基于GA-SVM模型的虹膜質量評估方法

吳祖慷, 朱曉冬, 劉元寧, 王超群, 周智勇

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

近年來, 人們對信息安全的需求日益增加, 生物信息識別技術憑借高精度等突出優勢正逐步取代傳統身份認證方法, 虹膜識別技術更是由于高識別率和可靠性而得到廣泛關注. 虹膜識別過程主要包括圖像采集、 預處理、 特征提取和特征識別4個模塊. 獲取圖像的質量優劣直接影響系統的識別效果, 所以在處理虹膜圖像前設置虹膜圖像的質量評價步驟十分必要[1].

Daugman[2]通過計算整幅圖像的二維Fourier頻譜中的高頻能量判斷虹膜圖像的清晰度； Wildes[3]利用虹膜外邊緣處的灰度變化值評價圖像粗糙程度； 陳戟等[4]使用基于小波包分解的方法評判虹膜圖像紋理質量. 在評價指標融合方面, Aditya等[5]采用累加計算評估因素的方法進行圖像多方位質量測評； Gao[6]提出了粗-精評價指標相結合的方法, 并利用支持向量機(support vector machine, SVM)對指標進行融合得到分類結果； 晁靜靜等[7]利用GA-BP(genetic algorithm-back proagation)神經網對多指標進行融合完成對虹膜圖像的綜合評價.

為提高虹膜圖像質量評價方法的準確性, 本文結合ISO/IEC 27974-6: 2015[8]國際虹膜圖像質量評價參考指標, 首先提出基于圖像處理的虹膜圖像活性檢測方法, 然后利用清晰度評價指標對虹膜圖像進行初步篩選, 最后利用離心度、 瞳孔放縮度、 瞳孔有效區域、 虹膜圓環區域清晰度4個評價指標, 結合SVM對指標進行有效融合, 并利用遺傳算法(GA)對模型進行參數優化. 通過GA-SVM模型對圖像的質量評價結果進行訓練, 預測虹膜圖像的綜合評估分數, 本文方法的框架如圖1所示.

圖1 本文方法框架Fig.1 Framework of proposed method

1 虹膜圖像質量評價指標

1.1 虹膜活體檢測

為杜絕偽造和盜取他人的生物信息用于身份識別, 在質量評價前, 通常需要判定輸入的虹膜圖像是否具有活性. 目前的經典方法有利用瞳孔收縮反應[9]、 基于神經網絡二分類、 透鏡接觸方法、 動作指令檢測、 光場成像[10]等. 本文利用圖像處理中圖像減法運算完成對序列虹膜圖像的動態檢測, 對序列相鄰兩幅圖像灰度值分量相減, 得到目標的動態表達. 選取某類虹膜序列圖像8張, 若相鄰圖像間發生動態變化, 則同一人在不同波段的圖像便會呈現圖像間的差別, 如圖2前7張序列相鄰圖像的動態表達； 相反, 通過偽造等不具有活性的虹膜圖像通常不會呈現圖像的動態性, 如圖2最后一張圖片. 表1列出了序列圖像瞳孔參數的變化, 由表1瞳孔坐標(x,y)和半徑參數r的變化可知, 序列圖像是活性動態的.

表1 序列圖像瞳孔參數的變化

圖2 序列相鄰圖像的動態表達Fig.2 Dynamic expression of sequential adjacent images

1.2 整幅虹膜圖像清晰度檢測

首先對虹膜圖像進行清晰度評價, 本文采用Laplace梯度法[11]. 設虹膜圖像為M×N維, 利用二階Laplace算子對原始虹膜圖像進行卷積, 分別提取水平和豎直方向的梯度, 計算平均灰度值, 作為清晰度指標值Q1.圖像越清晰,Q1值越大, 并對Q1值小于設定閾值W1的圖像進行篩除, 根據不同類別數據分別選取閾值W1.清晰度評價指標計算公式為

(1)

其中Gx(x,y)和Gy(x,y)分別表示虹膜圖像像素點f(x,y)和卷積模板作用的結果.本文同時利用DefRto失焦檢測對Laplace梯度法進行補充, 得到失焦檢測值DR, DR值越小表示圖像失焦越嚴重, 對虹膜圖像清晰度的評價結果如圖3所示.

圖3 同類不同樣本虹膜圖像的清晰度Fig.3 Definition of iris images of different samples in same class

1.3 虹膜斜眼和超邊界檢測

首先對圖像進行開閉運算、 二值化、 Canny邊緣檢測等預處理, 得到一張噪聲較少的虹膜圖像； 再采用Hough圓檢測方法完成對虹膜圖像的定位分割, 并得到瞳孔圓心坐標、 半徑和虹膜半徑等參數； 最后通過橡皮圈模型對分割圖像進行歸一化處理, 調整歸一化圖像尺寸為512×64, 選取右上側睫毛眼瞼遮擋程度較小, 尺寸為256×32的ROI區域, 進行直方圖均衡化[12]處理以增強圖像紋理特征, 效果如圖4所示.

在拍攝虹膜圖像時, 會得到一些瞳孔偏移、 眼球翻轉程度較大和超邊界的圖像, 這些圖像通常會導致定位偏差和虹膜區域圖像不完整. 本文采用一種離心度評價指標, 即計算瞳孔圓心到圖像中心距離和圖像半對角線長度的比值大小, 離心度值越大表明圖像偏移程度越嚴重, 進而對有上述問題的虹膜圖像進行篩選. 設離心度評價指標為L1, 計算公式為

(2)

其中Δd表示瞳孔中心到圖像中心的距離,d表示圖像對角半徑, (x1,y1)表示圖像中心點坐標, (xpupil,ypupil)表示瞳孔中心坐標.對虹膜圖像的離心度評價結果如5所示.

圖4 虹膜圖像的定位、 分割、 歸一化、 增強結果Fig.4 Localization, segmentation, normalization and enhancement results of iris images

圖5 虹膜圖像偏移度測試結果Fig.5 Results of deviation test of iris images

1.4 虹膜有效區域檢測

1.4.1 瞳孔放縮檢測

人眼瞳孔受到光強影響會產生縮放現象, 當瞳孔擴放程度較大時, 會減少虹膜的有效紋理信息量, 難以提取更多的虹膜特征.本文通過瞳孔放縮評價指標, 對瞳孔過分擴張的虹膜進行篩查.通過對虹膜圖像進行定位處理, 得到瞳孔區域的半徑值和虹膜外圓的半徑值, 設瞳孔放縮評價指標為T1, 計算公式為

(3)

其中Spupil表示瞳孔區域面積,Siris表示虹膜區域面積,T1表示虹膜有效可用區域占比.T1值越大, 虹膜圖像包含的特征信息越多, 越有利于特征提取和識別.對虹膜圖像瞳孔放縮的評價結果如圖6所示.

圖6 虹膜圖像瞳孔擴張、 收縮檢測結果Fig.6 Pupil dilation and contraction detection results of iris images

1.4.2 瞳孔有效區域

本文采用的虹膜定位方法為同心圓檢測, 因而瞳孔被睫毛、 眼瞼遮擋程度會反應出虹膜圖像的遮擋程度和有效區域面積.在定位階段, 若瞳孔可見區域較小, 則Hough圓無法檢測出瞳孔圓, 由此可篩除閉眼程度較大的虹膜圖像. 對于其余閉眼情形, 本文提出一種瞳孔有效區域評價指標, 利用對虹膜圖像瞳孔黑色素個數和瞳孔內圓面積的占比, 反映瞳孔的有效區域面積, 從而側面反映虹膜有效區域占比程度, 篩除包含紋理特征較少的虹膜圖像. 設瞳孔有效區域評價指標為T2, 計算公式為

(4)

其中Spupil表示表示瞳孔區域面積,Bpupil表示瞳孔區域黑色像素點個數, 得到評價結果如圖7所示.

圖7 虹膜圖像瞳孔有效區域檢測結果Fig.7 Pupil effective area detection results of iris images

1.5 虹膜圓環區域清晰度評價

虹膜圖像的清晰評價是針對整幅虹膜圖像進行的, 篩除的多數為由于移動和眨眼導致的運動模糊圖像, 不能有效評判人眼部分離焦模糊.實際上, 對虹膜圖像定位分割后得到的虹膜圓環區域紋理的清晰度更能表達虹膜圖像質量的優劣.因此, 本文提出一種基于歸一化虹膜區域圖像和ROI區域的清晰度評價方法, 評價指標記為Qnor和Qroi, 評價方法同樣利用Laplace梯度方法, 對歸一化后的虹膜區域進行清晰度質量評價. 設虹膜圓環區域清晰度評價指標為

Q2=ω1×Qnor+ω2×Qroi,

其中ω1和ω2為Qnor和Qroi對應的權值, 評價結果如圖8所示.

圖8 虹膜圓環區域清晰度評價結果Fig.8 Evaluation results of definition of iris cirrus region

2 多指標融合的虹膜圖像質量評價模型

2.1 指標融合方法

對圖像質量特征進行融合, 就是構造一個關于特征和圖像質量的映射模型[13].目前已有很多融合的分類方法, 如Bayes概率方法、 神經網絡方法等, 但上述方法均存在參數較多、 易陷入局部最優等問題[14]. 而SVM具有小樣本、 處理非線性能力強、 精度高等特點, 所以本文選用SVM作為指標融合分類器. SVM利用核函數將低維的輸入空間數據通過非線性映射函數映射到高維特征空間, 將輸入空間中線性不可分問題轉化為特征空間中的線性可分問題； 輸入要分類樣本的特征向量矩陣, 同樣本標簽一起放入模型中訓練, 輸出分類結果. 但SVM仍存在許多問題, 如： 由于樣本集數量對訓練模型的泛型及適用性會產生影響, 因此如何選取合適的樣本集； 如何選擇適用樣本特點的核函數； 如何確定最優的核函數參數以及平衡系數等. 為提高SVM分類精度及對參數進行有效優化, 本文選取具有全局擇優能力強、 不易陷入局部最優解及自適應和自學習等優點的GA作為參數優化方法.

2.2 GA-SVM分類器

SVM分類器設計的關鍵是確定核函數. 高斯核通過比較樣本間的相似度, 在一個刻畫相似度的空間中, 使同類樣本更好地聚集, 進而線性可分. 徑向基核(radial basis function, RBF)作為高斯核最常用的一種, 在處理大部分問題時效果都不會出現較大偏差, 且RBF需要確定的參數比其他核函數少, 函數復雜程度更低, 因此本文選用RBF核函數.

優化SVM分類器的關鍵是確定懲罰系數C和核參數γ.懲罰系數C值越大, 對誤分類的懲罰越大, 對訓練集測試準確率高, 但泛化能力較弱；C值越小, 對誤分類懲罰越小, 允許容錯, 將其作為噪聲點, 泛化能力較強.本文采用GA對SVM進行優化的算法流程如圖9所示.

GA對SVM進行優化的算法主要步驟如下.

1) 數據標準化： 對訓練樣本數據和測試樣本數據進行標準化處理, 消除量綱差異.

2) 編碼和種群初始化： 對懲罰系數C和核參數γ編碼, 隨機生成初始化種群.

3) GA停止優化判斷： 計算個體適應度, 并對種群進行選擇、 交叉、 變異, 直至滿足GA終止條件, 得到優化參數.

4) SVM分類精度判斷： 將得到的優化參數應用到SVM分類器中進行實驗測試, 判斷是否符合期望精度, 若未達到, 則轉步驟3).

5) 測試分類： 利用訓練好的GA-SVM模型對測試集進行分類, 得到分類結果.

圖9 基于GA選取最優參數流程Fig.9 Process of selecting optimal parameters based on GA

3 實驗結果與分析

本文實驗環境為CPU主頻2.20 GHz, 內存4 GB, Win10操作系統, 編程工具為VS2010和Python 3.9.0. 實驗選用吉林大學生物信息識別實驗室自主采集的JLU-6.0虹膜庫(http://www.jlucomputer.com/index/irislibrary/irislibrary.html)作為實驗虹膜庫, 包含103類圖像, 左右雙眼, 每類400張圖像, 共計82 400張圖像； 本文選取JLU-6.0虹膜庫中50類圖像, 每類包含100張圖像, 共計5 000張虹膜圖像. 其中通過清晰度指標初步篩除203張模糊圖像, 將剩余的4 797張圖像構成實驗數據集IrisData, 并根據匹配結果對每個樣本進行標記. 然后將IrisData按質量優劣分成三部分, 其中質量較好部分包含1 535張圖像, 質量合格部分包含2 734張圖像, 質量不合格部分包含528張圖像. 質量較好是指通過計算綜合質量分數評分較高且針對任何方法都能進行匹配的樣本數據, 故本文重點研究剩余的兩類圖像. 通過對隨機3類數據的測試, 將樣本數據的訓練集和測試集劃分為(1/2)∶(1/2),(2/3)∶(1/3)和(3/4)∶(1/4), 利用分類器訓練優化得到的平均分類準確率分別為94.594 6%,94.898 0%,93.243 2%. 表2列出了不同比例訓練集和測試集的分類準確性. 參數測試如圖10所示. 考慮到既要滿足較高的準確性, 又要兼顧有足夠的訓練數據泛化模型, 因此本文從剩余3 262張質量合格和不合格圖像中每部分隨機挑選出2/3共2 175張圖像作為訓練集IrisData_Train, 剩余的1/3共1 087張圖像作為測試集IrisData_Test.

圖10 測試集∶訓練集=(1/3)∶(2/3)時的參數測試結果Fig.10 Test results of parameters with a ratio of 1/3 test set to 2/3 training set

表2 不同比例訓練集和測試集的分類準確性

3.1 評價指標提取和數據標準化

將離心度L1、 瞳孔放縮度T1、 瞳孔有效區域T2、 虹膜圓環區域清晰度Q2這4個測度評價指標經標準化處理, 將指標數據轉化為[0,1]內的數, 以消除數量級差異較大導致的誤差, 加速網絡訓練的收斂.數據標準化方法采用min-max法[15], 其函數形式為

w=(w-wmin)/(wmax-wmin),

(5)

其中wmax和wmin分別表示每類數據中得分最大和最小的指標值.將標準化后的評價指標分別作為樣本向量的分量, 樣本向量的表達式為

(6)

3.2 虹膜圖像評估結果和模型效果分析

目前針對虹膜質量評價算法性能的優劣尚未統一標準, 但評價方法需達到一定的準確性[16-17].因此本文從評價指標的準確性和模型的分類準確性兩方面進行測試.

3.2.1 與主觀一致性的指標有效性分析

為驗證本文提出指標的有效性, 針對上述指標, 從同一類400張虹膜圖像中選取8張質量由低到高依次變化的樣本, 編號為1～8, 根據多測度指標對相應虹膜圖像樣本進行評分.得到虹膜圖像不同質量狀態和各評價指標的關系如圖11所示.由圖11可見: 隨著虹膜圖像質量狀態越來越好, 清晰度Q1、 虹膜圓環區域清晰度Q2指標值呈增長趨勢, 且基于虹膜圓環區域評價相比于針對整幅圖像評價更能反映虹膜圖像清晰度的好壞程度, 如圖11(A)所示. 瞳孔有效區域T2指標值越來越大, 離心度L1、 瞳孔放縮度T1值越來越小, 如圖11(B)所示.因此, 實驗結果與本文所述的各指標屬性基本一致, 本文提出的各評價指標和主觀評價具有一致性, 即本文提出的各評價指標是有效且準確的.

圖11 與主觀一致性的指標有效性分析結果Fig.11 Analysis results of effectiveness of indicators consistent with subjectivity

3.2.2 計算指標順序對質量評價效率的影響

為降低評價因子的計算量, 在對虹膜圖像計算評價指標值時, 考慮到指標值的計算依據對虹膜圖像的定位等操作, 本文對各指標進行了因果關系分析和順序調整, 分析結果如下.

1) 活體檢測： 無前提, 直接對圖像進行形態學處理.

2) 清晰度： 無前提, 直接對圖像進行函數運算.

3) 離心度： 瞳孔定位, 得到瞳孔坐標和半徑.

4) 瞳孔放縮度： 瞳孔定位, 虹膜定位, 得到瞳孔半徑和虹膜半徑.

5) 瞳孔有效區域： 瞳孔定位, 得到瞳孔半徑.

6) 虹膜圓環區域清晰度： 瞳孔定位, 虹膜定位, 歸一化, 截取圖像.

通過上述指標依據的前提條件, 得到各指標的關系順序： 1)→2)→5)→3)→4)→6), 對指標順序進行調整, 得到調整前后(單張圖像平均)的指標計算時間列于表3.由表3可見, 合理對評價因子的計算順序進行調整可縮短評價時間, 并提高評價效率.

表3 調整前后指標計算時間的對比

3.2.3 GA-SVM模型分類準確性分析

通過訓練集IrisData_Train對GA-SVM進行訓練得到最優參數, 本文得C=1.87,γ=8.0； 根據GA-SVM訓練模型對測試集IrisData_Test進行分類, 正確率達98.804 0%, 因此, 本文提出的GA-SVM質量評估分類模型能達到較好的正確分類率.

本文同時驗證了SVM,BP,GA-BP方法對圖像質量分類的準確性, 對比結果列于表4.

表4 不同方法對圖像質量分類準確性的比較

3.2.4 質量評價模型對虹膜圖像識別的影響

驗證虹膜的識別率是檢驗圖像質量評價對虹膜識別是否有效的唯一判別方法. 本文對通過各方法模型篩選出的圖像進行識別, 驗證本文評價模型篩選的圖像更適用匹配認證. 對虹膜圖像進行預處理, 本文采用Gabor算法對增強處理后的ROI區域進行特征提取, 并對比樣本特征圖像間的Hamming距離判斷虹膜是否匹配, 結果如圖12所示. 采用正確識別率(CRR)、 等錯率(EER)指標對各方法進行測試, 結果列于表5.

圖12 Hamming距離計算虹膜圖像匹配Fig.12 Calculation of iris image matching based on Hamming distance

表5 不同方法對虹膜圖像識別的正確率和等錯率

綜上所述, 為提高虹膜圖像質量評價的準確性, 本文提出了一種基于GA-SVM模型的多測度虹膜圖像質量評價方法, 針對虹膜圖像質量評價中普遍存在的問題給出了較全面的解決方案. 實驗結果表明, 該方法在主觀評價一致性和與其他模型對比測試方面, 均得到了較準確的分類效果.