳孔定位, 得到瞳孔坐標(biāo)和半徑.

4) 瞳孔放縮度： 瞳孔定位, 虹膜定位, 得到瞳孔半徑和虹膜半徑.

5) 瞳孔有效區(qū)域： 瞳孔定位, 得到瞳孔半徑.

6) 虹膜圓環(huán)區(qū)域清晰度： 瞳孔定位, 虹膜定位, 歸一化, 截取圖像.

通過上述指標(biāo)依據(jù)的前提條件, 得到各指標(biāo)的關(guān)系順序： 1)→2)→5)→3)→4)→6), 對指標(biāo)順序進(jìn)行調(diào)整, 得到調(diào)整前后(單張圖像平均)的指標(biāo)計(jì)算時(shí)間列于表3.由表3可見, 合理對評價(jià)因子的計(jì)算順序進(jìn)行調(diào)整可縮短評價(jià)時(shí)間, 并提高評價(jià)效率.

表3 調(diào)整前后指標(biāo)計(jì)算時(shí)間的對比

3.2.3 GA-SVM模型分類準(zhǔn)確性分析

通過訓(xùn)練集IrisData_Train對GA-SVM進(jìn)行訓(xùn)練得到最優(yōu)參數(shù), 本文得C=1.87,γ=8.0； 根據(jù)GA-SVM訓(xùn)練模型對測試集IrisData_Test進(jìn)行分類, 正確率達(dá)98.804 0%, 因此, 本文提出的GA-SVM質(zhì)量評估分類模型能達(dá)到較好的正確分類率.

本文同時(shí)驗(yàn)證了SVM,BP,GA-BP方法對圖像質(zhì)量分類的準(zhǔn)確性, 對比結(jié)果列于表4.

表4 不同方法對圖像質(zhì)量分類準(zhǔn)確性的比較

3.2.4 質(zhì)量評價(jià)模型對虹膜圖像識別的影響

驗(yàn)證虹膜的識別率是檢驗(yàn)圖像質(zhì)量評價(jià)對虹膜識別是否有效的唯一判別方法. 本文對通過各方法模型篩選出的圖像進(jìn)行識別, 驗(yàn)證本文評價(jià)模型篩選的圖像更適用匹配認(rèn)證. 對虹膜圖像進(jìn)行預(yù)處理, 本文采用Gabor算法對增強(qiáng)處理后的ROI區(qū)域進(jìn)行特征提取, 并對比樣本特征圖像間的Hamming距離判斷虹膜是否匹配, 結(jié)果如圖12所示. 采用正確識別率(CRR)、 等錯(cuò)率(EER)指標(biāo)對各方法進(jìn)行測試, 結(jié)果列于表5.

圖12 Hamming距離計(jì)算虹膜圖像匹配Fig.12 Calculation of iris image matching based on Hamming distance

表5 不同方法對虹膜圖像識別的正確率和等錯(cuò)率

綜上所述, 為提高虹膜圖像質(zhì)量評價(jià)的準(zhǔn)確性, 本文提出了一種基于GA-SVM模型的多測度虹膜圖像質(zhì)量評價(jià)方法, 針對虹膜圖像質(zhì)量評價(jià)中普遍存在的問題給出了較全面的解決方案. 實(shí)驗(yàn)結(jié)果表明, 該方法在主觀評價(jià)一致性和與其他模型對比測試方面, 均得到了較準(zhǔn)確的分類效果.