一种虹膜图像清晰度判别方法技术

一种虹膜图像清晰度判别方法，属于图像处理技术领域。本发明专利技术将瞳孔的边缘峰态系数和虹膜的梯度能量作为支持向量机判断虹膜图像是否清晰的最优分类面的两个参数。计算瞳孔边缘峰态系数的时候，采用了傅里叶级数来自适应跟踪瞳孔的边界点，从而保证计算出的边缘峰态系数能真实反应图像的清晰程度。最后通过支持向量机对虹膜图片提取的特征向量进行训练，从而确定最优分类面。在应用中，当前虹膜图片提取的特征向量位于最优分类面上方(对应最优分类面判别函数值为1)的时候判定图像的清晰度合格；否则，判定图像质量不合格。本发明专利技术在准确确定瞳孔边缘的基础上采用边缘峰态均值和虹膜梯度能量相结合的检测方法，具有较高的鲁棒性和准确性。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及虹膜识别技术中的虹膜图像处理技术。
技术介绍
生物特征识别技术是为了进行身份验证而采用自动技术测量其身体的特征或是 个人的行为特点，并将这些特征或特点与数据库的模板数据进行比较，完成认证的一种解 决方案。依赖虹膜识别技术建立的虹膜自动识别系统作为一种安全可靠的身份识别方法， 使得虹膜识别可以在对安全要求更高的领域中得以发展。详见文献John Daugman,"How Iris Recognition Works", IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, VOL. 14，NO. 1，JANUARY 2004 ；禾Π 文献Li Ma, Tieniu Tan 等，"Personal Identification Based on Iris Texture Analysis", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINEINTELLIGENCE, VOL. 25，NO. 12，DECEMBER 2003 所述。在虹膜自动识别系统中，虹膜图像质量评估是一项关键的技术，虹膜图像质量评 估的目的有(1)从视频流中选取质量好的图片，(2)提高系统适时处理的能力，(3)提高 系统的安全性。然而，虹膜采集过程中的视频流不能时刻保证图像的质量，一部分是由于采 集仪器造成的，如采集仪上的污质，仪器参数设置的不恰当等。另外一部分是人的状态造成 的，如人到摄像头的距离不合适，在采集工程中人的晃动。这些噪声的存在，往往会导致虹 膜图像的质量偏低。目前已有的虹膜质量评估算法详见文献Li Ma, Tieniu Tan, Yunhong Wang, Yunhong Wang. Personal Identification Based on Iris Texture Analysis。 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 25，NO. 12， DECEMBER2003 ；G.Zhang and M. Salganicoff, Method of Measuring the Focus of Close-Up Images of Eyes, United States Patent, no. 5953440，1999 禾口马各丽·实时虹膜 图像质量评估的算法研究与实现，成都电子科技大学，2008所述。目前常用的虹膜图像质量评估算法有(1)、—〒FFT 白勺步页_胃夕去。Li Ma, Tieniu Tan, Yunhong Wang, Yunhong Wang. Personal Identification Based on Iris Texture Analysis。 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 25，NO. 12，DECEMBER 2003。(2)、分析瞳孔边缘的锋利程度算法。王正友，肖文，叶小琴等.基于边缘峰态的无 参考图像清晰度评价.第十三届全国图像图形学学术会议论文集，2006，p70-73。(3)、分析虹膜区域的梯度能量算法。骆丽.实时虹膜图像质量评估的算法研究与 实现，成都电子科技大学，2008上述三种算法的特点(1)、基于FFT的频域算法需要对虹膜图像进行傅里叶变 换后在频域上进行计算，傅里叶变换是比较耗时的。O)、分析瞳孔边缘的锋利程度算法在 原始的虹膜图像中准确的定位虹膜的内边界。通常都是把瞳孔边界当作一个圆来进行拟合 的，这样找出的边界点就不是真实的瞳孔边界点。所以根据此方法计算的边缘峰态系数不 能真实的反应图像的清晰程度。(3)、分析虹膜区域的梯度能量算法在原始的虹膜图像中准确的定位虹膜的内边界。选取虹膜正下方的一个2(^20的矩形区域，计算该区域内任意 像素点和周围8个邻域像素点的灰度值之差的平方和。取该矩形区域内所有平方和的均值 作为该张虹膜图像的梯度能量。当梯度能量大于设定的阈值，则认为该图像清晰。当输入 图片的虹膜纹理比较少，即使图像很清晰，计算出的梯度能量值也会比较小。这样很难通过 设定的阈值，最终会被判为不清晰的图片。虹膜梯度能量算法对纹理较少的使用者表现不 是很好。而本专利技术采用的是自适应的检测瞳孔边缘，有别于简单的把瞳孔边界用一个圆进 行拟合，这样可以准确的找到瞳孔的边界点。通过这些真实的边界点计算出的边缘峰态系 数更能准确的反应图像的清晰程度，并把其作为图像的第一个特征。同时本专利技术计算虹膜 的梯度能量，并把它作为图像的第二个特征。并把提取的两个特征组成一个特征向量。采 集一定数目的虹膜清晰图片和不清晰图片，分别对每幅图片提取上述两个特征。把清晰图 片提取的特征向量作为正样本，不清晰图片提取的特征向量作为负样本。把所有样本输入 到支持向量机进行训练，从而得到很好的清晰度判别参数，进而进行图像清晰度的判别。
技术实现思路
本专利技术提供，该方法能够有效的判别虹膜图像是否 清晰，计算量适中，能满足实时虹膜识别的要求。本专利技术将瞳孔的边缘峰态系数和虹膜的梯度能量作为支持向量机判断虹膜图像 是否清晰的最优分类面的两个参数。计算瞳孔边缘峰态系数的时候，本专利技术采用了傅里叶 级数来自适应跟踪瞳孔的边界点，从而保证计算出的边缘峰态系数能真实反应图像的清晰 程度。最后通过支持向量机对虹膜图片提取的特征向量进行训练，从而确定最优分类面。在 应用中，当前虹膜图片提取的特征向量位于最优分类面上方(对应最优分类面判别函数值 为1)的时候判定图像的清晰度合格；否则，判定图像质量不合格。为了方便地描述本
技术实现思路
，首先对一些术语进行定义。定义1 虹膜。人眼中瞳孔和巩膜之间的区域。定义2 灰度图像。图像中只包含亮度信息而没有任何其他颜色信息的图像。定义3 自适应。定位的结果可以跟踪真实的瞳孔边界。定义4 梯度。灰度值跳变程度的度量。定义5 瞳孔边缘峰态系数。位于瞳孔和虹膜之间区域的灰度值跳变快慢的度量。定义6 虹膜梯度能量。虹膜区域中的一点和它邻域内点的灰度值之差的平方和。本专利技术技术方案如下，包括支持向量机最优分类面的确定和待测虹膜图 像清晰度判别两个过程；所述支持向量机最优分类面的确定过程包括以下步骤步骤1 准备支持向量机训练用虹膜灰度样本图像。虹膜灰度样本图像包括已经 确定为清晰和不清晰的虹膜图像，其中清晰的虹膜灰度样本图像为正样本，不清晰的虹膜 灰度样本图像为负样本，所有虹膜灰度样本图像的大小一致(如640X480像素)。步骤2 确定虹膜灰度图像的瞳孔中心和半径。具体包括以下步骤步骤2-1 根据设定的阈值T对虹膜灰度图像gray进行二值化，得到虹膜二值化图像bin 权利要求1. ，包括支持向量机最优分类面的确定和待测虹膜图像 清晰度判别两个过程；所述支持向量机最优分类面的确定过程包括以下步骤步骤1 准备支持向量机训练用虹膜灰度样本图像；虹膜灰度样本图像包括已经确定 为清晰和不清晰的虹膜图像，其中清晰的虹膜灰度样本图像为正样本，不清晰的虹膜本文档来自技高网...

【技术保护点】
１．一种虹膜图像清晰度判别方法，包括支持向量机最优分类面的确定和待测虹膜图像清晰度判别两个过程；所述支持向量机最优分类面的确定过程包括以下步骤：步骤１：准备支持向量机训练用虹膜灰度样本图像；虹膜灰度样本图像包括已经确定为清晰和不清晰的虹膜图像，其中清晰的虹膜灰度样本图像为正样本，不清晰的虹膜灰度样本图像为负样本，所有虹膜灰度样本图像的大小一致；步骤２：确定虹膜灰度图像的瞳孔中心（Ｙｃ，Ｘｃ）和瞳孔半径Ｒｃ；步骤３：自适应地确定瞳孔的边界，具体包括以下步骤：步骤３－１：在虹膜灰度图像ｇｒａｙ中，以（Ｙｃ，Ｘｃ）为中心，在３６０度的Ｎ等分角度方向上计算Ｒｃ±１０范围内像素点的灰度梯度值，记录每个角度方向下灰度梯度值最大的像素点的坐标（ｒｉ，θｉ），其中ｉ＝０，．．．Ｎ－１；步骤３－２：用ｄ（θｉ）代表在角度θｉ方向上瞳孔边界点到瞳孔中心（Ｙｃ，Ｘｃ）的距离，则ｄ（θｉ）用傅里叶级数表示表示为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ｄ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｔｈｅｔａ；（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ）］（／ｍｏ）?（／ｍｒｏｗ）?（ｍｓｕｐ）?（ｍｓｕｂ）?（ｍｉ）＆ｓｉｇｍａ；（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｎ）４（／ｍｎ）?（／ｍｓｕｐ）?（／ｍｆｒａｃ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１，２（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｎ）１０（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）７（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）公式（７）中ｚｉ表示一阶导数向量Ｚｉ中的第ｉ个一阶导数；Ｅ表示数学期望，ｕｉ表示ｚｉ的均值，σｉ表示ｚｉ的标准差；步骤４－２：计算虹膜平均梯度能量Ｅ１；在虹膜灰度图像ｇｒａｙ中截取一个矩形区域［Ｙｃ＋Ｒｃ＋ｃ：Ｙｃ＋Ｒｃ＋ｄ，Ｘｃ－ｅ：Ｘｃ＋ｅ］，记为Ｓ，并按照公式（９）计算虹膜平均梯度能量Ｅ１：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ｅ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）Ｌｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｎ）１（／ｍｎ）?（ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）Ｈ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）Ｗ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）［（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｉ）Ｈ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｉ）Ｗ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｎ）１（／ｍｎ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）Ｓ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）Ｓ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ），（／ｍｏ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ）＋...

【技术特征摘要】

【专利技术属性】
技术研发人员：解梅，余鹏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90