虹膜序列圖像的質(zhì)量評(píng)價(jià)與定位方法研究*

張海珊，劉笑楠，張文云

（沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院， 沈陽(yáng)110870）

1 引 言

虹膜因其識(shí)別精度高而成為最突出的生物特征之一，應(yīng)用于身份驗(yàn)證和身份識(shí)別。傳統(tǒng)的虹膜識(shí)別技術(shù)在紅外光源下進(jìn)行圖像采集，雖然采集到的圖像干擾較少，但會(huì)傷害人眼[1]。隨著智能移動(dòng)終端性能的不斷增強(qiáng)，可見(jiàn)光移動(dòng)端虹膜識(shí)別發(fā)展迅速。在可見(jiàn)光條件下，所得圖像中的虹膜區(qū)域包含更多的紋理細(xì)節(jié)[2]，然而這種弱約束的采集環(huán)境也令圖像中的虹膜區(qū)域容易被陰影、眼瞼、睫毛、鏡面反射所干擾，從而導(dǎo)致可用于識(shí)別的虹膜紋理特征減少，降低了系統(tǒng)的識(shí)別精度[3]。Daugman 等人[4]最先提出了虹膜圖像質(zhì)量評(píng)價(jià)的概念，將虹膜區(qū)域的特征信息作為評(píng)價(jià)依據(jù)，對(duì)圖像所反映的虹膜紋理信息進(jìn)行評(píng)判，衡量圖像信息對(duì)身份識(shí)別的適用性。該問(wèn)題的解決方法可分為單一指標(biāo)評(píng)價(jià)和多測(cè)度融合評(píng)價(jià)兩類(lèi)。在可見(jiàn)光移動(dòng)端虹膜識(shí)別領(lǐng)域，由于干擾因素的多樣性，單一評(píng)價(jià)指標(biāo)不能滿(mǎn)足圖像質(zhì)量評(píng)價(jià)的需求，虹膜圖像質(zhì)量必然是多測(cè)度融合的結(jié)果。羅曉慶等人[5]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[6]設(shè)計(jì)了可用虹膜區(qū)、虹膜大小、清晰度、擴(kuò)張度等八個(gè)評(píng)價(jià)因子， 將評(píng)價(jià)因子融合形成虹膜圖像質(zhì)量評(píng)價(jià)值。郭慧杰[7]通過(guò)量化單幀圖像感興趣區(qū)域的清晰度、可用度和對(duì)比度等質(zhì)量指標(biāo)，計(jì)算序列圖像的聯(lián)合加權(quán)質(zhì)量得分，對(duì)虹膜圖像序列的可用性進(jìn)行評(píng)價(jià)。上述方法針對(duì)紅外虹膜圖像進(jìn)行質(zhì)量評(píng)價(jià)，對(duì)于可見(jiàn)光移動(dòng)端虹膜識(shí)別所獲取虹膜圖像而言，其可能存在的干擾因素更多，受干擾的程度更甚，還需進(jìn)行進(jìn)一步有針對(duì)性的研究。

虹膜定位指虹膜內(nèi)外邊緣的定位，它是虹膜識(shí)別系統(tǒng)中的重要環(huán)節(jié)，其準(zhǔn)確性直接關(guān)系到特征提取效率以及特征匹配正確率[8]。針對(duì)可見(jiàn)光移動(dòng)端虹膜圖像的虹膜定位問(wèn)題，Tan 等人[9]利用鞏膜和虹膜特征訓(xùn)練支持向量機(jī)進(jìn)行分類(lèi)，根據(jù)虹膜灰度信息實(shí)現(xiàn)虹膜分割。劉帥等人[10]提出一種基于分塊搜索的虹膜定位算法。穆珺等人[11]提出基于霍夫變換的可見(jiàn)光虹膜圖像定位算法。文獻(xiàn)[12]在此基礎(chǔ)上，將霍夫變換與最小二乘法相結(jié)合實(shí)現(xiàn)虹膜定位。滕童等人[13]為快速淘汰干擾信息以準(zhǔn)確定位虹膜區(qū)域，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域和關(guān)鍵點(diǎn)回歸多任務(wù)虹膜快速定位方法。孫正[14]提出了基于單位扇環(huán)灰度的虹膜定位算法。此外還包括主動(dòng)輪廓法[15]、圓形Gabor 濾波器法[16]以及基于分水嶺原理并依據(jù)鞏膜和虹膜邊緣信息的定位方法[17]。上述方法只適用于眼睛周?chē)》秶鷧^(qū)域且圖像所受干擾較弱的虹膜圖像的虹膜定位問(wèn)題，無(wú)法實(shí)現(xiàn)干擾問(wèn)題較多且面積較大的虹膜圖像的虹膜定位。在光照不均、鏡面反射造成虹膜邊緣不明顯的虹膜圖像中，其定位效果并不理想。

綜上所述，智能移動(dòng)終端所獲得的可見(jiàn)光虹膜圖像因受光照及人眼眨動(dòng)等影響普遍存在不同程度的干擾，而目前已有的虹膜定位方法無(wú)法實(shí)現(xiàn)嚴(yán)重干擾虹膜圖像的準(zhǔn)確定位。為此，利用智能移動(dòng)終端的視頻采集功能，在虹膜識(shí)別系統(tǒng)中采集多幀虹膜序列圖像，在虹膜定位過(guò)程中植入圖像質(zhì)量評(píng)價(jià)，淘汰非理想虹膜圖像，擇優(yōu)進(jìn)行虹膜初定位；再針對(duì)虹膜區(qū)域紋理進(jìn)行質(zhì)量評(píng)價(jià)，選取可滿(mǎn)足識(shí)別要求的虹膜圖像進(jìn)行后續(xù)特征提取與匹配操作，在提高虹膜定位準(zhǔn)確率的同時(shí)降低設(shè)備的運(yùn)算負(fù)擔(dān)。以此設(shè)計(jì)新的融合圖像質(zhì)量評(píng)價(jià)與虹膜定位的多層級(jí)聯(lián)式虹膜圖像預(yù)處理算法，該方法能夠?qū)崿F(xiàn)以圖像質(zhì)量為依據(jù)的虹膜序列圖像的圖像選取與獲選圖像的虹膜區(qū)域定位。

2 算法的提出

在此提出一種包括兩級(jí)質(zhì)量評(píng)價(jià)和兩級(jí)虹膜定位的多層級(jí)聯(lián)式虹膜圖像預(yù)處理算法。其算法流程如圖1 所示，首先對(duì)智能移動(dòng)終端采集所得的九幀序列圖像依次進(jìn)行圖像增強(qiáng)并通過(guò)拉格朗日插值法消除光斑。通過(guò)Tenegrad 聚焦評(píng)價(jià)函數(shù)對(duì)圖像進(jìn)行第一級(jí)質(zhì)量評(píng)價(jià)，若圖像所得評(píng)價(jià)函數(shù)高于設(shè)定值，則進(jìn)入虹膜初定位，否則淘汰圖像。然后利用基于HOG-SVM 的分類(lèi)模型實(shí)現(xiàn)虹膜初定位，若虹膜定位成功，則進(jìn)入第二級(jí)虹膜質(zhì)量評(píng)價(jià)，否則淘汰圖像；第二級(jí)虹膜圖像質(zhì)量評(píng)價(jià)以小波系數(shù)作為特征值，利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià)，若圖像紋理滿(mǎn)足識(shí)別要求，則進(jìn)入虹膜細(xì)定位，否則淘汰圖像；最后利用圓擬合法及混合測(cè)地線演化法完成虹膜內(nèi)外邊緣定位。

圖1 算法流程圖

2.1 虹膜圖像增強(qiáng)與光斑去除

可見(jiàn)光虹膜圖像在采集過(guò)程中易受光照明暗度影響，虹膜紋理過(guò)暗或存在光斑，因此需要進(jìn)行圖像增強(qiáng)與光斑消除，減少光照對(duì)虹膜定位與質(zhì)量評(píng)價(jià)準(zhǔn)確性的影響。Retinex 算法可以在動(dòng)態(tài)范圍壓縮、邊緣增強(qiáng)和顏色恒常三個(gè)方面達(dá)到平衡，因此選擇此算法對(duì)虹膜圖像進(jìn)行增強(qiáng)。其原理如下式所示：

其中S(x，y)表示獲取的原始圖像，L(x，y)表示自然光照分量，R(x，y)表示物體對(duì)入射光的反射分量。為簡(jiǎn)化運(yùn)算，對(duì)式(1)兩邊進(jìn)行取對(duì)數(shù)計(jì)算，這樣就可以得到包含豐富信息的物體反射分量，如下式：

將此式運(yùn)用到虹膜中，其中S(x，y)表示原始虹膜圖像；按照Retinex 理論，此處的L(x，y)表示將原始虹膜圖像高斯模糊后圖像，R(x，y)則表示增強(qiáng)后的圖像。

針對(duì)虹膜區(qū)域內(nèi)由于可見(jiàn)光鏡面反射所引起的光斑去除問(wèn)題，根據(jù)光斑亮度高，連通區(qū)域面積小的屬性，采用灰度值和區(qū)域面積確定光斑位置。首先，利用閾值法將灰度圖像二值化，經(jīng)過(guò)多次實(shí)驗(yàn)分析，將分割閾值設(shè)定為204。然后對(duì)二值圖像進(jìn)行開(kāi)運(yùn)算，通過(guò)統(tǒng)計(jì)分析，將8 連通區(qū)域面積小于800 個(gè)像素的區(qū)域判定為光斑。最后得到光斑位置坐標(biāo)后，采用拉格朗日插值法消除光斑。

經(jīng)實(shí)驗(yàn)分析，采用四次插值多項(xiàng)式修復(fù)。設(shè)光斑區(qū)域邊緣處一點(diǎn)在圖像中列坐標(biāo)為p0，其位于光斑外的四個(gè)鄰域點(diǎn)在圖像中的列坐標(biāo)為x0、x1、x2、x3，則：

其中L(x)為光斑恢復(fù)后灰度值，gi為光斑外四點(diǎn)灰度值。

2.2 第一級(jí)圖像質(zhì)量評(píng)價(jià)

第一級(jí)圖像質(zhì)量評(píng)價(jià)針對(duì)圖像失焦問(wèn)題。選擇Tenegrad 清晰評(píng)價(jià)函數(shù)，該方法使用Sobel 算子提取水平和垂直方向的梯度值，圖像梯度值F 的計(jì)算方法如下式所示：

由于對(duì)焦良好的圖像有尖銳的邊緣，因此F 越大，圖像越清晰，如圖2 所示。統(tǒng)計(jì)圖庫(kù)中360 幅圖像的梯度值F，前180 張為清晰圖像，后180 張為非清晰圖像，統(tǒng)計(jì)結(jié)果如圖3 所示。可見(jiàn)閾值T 設(shè)置為5.80 時(shí)，能更好判別出圖像質(zhì)量清晰程度。

圖2 不同F(xiàn) 值下的虹膜圖像對(duì)比

圖3 虹膜圖像F 值分布圖

2.3 虹膜初定位

清晰的虹膜圖像將進(jìn)行虹膜初定位。為減少面部、眉毛等干擾因素對(duì)虹膜邊緣的影響，使用HOG+SVM 分類(lèi)器進(jìn)行虹膜初定位。依據(jù)HOG 特征的計(jì)算原理，在此利用圖庫(kù)中的虹膜圖像構(gòu)建SVM 樣本集，將包含完整人眼結(jié)構(gòu)的圖像塊作為正樣本，其他區(qū)域圖像塊作為負(fù)樣本，如圖4 所示。為獲取樣本HOG 特征值，將截取正負(fù)樣本歸一化，然后計(jì)算梯度，分割每一個(gè)cell，并為每個(gè)單元格構(gòu)建HOG，將cell 組合為大block；塊內(nèi)歸一化成梯度直方圖，并把block 向量的特征向量串聯(lián)成最終的HOG 特征。在獲取HOG 特征時(shí)，采用合適的滑動(dòng)窗格和block尺寸可以降低HOG 特征維數(shù)并有效地描述虹膜結(jié)構(gòu)。通過(guò)對(duì)圖庫(kù)中圖像的實(shí)驗(yàn)分析，該圖庫(kù)中虹膜區(qū)域的HOG 特征維度為20736 維，設(shè)置步長(zhǎng)為25 個(gè)像素單位。訓(xùn)練后SVM 分類(lèi)器準(zhǔn)確率可達(dá)92%。

圖4 訓(xùn)練樣本示例圖(人眼完整度)

2.4 第二級(jí)圖像質(zhì)量評(píng)價(jià)

初定位后可獲得準(zhǔn)確的眼球區(qū)域，但其中的虹膜紋理信息還可能不滿(mǎn)足后續(xù)的識(shí)別要求，因此須對(duì)初定位所得區(qū)域采用小波變換與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合的方式進(jìn)行二級(jí)質(zhì)量評(píng)價(jià)。在實(shí)際仿真過(guò)程中發(fā)現(xiàn)，使用db2 小波基與三次小波分解時(shí)所提取的特征系數(shù)效果最佳。低頻子圖因其包含的原圖信息量多且豐富被選用為最佳子圖。所設(shè)計(jì)算法的學(xué)習(xí)規(guī)則為梯度下降法雙層BP 神經(jīng)網(wǎng)絡(luò)，選擇第一層傳遞函數(shù)為logsig，第二層傳遞函數(shù)為purelin。將虹膜紋理清晰且完整的圖像標(biāo)記為正樣本，虹膜紋理不清晰或不完整的圖像標(biāo)記為負(fù)樣本，如圖5 所示。正負(fù)樣本各選取300 張，分別作為訓(xùn)練集與測(cè)試集，將樣本低頻子圖的小波系數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)的輸入，樣本標(biāo)簽作為BP 神經(jīng)網(wǎng)絡(luò)輸出進(jìn)行訓(xùn)練。訓(xùn)練完成后，選用測(cè)試集中的樣本進(jìn)行測(cè)試。訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)分類(lèi)正確率為96%。

圖5 訓(xùn)練樣本示例圖(虹膜清晰度)

2.5 虹膜內(nèi)外邊緣提取

虹膜的內(nèi)邊緣就是瞳孔的外邊緣，由于瞳孔內(nèi)區(qū)域的整體灰度值比虹膜其他區(qū)域低，因此采用與瞳孔直徑大小接近的30×30 方形模板在整個(gè)虹膜區(qū)域圖像中滑動(dòng)卷積求和，找出灰度值最小的區(qū)域中心點(diǎn)，然后以該中心點(diǎn)作為初始點(diǎn)，利用圓擬合方法圈出瞳孔。

混合測(cè)地線區(qū)域曲線演化法由Lankton 等人提出，它是一種混合了局部測(cè)地線活動(dòng)輪廓和全局區(qū)域活動(dòng)輪廓優(yōu)點(diǎn)以確定目標(biāo)邊緣的方法[18]。其演化計(jì)算的公式如下式所示：

式中r，s∈[0，L(C)]，L(C)表示曲線C 的長(zhǎng)度，參數(shù)r用來(lái)更新不斷變化的曲線C 上的點(diǎn)，k 代表線上的高斯曲率，N 代表曲線對(duì)應(yīng)某點(diǎn)的法線，x 用來(lái)更新曲線C(s)附近的點(diǎn)的函數(shù)。

經(jīng)過(guò)多次曲線演化后，曲線周?chē)植糠秶鷥?nèi)能量最小，此時(shí)曲線為目標(biāo)邊緣。該算法可以在低頻噪聲和部分光干擾的情況下，找出虹膜圖像中的虹膜外邊緣，達(dá)到虹膜定位的目的。

3 實(shí)驗(yàn)及結(jié)果

在此采用UBIRIS.v2 虹膜數(shù)據(jù)庫(kù)模擬視頻采集到的虹膜序列圖像進(jìn)行算法評(píng)估。此圖庫(kù)圖像為可見(jiàn)光圖像，包括受成像距離、主題視角和光照條件等干擾因素所致的各種非理想圖像。圖庫(kù)圖像大小為400×300 像素，受試人數(shù)為261 人。為構(gòu)建所提算法適用的虹膜序列圖像的實(shí)驗(yàn)仿真環(huán)境，選取圖庫(kù)的100 人作為實(shí)驗(yàn)對(duì)象。這些對(duì)象每人均可選出9 幀虹膜圖像構(gòu)成序列，并且序列中僅存在1 幀質(zhì)量?jī)?yōu)良的虹膜圖像。另外，所選圖像包含實(shí)際采集過(guò)程中可能產(chǎn)生的各類(lèi)干擾，受試人性別均衡、年齡層分布符合社會(huì)群體中虹膜識(shí)別需求。其中一人的9 幀圖像示例如圖6 所示。

圖6 同一人的9 幀圖像

如表1、圖7 所示為本算法各步驟的實(shí)驗(yàn)結(jié)果。再進(jìn)行第一級(jí)質(zhì)量評(píng)價(jià)之后，圖6 中(b)、(d)、(f)圖像因失焦被淘汰掉；在初定位階段，圖(a)、(c)圖像因虹膜結(jié)構(gòu)不滿(mǎn)足識(shí)別需求被淘汰掉；在第二級(jí)質(zhì)量評(píng)價(jià)階段，圖6 中(e)、(g)、(h)圖像因紋理不理想被淘汰掉；在細(xì)定位階段，僅保留圖6 中(i)圖像。圖7 表明經(jīng)本方法淘汰質(zhì)量受干擾的虹膜圖像后，所保留下來(lái)的虹膜圖像(i)可準(zhǔn)確獲得虹膜的邊緣。

表1 各步驟實(shí)驗(yàn)結(jié)果

圖7 各步實(shí)驗(yàn)效果圖

以上實(shí)驗(yàn)仿真環(huán)境為Windows 10 系統(tǒng)，配置為第7 代i5 處理器，主頻2.5GHz，8G 內(nèi)存；實(shí)驗(yàn)平臺(tái)為MATLAB 2017。

4 質(zhì)量判別分析

利用基于Tenegrad 方法的粗評(píng)價(jià)算法與小波變換及BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的細(xì)評(píng)價(jià)算法對(duì)圖庫(kù)中900 張圖像進(jìn)行分類(lèi)，其分類(lèi)結(jié)果與主觀評(píng)價(jià)結(jié)果對(duì)比如表2 所示。

表2 各兩級(jí)質(zhì)量評(píng)價(jià)的分類(lèi)結(jié)果單位：幅

為衡量所提粗評(píng)價(jià)方法的性能，計(jì)算質(zhì)量評(píng)價(jià)算法的真正類(lèi)率（TPR， True Position Rate)、真負(fù)類(lèi)率(TNR，true negative rate)和正確率(Accuracy)，采用如下各式計(jì)算：

其中TP 表示將正樣本判定為正樣本，TN 表示將負(fù)樣本判定為負(fù)樣本，F(xiàn)P 表示將負(fù)樣本判定為正樣本，F(xiàn)N 表示將正樣本判定為負(fù)樣本。

粗細(xì)評(píng)價(jià)方法的性能比較如表3 所示。可見(jiàn)，兩級(jí)質(zhì)量評(píng)價(jià)算法均取得良好的分類(lèi)效果，說(shuō)明本算法對(duì)虹膜圖像質(zhì)量評(píng)價(jià)的正確率能夠滿(mǎn)足篩選優(yōu)質(zhì)虹膜圖像進(jìn)行定位與身份識(shí)別的要求。

表3 粗細(xì)評(píng)價(jià)方法性能分析

為驗(yàn)證本方法中質(zhì)量評(píng)價(jià)對(duì)虹膜定位算法準(zhǔn)確性及運(yùn)行效率的提升，對(duì)圖庫(kù)中的圖像分別進(jìn)行無(wú)質(zhì)量評(píng)價(jià)環(huán)節(jié)的虹膜定位和此處提出的級(jí)聯(lián)方法進(jìn)行對(duì)比，對(duì)比情況如圖8 和表4 所示。

圖8 定位算法對(duì)比圖

表4 定位準(zhǔn)確率與運(yùn)行時(shí)間對(duì)比

未經(jīng)質(zhì)量評(píng)價(jià)的虹膜圖庫(kù)中存在大量紋理不清晰或可見(jiàn)光鏡面反射等問(wèn)題。由圖8 所示的實(shí)驗(yàn)結(jié)果可見(jiàn)，如果不通過(guò)圖像質(zhì)量評(píng)價(jià)環(huán)節(jié)，圖8(b)和圖8(c)中的非優(yōu)質(zhì)的圖像無(wú)法獲得準(zhǔn)確的虹膜區(qū)域定位結(jié)果，即便定位成功，其虹膜紋理也不足以滿(mǎn)足身份識(shí)別的要求，100 人的900 幅圖像定位準(zhǔn)確率僅為87%。所提方法通過(guò)圖像質(zhì)量評(píng)價(jià)可以獲得每人最高質(zhì)量的虹膜圖像，使得虹膜定位結(jié)果更加準(zhǔn)確，且可以獲得更加可靠的虹膜紋理信息，排除各種干擾，100 人定位準(zhǔn)確率可達(dá)到94%。如圖8(a)中的居中一幅圖像所示為定位不準(zhǔn)確的情況，這里雖然排除了干擾對(duì)定位精度的影響，卻沒(méi)能排除與虹膜區(qū)域類(lèi)似的睫毛的影響，該問(wèn)題還需在今后的研究工作中做進(jìn)一步改進(jìn)。同時(shí)，若不通過(guò)質(zhì)量評(píng)價(jià)環(huán)節(jié)，100 人的全部9 張虹膜序列均完成定位，平均每人的定位時(shí)間為127s，加入質(zhì)量評(píng)價(jià)后，平均每人的定位時(shí)間為57s，運(yùn)行時(shí)間提高55%。

5 手持設(shè)備視頻拍攝實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證本算法在實(shí)際應(yīng)用場(chǎng)合中的適用性，使用iPhone 8 后置攝像頭拍攝一段視頻，截取9 幀圖像如圖9 所示。

圖9 視頻截取的9 幀圖像

第一級(jí)質(zhì)量評(píng)價(jià)之后，圖9 中(a)、(d)圖像因失焦嚴(yán)重被淘汰掉；在虹膜初定位階段，(b)、(e)圖像因虹膜結(jié)構(gòu)不完整被淘汰掉；在第二級(jí)質(zhì)量評(píng)價(jià)階段，圖9 中(c)、(f)、(g)、(h)圖像因紋理不理想被淘汰掉；在細(xì)定位階段，僅保留圖9 中(i)圖像。如圖10 所示為本方法在移動(dòng)端拍攝的視頻中淘汰質(zhì)量受到光照干擾的虹膜圖像的流程。可見(jiàn)， 所保留下來(lái)的虹膜圖像(i)可準(zhǔn)確獲得虹膜的邊緣域定位。

圖10 手機(jī)拍攝實(shí)驗(yàn)各步驟效果圖

6 結(jié) 束 語(yǔ)

為嘗試解決移動(dòng)端可見(jiàn)光條件下虹膜圖像因存在光照不均、鏡面反射等干擾因素而難以準(zhǔn)確定位的問(wèn)題，利用智能移動(dòng)終端的視頻采集功能采集多幀虹膜序列圖像，設(shè)計(jì)一個(gè)同時(shí)完成兩級(jí)質(zhì)量評(píng)價(jià)與虹膜定位的級(jí)聯(lián)型方法。測(cè)試結(jié)果表明該方法能夠在移動(dòng)端虹膜識(shí)別系統(tǒng)中在完成圖像質(zhì)量評(píng)價(jià)的同時(shí)對(duì)篩選出的優(yōu)質(zhì)圖像進(jìn)行虹膜定位。與傳統(tǒng)虹膜定位方法相比，本方法通過(guò)淘汰不滿(mǎn)足識(shí)別要求的虹膜圖像，提高了虹膜定位準(zhǔn)確率，也同時(shí)提高了系統(tǒng)運(yùn)行速度與運(yùn)行效率，具有一定的應(yīng)用價(jià)值。