多尺度渐进式虹膜图像质量评估方法

摘要

本发明公开的一种多尺度渐进式虹膜图像质量评估方法，包括以下步骤：步骤1、通过虹膜采集装置得到虹膜图像；步骤2、对虹膜图像进行像素级图像质量评估，包括光照评估、光斑反射评估、定位合理性评估、模糊评估算法、遮挡评估算法步骤；步骤3、图像级图像质量评估：依据像素级图像质量评估的结果，完成图像级质量评估。本发明的方法，通过采用区域化、加权和多尺度的方法，从像素层次以及整体图像上对虹膜图像的各种干扰因素实施渐近式的质量评估，避免了虹膜采集过程中光照、遮挡与对焦不准等外界干扰对虹膜图像的影响，进而降低虹膜识别系统的误识率及拒识率，提高了虹膜识别系统的效率与准确率。

主权项

1.一种多尺度渐进式虹膜图像质量评估方法，其特征在于，该方法按照以下步骤实施：步骤1、通过虹膜采集装置得到虹膜图像；步骤2、对虹膜图像进行像素级图像质量评估：像素级别的虹膜图像的质量评估包括光照评估、光斑反射评估、定位合理性评估、模糊评估和遮挡评估步骤，评估的次序以评估算法的时间复杂度为标准，按照短作业优先的策略进行排序，以便某阶段的评估不通过时，即退出当前的评估流程，重新选取新的虹膜图像样本进行图像质量评估，最大限度提高虹膜图像质量评估的速度，各步骤分别是：2.1）光照评估：光照评估用于检测虹膜图像中是否存在由于光照不足引起的图像对比度偏小，使得虹膜图像中的虹膜纹理不够明显，不利于虹膜特征的提取的问题，光照评估按照以下三步实施：2.11）子图像划分，将获取到的虹膜图像样本划分为若干大小为20×10像素的子图像；2.12）子图像的平均灰度评估，对于每一块子图像，计算其平均灰度，第i块子图像的平均灰度为：${\mathrm{Bright}}_i=\frac{1}{w\times h}\underset{x=1}{\overset{w}{\Sigma }}\underset{y=1}{\overset{h}{\Sigma }}{I}_i(x,y)---\left(1\right)$其中w为子图像水平方向上的像素数量，h为子图像垂直方向上的像素数量，I_i(x,y)为第i块子图像在(x,y)处的灰度值；2.13）灰度分布的评估，整幅虹膜图像的平均灰度B_img为：$B_{\mathrm{img}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{Bright}}_i---\left(2\right)$其中N为子图像的数量，由平均灰度计算得出整幅图像的灰度分布情况，评估结果为：$Q_{\mathrm{Contrast}}=1-\frac{|128-B_{\mathrm{img}}|}{117}---\left(3\right)$2.2）光斑反射评估：由前一步骤得到的子图像的平均灰度作为评估依据，对虹膜图像的光斑反射情况进行评估，包括以下两步：2.21）反射光斑确定，若存在某些子图像的平均灰度接近255，则认为该部分图像存在反射光斑；2.22）反射程度量化，反射程度量化为求解反射区域占整个虹膜图像的比例，其量化值由式（4）求得：$Q_{\mathrm{Bright}}=\frac{N_{\mathrm{Birght}}}{N}\times 100---\left(4\right)$其中N_Bright代表平均亮度接近255子图像的数量，N代表划分的子图像的数量；2.3）定位合理性评估：采用定位时所获得的瞳孔及虹膜的圆心及范围的关系，对定位结果进行评估，若瞳孔及虹膜的圆心之间距离过大，则认为虹膜圆心与瞳孔圆心严重偏离，则虹膜定位错误，设d表示瞳孔和虹膜圆心的距离，r及R分别表示虹膜内圆与外圆的半径，定位合理性的评估由式（5）给出：(R-r)-d＜(R-r)×0.3（5）2.4）模糊评估算法：采用小波包后计算所得的能量值作为评估的依据，具体包括以下步骤：2.41）虹膜图像同心圆划分，将虹膜图像按照以瞳孔中心为圆心，取半径增量为5像素划分成一系列等距的同心的圆环；2.42）小波包分解，对初定位好的虹膜图像进行小波包分解，将图像剖分为A、B、V、D四个部分，其中，A代表原图1/4大小图像，B代表水平高频区，V代表垂直高频区，D代表45度边缘检测区域，将V和B继续剖分，使高频能量进一步细分，得到所需的分析频带，采用双正交、短系数的db15小波基作为小波分解的小波基，得到各区域的能量值；2.43）模糊评估，依据上一步结果选择瞳孔左右两侧范围的区域Ⅰ、区域Ⅱ为ROI，并按照距瞳孔的距离越远，权值越小的原则，对不同区域赋予不同的权值W_i，由式（6）求得模糊评估结果Q_Blur：$\left\{\begin{array}{c}{E}_i=\underset{n}{\Sigma }{E}_{i,n}\times W_{i,n}\\ Q_{\mathrm{Blur}}=\underset{i=1}{\overset{N}{\Sigma }}{E}_i\times W_i\end{array}\right.---\left(6\right)$在式（6）中，E_i、W_i分别表示第i个圆环上图像的能量值和权重，E_i，n、W_i,n为第i个圆环上不同区域的能量值及权值，n∈{V,VA,VV,B,BA,BB}；2.5）遮挡评估算法：遮挡现象主要发生在以瞳孔圆心为圆心，[π/4,4π/4]∪[5π/4,7π/4]范围的区域Ⅲ、区域Ⅳ，将该区域选为ROI；在ROI中，由于虹膜部分的图像灰度明显小于眼睑部分，使得该区域的虹膜与眼睑在水平方向上具有明显的边缘；又由于虹膜灰度明显大于睫毛部分，导致该区域的虹膜与睫毛在垂直方向上具有明显的边缘，选用小波分析的方法计算出高频能量作为评估依据；2.51）ROI区域内环的细化，依据实际工程需求精度，将已知的ROI区域内的环形区域按相同面积的小扇形划分评估区域；2.52）小波包分解，对初定位好的虹膜图像进行小波包分解，在第一步小波分解后，将V和B部分继续小波分解，使高频能量进一步细分，得到所需的分析频带；2.53）眼睑遮挡的子图像确定，选择小波分析区域B、BA、BB计算每一个小扇形的高频能量E_Eyelid＝E_B×W_B+E_BA×W_BA+E_BB×W_BB，并根据能量差异求得被眼睑遮挡的子图像；2.54）眼睑遮挡的全局量化，虹膜被眼睑遮挡的量化结果由式（7）求得：$Q_{\mathrm{Eyelid}}=1-\frac{{\mathrm{\Sigma T}}_i}{S_{\mathrm{iris}}}---\left(7\right)$式（7）中，T_i为被眼睑遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；2.55）睫毛遮挡的子图像确定，选择小波域V、VA、VV，计算除睫毛区域外所有小扇形的高频能量E_Eyelash＝E_V×W_V+E_VA×W_VA+E_VV×W_VV，并根据能量差异求得被睫毛遮挡的子图像；2.56）睫毛遮挡的全局量化，虹膜被睫毛遮挡的量化结果由式（8）求得：$Q_{\mathrm{Eyelash}}=1-\frac{{\mathrm{\Sigma S}}_i}{S_{\mathrm{iris}}}---\left(8\right)$式（8）中，S_i为被睫毛遮挡子图像所包含的像素数，S_iris为初定位虹膜图像所包含像素数；步骤3、图像级图像质量评估：依据像素级图像质量评估的结果，图像级质量评估通过式（9）进行：Q_iris＝E_Contrast×Q_Contrast+E_Bright×Q_Bright+Q_Blur×(E_Eyelid×Q_Eyelid+E_Eyelash×Q_Eyelash)（9）其中，E_Contrast、E_Bright、E_Blur、E_Eyelid和E_Eyelash分别为对比度、亮度、模糊、眼睑遮挡、睫毛遮挡评估结果的权值因子。