基于形態學與灰度分布的序列虹膜質量評價算法

劉 帥, 劉元寧, 朱曉冬 , 劉文滔, 程垚松

(1. 吉林大學 符號計算與知識工程教育部重點實驗室, 長春 130012；2. 吉林大學 軟件學院, 長春 130012； 3. 吉林大學 計算機科學與技術學院, 長春 130012)

虹膜具有穩定性、 唯一性和非入侵性[1]等特點, 是目前生物識別技術的主要方法之一. 虹膜識別過程分為圖像采集、 預處理、 特征提取與識別. 因為虹膜的處理主要在系統后臺進行, 拍攝質量較差的虹膜圖像會使虹膜所攜帶的紋理信息不能很好地被提取出來, 對虹膜識別產生干擾. 因此在處理虹膜圖像前, 需要系統自行對虹膜質量進行評價[2], 判斷其是否可用于虹膜識別. 對于序列虹膜(連續采集的虹膜)的質量評價, Daugman[3]提出了一種基于二維Fourier頻譜中高頻能量評價虹膜質量的算法; Gao等[4]提出了基于SVM的綜合虹膜評價算法; 潘勝男[5]提出了一種基于BP神經網絡的質量評價算法. 這些算法雖然在實驗中性能表現優越, 但也存在一些缺陷, 首先這些算法步驟繁瑣, 評價指標過多, 因此運行時間較長, 有效虹膜幸存率較低, 錯誤刪除了大量可以進行虹膜識別的圖像, 導致虹膜數據的浪費. 針對上述問題, 本文提出一種基于形態學與灰度分布的序列虹膜質量評價算法. 通過虹膜形態學方法對序列虹膜進行活體檢測. 然后通過清晰度、 虹膜區域有效性、 超界偏移度和斜視離心度4個指標評價虹膜質量. 該算法步驟簡單, 耗時較短, 可在保證排除不合格圖像的同時, 盡可能多地保留虹膜, 提高有效虹膜幸存率.

1 基于形態學的虹膜活體檢測

1.1 清晰度檢測

首先需對序列虹膜進行清晰度檢測, 本文使用Tenengrad梯度法[6], 圖像為M×N維圖像. 利用Sobel算子分別計算水平和垂直方向的梯度, 計算經過處理后圖像的平均灰度值, 以此作為清晰度評價值F,F越大, 圖像越清晰. 將F值與設定的閾值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 形態學與活體檢測

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, 有必要對虹膜進行活體檢測, 判斷拍攝虹膜是否為活體的人類虹膜. 本文提出基于形態學的序列虹膜活體檢測. 形態學分為灰度形態學和二值形態學[7], 本文用二值形態學對序列虹膜進行活體檢測. 針對清晰度合格的圖像, 根據虹膜與瞳孔之間的灰度值差異, 將虹膜圖像二值化, 并將二值圖像進行開運算, 斷開狹窄的連接, 去掉突出部分. 然后采用Canny+Hough圓檢測方法[8], 描繪出瞳孔輪廓, 畫出虹膜內圓, 得到瞳孔圓心與半徑. 對圓心半徑大小設置閾值, 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, 因為活體瞳孔對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隨光照的強弱進行收縮和擴張[9]. 觀察實際采集后的虹膜圖像序列, 發現連續數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, 但差距相對較小, 這一點單純靠用虹膜圖片或假眼球等很難完美模仿. 基于此, 本文根據視頻流中連續24幀(1 s相當于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;σ2表示圓心橫坐標閾值;yi表示第i幀的瞳孔圓心縱坐標;σ3表示圓心縱坐標閾值. 如果活體檢測值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, 可支持后續的虹膜識別.

2 虹膜區域有效性的判定

虹膜圖像受眼瞼及眼毛的干擾較大, 序列圖像中一般會有半閉眼及虹膜被眼毛、 眼瞼遮擋較多的情況, 因此需對虹膜區域的有效性進行判定. 本文在對瞳孔進行定位后的基礎上, 根據瞳孔左右兩側固定區域的灰度直方圖反應的灰度分布情況, 對睫毛覆蓋情況進行判斷.

因為正常情況下, 虹膜左右兩側受眼瞼與眼毛的影響應該最小, 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, 并計算眼毛、 眼瞼的占有比作為遮擋度, 根據遮擋度判斷虹膜區域的有效性, 遮擋度過高的虹膜, 則認為虹膜區域有效性差, 進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, 大小a×m維； 虹膜區, 大小b×m維； 眼瞼皮膚區, 大小c×m維. 分別計算瞳孔睫毛區和眼瞼皮膚區中各灰度級具有數值fi的總和(幾何意義為各區域中灰色部分的面積和), 并乘以相應的權重(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. 權重α,β和區域的維數a,b,c,m均根據虹膜實際采集情況制定.

3 斜視與虹膜超邊界問題

虹膜質量評價中, 還有兩個問題需要解決, 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, 眼睛出現翻白眼等現象. 這類圖像在后續預處理過程中, 易導致系統崩壞, 因此需要排除. 超邊界及斜眼圖像如圖4所示. 首先根據M×N維圖像的中心點O(M/2,N/2)將圖像分為4個區域, 依次為左上區域、 右上區域、 左下區域、 右下區域.

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

本文用超界偏移度評估虹膜是否會超出圖像邊界. 首先找到內圓圓心所在區域. 以右上區域為例, 計算中心點O(xo,yo)與虹膜內圓(瞳孔)中最右端點A(xa,ya)的距離IOA及中心點O與虹膜內圓(瞳孔)中最上端點B(xb,yb)之間的距離IOB. 分別計算點A、 點B到圖像對角線右上端的點Sr1(xr1,yr1)之間的距離IAS1,IBS1, 并分別計算IOA與IAS1、IOB與IBS1之間的比值, 根據圖像維數M和N的比例, 設計權重大小, 將計算結果加權相加得到超界偏移度S, 計算公式為

(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, 判定閾值根據不同虹膜庫進行設定, 在其余3個區域求S的過程與右上區域類似, 只是比較的點發生改變, 對應到各區域內不同方位上的點即可.

3.2 虹膜斜視離心度檢測

超界偏移度根據內圓的圓心與半徑完成, 斜視離心度根據外圓圓心完成, 首先根據瞳孔定位結果對虹膜外圓進行粗定位, 本文采用文獻[10]中的一維灰度均值法進行外圓粗定位, 然后找到外圓圓心所在區域. 以右上區域為例, 計算中心點O(xo,yo)與虹膜外圓中最右端點C(xc,yc)的距離IOC及中心點O與虹膜外圓中最上端點D(xd,yd)之間的距離IOD, 同時計算點C與點D的距離ICD, 計算∠COD的余弦, 并將其作為虹膜斜視離心度. 因為根據實際拍攝效果, 斜眼圖像中的眼球形狀呈橢圓形, 因此, 斜眼圖像的夾角會增大, 余弦值會減小, 本文基于此判斷斜眼, 計算公式為

(5)

斜視離心度L越小, 說明虹膜徑向收縮和偏轉強度越大, 虹膜斜眼越厲害, 將此圖像判定為不合格圖像, 判定閾值根據不同虹膜庫進行設定. 在其余3個區域求L的過程與右上區域類似, 只是比較的點發生改變, 對應到各區域內不同方位上的點即可.

4 實驗與分析

首先基于人的主觀評價對虹膜原始圖像進行主觀評價實驗, 再運用算法對虹膜原始圖像進行算法評價實驗, 對比兩種評價的結果, 根據虹膜識別率與其他算法的對比, 進而評判本文算法的性能. 這樣既可以從主觀認知上進行實驗, 又通過客觀數據進行判別, 增加了實驗評估結果的可信度.

4.1 主觀評價實驗

采用JLU-IRIS-V4(http://www.jlucomputer.com/Irisdb.php)的原始虹膜庫作為實驗虹膜庫, 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、 眼毛眼瞼遮擋嚴重圖像等因素綜合人為篩選后, 主觀認定質量不合格的圖像8 821張, 主觀認定質量合格的圖像36 179張. 將本文算法與文獻[3]的Fourier評價法、 文獻[4]的SVM評價法、 文獻[5]的神經網絡評價法進行對比. 將認定合格數、 認定不合格數, 與主觀認定合格數、 主觀認定不合格數進行比較, 同時計算平均單張圖像的評價時間(單位ms), 對算法性能進行初步比較. 實驗結果列于表1. 由表1可見, 本文算法將很多主觀認定為不合格的圖像改為質量合格圖像, 主觀認定合格的圖像則很少被評價為不合格圖像, 并且單張圖像消耗時間較短. 因為本文算法僅針對圖像本身特性進行處理, 減少了神經網絡訓練及空域轉頻域的過程, 同時只針對關鍵指標進行判別, 避免了因指標過多而導致的時間浪費. 以較寬泛的指標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, 不浪費虹膜數據, 同時運行速度要盡可能快的要求. 相對于文獻[3]的Fourier評價法、 文獻[4]的SVM評價法、 文獻[5]的神經網絡評價法, 本文算法的計算量和復雜程度均有降低.

表1 實驗結果

4.2 算法評價實驗

因為質量評價本質是為了保留特征多、 好采集的虹膜, 進而提高虹膜識別的準確性. 因此虹膜質量評價算法的性能最終還要通過虹膜的識別率判斷, 根據表1認定的各類圖像, 將圖像分為4類： 1) 主觀、 算法均認定合格； 2) 主觀認定不合格, 算法認定合格； 3) 主觀認定合格, 算法認定不合格； 4) 主觀、 算法均認定不合格. 各情形的虹膜圖像數量列于表2.

表2 圖像分類結果

針對在4種質量評價方法評價后的4種情形虹膜進行定位、 歸一化、 增強, 并進行虹膜識別. 由于質量評價中已對虹膜內圓和外圓進行了粗定位, 因此下面使用Daugman[3]提出的微積分圓模板法進行內圓、 外圓的精定位, 采用橡皮圈模型[11]進行虹膜圖像歸一化, 將環形虹膜展開成一個512×64維矩形. 增強圖像紋理[12], 截取左上角中紋理最強的部分, 截成256×32維矩形.

實驗環境： CPU主頻為雙核2.5 GHz, 8 GB內存, 操作系統為WindowsXP sp3. 在特征提取前, 先對所有歸一化虹膜圖像進行水平移位消除虹膜旋轉問題[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. 虹膜預處理過程如圖5所示.

圖5 虹膜預處理過程Fig.5 Iris preprocessing process

圖6 ROC曲線Fig.6 ROC curves

計算4類圖像中可進行虹膜識別的圖像(能提取虹膜特征并給于結果的圖像)數量以及與所屬情形相符的圖像所占百分數(相符率), 并將可進行虹膜識別的圖像進行虹膜識別時的正確識別率(correct recognition rate, CRR)、 等錯率(equal error rate, EER)、 ROC曲線作為評價指標[15], 從實際識別效果上對虹膜質量評價算法進行評價. 4類圖像中可進行虹膜識別的圖像數量列于表3. 可進行虹膜識別的圖像進行虹膜識別時的每種算法的類間、 類外及總匹配次數列于表4. 情形2)的CRR和EER列于表5, ROC曲線如圖6所示.

表3 可進行虹膜識別的圖像數量

表4 實驗匹配數(個)

表5 正確識別率與等錯率

4.3 實驗結果分析與算法評估

由表1、 表3、 表5及圖6可見： 文獻[3]提出的基于二維Fourier頻譜中的高頻能量評價虹膜質量的算法, 是利用頻域內的虹膜特征對虹膜質量進行判斷, 該方法在其他空域轉頻域的過程中易失去一些信息, 對虹膜識別產生消極影響, 因此導致出現虹膜質量判定錯誤的問題, 并且因為頻域特征不易被人類視覺所觀察, 因此做虹膜活體檢測時有些不便； 文獻[4]提出的基于SVM的綜合虹膜評價算法是以多種指標對虹膜進行粗分類與精分類, 該算法準確度高, 正確率達99.56%, 但計算復雜, 且虹膜合格條件過于嚴苛, 導致合格圖像過少, 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[5]提出的基于BP神經網絡的質量評價算法使用神經網絡進行虹膜識別, 進而模擬人的視覺認知, 更有助于識別算法的智能化, 但其需要使用大量虹膜進行測試, 調整相關結構與參數, 且BP神經網絡過于復雜, 本身沒有明確算法進行確定, 導致確定神經網絡的結構需花費大量時間, 且一旦更換新的采集環境就要重新訓練, 導致該算法實時性較差; 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別, 在識別中識別率也比其他3種算法高, 說明本文算法保留的虹膜確實可以進行虹膜識別, 且未對虹膜識別產生消極干擾, 屬于有效虹膜, 有效擴充了虹膜數據, 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致的虹膜信息流失, 同時節省了時間.

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