級聯型多測度可見光虹膜圖像質量評價方法*

尹思璐，孫洪林，劉笑楠，李秀梅

（1.沈陽工業大學信息科學與工程學院,沈陽110870；2.93303部隊，沈陽110015）

1 引 言

虹膜識別是利用人眼虹膜作為生物特征進行身份認證的生物特征識別技術。通過二十余年的發展，可控環境下虹膜識別技術已經具有非常優越的識別性能。這些虹膜識別系統大多在特定環境下采用紅外光或可見光采集設備對虹膜進行圖像采集，所得虹膜圖像受干擾小，質量優良[1]。隨著移動互聯網及智能移動設備的飛速發展和普及，應用于智能移動終端的移動虹膜識別技術越來越受到眾多研究者的重視。然而，在“移動”的應用條件下，由于圖像采集條件的不可控，導致所得的圖像受到光照、位置錯誤等諸多因素干擾，虹膜圖像的質量嚴重降低，直接影響移動虹膜識別系統的識別性能[2]。因此，如何正確評價移動終端在不可控條件下所獲虹膜圖像的質量是推動移動終端虹膜識別技術發展和應用的關鍵問題。

虹膜圖像的質量評價方法可分為單測度和多測度兩類，其中多測度方法基本是由多個單測度評價組合而成[3]。如羅曉慶等人[4]以虹膜圖像的灰度分布特征為基礎，提出虹膜完整性、虹膜可見度和虹膜清晰度三個單測度結合的虹膜圖像質量評價模型。藺勇等人[5]提出了利用圖像分割參數計算各評價因子的方法，根據實驗得到的各評價因子閾值以及圖像分割可能的錯誤，對質量評價因子進行校準，最后融合校準后的因子形成虹膜圖像質量評價值。史春蕾等人[6]提出離焦模糊和眼瞼嚴重遮擋兩種測度的評價方法，利用LoG算子提取虹膜兩側局部區域的高頻能量以判斷圖像是否散焦模糊，并計算瞳孔上方指定矩形區域的灰度均值判斷虹膜是否有眼瞼嚴重遮擋。Lee等人[7]提出了一種能夠從圖像序列中選擇高質量的虹膜圖像的序列圖像質量評價方法。該方法首先計算鄰近瞳孔的右側和左側的虹膜區域的梯度信息，以區分模糊圖像與對焦圖像，然后使用有效的虹膜區域來區分遮擋圖像和有用圖像。王洪[8]提出了基于徑向對稱變換的瞳孔粗定位及快速虹膜圖像質量判定算法。上述方法在紅外虹膜圖像的質量評價領域均取得了良好的效果。

然而，移動虹膜識別的采集條件與傳統的虹膜識別相差甚遠，采集所得的虹膜圖像中不僅存在共性的質量問題，還存在可見光采集的特有問題。如圖1和圖2所示，兩類圖像對比可見：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模糊現象，如圖1(b)和圖2(j)、(k)、(l)，不同的是移動虹膜識別中的模糊不僅僅來源于失焦問題，還可能源于采集者手或頭的輕微運動引起的運動模糊；再次，兩類圖像均可能出現遮擋現象，如眼皮遮擋等，如圖1(c)和圖2(d)、(e)、(f)，不同的是智能手機的操作者往往不是專業虹膜識別研究者，無法準確把握圖像采集時機，從而導致更加嚴重的遮擋甚至閉眼；最后，可見光采集帶來嚴重的光干擾問題，尤其會在虹膜區域產生鏡面反射，從而嚴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(來自圖庫CASIA[9])

圖2 移動終端拍攝的可見光虹膜圖像

綜上所述，移動虹膜識別由于圖像采集條件的變化，導致圖像中出現了不同于傳統虹膜識別固定距離紅外采集的新的干擾因素。這些干擾所導致的虹膜模糊、遮擋、光反射等問題將嚴重降低虹膜圖像的質量，影響虹膜紋理的特征提取與匹配，降低虹膜識別的正確率和運行效率。而傳統的虹膜圖像質量評價方法無法完全適用于可見光下采集的虹膜圖像，因此亟需研究新的解決方案。為此，提出一種應用于可見光虹膜圖像的多測度級聯型圖像質量評價方法。該方法首先利用Viola-Jones算法在實現眼區域定位的同時排除嚴重干擾圖像；其次，通過所設計的滑動窗口對眼區域圖像進行遍歷，實現瞳孔中心的定位，確定虹膜區域的準確位置，進一步排除虹膜中存在陰影或眼瞼、睫毛遮擋，閉眼，及圖像整體灰度過暗或過亮等受干擾嚴重的虹膜圖像；最后，采用所設計的鏡面反射評價因子和模糊評價因子進行圖像反射和模糊程度的定量評價。最終通過上述級聯式模型實現對干擾嚴重的虹膜圖像的排除，并對余下的虹膜圖像進行干擾類型的判斷與干擾程度的評價，為提高移動虹膜識別系統的識別正確率和運算效率提供幫助。

2 可見光虹膜圖像質量評價相關定義及標準

為研究可見光虹膜圖像的質量評價方法并對方法的檢測效果進行客觀評價，通過實驗室人員對MICHE-I圖庫[10]中的虹膜圖像的主觀評價和識別，對虹膜圖像進行了類別分組。參與評價人員共5人，一男四女，全部從事虹膜識別相關課題的研究，分類結果的判定采用少數服從多數的原則。通過上述方法，將圖庫中的虹膜圖像分為優質圖像和干擾圖像兩類，并將干擾圖像中的嚴重干擾圖像、反射干擾圖像和模糊干擾圖像單獨分組。通過對各組圖像的相關特性的分析，給出各類圖像的描述和評價標準。

優質圖像中眼睛及周圍區域應符合眼部特征，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，虹膜區域基本未被遮擋，并且虹膜紋理清晰可見。

嚴重干擾圖像，如圖2(d)、(e)、(f)所示，眼睛及周圍區域不符合眼部特征，虹膜區域被嚴重遮擋或紋理被全部埋沒，無法定位到虹膜，更不可能存在可以提取的虹膜紋理信息，因此在質量評價過程中這類圖像應直接排除。

反射干擾圖像是由于眼角膜對光源產生鏡面反射，此時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越少。

模糊圖像是由于在拍攝時，攝像頭失焦或者拍攝者手或頭部的輕微運動，導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)所示即為虹膜區域不同程度模糊的圖像。

3 級聯型可見光虹膜圖像質量評價方法

本研究設計了一個三層級聯的判別模型對虹膜圖像進行質量判別。模型第一層采用Viola-Jones算法[11]實現圖像中的眼睛區域定位，并且進行無眼區域特征的嚴重干擾圖像的排除，對后續步驟中的感興趣區域進行第一次質量粗評價；第二層利用所設計的滑動窗口來定位瞳孔中心點，并根據該點位置和虹膜半徑獲得精確的虹膜區域，通過上述過程進一步對虹膜區域存在嚴重干擾的虹膜圖像進行檢測，從而排除受眼瞼、外物陰影、頭發遮擋或閉眼的虹膜圖像；第三層通過專門定義的檢測因子衡量虹膜區域的模糊和光反射程度，對圖像質量進行定量評價。模型結構如圖3所示。三層結構逐級展開，每一層均可實現特定屬性的質量評價，二、三層均在上一層次評價結果的基礎上對該層的屬性進行評價，層層遞進，最終實現虹膜圖像中虹膜區域的圖像質量評價。

3.1 基于Viola-Jones算法的眼區域檢測

在第一層級聯判別模型中，采用Viola-Jones算法，該方法分為三個步驟：

(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算特征；

圖3 級聯型多測度質量評價模型結構圖

(2)利用特征訓練弱分類器使之成為最優分類器，多個最優弱分類器組合形成強分類器；

(3)將強分類器級聯，提高檢測的速度和準確率。

Viola-Jones算法首先將圖像分割成24×24的窗口，提取每個窗口的人眼特征，采用積分圖快速計算特征值。將該特征值經過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迭代算法的一個變體，將弱分類器迭代成強分類器。組合T個最優弱分類器得到強分類器，組合方式如下：

圖4 眼區域檢測級聯分類器

通過上述步驟，即可檢測出虹膜圖像中特征最符合眼區域特征的眼睛區域范圍，而一些由于閉眼、位置錯誤或眼區域嚴重遮擋而產生的干擾嚴重的虹膜圖像將無眼區域檢出，從而被排除在外，無法進入下一個層級的質量評價。

3.2 基于虹膜區域定位的感興趣區域質量評價

判別各區域的灰度屬性是否符合本層從第一層模型得到的眼睛區域，通過定位瞳孔中心點，再以該點為中心向外擴散確定虹膜的半徑，最后通過眼睛模板驗證得到的結果，判斷該圖像虹膜區域的特性是否符合評價標準。

正常的虹膜圖像中瞳孔區域像素灰度小于虹膜區域像素灰度，而虹膜區域像素灰度又小于鞏膜和皮膚區域像素灰度。因此，一個質量合格的圖像，其眼周區域灰度最小的位置應該位于瞳孔。基于上述分析，本層次首先設計一個正方形滑動窗口，其邊長略大于瞳孔直徑，令其在第一層判別模型得到的眼睛區域內由上至下，由左至右滑動，找出平均灰度最小的滑動窗口，將該滑動窗判定為瞳孔所在區域，滑動窗的中心即為瞳孔內一點。然后，以該點為圓心，逐像素增大半徑，計算每兩個相鄰半徑同心圓的灰度均值，將平均灰度差值的最大點所對應的圓半徑作為虹膜區域的外徑。

為了確定上述過程中滑動窗口大小和虹膜外徑的搜索范圍，需要對圖庫中860張圖像的上述參數進行統計分析。分析結果如圖5所示。圖中兩個數據集分別為瞳孔直徑和虹膜外徑的歸一化統計結果，可得知兩參數的最大值分別為38和186。因此滑動窗口選取40×40個像素即可將所有圖像中的瞳孔包含在內且計算量最小；虹膜外半徑搜索上限值選為200。

為了對虹膜區域的圖像質量進行進一步評價，排除受干擾的劣質虹膜圖像，需要對所得虹膜區域圖像進行評價和篩選。本研究依據優質圖像虹膜區域的特性設計如圖6所示的檢測模板，將瞳孔與虹膜看作兩個同心圓，分別取左側鞏膜A，左側虹膜B，瞳孔C，右側虹膜D，右側鞏膜E，下側虹膜F和眼皮上G七個區域。判斷是否符合A＞B＞C，C＜D＜E且C＜F＜G，并將判別結果作為第二步質量評價的結果。

圖5 瞳孔直徑和虹膜外半徑歸一化箱式統計圖

圖6 虹膜區域檢測模板

3.3 基于評價因子的虹膜區域模糊及鏡面反射程度評價

通過前兩層的評價，已基本排除閉眼、位置錯誤、嚴重遮擋等被嚴重干擾的虹膜圖像，并且實現了虹膜區域定位。在第三層評價中，特別定義了兩種評價因子，評價虹膜圖像的受光干擾程度和模糊程度，對虹膜圖像的質量進行定量評價。

3.3.1 鏡面反射評價因子

虹膜區域鏡面反射評價因子定義如下式：

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

通過對圖庫中虹膜圖像的分析，可得知在亮度分量下，存在反射與無光干擾像素的亮度數值具有良好的可分性。圖7所示為隨機選取100張存在鏡面反射的虹膜圖像的亮度統計結果，分別選取虹膜區域中兩類區域各100個像素點進行統計，可以發現，虹膜中鏡面反射區域的圖像亮度明顯高于其他區域，這說明在該分量上虹膜中的光干擾區域與其他區域具有良好的可分性，可通過圖像分割的方法將其分開。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，當像素亮度Tij＞T時，判定該像素為存在鏡面反射的虹膜區域；否則，判定為無光干擾區域。

圖7 反射區域與無反射區域像素亮度對比

3.3.2 模糊評價因子

采用二維離散小波變換方法[14]評價虹膜區域的模糊程度，評價因子定義如下式：

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表示圖像在對角線方向上的高頻信息之和,v表示圖像的平均灰度。設原圖像的大小為M×N，對圖像做1階二維離散小波變換，得細節分量則式(4)中各參數計算方法如下：

由于圖庫中的圖像是在不確定的條件下拍攝的，每張圖像的光照強度、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價因子。

4 實驗結果及分析

采用MICHE-I虹膜圖像庫對算法進行測試。該圖庫是在可見光下使用移動設備分別在室內與室外采集的虹膜圖像。此處采用其中由iPhone 5拍攝60個人的共計860張虹膜圖像，圖像分辨率為960×1280像素。

4.1 級聯判別模型各層次結果分析

如圖8所示為第一層評價的輸出結果，圖中分別為圖2中各圖像的檢測結果。檢測結果表明，此方法能夠利用Viola-Jones算法在移動端虹膜圖像中定位出眼睛的位置。對于被嚴重干擾的虹膜圖像，如圖8(e)和圖8(f)所示，由于眼睛區域的窗口特征不符合眼睛的Haar-like特征，無法正確定位眼區域，這類圖像可直接排除。

圖8 第一層評判結果

經過第一層質量評價后，一部分嚴重干擾的圖像被排除。在此基礎上，第二層判別模型在眼睛區域的瞳孔內一點定位結果如圖9所示 (以白點標示)。實驗結果表明，對于無干擾的優質虹膜圖像，瞳孔內一點被準確定位，如圖9(a)～(c)和圖9(f)～(j)所示；而對于虹膜區域被眼瞼、面部陰影或眼鏡框嚴重遮擋的虹膜圖像，如圖9(d)～(e)所示，得到的則是錯誤的瞳孔中心定位。

圖9 定位瞳孔中心點

利用上述方法，可計算出虹膜的外半徑，結果如圖10所示。通過檢測模板的評判，圖10(d)由于虹膜區域并不滿足模板要求而被剔除。

圖10 虹膜區域定位結果

第三層判別模型檢測鏡面反射因子與模糊因子。利用上述方法對圖10中正確定位虹膜區域進行鏡面反射因子與模糊因子的計算，結果如表1所示。從表中可以得知，當虹膜區域存在反射時，λ值比較高，如圖10(e)～(g)；當虹膜區域模糊時，g值比較低，如圖11(h)～(j)。由此可見，利用本方法能有效地檢測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值

另外，與其他時域變換[15]和頻域變換[16]方法相比較，此處定義的模糊評價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。在分類圖庫中隨機選取50幅模糊圖像和50張優質圖像分別采用時域變換、頻域變換對圖像的相關特性進行分析，如圖11所示。

圖11 三種方法比較結果圖

實驗結果表明，頻域方法與時域方法在移動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價因子在清晰圖像與模糊圖像中有明顯的區別，說明該因子對虹膜圖像的模糊程度具有更高的敏感性。

4.2 反射與模糊測度的閾值分析

為了確定反射與模糊干擾圖像的評價標準，分別采用不同評價閾值所獲得的評判結果與主觀評價結果進行比對，結果如圖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價因子取值為分類標準所獲得的存在反射與不存在反射兩類虹膜圖像的分類結果ROC曲線，圖中λ分別取值0.3、0.4、0.5和0.6。結果表明，反射程度選取為0.4時，得到最大的AUC，與主觀評價的結果最為接近。因此，在該評價模型中，將λ=0.4作為虹膜圖像是否存在反射光干擾的評判閾值。

圖13所示為以四種大小的模糊評價因子取值為分類標準所獲得的模糊與非模糊兩類虹膜圖像的分類結果ROC曲線，圖中g分別取值1.1×104、1.2×104、1.3×104和 1.4×104。結果表明，當模糊判別閾值選取為1.3×104時，得到最大的AUC，與主觀評價的結果最接近。因此，此模型將該值作為虹膜圖像是否判為模糊的評判閾值。

4.3 質量評價方法對虹膜識別結果的影響

為了說明本方法對虹膜識別正確率的影響，分別對圖庫中的圖像進行兩次識別測試，其一是在預處理步驟中融入本方法，另外一次則不進行圖像的質量評價。兩次測試均采用二維Gabor變換提取虹膜特征，將所得特征進行二維離散余弦變換，最后用歐氏距離進行分類。當不加入質量評價時，虹膜識別正確率為68%，加入質量評價時，虹膜識別正確率提高到81%。可見，在虹膜識別系統中加入該質量評價環節，能夠大幅提高虹膜識別的準確率。另外，由于劣質圖像的逐層排除，使得進入后續運算的圖像數量減少，從而提高虹膜識別系統的運算效率。

5 結束語

提出了一種應用于可見光虹膜圖像的質量評價方法，即級聯型多測度質量評價方法。該方法由三層級聯模型構成，每一層都對虹膜圖像的質量做出相應評價，避免受嚴重干擾的圖像進入下一個層次的判別，并且針對可見光中特有的光反射問題和模糊問題給出了定量評價的方法。實驗結果表明，該方法能夠有效地對虹膜圖像做出定性和定量評價。如將此法應用于移動虹膜識別系統中，可在虹膜采集后對虹膜圖像做出即時的質量評價，當未取得合格虹膜圖像時，便能及時提醒用戶重新拍攝圖像，僅令質量合格的圖像進入后續的特征提取和身份識別步驟。這將提高移動終端虹膜識別系統的識別準確率和運行效率，減輕終端的運算負擔。