级联型多测度可见光虹膜图像质量评价方法*

尹思璐，孙洪林，刘笑楠，李秀梅

（1.沈阳工业大学信息科学与工程学院,沈阳110870；2.93303部队，沈阳110015）

1 引 言

虹膜识别是利用人眼虹膜作为生物特征进行身份认证的生物特征识别技术。通过二十余年的发展，可控环境下虹膜识别技术已经具有非常优越的识别性能。这些虹膜识别系统大多在特定环境下采用红外光或可见光采集设备对虹膜进行图像采集，所得虹膜图像受干扰小，质量优良[1]。随着移动互联网及智能移动设备的飞速发展和普及，应用于智能移动终端的移动虹膜识别技术越来越受到众多研究者的重视。然而，在“移动”的应用条件下，由于图像采集条件的不可控，导致所得的图像受到光照、位置错误等诸多因素干扰，虹膜图像的质量严重降低，直接影响移动虹膜识别系统的识别性能[2]。因此，如何正确评价移动终端在不可控条件下所获虹膜图像的质量是推动移动终端虹膜识别技术发展和应用的关键问题。

虹膜图像的质量评价方法可分为单测度和多测度两类，其中多测度方法基本是由多个单测度评价组合而成[3]。如罗晓庆等人[4]以虹膜图像的灰度分布特征为基础，提出虹膜完整性、虹膜可见度和虹膜清晰度三个单测度结合的虹膜图像质量评价模型。蔺勇等人[5]提出了利用图像分割参数计算各评价因子的方法，根据实验得到的各评价因子阈值以及图像分割可能的错误，对质量评价因子进行校准，最后融合校准后的因子形成虹膜图像质量评价值。史春蕾等人[6]提出离焦模糊和眼睑严重遮挡两种测度的评价方法，利用LoG算子提取虹膜两侧局部区域的高频能量以判断图像是否散焦模糊，并计算瞳孔上方指定矩形区域的灰度均值判断虹膜是否有眼睑严重遮挡。Lee等人[7]提出了一种能够从图像序列中选择高质量的虹膜图像的序列图像质量评价方法。该方法首先计算邻近瞳孔的右侧和左侧的虹膜区域的梯度信息，以区分模糊图像与对焦图像，然后使用有效的虹膜区域来区分遮挡图像和有用图像。王洪[8]提出了基于径向对称变换的瞳孔粗定位及快速虹膜图像质量判定算法。上述方法在红外虹膜图像的质量评价领域均取得了良好的效果。

然而，移动虹膜识别的采集条件与传统的虹膜识别相差甚远，采集所得的虹膜图像中不仅存在共性的质量问题，还存在可见光采集的特有问题。如图1和图2所示，两类图像对比可见：首先，两种采集方式均可获得清晰的虹膜图像，如图1(a)和图2(a)、(b)、(c)；其次，两类图像均可能出现模糊现象，如图1(b)和图2(j)、(k)、(l)，不同的是移动虹膜识别中的模糊不仅仅来源于失焦问题，还可能源于采集者手或头的轻微运动引起的运动模糊；再次，两类图像均可能出现遮挡现象，如眼皮遮挡等，如图1(c)和图2(d)、(e)、(f)，不同的是智能手机的操作者往往不是专业虹膜识别研究者，无法准确把握图像采集时机，从而导致更加严重的遮挡甚至闭眼；最后，可见光采集带来严重的光干扰问题，尤其会在虹膜区域产生镜面反射，从而严重干扰虹膜纹理信息，如图2(g)、(h)、(i)。

图1 红外光下拍摄的虹膜图像(来自图库CASIA[9])

图2 移动终端拍摄的可见光虹膜图像

综上所述，移动虹膜识别由于图像采集条件的变化，导致图像中出现了不同于传统虹膜识别固定距离红外采集的新的干扰因素。这些干扰所导致的虹膜模糊、遮挡、光反射等问题将严重降低虹膜图像的质量，影响虹膜纹理的特征提取与匹配，降低虹膜识别的正确率和运行效率。而传统的虹膜图像质量评价方法无法完全适用于可见光下采集的虹膜图像，因此亟需研究新的解决方案。为此，提出一种应用于可见光虹膜图像的多测度级联型图像质量评价方法。该方法首先利用Viola-Jones算法在实现眼区域定位的同时排除严重干扰图像；其次，通过所设计的滑动窗口对眼区域图像进行遍历，实现瞳孔中心的定位，确定虹膜区域的准确位置，进一步排除虹膜中存在阴影或眼睑、睫毛遮挡，闭眼，及图像整体灰度过暗或过亮等受干扰严重的虹膜图像；最后，采用所设计的镜面反射评价因子和模糊评价因子进行图像反射和模糊程度的定量评价。最终通过上述级联式模型实现对干扰严重的虹膜图像的排除，并对余下的虹膜图像进行干扰类型的判断与干扰程度的评价，为提高移动虹膜识别系统的识别正确率和运算效率提供帮助。

2 可见光虹膜图像质量评价相关定义及标准

为研究可见光虹膜图像的质量评价方法并对方法的检测效果进行客观评价，通过实验室人员对MICHE-I图库[10]中的虹膜图像的主观评价和识别，对虹膜图像进行了类别分组。参与评价人员共5人，一男四女，全部从事虹膜识别相关课题的研究，分类结果的判定采用少数服从多数的原则。通过上述方法，将图库中的虹膜图像分为优质图像和干扰图像两类，并将干扰图像中的严重干扰图像、反射干扰图像和模糊干扰图像单独分组。通过对各组图像的相关特性的分析，给出各类图像的描述和评价标准。

优质图像中眼睛及周围区域应符合眼部特征，如图2(a)、(b)、(c)所示，上下眼睑的灰度明显高于虹膜的灰度，虹膜的灰度明显高于瞳孔的灰度，虹膜区域基本未被遮挡，并且虹膜纹理清晰可见。

严重干扰图像，如图2(d)、(e)、(f)所示，眼睛及周围区域不符合眼部特征，虹膜区域被严重遮挡或纹理被全部埋没，无法定位到虹膜，更不可能存在可以提取的虹膜纹理信息，因此在质量评价过程中这类图像应直接排除。

反射干扰图像是由于眼角膜对光源产生镜面反射，此时虹膜纹理被光反射遮挡，如图2(g)、(h)、(i)所示。这种光干扰可能来自光源或者其他物体的反射光，随着遮挡面积的增大，可提取的虹膜纹理信息越来越少。

模糊图像是由于在拍摄时，摄像头失焦或者拍摄者手或头部的轻微运动，导致虹膜纹理模糊不清，模糊程度越大，提取虹膜纹理信息的可能性就越小。如图2(j)、(k)、(l)所示即为虹膜区域不同程度模糊的图像。

3 级联型可见光虹膜图像质量评价方法

本研究设计了一个三层级联的判别模型对虹膜图像进行质量判别。模型第一层采用Viola-Jones算法[11]实现图像中的眼睛区域定位，并且进行无眼区域特征的严重干扰图像的排除，对后续步骤中的感兴趣区域进行第一次质量粗评价；第二层利用所设计的滑动窗口来定位瞳孔中心点，并根据该点位置和虹膜半径获得精确的虹膜区域，通过上述过程进一步对虹膜区域存在严重干扰的虹膜图像进行检测，从而排除受眼睑、外物阴影、头发遮挡或闭眼的虹膜图像；第三层通过专门定义的检测因子衡量虹膜区域的模糊和光反射程度，对图像质量进行定量评价。模型结构如图3所示。三层结构逐级展开，每一层均可实现特定属性的质量评价，二、三层均在上一层次评价结果的基础上对该层的属性进行评价，层层递进，最终实现虹膜图像中虹膜区域的图像质量评价。

3.1 基于Viola-Jones算法的眼区域检测

在第一层级联判别模型中，采用Viola-Jones算法，该方法分为三个步骤：

(1)利用Haar-like特征[12]描述人眼的共有属性并采用积分图法计算特征；

图3 级联型多测度质量评价模型结构图

(2)利用特征训练弱分类器使之成为最优分类器，多个最优弱分类器组合形成强分类器；

(3)将强分类器级联，提高检测的速度和准确率。

Viola-Jones算法首先将图像分割成24×24的窗口，提取每个窗口的人眼特征，采用积分图快速计算特征值。将该特征值经过下式所示的弱分类器：

式中，χ为图像的子窗口，f为Haar-like特征，θ为阈值，p表示不等式的方向。然后，Viola-Jones算法采用Adaboost迭代算法的一个变体，将弱分类器迭代成强分类器。组合T个最优弱分类器得到强分类器，组合方式如下：

图4 眼区域检测级联分类器

通过上述步骤，即可检测出虹膜图像中特征最符合眼区域特征的眼睛区域范围，而一些由于闭眼、位置错误或眼区域严重遮挡而产生的干扰严重的虹膜图像将无眼区域检出，从而被排除在外，无法进入下一个层级的质量评价。

3.2 基于虹膜区域定位的感兴趣区域质量评价

判别各区域的灰度属性是否符合本层从第一层模型得到的眼睛区域，通过定位瞳孔中心点，再以该点为中心向外扩散确定虹膜的半径，最后通过眼睛模板验证得到的结果，判断该图像虹膜区域的特性是否符合评价标准。

正常的虹膜图像中瞳孔区域像素灰度小于虹膜区域像素灰度，而虹膜区域像素灰度又小于巩膜和皮肤区域像素灰度。因此，一个质量合格的图像，其眼周区域灰度最小的位置应该位于瞳孔。基于上述分析，本层次首先设计一个正方形滑动窗口，其边长略大于瞳孔直径，令其在第一层判别模型得到的眼睛区域内由上至下，由左至右滑动，找出平均灰度最小的滑动窗口，将该滑动窗判定为瞳孔所在区域，滑动窗的中心即为瞳孔内一点。然后，以该点为圆心，逐像素增大半径，计算每两个相邻半径同心圆的灰度均值，将平均灰度差值的最大点所对应的圆半径作为虹膜区域的外径。

为了确定上述过程中滑动窗口大小和虹膜外径的搜索范围，需要对图库中860张图像的上述参数进行统计分析。分析结果如图5所示。图中两个数据集分别为瞳孔直径和虹膜外径的归一化统计结果，可得知两参数的最大值分别为38和186。因此滑动窗口选取40×40个像素即可将所有图像中的瞳孔包含在内且计算量最小；虹膜外半径搜索上限值选为200。

为了对虹膜区域的图像质量进行进一步评价，排除受干扰的劣质虹膜图像，需要对所得虹膜区域图像进行评价和筛选。本研究依据优质图像虹膜区域的特性设计如图6所示的检测模板，将瞳孔与虹膜看作两个同心圆，分别取左侧巩膜A，左侧虹膜B，瞳孔C，右侧虹膜D，右侧巩膜E，下侧虹膜F和眼皮上G七个区域。判断是否符合A＞B＞C，C＜D＜E且C＜F＜G，并将判别结果作为第二步质量评价的结果。

图5 瞳孔直径和虹膜外半径归一化箱式统计图

图6 虹膜区域检测模板

3.3 基于评价因子的虹膜区域模糊及镜面反射程度评价

通过前两层的评价，已基本排除闭眼、位置错误、严重遮挡等被严重干扰的虹膜图像，并且实现了虹膜区域定位。在第三层评价中，特别定义了两种评价因子，评价虹膜图像的受光干扰程度和模糊程度，对虹膜图像的质量进行定量评价。

3.3.1 镜面反射评价因子

虹膜区域镜面反射评价因子定义如下式：

式中Aspec表示虹膜区域中存在镜面反射的区域的面积，Anom则表示其中未被光照干扰的区域的面积。

通过对图库中虹膜图像的分析，可得知在亮度分量下，存在反射与无光干扰像素的亮度数值具有良好的可分性。图7所示为随机选取100张存在镜面反射的虹膜图像的亮度统计结果，分别选取虹膜区域中两类区域各100个像素点进行统计，可以发现，虹膜中镜面反射区域的图像亮度明显高于其他区域，这说明在该分量上虹膜中的光干扰区域与其他区域具有良好的可分性，可通过图像分割的方法将其分开。因此将原图像变换到HSV颜色模型中，在亮度分量V中利用OTSU法[13]选取阈值T，当像素亮度Tij＞T时，判定该像素为存在镜面反射的虹膜区域；否则，判定为无光干扰区域。

图7 反射区域与无反射区域像素亮度对比

3.3.2 模糊评价因子

采用二维离散小波变换方法[14]评价虹膜区域的模糊程度，评价因子定义如下式：

其中HL表示图像水平方向上的高频信息矩阵之和，LH表示图像竖直方向上的高频信息之和，HH表示图像在对角线方向上的高频信息之和,v表示图像的平均灰度。设原图像的大小为M×N，对图像做1阶二维离散小波变换，得细节分量则式(4)中各参数计算方法如下：

由于图库中的图像是在不确定的条件下拍摄的，每张图像的光照强度、图像背景与曝光程度都不相同，使得图像的清晰度受灰度影响很大。为了计算得到的清晰度具有可比性，将高频分量和与图像平均灰度之比作为模糊评价因子。

4 实验结果及分析

采用MICHE-I虹膜图像库对算法进行测试。该图库是在可见光下使用移动设备分别在室内与室外采集的虹膜图像。此处采用其中由iPhone 5拍摄60个人的共计860张虹膜图像，图像分辨率为960×1280像素。

4.1 级联判别模型各层次结果分析

如图8所示为第一层评价的输出结果，图中分别为图2中各图像的检测结果。检测结果表明，此方法能够利用Viola-Jones算法在移动端虹膜图像中定位出眼睛的位置。对于被严重干扰的虹膜图像，如图8(e)和图8(f)所示，由于眼睛区域的窗口特征不符合眼睛的Haar-like特征，无法正确定位眼区域，这类图像可直接排除。

图8 第一层评判结果

经过第一层质量评价后，一部分严重干扰的图像被排除。在此基础上，第二层判别模型在眼睛区域的瞳孔内一点定位结果如图9所示 (以白点标示)。实验结果表明，对于无干扰的优质虹膜图像，瞳孔内一点被准确定位，如图9(a)～(c)和图9(f)～(j)所示；而对于虹膜区域被眼睑、面部阴影或眼镜框严重遮挡的虹膜图像，如图9(d)～(e)所示，得到的则是错误的瞳孔中心定位。

图9 定位瞳孔中心点

利用上述方法，可计算出虹膜的外半径，结果如图10所示。通过检测模板的评判，图10(d)由于虹膜区域并不满足模板要求而被剔除。

图10 虹膜区域定位结果

第三层判别模型检测镜面反射因子与模糊因子。利用上述方法对图10中正确定位虹膜区域进行镜面反射因子与模糊因子的计算，结果如表1所示。从表中可以得知，当虹膜区域存在反射时，λ值比较高，如图10(e)～(g)；当虹膜区域模糊时，g值比较低，如图11(h)～(j)。由此可见，利用本方法能有效地检测干扰因子的种类及程度。

表1 图10中各虹膜图像反射因子与模糊因子数值

另外，与其他时域变换[15]和频域变换[16]方法相比较，此处定义的模糊评价因子所采用的小波变换方法能够更好地反映图像的模糊程度。在分类图库中随机选取50幅模糊图像和50张优质图像分别采用时域变换、频域变换对图像的相关特性进行分析，如图11所示。

图11 三种方法比较结果图

实验结果表明，频域方法与时域方法在移动端拍摄的虹膜图像中不具有可分性，而本研究中提出的基于小波变换的评价因子在清晰图像与模糊图像中有明显的区别，说明该因子对虹膜图像的模糊程度具有更高的敏感性。

4.2 反射与模糊测度的阈值分析

为了确定反射与模糊干扰图像的评价标准，分别采用不同评价阈值所获得的评判结果与主观评价结果进行比对，结果如图12和图13所示。

图12 反射图像判别ROC曲线图

图13 模糊图像判别ROC曲线图

图12所示为以四种大小的反射评价因子取值为分类标准所获得的存在反射与不存在反射两类虹膜图像的分类结果ROC曲线，图中λ分别取值0.3、0.4、0.5和0.6。结果表明，反射程度选取为0.4时，得到最大的AUC，与主观评价的结果最为接近。因此，在该评价模型中，将λ=0.4作为虹膜图像是否存在反射光干扰的评判阈值。

图13所示为以四种大小的模糊评价因子取值为分类标准所获得的模糊与非模糊两类虹膜图像的分类结果ROC曲线，图中g分别取值1.1×104、1.2×104、1.3×104和 1.4×104。结果表明，当模糊判别阈值选取为1.3×104时，得到最大的AUC，与主观评价的结果最接近。因此，此模型将该值作为虹膜图像是否判为模糊的评判阈值。

4.3 质量评价方法对虹膜识别结果的影响

为了说明本方法对虹膜识别正确率的影响，分别对图库中的图像进行两次识别测试，其一是在预处理步骤中融入本方法，另外一次则不进行图像的质量评价。两次测试均采用二维Gabor变换提取虹膜特征，将所得特征进行二维离散余弦变换，最后用欧氏距离进行分类。当不加入质量评价时，虹膜识别正确率为68%，加入质量评价时，虹膜识别正确率提高到81%。可见，在虹膜识别系统中加入该质量评价环节，能够大幅提高虹膜识别的准确率。另外，由于劣质图像的逐层排除，使得进入后续运算的图像数量减少，从而提高虹膜识别系统的运算效率。

5 结束语

提出了一种应用于可见光虹膜图像的质量评价方法，即级联型多测度质量评价方法。该方法由三层级联模型构成，每一层都对虹膜图像的质量做出相应评价，避免受严重干扰的图像进入下一个层次的判别，并且针对可见光中特有的光反射问题和模糊问题给出了定量评价的方法。实验结果表明，该方法能够有效地对虹膜图像做出定性和定量评价。如将此法应用于移动虹膜识别系统中，可在虹膜采集后对虹膜图像做出即时的质量评价，当未取得合格虹膜图像时，便能及时提醒用户重新拍摄图像，仅令质量合格的图像进入后续的特征提取和身份识别步骤。这将提高移动终端虹膜识别系统的识别准确率和运行效率，减轻终端的运算负担。