一种虹膜图像质量评价方法与系统

摘要

本发明提出了一种虹膜图像质量评价方法，用于检测虹膜图像的异常情况：对瞳孔和虹膜进行粗定位，获取虹膜图像；然后，针对虹膜图像的几种异常情况，计算异常特征指标；根据异常特征指标，对虹膜图像进行质量评价；针对异常特征指标预设对应的阈值；比较异常特征指标与预设的对应阈值，判断虹膜图像是否存在异常。根据计算得出的眼睑遮挡率、虹膜剩余度判断虹膜遮挡情况；利用瞳孔边缘及亮斑面积来判断虹膜的模糊度；根据瞳孔所包含的亮点数量判断是否为斜眼。通过该方法得到的评价结果和主观评价结果相符，运用该方法的虹膜图像质量评价系统运行速度快，能够满足实时虹膜识别的要求，具有较强的实用性。

说明书

技术领域

本发明涉及虹膜识别技术领域，尤其涉及一种虹膜图像质量评价方法与系统。

背景技术

人眼外部由巩膜、虹膜、瞳孔三部分组成，其中虹膜位于巩膜和瞳孔之间，包含了丰富的纹理信息。虹膜是外部可见的，但同时又属于内部组织，虹膜的颜色、纹理和外观等由人体基因决定，纹理结构复杂、特征数多、不易被伪造。相对于其他生物特征，如指纹、掌纹、手形等而言，虹膜识别具有唯一性、稳定性强等优点，虹膜识别技术是目前的生物特征识别技术中，准确度最高、防伪性最好的技术之一。

在采集虹膜图像时，瞳孔收缩、眼睛眨动、眼珠转动等生理现象，容易造成虹膜成像质量出现问题，从而导致虹膜识别系统的拒识和误识。采集并选取清晰、高质量的虹膜图像进行识别能够有效地降低虹膜识别系统的拒识率和误识率，是保证虹膜识别效果的重要前提。因此，虹膜图像的质量评价对提高整个虹膜识别系统的性能起到重要的作用。

现有的虹膜图像质量评价方法普遍采用先计算虹膜-瞳孔对比度、虹膜-巩膜对比度、瞳孔扩张性、灰度利用率等质量指标，而后将这些质量指标融合得到虹膜图像的综合质量评估分数。质量指标以及综合质量评估分数计算涉及到的因素多、计算复杂，因而整体的虹膜图像质量评价方法的计算耗时长、运行效率低。

发明内容

有鉴于此，为了克服上述现有技术的缺陷，本发明提出了一种快速、有效的虹膜图像质量评价方法。

具体地，所述虹膜图像质量评价方法，用于检测虹膜图像的异常情况：

对瞳孔和虹膜进行粗定位，获取虹膜图像；

根据所述虹膜图像，计算异常特征指标；

根据所述异常特征指标，对所述虹膜图像进行质量评价；

计算所述异常特征指标包括：计算眼睑遮挡率：

对于水平方向在所述虹膜图像左右区间[-R,R]内的每条竖线，取垂直方向上从所述瞳孔中心到所述虹膜图像边界之间的所有点作为点集合，其中，R表示虹膜半径；

计算所述点集合中各个点的评价因子，将极大值作为该竖线方向上的眼睑遮挡点；

计算得出所述眼睑遮挡率；

进一步包括：对所述眼睑遮挡率预设对应的第一阈值；

根据所述异常特征指标，对所述虹膜图像进行质量评价包括：所述眼睑遮挡率大于所述第一阈值时，所述虹膜图像存在眼睑遮挡异常；所述眼睑遮挡率小于所述第一阈值时，所述虹膜图像不存在眼睑遮挡异常。优选地，预设的所述第一阈值为0.5。

所述评价因子为：

maxDif＝topDif/2+downDif+topDownDif+2*(255-curGray)

其中，topDif表示该像素点上面两点与当前点的灰度差，downDif表示该像素点下面两点与当前点的灰度差，topDownDif表示该像素点上面两点与下面两点之间的灰度差，curGray表示当前像素点的灰度值。

所述眼睑遮挡率的具体计算过程包括：

对虹膜水平直线上每个点对应的垂直方向，累计

totalRatio+＝(pupil_y0-pupil_radius-minGrayLocy)*1.0/(pupil_y0-pupil_radius-(iris_y0-iris_radius))

其中，pupil_y0表示瞳孔中心点y方向坐标,iris_y0表示虹膜中心点y方向坐标，pupil_radius表示瞳孔半径,iris_radius表示虹膜半径，minGrayLocy表示极大值的y方向坐标；

然后，计算所述眼睑遮挡率：totalRatio/totalPoints，其中，totalPoints表示处理的列数。

计算所述异常特征指标还包括：计算虹膜剩余度：

计算虹膜可靠区域的灰度极小值，将虹膜中非遮挡区域灰度值小于所述灰度极小值的点作为睫毛点；

排除所述睫毛点之后，计算虹膜剩余度；

进一步包括：对所述虹膜剩余度预设对应的第二阈值；

根据所述异常特征指标，对所述虹膜图像进行质量评价包括：虹膜剩余度小于所述第二阈值时，所述虹膜图像存在遮挡异常，虹膜剩余度大于所述第二阈值时，所述虹膜图像不存在遮挡异常。

优选地，预设的所述第二阈值为60％。

计算所述异常特征指标还包括：计算瞳孔边缘及亮斑面积。

计算所述异常特征指标还包括：计算亮点数量；

进一步包括：对所述亮点数量预设对应的第三阈值；

根据所述异常特征指标，对所述虹膜图像进行质量评价包括：亮点数量小于所述第三阈值时，所述虹膜图像存在斜眼异常；亮点数量大于所述第三阈值时，所述虹膜图像不存在斜眼异常。

优选地，预设的所述第三阈值为25。

基于上述虹膜图像质量评价方法，本发明还提出了一种虹膜图像质量评价系统，包括：

定位模块：用于对瞳孔、虹膜进行粗定位；

图像获取模块：用于根据粗定位结果获取虹膜图像；

计算模块：用于计算异常特征指标；

存储模块：用于存储所述异常特征指标预设的对应阈值；

评价模块：用于比较计算得出的所述异常特征指标与所述预设的对应阈值，判断所述虹膜图像是否存在异常。

基于上述本发明提出的虹膜图像质量评价方法，能够利用虹膜红外光下的成像特征，对虹膜进行准确、稳定的粗定位；根据计算得出的眼睑遮挡率、虹膜剩余度判断虹膜遮挡情况；利用瞳孔边缘及亮斑面积来判断虹膜的模糊度；根据瞳孔所包含的亮点特征判断是否为斜眼。通过该方法得到的评价结果和主观评价结果相符，运用该方法的虹膜图像质量评价系统运行速度快，能够满足实时虹膜识别的要求，具有较强的实用性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为运用本发明虹膜图像质量评价方法的虹膜图像质量评价系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种虹膜图像质量评价方法及系统，对奇异虹膜图像进行分类，分离出几中主要的异常情况：斜眼、遮挡(眼睑遮挡、睫毛遮挡)、模糊，针对这几种情况分别进行判断。

实施例1

虹膜图像质量评价方法的具体工作流程如下：

首先，利用瞳孔形状与圆接近，并且与虹膜之间对比度较高的特点，粗定位瞳孔圆；利用虹膜和巩膜对比度较高的特点，在瞳孔圆的圆心附近，粗定位虹膜圆。进一步，考虑到上下眼皮可能的遮挡，定位虹膜圆时，其接近上下圆弧处可以不参与计算，即将虹膜圆看作由左右圆弧围成的区域，以提高虹膜粗定位的准确度。

然后，针对虹膜图像的几种异常情况，计算异常特征指标；根据异常特征指标，对虹膜图像进行质量评价；针对每个异常特征指标预设对应的阈值；比较异常特征指标与预设的对应阈值，判断虹膜图像是否存在异常：

由于不同类型的双眼皮和睫毛分布特点不同，具有复杂性。目前的虹膜图像质量评价方法需要计算多个质量指标进行评估，计算量大，运行效率低，而本发明根据虹膜图像灰度值的分布特点提出了快速有效的检测方法：

分别计算得出上下眼睑遮挡率的数值，将数值与对眼睑遮挡率预设的第一阈值比较判断是否存在眼睑遮挡异常；

以上眼睑检测为例，所进行的具体操作如下：

对于水平方向在虹膜左右区间[-R,R]内的每条竖线，取垂直方向上从瞳孔中心到虹膜图像上边界之间的所有点作为点集合P，其中，R表示虹膜半径；

利用遮挡区域灰度值较小、上下方向灰度差较大的特点，构造相应的遮挡点评价因子，再计算点集合P中各个点的评价因子，将极大值作为该竖线方向的眼睑遮挡点。上述评价因子选取为：

maxDif＝topDif/2+downDif+topDownDif+2*(255-curGray)

其中，topDif表示该像素点上面两点与当前点的灰度差，downDif表示该像素点下面两点与当前点的灰度差，topDownDif表示该像素点上面两点与下面两点之间的灰度差，curGray表示当前像素点的灰度值。

通过比较眼睑遮挡点的位置与无遮挡时虹膜上方外边缘位置之间的差异，判断上眼睑遮挡率。眼睑遮挡率通过计算得出，具体地，对虹膜水平直线上每个点对应的垂直方向，

累计totalRatio+＝(pupil_y0-pupil_radius-minGrayLocy)*1.0/(pupil_y0-pupil_radius-(iris_y0-iris_radius))；计算眼睑遮挡率：totalRatio/totalPoints；

其中，pupil_y0表示瞳孔中心点y方向坐标,iris_y0表示虹膜中心点y方向坐标，pupil_radius表示瞳孔半径,iris_radius表示虹膜半径；minGrayLocy表示极大值的y方向坐标，totalPoints表示处理的列数。具体地，上述处理的列数为上文中水平方向在虹膜左右区间[-R,R]内的竖线的数量。计算完成后，判断遮挡程度是否大于第一阈值，如果是，则存在眼睑遮挡异常；如果否，则不存在上眼睑遮挡异常，继续进行下眼睑的遮挡检测。在本实施例中，第一阈值为0.5。

下眼睑的检测方法与上述上眼睑的检测方法同理，在此不再赘述。

在虹膜图像的缩小图上，进行睫毛遮挡检测。

在本实施例中，所进行的具体操作如下：

根据睫毛灰度值较虹膜小的特点，计算排除上下眼睑可能的遮挡后的可靠虹膜区域的灰度值最小的点对应的灰度值，即，得出灰度极小值minGray，虹膜中非遮挡区域灰度值小于minGray的点作为睫毛点。为减少虹膜的错判，可在minGray的基础上加入一定的偏移量，偏移量可取7-13。优选地，偏移量的取值为10。计算排除睫毛点之后的虹膜剩余度，对虹膜剩余度预设对应的第二阈值。

判断虹膜剩余度是否小于第二阈值，如果是，则存在遮挡异常，不进入后续的识别处理模块；如果否，则不存在遮挡异常，对标注了睫毛点的图像进行模糊检测，计算时不考虑睫毛点即可。在本实施例中，第二阈值为60％。

在虹膜图像的缩小图上，进行模糊检测。由于不同人眼的虹膜纹理之间差异巨大，很难用统一的描述子来衡量。而相对而言，瞳孔之间的灰度及其他特征差异则小得多。因此，本方法利用瞳孔边缘及亮斑面积的相关信息来判断虹膜的模糊度。

可选地，相关信息包括但不限于：瞳孔边缘宽度、瞳孔亮斑区域数目、瞳孔亮斑面积比率、瞳孔亮斑模糊度等。进一步，瞳孔边缘宽度为瞳孔边缘各像素点附近从灰度值最小的像素渐变到一定灰度大小的像素所跨越的平均像素点数目，灰度值可取30-40。在本实施例中灰度值为35，值越大表明跨越的像素点数越多，进而认为图像越模糊。瞳孔亮斑面积比率为瞳孔亮斑点数与瞳孔及虹膜面积的占比。模糊检测结果根据亮斑特点得出。例如，在多点光源情况下，亮斑数目只有1个，则认为该虹膜图像模糊。

在一些应用场景中，虹膜图像采集过程中未得到用户的良好配合，因而会出现图像中会出现斜眼的情况，根据瞳孔内是否出现亮点，及亮点数量判断是否为斜眼。对亮点数量预设对应的第三阈值，判断亮点数量是否大于第三阈值，如果是，则虹膜图像不存在斜眼异常，如果否，则虹膜图像存在斜眼异常。优选地，第三阈值为25。在一些实施例中，瞳孔内无亮点，则判断为斜眼。

运用本发明提出的方法对异常情况进行检测后，虹膜图像质量评价完成。

在对虹膜图像质量的具体检测过程中，对眼睑遮挡、睫毛遮挡、模糊、斜眼，针对这几种情况的判断顺序可以调整。优选地，按照本实施例描述的顺序进行虹膜图像质量检测。

实施例2

本实施例为一种运用实施例1所提供的虹膜图像质量评价方法的虹膜图像质量评价系统。

参见说明书附图1，虹膜图像质量评价系统包括：

定位模块：用于对瞳孔、虹膜进行粗定位；

图像获取模块：用于根据粗定位结果获取虹膜图像；

计算模块：用于计算眼睑遮挡率、虹膜剩余度、瞳孔边缘及亮斑面积、亮点数量等异常特征指标；

存储模块：用于存储异常特征指标预设的对应阈值；

评价模块：用于比较计算得出的异常特征指标与预设的对应阈值，判断虹膜图像是否存在异常。

综上所述，本发明提供了一种虹膜图像质量评价方法，能够利用虹膜红外光下的成像特征，对虹膜进行准确、稳定的粗定位；根据计算得出的眼睑遮挡率、虹膜剩余度判断虹膜遮挡情况；利用瞳孔边缘及亮斑的相关信息来判断虹膜的模糊度；根据瞳孔所包含的亮点特征判断是否为斜眼。通过该方法得到的评价结果和主观评价结果相符，运用该方法的虹膜图像质量评价系统运行速度快，能够满足实时虹膜识别的要求，具有较强的实用性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，除了以上实施例以外，还可以具有不同的变形例，以上实施例的技术特征可以相互组合，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。