基于GA/T 1429-2017等标准的图像质量测试方法研究

李文洁 德秀丽 任福云 张文弘 公安部第一研究所

引言

虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的圆环状薄膜，虹膜在红外光的照射下，呈现出丰富的视觉特征，如斑点、条纹、细丝、冠状、隐窝等，这便构成了虹膜的纹理结构信息。虹膜具有唯一性、稳定性、非侵犯性和天然防伪性的特点。

虹膜识别的方法最早由美国的眼科医生Leonard Flom 和Arin Safir在1987年提出，英国剑桥大学Daugman博士在1993年提出的虹膜识别理论框架中将虹膜识别分为四个部分：虹膜定位、图像归一化、特征提取和匹配。在后续的研究工作中，大部分工作都是针对已有理论框架的各部分提出了改进性方法。在发展过程中产生了多个识别体系，如Wildes系统、Daugman系统、Boles系统、中科院虹膜系统，在计算方法里最具代表性的两种方法分别为Daugman 提出的积分微分算子法和Wildes提出的Hough变换法。近些年，随着深度学习的兴起，虹膜识别算法中加入了深度学习技术，与传统采用数字图像处理技术完成的虹膜识别相比，识别结果各有优劣。

一、设备分类及特点

根据虹膜识别距离的不同，虹膜识别设备可分为近距离虹膜识别设备和中远距离虹膜识别设备，根据虹膜识别系统中各模块所处位置可分为一体式虹膜识别设备和分体式虹膜设备。

（一）近距离虹膜识别设备

近距离虹膜识别设备的外形一般如图2所示，这种虹膜识别设备也可称为望远镜式虹膜识别设备，一般属于分体式虹膜识别设备，即采集模块位于望远镜式镜筒部分，识别模块的主要部分一般运行在与它相连的计算机上，它的特点是采用手持或支架方式固定，设备边框与脸部贴合，内置补光灯进行补光。由于设备贴近人脸，在虹膜注册和虹膜识别时采集摄像头与人眼之间相对静止，采集和识别距离相对固定，因此该类虹膜识别设备比较容易完成虹膜图像的聚焦，一般较少出现离焦模糊和运动模糊问题，采集的虹膜图像质量较高。

（二）中远距离虹膜识别设备

中远距离虹膜识别设备的外形一般如图3所示，一般采用变焦镜头，选配红外体温检测模块、身份证识读模块等，由红外灯、白光灯进行补光。这类虹膜识别设备可以是一体式虹膜识别设备，也可以是分体式虹膜识别设备，即识别模块可以运行在前端也可以运行在与它相连的计算机上，它的特点是识别距离较远，识别时由于人眼距离采集模块较远，即使在被采集人高度配合的情况下，也可能会出现轻微晃动，造成采集虹膜图像清晰度不高，因此为了在虹膜采集平面上聚焦清晰可能会配有测距模块。目前，虹膜识别研究在逐步从“高配合、严筛选”（需要用户高度配合、严格筛选图像质量）向“低配合、高通量”（低用户配合度、高通量识别）转变。要实现这个转变，除了从硬件设备着手提高硬件成像能力，还有一个重要途径，就是降低识别系统对虹膜图像质量的要求，增强处理“低质量”图像（如低分辨率、模糊、遮挡、形变和光照不均匀等）的能力[1]，低图像质量下的虹膜识别成为学者们的研究课题[2]之一，全球著名科学出版集团Elsevier和葡萄牙Beira Interior大学曾发起并组织了低质量虹膜图像处理算法国际竞赛（Nosiy IrisChallenge Evaluation，NICE）。

二、图像质量测试

不同的虹膜采集设备具有不同的传感器、红外模组、聚焦方法和虹膜质量分析算法，因此不同的虹膜采集设备采集到的虹膜图像清晰度具有较大差异，这使得跨设备进行虹膜识别难度较大，这些来源广泛、质量各异的虹膜图像的识别问题就是多源异质虹膜图像识别问题，虹膜图像采集的质量将直接影响识别过程中特征提取与识别算法的准确性。因此为了保证虹膜图像的质量，应在现有的国家标准和行业标准（详见表1至表4）指导下对虹膜设备的产品质量及所采集的虹膜图像的质量[3,4]把关。

?

?

?

?

从对虹膜识别技术评测标准的梳理可以看到，虹膜图像质量评测在整个标准体系中的地位举足轻重。其中，GB/T 26237.6-2014和GA/T 1286-2015规定了虹膜图像数据格式，GB/T 33767.6-2018和GA/T 1429-2017规定了虹膜图像质量，GB/T 33767.6-2018在6.2中规定的由单个图像计算得到的要求性虹膜图像质量指标共10项，包括可用虹膜区域、虹膜-巩膜对比度、虹膜-瞳孔对比度等；GA/T 1429-2017标准中规定的需要量化的图像质量指标共9项，包括灰度等级、灰度等级利用率、边界裕量等。在这两个标准中有7项指标尽管名称略有差异但检测对象相同，见表5，在检测结果方面国家标准GB/T 33767.6-2018中在涉及到百分比计算时，均将小数乘以100%后的结果作为最终检测值，结果不书写百分号。这7项指标是在评价虹膜图像质量时较常用的检测指标，而GB/T 33767.6-2018在6.3中定义的正面注视-仰角、正面注视-方位角、运动模糊三项作为由单个图像计算得到的推荐性虹膜图像质量指标，在标准中并未给出明确计算方法，尚不适合作为虹膜图像质量的检测指标。

?

为了测试虹膜图像质量，笔者在分析了现有的技术后完成了图像质量分析软件的架构设计，如图4所示。

从图中可以看到图像质量测试软件分为三个部分：

（1）OpenCV函数库，该函数库提供了丰富的图像、矩阵处理函数，可以方便地完成图像的读取和显示、直方图计算、线性和非线性滤波、膨胀、腐蚀等，为虹膜图像的定位和虹膜图像质量评测指标的计算提供了丰富的函数工具。

（2）算法模块采用C++语言编写，基于OpenCV函数库，完成了虹膜的定位、分割、虹膜掩图的计算，如图5所示，并在此基础上完成对虹膜图像灰度等级、灰度等级利用率、虹膜半径、虹膜采样分辨率、瞳孔伸缩率、虹膜与巩膜对比度、虹膜与瞳孔对比度、虹膜有效区域占比、边界裕量的计算。该模块最终编译生成动态链接库，向虹膜图像质量软件测试界面模块提供接口函数。

（3）虹膜图像虹膜图像质量软件测试界面模块采用了C#语言，借助于WinForm框架类库完成界面的编写，并调用第二层算法模块提供的动态链接库接口函数，展示虹膜图像质量计算结果。

该软件主要用于评测图像质量，能够给出虹膜-巩膜对比度、虹膜-瞳孔对比度、灰度利用率、虹膜半径、瞳孔扩张、边缘预留度指标的检测结果。

尽管近距离虹膜采集和识别设备具有采集图像质量高、识别迅速的特点，但由于对被采集人的配合度要求高，不适于日常使用，而中远距离虹膜识别设备在“低配合、高通量”的市场需求下，将会大量涌现。

三、虹膜识别技术所面临的机遇与挑战

疫情以来，带口罩和无接触需求进一步加速了虹膜识别的落地。但是虹膜识别技术在大规模应用前，仍然需要注意以下两个问题：

（一）注册数据筛重去伪问题

虽然虹膜识别技术具有识别率高的特点，但为了能够完成虹膜的准确识别，应在虹膜数据通过应用服务接口进行对接上传时，注意去除重复虹膜图像数据、去除图像质量不高的虹膜数据以及存在疑问的虹膜数据，同时也需要配备工作人员进行必要的人工审核和管控。

（二）信息安全问题

2009年，印度政府开始建设包含所有国民生物特征信息的国家身份证项目，简称Aadhaar，该项目采集了每个公民的十指指纹、人像照片和双眼虹膜等生物特征信息。该项目出现了严重的信息泄露，据报道称，已有超过210家政府网站都曝光了Aadhaar 中公民的详细信息；超过1亿人的银行账户和Aadhaar细节信息被泄露；政府的电子医院数据库也遭到入侵。所以尽管虹膜纹理信息具有天然防伪性，但在大规模使用前，应从数据采集、传输、存储和使用等多方面加强虹膜图像数据的信息安全。

四、结语

从人配合机器到机器主动适应人是技术发展的必然趋势，中远距离虹膜识别设备在“低配合、高通量”的市场需求下将会大量涌现，虹膜图像分割和虹膜质量评判作为虹膜识别核心算法的重要组成部分，也必将随着技术的更新不断进步。