基于形態(tài)學(xué)與灰度分布的序列虹膜質(zhì)量評(píng)價(jià)算法

劉 帥, 劉元寧, 朱曉冬 , 劉文滔, 程垚松

(1. 吉林大學(xué) 符號(hào)計(jì)算與知識(shí)工程教育部重點(diǎn)實(shí)驗(yàn)室, 長春 130012；2. 吉林大學(xué) 軟件學(xué)院, 長春 130012； 3. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 長春 130012)

虹膜具有穩(wěn)定性、 唯一性和非入侵性[1]等特點(diǎn), 是目前生物識(shí)別技術(shù)的主要方法之一. 虹膜識(shí)別過程分為圖像采集、 預(yù)處理、 特征提取與識(shí)別. 因?yàn)楹缒さ奶幚碇饕谙到y(tǒng)后臺(tái)進(jìn)行, 拍攝質(zhì)量較差的虹膜圖像會(huì)使虹膜所攜帶的紋理信息不能很好地被提取出來, 對(duì)虹膜識(shí)別產(chǎn)生干擾. 因此在處理虹膜圖像前, 需要系統(tǒng)自行對(duì)虹膜質(zhì)量進(jìn)行評(píng)價(jià)[2], 判斷其是否可用于虹膜識(shí)別. 對(duì)于序列虹膜(連續(xù)采集的虹膜)的質(zhì)量評(píng)價(jià), Daugman[3]提出了一種基于二維Fourier頻譜中高頻能量評(píng)價(jià)虹膜質(zhì)量的算法; Gao等[4]提出了基于SVM的綜合虹膜評(píng)價(jià)算法; 潘勝男[5]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的質(zhì)量評(píng)價(jià)算法. 這些算法雖然在實(shí)驗(yàn)中性能表現(xiàn)優(yōu)越, 但也存在一些缺陷, 首先這些算法步驟繁瑣, 評(píng)價(jià)指標(biāo)過多, 因此運(yùn)行時(shí)間較長, 有效虹膜幸存率較低, 錯(cuò)誤刪除了大量可以進(jìn)行虹膜識(shí)別的圖像, 導(dǎo)致虹膜數(shù)據(jù)的浪費(fèi). 針對(duì)上述問題, 本文提出一種基于形態(tài)學(xué)與灰度分布的序列虹膜質(zhì)量評(píng)價(jià)算法. 通過虹膜形態(tài)學(xué)方法對(duì)序列虹膜進(jìn)行活體檢測(cè). 然后通過清晰度、 虹膜區(qū)域有效性、 超界偏移度和斜視離心度4個(gè)指標(biāo)評(píng)價(jià)虹膜質(zhì)量. 該算法步驟簡單, 耗時(shí)較短, 可在保證排除不合格圖像的同時(shí), 盡可能多地保留虹膜, 提高有效虹膜幸存率.

1 基于形態(tài)學(xué)的虹膜活體檢測(cè)

1.1 清晰度檢測(cè)

首先需對(duì)序列虹膜進(jìn)行清晰度檢測(cè), 本文使用Tenengrad梯度法[6], 圖像為M×N維圖像. 利用Sobel算子分別計(jì)算水平和垂直方向的梯度, 計(jì)算經(jīng)過處理后圖像的平均灰度值, 以此作為清晰度評(píng)價(jià)值F,F越大, 圖像越清晰. 將F值與設(shè)定的閾值Z相比較,F

(1)

其中Ga(a,b),Gb(a,b)分別為各像素f(a,b)與Sobel算子的卷積值. 各類清晰度圖像如圖1所示.

1.2 形態(tài)學(xué)與活體檢測(cè)

在虹膜采集中, 虹膜圖像直接從視頻流中截圖, 不法分子可能利用虹膜圖片、 假眼球等假虹膜拍攝, 因此, 有必要對(duì)虹膜進(jìn)行活體檢測(cè), 判斷拍攝虹膜是否為活體的人類虹膜. 本文提出基于形態(tài)學(xué)的序列虹膜活體檢測(cè). 形態(tài)學(xué)分為灰度形態(tài)學(xué)和二值形態(tài)學(xué)[7], 本文用二值形態(tài)學(xué)對(duì)序列虹膜進(jìn)行活體檢測(cè). 針對(duì)清晰度合格的圖像, 根據(jù)虹膜與瞳孔之間的灰度值差異, 將虹膜圖像二值化, 并將二值圖像進(jìn)行開運(yùn)算, 斷開狹窄的連接, 去掉突出部分. 然后采用Canny+Hough圓檢測(cè)方法[8], 描繪出瞳孔輪廓, 畫出虹膜內(nèi)圓, 得到瞳孔圓心與半徑. 對(duì)圓心半徑大小設(shè)置閾值, 若半徑過小, 則將圖像視為閉眼圖像, 這類圖像是不合格圖像. 確定圓心與半徑各階段示意圖如圖2所示.

正常情況下, 因?yàn)榛铙w瞳孔對(duì)光照的變化十分敏感, 所以圖像采集過程中瞳孔的圓心和半徑會(huì)隨光照的強(qiáng)弱進(jìn)行收縮和擴(kuò)張[9]. 觀察實(shí)際采集后的虹膜圖像序列, 發(fā)現(xiàn)連續(xù)數(shù)十幀清晰睜眼圖像中, 其圓心位置與半徑大小雖然不斷地變化, 但差距相對(duì)較小, 這一點(diǎn)單純靠用虹膜圖片或假眼球等很難完美模仿. 基于此, 本文根據(jù)視頻流中連續(xù)24幀(1 s相當(dāng)于24幀圖像)圖像中前后兩幀圖像間圓心與半徑的差距判斷虹膜活體性, 檢測(cè)公式為

圖2 確定圓心與半徑各階段示意圖Fig.2 Schematic diagram of determining center and radius of circle at all stages

(2)

其中:hi表示第i幀的判定值;ri表示第i幀的瞳孔半徑;σ1表示半徑閾值;xi表示第i幀的瞳孔圓心橫坐標(biāo);σ2表示圓心橫坐標(biāo)閾值;yi表示第i幀的瞳孔圓心縱坐標(biāo);σ3表示圓心縱坐標(biāo)閾值. 如果活體檢測(cè)值H>10, 則視為該序列虹膜為活體虹膜, 即為活人拍攝的虹膜, 而非圖片及假虹膜, 并且眼睛睜的足夠大, 可支持后續(xù)的虹膜識(shí)別.

2 虹膜區(qū)域有效性的判定

虹膜圖像受眼瞼及眼毛的干擾較大, 序列圖像中一般會(huì)有半閉眼及虹膜被眼毛、 眼瞼遮擋較多的情況, 因此需對(duì)虹膜區(qū)域的有效性進(jìn)行判定. 本文在對(duì)瞳孔進(jìn)行定位后的基礎(chǔ)上, 根據(jù)瞳孔左右兩側(cè)固定區(qū)域的灰度直方圖反應(yīng)的灰度分布情況, 對(duì)睫毛覆蓋情況進(jìn)行判斷.

因?yàn)檎Ｇ闆r下, 虹膜左右兩側(cè)受眼瞼與眼毛的影響應(yīng)該最小, 并且眼毛的灰度值介于瞳孔與虹膜之間. 基于此, 本文從瞳孔最左端與最右端兩側(cè)截取兩塊20×20維的子圖, 比較子圖的灰度直方圖中的灰度分布與眼睛圖像的灰度分布, 找到眼毛與眼瞼在子圖中的分布, 并計(jì)算眼毛、 眼瞼的占有比作為遮擋度, 根據(jù)遮擋度判斷虹膜區(qū)域的有效性, 遮擋度過高的虹膜, 則認(rèn)為虹膜區(qū)域有效性差, 進(jìn)而判定為不合格圖像. 遮擋度較高虹膜的有效性判定示意圖如圖3所示. 遮擋度計(jì)算公式為

(3)

圖3 遮擋度較高虹膜及灰度直方圖Fig.3 High occlusion iris and gray histogram

將灰度直方圖分成三部分, 從左到右依次為: 瞳孔睫毛區(qū), 大小a×m維； 虹膜區(qū), 大小b×m維； 眼瞼皮膚區(qū), 大小c×m維. 分別計(jì)算瞳孔睫毛區(qū)和眼瞼皮膚區(qū)中各灰度級(jí)具有數(shù)值fi的總和(幾何意義為各區(qū)域中灰色部分的面積和), 并乘以相應(yīng)的權(quán)重(α,β)后相加, 得到遮擋度D. 遮擋較少的圖像中,D值較小; 反之,D值較大. 權(quán)重α,β和區(qū)域的維數(shù)a,b,c,m均根據(jù)虹膜實(shí)際采集情況制定.

3 斜視與虹膜超邊界問題

虹膜質(zhì)量評(píng)價(jià)中, 還有兩個(gè)問題需要解決, 即超邊界和斜眼問題, 超邊界問題是指圖像中眼睛位置超過圖像自身邊界, 而斜眼問題則是在拍攝圖像時(shí), 眼睛出現(xiàn)翻白眼等現(xiàn)象. 這類圖像在后續(xù)預(yù)處理過程中, 易導(dǎo)致系統(tǒng)崩壞, 因此需要排除. 超邊界及斜眼圖像如圖4所示. 首先根據(jù)M×N維圖像的中心點(diǎn)O(M/2,N/2)將圖像分為4個(gè)區(qū)域, 依次為左上區(qū)域、 右上區(qū)域、 左下區(qū)域、 右下區(qū)域.

圖4 超邊界與斜眼圖像Fig.4 Ultra-boundary and squint images

3.1 虹膜超界偏移度檢測(cè)

本文用超界偏移度評(píng)估虹膜是否會(huì)超出圖像邊界. 首先找到內(nèi)圓圓心所在區(qū)域. 以右上區(qū)域?yàn)槔? 計(jì)算中心點(diǎn)O(xo,yo)與虹膜內(nèi)圓(瞳孔)中最右端點(diǎn)A(xa,ya)的距離IOA及中心點(diǎn)O與虹膜內(nèi)圓(瞳孔)中最上端點(diǎn)B(xb,yb)之間的距離IOB. 分別計(jì)算點(diǎn)A、 點(diǎn)B到圖像對(duì)角線右上端的點(diǎn)Sr1(xr1,yr1)之間的距離IAS1,IBS1, 并分別計(jì)算IOA與IAS1、IOB與IBS1之間的比值, 根據(jù)圖像維數(shù)M和N的比例, 設(shè)計(jì)權(quán)重大小, 將計(jì)算結(jié)果加權(quán)相加得到超界偏移度S, 計(jì)算公式為

(4)

超界偏移度S越大, 瞳孔偏離越大, 瞳孔超邊界可能性就較大, 判定為不合格圖像, 判定閾值根據(jù)不同虹膜庫進(jìn)行設(shè)定, 在其余3個(gè)區(qū)域求S的過程與右上區(qū)域類似, 只是比較的點(diǎn)發(fā)生改變, 對(duì)應(yīng)到各區(qū)域內(nèi)不同方位上的點(diǎn)即可.

3.2 虹膜斜視離心度檢測(cè)

超界偏移度根據(jù)內(nèi)圓的圓心與半徑完成, 斜視離心度根據(jù)外圓圓心完成, 首先根據(jù)瞳孔定位結(jié)果對(duì)虹膜外圓進(jìn)行粗定位, 本文采用文獻(xiàn)[10]中的一維灰度均值法進(jìn)行外圓粗定位, 然后找到外圓圓心所在區(qū)域. 以右上區(qū)域?yàn)槔? 計(jì)算中心點(diǎn)O(xo,yo)與虹膜外圓中最右端點(diǎn)C(xc,yc)的距離IOC及中心點(diǎn)O與虹膜外圓中最上端點(diǎn)D(xd,yd)之間的距離IOD, 同時(shí)計(jì)算點(diǎn)C與點(diǎn)D的距離ICD, 計(jì)算∠COD的余弦, 并將其作為虹膜斜視離心度. 因?yàn)楦鶕?jù)實(shí)際拍攝效果, 斜眼圖像中的眼球形狀呈橢圓形, 因此, 斜眼圖像的夾角會(huì)增大, 余弦值會(huì)減小, 本文基于此判斷斜眼, 計(jì)算公式為

(5)

斜視離心度L越小, 說明虹膜徑向收縮和偏轉(zhuǎn)強(qiáng)度越大, 虹膜斜眼越厲害, 將此圖像判定為不合格圖像, 判定閾值根據(jù)不同虹膜庫進(jìn)行設(shè)定. 在其余3個(gè)區(qū)域求L的過程與右上區(qū)域類似, 只是比較的點(diǎn)發(fā)生改變, 對(duì)應(yīng)到各區(qū)域內(nèi)不同方位上的點(diǎn)即可.

4 實(shí)驗(yàn)與分析

首先基于人的主觀評(píng)價(jià)對(duì)虹膜原始圖像進(jìn)行主觀評(píng)價(jià)實(shí)驗(yàn), 再運(yùn)用算法對(duì)虹膜原始圖像進(jìn)行算法評(píng)價(jià)實(shí)驗(yàn), 對(duì)比兩種評(píng)價(jià)的結(jié)果, 根據(jù)虹膜識(shí)別率與其他算法的對(duì)比, 進(jìn)而評(píng)判本文算法的性能. 這樣既可以從主觀認(rèn)知上進(jìn)行實(shí)驗(yàn), 又通過客觀數(shù)據(jù)進(jìn)行判別, 增加了實(shí)驗(yàn)評(píng)估結(jié)果的可信度.

4.1 主觀評(píng)價(jià)實(shí)驗(yàn)

采用JLU-IRIS-V4(http://www.jlucomputer.com/Irisdb.php)的原始虹膜庫作為實(shí)驗(yàn)虹膜庫, 由45類虹膜樣本組成, 每種類別包含1 000張虹膜圖像, 共45 000張圖像. 其中, 閉眼圖像、 斜眼圖像、 模糊圖像、 眼毛眼瞼遮擋嚴(yán)重圖像等因素綜合人為篩選后, 主觀認(rèn)定質(zhì)量不合格的圖像8 821張, 主觀認(rèn)定質(zhì)量合格的圖像36 179張. 將本文算法與文獻(xiàn)[3]的Fourier評(píng)價(jià)法、 文獻(xiàn)[4]的SVM評(píng)價(jià)法、 文獻(xiàn)[5]的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法進(jìn)行對(duì)比. 將認(rèn)定合格數(shù)、 認(rèn)定不合格數(shù), 與主觀認(rèn)定合格數(shù)、 主觀認(rèn)定不合格數(shù)進(jìn)行比較, 同時(shí)計(jì)算平均單張圖像的評(píng)價(jià)時(shí)間(單位ms), 對(duì)算法性能進(jìn)行初步比較. 實(shí)驗(yàn)結(jié)果列于表1. 由表1可見, 本文算法將很多主觀認(rèn)定為不合格的圖像改為質(zhì)量合格圖像, 主觀認(rèn)定合格的圖像則很少被評(píng)價(jià)為不合格圖像, 并且單張圖像消耗時(shí)間較短. 因?yàn)楸疚乃惴▋H針對(duì)圖像本身特性進(jìn)行處理, 減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練及空域轉(zhuǎn)頻域的過程, 同時(shí)只針對(duì)關(guān)鍵指標(biāo)進(jìn)行判別, 避免了因指標(biāo)過多而導(dǎo)致的時(shí)間浪費(fèi). 以較寬泛的指標(biāo)最大限度地增加有效虹膜的幸存率, 基本滿足了盡可能多的保留圖像, 不浪費(fèi)虹膜數(shù)據(jù), 同時(shí)運(yùn)行速度要盡可能快的要求. 相對(duì)于文獻(xiàn)[3]的Fourier評(píng)價(jià)法、 文獻(xiàn)[4]的SVM評(píng)價(jià)法、 文獻(xiàn)[5]的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法, 本文算法的計(jì)算量和復(fù)雜程度均有降低.

表1 實(shí)驗(yàn)結(jié)果

4.2 算法評(píng)價(jià)實(shí)驗(yàn)

因?yàn)橘|(zhì)量評(píng)價(jià)本質(zhì)是為了保留特征多、 好采集的虹膜, 進(jìn)而提高虹膜識(shí)別的準(zhǔn)確性. 因此虹膜質(zhì)量評(píng)價(jià)算法的性能最終還要通過虹膜的識(shí)別率判斷, 根據(jù)表1認(rèn)定的各類圖像, 將圖像分為4類： 1) 主觀、 算法均認(rèn)定合格； 2) 主觀認(rèn)定不合格, 算法認(rèn)定合格； 3) 主觀認(rèn)定合格, 算法認(rèn)定不合格； 4) 主觀、 算法均認(rèn)定不合格. 各情形的虹膜圖像數(shù)量列于表2.

表2 圖像分類結(jié)果

針對(duì)在4種質(zhì)量評(píng)價(jià)方法評(píng)價(jià)后的4種情形虹膜進(jìn)行定位、 歸一化、 增強(qiáng), 并進(jìn)行虹膜識(shí)別. 由于質(zhì)量評(píng)價(jià)中已對(duì)虹膜內(nèi)圓和外圓進(jìn)行了粗定位, 因此下面使用Daugman[3]提出的微積分圓模板法進(jìn)行內(nèi)圓、 外圓的精定位, 采用橡皮圈模型[11]進(jìn)行虹膜圖像歸一化, 將環(huán)形虹膜展開成一個(gè)512×64維矩形. 增強(qiáng)圖像紋理[12], 截取左上角中紋理最強(qiáng)的部分, 截成256×32維矩形.

實(shí)驗(yàn)環(huán)境： CPU主頻為雙核2.5 GHz, 8 GB內(nèi)存, 操作系統(tǒng)為WindowsXP sp3. 在特征提取前, 先對(duì)所有歸一化虹膜圖像進(jìn)行水平移位消除虹膜旋轉(zhuǎn)問題[13]. 采用二維Gabor濾波提取特征紋理信息, 通過比較樣本間的Hamming距離[14]判定虹膜類別. 虹膜預(yù)處理過程如圖5所示.

圖5 虹膜預(yù)處理過程Fig.5 Iris preprocessing process

圖6 ROC曲線Fig.6 ROC curves

計(jì)算4類圖像中可進(jìn)行虹膜識(shí)別的圖像(能提取虹膜特征并給于結(jié)果的圖像)數(shù)量以及與所屬情形相符的圖像所占百分?jǐn)?shù)(相符率), 并將可進(jìn)行虹膜識(shí)別的圖像進(jìn)行虹膜識(shí)別時(shí)的正確識(shí)別率(correct recognition rate, CRR)、 等錯(cuò)率(equal error rate, EER)、 ROC曲線作為評(píng)價(jià)指標(biāo)[15], 從實(shí)際識(shí)別效果上對(duì)虹膜質(zhì)量評(píng)價(jià)算法進(jìn)行評(píng)價(jià). 4類圖像中可進(jìn)行虹膜識(shí)別的圖像數(shù)量列于表3. 可進(jìn)行虹膜識(shí)別的圖像進(jìn)行虹膜識(shí)別時(shí)的每種算法的類間、 類外及總匹配次數(shù)列于表4. 情形2)的CRR和EER列于表5, ROC曲線如圖6所示.

表3 可進(jìn)行虹膜識(shí)別的圖像數(shù)量

表4 實(shí)驗(yàn)匹配數(shù)(個(gè))

表5 正確識(shí)別率與等錯(cuò)率

4.3 實(shí)驗(yàn)結(jié)果分析與算法評(píng)估

由表1、 表3、 表5及圖6可見： 文獻(xiàn)[3]提出的基于二維Fourier頻譜中的高頻能量評(píng)價(jià)虹膜質(zhì)量的算法, 是利用頻域內(nèi)的虹膜特征對(duì)虹膜質(zhì)量進(jìn)行判斷, 該方法在其他空域轉(zhuǎn)頻域的過程中易失去一些信息, 對(duì)虹膜識(shí)別產(chǎn)生消極影響, 因此導(dǎo)致出現(xiàn)虹膜質(zhì)量判定錯(cuò)誤的問題, 并且因?yàn)轭l域特征不易被人類視覺所觀察, 因此做虹膜活體檢測(cè)時(shí)有些不便； 文獻(xiàn)[4]提出的基于SVM的綜合虹膜評(píng)價(jià)算法是以多種指標(biāo)對(duì)虹膜進(jìn)行粗分類與精分類, 該算法準(zhǔn)確度高, 正確率達(dá)99.56%, 但計(jì)算復(fù)雜, 且虹膜合格條件過于嚴(yán)苛, 導(dǎo)致合格圖像過少, 相比本文算法全部判定合格的情形, 該算法判定失誤情形較多； 文獻(xiàn)[5]提出的基于BP神經(jīng)網(wǎng)絡(luò)的質(zhì)量評(píng)價(jià)算法使用神經(jīng)網(wǎng)絡(luò)進(jìn)行虹膜識(shí)別, 進(jìn)而模擬人的視覺認(rèn)知, 更有助于識(shí)別算法的智能化, 但其需要使用大量虹膜進(jìn)行測(cè)試, 調(diào)整相關(guān)結(jié)構(gòu)與參數(shù), 且BP神經(jīng)網(wǎng)絡(luò)過于復(fù)雜, 本身沒有明確算法進(jìn)行確定, 導(dǎo)致確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)需花費(fèi)大量時(shí)間, 且一旦更換新的采集環(huán)境就要重新訓(xùn)練, 導(dǎo)致該算法實(shí)時(shí)性較差; 本文算法所保留的虹膜圖像比其他3種算法多, 且保留下來的虹膜都可用作虹膜識(shí)別, 在識(shí)別中識(shí)別率也比其他3種算法高, 說明本文算法保留的虹膜確實(shí)可以進(jìn)行虹膜識(shí)別, 且未對(duì)虹膜識(shí)別產(chǎn)生消極干擾, 屬于有效虹膜, 有效擴(kuò)充了虹膜數(shù)據(jù), 增加了序列虹膜中的有效虹膜幸存率, 避免了過度刪除而導(dǎo)致的虹膜信息流失, 同時(shí)節(jié)省了時(shí)間.

綜上可見, 本文針對(duì)序列虹膜提出了一種基于形態(tài)學(xué)與灰度分布的虹膜質(zhì)量評(píng)價(jià)算法, 利用Tenengrad梯度法去掉虹膜序列中模糊的圖像, 采用二值形態(tài)學(xué)找到虹膜的內(nèi)圓圓心, 進(jìn)而根據(jù)連續(xù)幀的圓心半徑的微小變化判斷虹膜活體性, 利用瞳孔周邊區(qū)域的灰度分布對(duì)虹膜區(qū)域進(jìn)行判斷, 提出超界偏移度和斜視離心度兩個(gè)概念, 判斷虹膜是否超出邊界及虹膜斜眼情形. 使用不同的虹膜評(píng)價(jià)算法進(jìn)行評(píng)價(jià), 本文算法可在盡可能排除質(zhì)量不合格虹膜的同時(shí), 保留能進(jìn)行虹膜識(shí)別的虹膜, 提高了有效虹膜的幸存率, 且時(shí)間相對(duì)較短, 步驟簡單, 合格條件更寬泛.