摘 要： 虹膜識別系統中，虹膜圖像質量的好壞直接影響識別的精度。針對虹膜采集過程，提出一種全面的虹膜質量評估方法，利用直方圖對虹膜圖像進行總體評估、對瞳孔定位；利用瞳孔圓心與亮斑重心之間的距離判斷亮斑的位置與瞳孔的偏離度；利用總有界變差對虹膜感興趣區域進行清晰度的判斷；利用直線擬合法定位眼瞼并對虹膜有效區域進行判斷。實驗證明，本文提出的方法切實可行。
關鍵詞： 虹膜識別；質量評估；總有界變差；直線擬合
在各種不同的生物識別技術中，虹膜識別比其他的生物識別擁有更多的優良特性：唯一性、穩定性、良好的防偽性、非侵犯性[1]。傳統虹膜識別系統主要包括虹膜采集、預處理、特征提取和特征匹配。但是虹膜識別系統采集的虹膜圖像并不是都符合識別的要求，其中有很多圖像存在著模糊、反光點干擾、虹膜有效區域過小等影響，降低了虹膜圖像識別的精度。所以在對虹膜圖像預處理前對虹膜圖像進行質量評估顯得尤為重要[2]。本文在對現有的虹膜圖像質量評估算法分析研究基礎上，結合虹膜采集系統的實際情況，提出一種比較全面的虹膜質量評估方法。
1 總體評估
本文采集到的虹膜圖像大小為480×640像素的8位灰度圖像。在采集過程中由于被采集者的移動往往使得采集到的虹膜圖像在質量上存在很大的缺陷，如圖1所示。所以在虹膜圖像進行定位前須對圖像進行總體的評價，剔除一些不合要求的圖像，以保證虹膜定位的準確性，節省采集過程所需時間。
一個合適的虹膜圖像其直方圖的分布有規律性[3]，如圖2為一虹膜圖像和其灰度直方圖。由圖可以發現，直方圖有三個比較明顯的峰值，分別對應瞳孔區域(NP)、虹膜區域(NI)和鞏膜與皮膚區域(No)，其中，NP為灰度值<45的所有像素點，NI為灰度值在45~120之間的所有像素點，NO為灰度值>120的所有像素點。評估參數計算如下：
式中Q1、Q2為定義的兩個評估參數，Q1越小證明虹膜的可見度愈小，但是如果Q1過大也有可能是瞳孔被遮擋，所以對Q1選擇兩個門限，即符合要求的虹膜圖像應滿足T1<Q1<T2，而對Q2設定門限為Q2>T3。T1、T2、T3是通過實驗得到的閾值。
式中，(x，y)為瞳孔的圓心。D越小證明亮斑越靠近瞳孔圓心，偏離度越??；反之，越遠離瞳孔圓心，其偏離度越大。因此設定一閾值Td，規定D大于此閾值的圖像為不合格。光源點的檢測結果如圖5所示。
從檢測結果可以發現，圖5(a)、(b)兩幅圖像的亮斑與瞳孔圓心距離小，偏離度也小，符合要求。圖5(c)中的亮斑與瞳孔圓心距離遠，虹膜偏離度也比較大，部分亮斑在虹膜的區域上，破壞了虹膜的紋理，是不合格的圖像。
2.3 圖像清晰度判斷
在虹膜采集的過程中，由于移動或離焦都會使虹膜圖像變得模糊，虹膜圖像清晰與否直接影響到整個虹膜識別過程，清晰的圖像可以有效地降低誤判率。目前虹膜圖像清晰度的評估方法主要有三種：空域分析法、頻域分析法[5]、小波分析法[6]。其中，頻域分析法計算量大，不能滿足實時處理的要求，而空域分析法則運算速度快，可以滿足實時處理要求。
本文利用圖像的總有界變差[7]判斷虹膜圖像的清晰度。數字圖像的總有界變差即圖像f(x，y)在x、y方向的變化率之和，可表示為：
通過對ROI區域的總有界變差的計算，選擇合適的閾值，規定總有界變差大于此閾值的虹膜圖像為清晰圖像。
2.4 虹膜有效區域的判斷
在整個眼部圖像中，眼皮對虹膜部分的遮擋情況會經常出現，如果眼皮對虹膜部分遮擋嚴重將會影響到識別的精度。目前關于上下眼瞼的檢測大部分都是采用二次曲線的擬合進行檢測。這種方法可以比較準確地定位眼瞼部分，但是算法難度相對較大，運算速度慢。針對這種情況，本文在一定的精度下采用近似直線擬合的方法對眼瞼進行檢測。一般情況下，下眼皮對虹膜部分的影響較小，所以本文主要針對上眼皮的遮擋進行上眼瞼的檢測。
檢驗出上眼瞼后就可以求出眼瞼下方虹膜區域的面積，根據面積的大小可以判定眼皮對虹膜部分的遮檔情況。為了節省時間，本文在瞳孔的上部選擇了一個64×64大小的ROI區域，然后在ROI區域中進行上眼瞼檢測。主要步驟如下：
本文在總結了當前主流虹膜質量評估算法的基礎上，從實時性出發，分別從總體與細節兩方面對虹膜圖像進行質量評估。在細節評估方面提出了一些新的方法，相比目前的一些主流評估方法更全面、更快速。通過對大量的虹膜圖像進行評估表明，本文的算法與主觀評估相一致。
參考文獻
[1] 王蘊紅，朱勇，譚鐵牛.基于虹膜識別的身份鑒別[J].自動化學報，2002，28(1)：1-10.
[2] XING L， SHI P F. A quality evaluation method of iris images[J]. Chinese Jorunal of Stereology and Images Analysis， 2003，8(2).
[3] 馬爭，駱麗.實時虹膜圖像質量評估的研究[J].儀器儀表學報，2008(4)：144-148.
[4] 邢磊，施鵬飛.虹膜圖像的質量評估方法[J].中國體視學報與圖像分析，2005，8(2)：108-113.
[5] Li Ma， Tan Tieniu， Wang Yunhong， et al. Personal identification based on iris texture analysis[J]. Transaction On Pattern Analysis And Machine Intelligence， 2003，25(12).
[6] 陳戟，胡廣書，徐進.基于小波包分解的虹膜圖像質量評級算法[J].清華大學學報(自然科學版)，2003(3)：377-380.
[7] Cheng Xiaogang， Chen Qimei， Liu Guoqing. The relation between total bounded variation and image definition detection[J]. Journal of Beijing University of Posts and Telecommunications， 2009(9)：120-122.