基于纹理频谱分析的虹膜图像质量评价方法.pdfVIP

基于纹理频谱分析的虹膜图像质量评价方法 孙哲南马力王蕴红谭铁牛崔家礼 中国科学院自动化所模式识别因家重点实验室北京100080 摘要：虹膜图像的质量评价是虹膜识别系统中的关键功能模块之一。本文提取虹膜纹理的 傅立叶频谱的分布信息作为特征，采用最小最大决策将输入的虹膜图像分为两类：清晰图像 和模糊图像(包括离焦模糊和运动模糊)。大量实验证明了该方法的有效性。 关键字：虹膜图像：质量评价：傅立叶频谱；纹理分析；最小最大决策 1前言 虹膜识别作为～种新兴的生物特征识剐技术，由于其具有唯一性、稳定性、非接触、 速度快、特征和模板容量小等许多独特的优势而备受学术界和产业界的关注。自上世纪90 年代以来，许多科研人员在理论和实践上都证实了虹膜识别的优异性能[卜12]。如 Daugman[12]采用了来自英国、美国、日本和韩田的数以千计的虹膜图像进行了910万次比 对，无一例错误匹配。但他同时承认，虹膜图像的质量直接影响同类虹膜之间的Hamming 距离值。在他的实验中，由于运动模糊、离焦模糊、噪声等因素而引起的质量较差的虹膜图 像直接导致同类虹膜之间的差异增大，决策环境变恶劣，最终会导致系统错误拒绝率的增高。 获取高质量的虹膜图像需要精密的成像光学系统以及用户与硬件的怠好配合。造成虹膜图像 质量差的原因主要有： 1]。因 I)A眼虹膜面积较小，而现有算法要求虹膜图像中虹膜的直径至少为100个像素[1 此必须近距离成像，造成成像系统景深小，对使用者的配合程度要求高。用户头部移动 会造成图像离焦模糊(图1(a))或运动模糊(囤l(b))、无虹膜(图“c))或远离中心(图 1(d))。眨眼可能导致图像运动模糊或有效虹膜区域面积的减少(如图1(e)所示)。 (a) (b) (d) (c) 图l在虹暾识别系统中出现的各种质量较差的图像 2)光源在人眼中的像斑位于虹膜区域，破坏了虹膜纹理信息。 3)由于不同人的眼睛虹膜中的色素差异，需要不同波长的光源来获取最佳的纹理信息。 基于上述分析，我们可以从三个途径努力提高虹膜图像的质量： 1) 研究高性能的成像硬件平台； 2) 提高识别算法的鲁棒性： 3) 在虹膜识别系统中引入智能的图像质量评价软件模块，只容许较高质量的虹膜图 像进行注册或识别。 在这些措施中设计有效的图像质量评价算法最实际。因为生物特征的获取需要人与机器 的协调，而现有的硬件采集系统还很难自动判断当前状态是否协调；为了保证识别过程的自 动化和系统的易用性，协调程度也不宜让被采集者主观判断；同时获取到各种质量参差不齐 的生物特征时也需要质量评价算法从中挑选最好或最可靠的生物特征进行识别；识别算法的 有效性直接依赖于采集到的生物特征的质量。所以研究生物特征的质量评价算法对于识别系 统性能的提高具有重要意义。 虹膜图像的质量评价可看作一个两类模式识别问题：将采集到的图像分为合格图像和 不舍格图像，该模块在整个虹膜识别系统软件部分中的位置如图2所示。 图2虹膜识别系统软件部分流程图 在实际系统中，图像质量评价模块的输入是采集到的序列图像，输出是质量能保证注册 或识别精度要求的某一幅虹膜图像，阻止其他质量低劣的虹膜图像进入后续操作。通过该模 块过滤掉的图像可能有： 1)根本没有虹膜的图像： 2) 虹膜位置太偏．远离中心的图像； 3) 眼皮或睫毛对虹膜遮挡太多．导致有效虹膜面积太少的图像； 4) 光源像斑位于虹膜区域的图像： 5) 不清晰的虹膜图像，包括离焦模糊和运动模糊图像。 第一种情况可根据虹膜定位的成功与否来确定；第二种情况通过搜索图像中部区域是否 存在灰度较低的圆盘来排除：第三种情况可通过眼皮和睫毛的定位结果判定：第四种情况可 以根据光源的结构信息通过搜索瞳孔中是否存在指定形状的亮斑来检验。本文的侧重点在于 排除第5种情况，即将已经排除了前4种情况后的图像区分为清晰的虹膜图像和模糊的虹膜 图像。 综上所述，虹膜图像的质量评价已成为虹膜识别系统发展的主要瓶颈之一，该模