級聯(lián)型多測度可見光虹膜圖像質(zhì)量評價方法*

尹思璐，孫洪林，劉笑楠，李秀梅

（1.沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)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(jìn)行身份認(rèn)證的生物特征識別技術(shù)。通過二十余年的發(fā)展，可控環(huán)境下虹膜識別技術(shù)已經(jīng)具有非常優(yōu)越的識別性能。這些虹膜識別系統(tǒng)大多在特定環(huán)境下采用紅外光或可見光采集設(shè)備對虹膜進(jìn)行圖像采集，所得虹膜圖像受干擾小，質(zhì)量優(yōu)良[1]。隨著移動互聯(lián)網(wǎng)及智能移動設(shè)備的飛速發(fā)展和普及，應(yīng)用于智能移動終端的移動虹膜識別技術(shù)越來越受到眾多研究者的重視。然而，在“移動”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，直接影響移動虹膜識別系統(tǒng)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(zhì)量是推動移動終端虹膜識別技術(shù)發(fā)展和應(yīng)用的關(guān)鍵問題。

虹膜圖像的質(zhì)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(chǔ)，提出虹膜完整性、虹膜可見度和虹膜清晰度三個單測度結(jié)合的虹膜圖像質(zhì)量評價模型。藺勇等人[5]提出了利用圖像分割參數(shù)計算各評價因子的方法，根據(jù)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(zhì)量評價因子進(jìn)行校準(zhǔn)，最后融合校準(zhǔn)后的因子形成虹膜圖像質(zhì)量評價值。史春蕾等人[6]提出離焦模糊和眼瞼嚴(yán)重遮擋兩種測度的評價方法，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)量評價方法。該方法首先計算鄰近瞳孔的右側(cè)和左側(cè)的虹膜區(qū)域的梯度信息，以區(qū)分模糊圖像與對焦圖像，然后使用有效的虹膜區(qū)域來區(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)量評價領(lǐng)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(tǒng)的虹膜識別相差甚遠(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(xiàn)模糊現(xiàn)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(yùn)動引起的運(yùn)動模糊；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)虹膜識別研究者，無法準(zhǔn)確把握圖像采集時機(jī)，從而導(dǎo)致更加嚴(yán)重的遮擋甚至閉眼；最后，可見光采集帶來嚴(yán)重的光干擾問題，尤其會在虹膜區(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(dǎo)致圖像中出現(xiàn)了不同于傳統(tǒng)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(dǎo)致的虹膜模糊、遮擋、光反射等問題將嚴(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，降低虹膜識別的正確率和運(yùn)行效率。而傳統(tǒng)的虹膜圖像質(zhì)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(yīng)用于可見光虹膜圖像的多測度級聯(lián)型圖像質(zhì)量評價方法。該方法首先利用Viola-Jones算法在實現(xiàn)眼區(qū)域定位的同時排除嚴(yán)重干擾圖像；其次，通過所設(shè)計的滑動窗口對眼區(qū)域圖像進(jìn)行遍歷，實現(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，及圖像整體灰度過暗或過亮等受干擾嚴(yán)重的虹膜圖像；最后，采用所設(shè)計的鏡面反射評價因子和模糊評價因子進(jìn)行圖像反射和模糊程度的定量評價。最終通過上述級聯(lián)式模型實現(xiàn)對干擾嚴(yán)重的虹膜圖像的排除，并對余下的虹膜圖像進(jìn)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(tǒng)的識別正確率和運(yùn)算效率提供幫助。

2 可見光虹膜圖像質(zhì)量評價相關(guān)定義及標(biāo)準(zhǔn)

為研究可見光虹膜圖像的質(zhì)量評價方法并對方法的檢測效果進(jìn)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(jìn)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(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。通過上述方法，將圖庫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。通過對各組圖像的相關(guān)特性的分析，給出各類圖像的描述和評價標(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。

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，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(zhì)量評價過程中這類圖像應(yīng)直接排除。

反射干擾圖像是由于眼角膜對光源產(chǎn)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(yùn)動，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 級聯(lián)型可見光虹膜圖像質(zhì)量評價方法

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

3.1 基于Viola-Jones算法的眼區(qū)域檢測

在第一層級聯(lián)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(lián)型多測度質(zhì)量評價模型結(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，多個最優(yōu)弱分類器組合形成強(qiáng)分類器；

(3)將強(qiáng)分類器級聯(lián)，提高檢測的速度和準(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(jīng)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(qiáng)分類器。組合T個最優(yōu)弱分類器得到強(qiáng)分類器，組合方式如下：

圖4 眼區(qū)域檢測級聯(lián)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(qū)域特征的眼睛區(qū)域范圍，而一些由于閉眼、位置錯誤或眼區(qū)域嚴(yán)重遮擋而產(chǎn)生的干擾嚴(yán)重的虹膜圖像將無眼區(qū)域檢出，從而被排除在外，無法進(jìn)入下一個層級的質(zhì)量評價。

3.2 基于虹膜區(qū)域定位的感興趣區(qū)域質(zhì)量評價

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，最后通過眼睛模板驗證得到的結(jié)果，判斷該圖像虹膜區(qū)域的特性是否符合評價標(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(qū)域內(nèi)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(qū)域，滑動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(diǎn)所對應(yīng)的圓半徑作為虹膜區(qū)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(shù)進(jìn)行統(tǒng)計分析。分析結(jié)果如圖5所示。圖中兩個數(shù)據(jù)集分別為瞳孔直徑和虹膜外徑的歸一化統(tǒng)計結(jié)果，可得知兩參數(shù)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(nèi)且計算量最??；虹膜外半徑搜索上限值選為200。

為了對虹膜區(qū)域的圖像質(zhì)量進(jìn)行進(jìn)一步評價，排除受干擾的劣質(zhì)虹膜圖像，需要對所得虹膜區(qū)域圖像進(jìn)行評價和篩選。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(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)量評價的結(jié)果。

圖5 瞳孔直徑和虹膜外半徑歸一化箱式統(tǒng)計圖

圖6 虹膜區(qū)域檢測模板

3.3 基于評價因子的虹膜區(qū)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(yán)重遮擋等被嚴(yán)重干擾的虹膜圖像，并且實現(xiàn)了虹膜區(qū)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(zhì)量進(jìn)行定量評價。

3.3.1 鏡面反射評價因子

虹膜區(qū)域鏡面反射評價因子定義如下式：

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(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)計結(jié)果，分別選取虹膜區(qū)域中兩類區(qū)域各100個像素點(diǎn)進(jìn)行統(tǒng)計，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(dāng)像素亮度Tij＞T時，判定該像素為存在鏡面反射的虹膜區(qū)域；否則，判定為無光干擾區(qū)域。

圖7 反射區(qū)域與無反射區(qū)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(qū)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(shè)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(xì)節(jié)分量則式(4)中各參數(shù)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(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(jié)果及分析

采用MICHE-I虹膜圖像庫對算法進(jìn)行測試。該圖庫是在可見光下使用移動設(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個人的共計860張虹膜圖像，圖像分辨率為960×1280像素。

4.1 級聯(lián)判別模型各層次結(jié)果分析

如圖8所示為第一層評價的輸出結(jié)果，圖中分別為圖2中各圖像的檢測結(jié)果。檢測結(jié)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(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，無法正確定位眼區(qū)域，這類圖像可直接排除。

圖8 第一層評判結(jié)果

經(jīng)過第一層質(zhì)量評價后，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)。實驗結(jié)果表明，對于無干擾的優(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，可計算出虹膜的外半徑，結(jié)果如圖10所示。通過檢測模板的評判，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(qū)域進(jìn)行鏡面反射因子與模糊因子的計算，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，λ值比較高，如圖10(e)～(g)；當(dāng)虹膜區(qū)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(shù)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(jī)選取50幅模糊圖像和50張優(yōu)質(zhì)圖像分別采用時域變換、頻域變換對圖像的相關(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

實驗結(jié)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(qū)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(biāo)準(zhǔn)，分別采用不同評價閾值所獲得的評判結(jié)果與主觀評價結(jié)果進(jìn)行比對，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價因子取值為分類標(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，得到最大的AUC，與主觀評價的結(jié)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(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，得到最大的AUC，與主觀評價的結(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判閾值。

4.3 質(zhì)量評價方法對虹膜識別結(jié)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(jìn)行兩次識別測試，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(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)量評價時，虹膜識別正確率為68%，加入質(zhì)量評價時，虹膜識別正確率提高到81%?？梢姡诤缒ぷR別系統(tǒng)中加入該質(zhì)量評價環(huán)節(jié)，能夠大幅提高虹膜識別的準(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，從而提高虹膜識別系統(tǒng)的運(yùn)算效率。

5 結(jié)束語

提出了一種應(yīng)用于可見光虹膜圖像的質(zhì)量評價方法，即級聯(lián)型多測度質(zhì)量評價方法。該方法由三層級聯(lián)模型構(gòu)成，每一層都對虹膜圖像的質(zhì)量做出相應(yīng)評價，避免受嚴(yán)重干擾的圖像進(jìn)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(jié)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(yīng)用于移動虹膜識別系統(tǒng)中，可在虹膜采集后對虹膜圖像做出即時的質(zhì)量評價，當(dāng)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(zhì)量合格的圖像進(jìn)入后續(xù)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(tǒng)的識別準(zhǔn)確率和運(yùn)行效率，減輕終端的運(yùn)算負(fù)擔(dān)。