实时虹膜图像评价方法和装置的制造方法
【技术领域】
[0001] 本发明设及生物识别领域，特别是指一种实时虹膜图像评价方法和装置。
【背景技术】
[0002] 随着信息技术的不断发展，传统身份识别方式（如身份证，笔迹识别等）被现代生 物模式识别方式（如虹膜识别，人脸识别等）替代成为必然趋势。而在众多生物特征中，虹 膜由于其位置的特殊，具有更强的稳定性和不可复制性，其天然存在的几何特征又为识别 提供了便利。故虹膜识别技术本身具有很强发展前景，其产品也具有较强的市场潜力。在 一整套完备的虹膜识别系统中，采用高质量的虹膜图像评价方法能有效提高识别效率和降 低误判率。
[0003] 目前，现有技术中较为成熟的虹膜图像评价方法包括：
[0004] (l)Daugman基于快速傅立叶变换的方法。它对虹膜区域上的两个矩形块内的像素 点进行二维快速傅立叶变换，然后通过对其高频、中频和低频能量的统计，分析图像是否清 晰和存在睫毛遮挡。该模型的通用性不强，容易将纹理较少的清晰虹膜图像误判为低质量 虹膜图像。 阳0化](2)基于小波包分解的方法。它选取纹理高频分量分布最集中的子频带作为特征 子频带，W其能量作为判别图像质量的准则。该方法的缺点是无法判断因睫毛遮挡而存在 问题的虹膜图像。
[0006] (3)美国的Guan曲ua Zhang所提出的算法。它是先完成虹膜的定位，然后在此基 础上把虹膜与瞳孔之间的边缘像素梯度的模除W虹膜与瞳孔之间灰度差作为图像聚焦的 判据。它设置的阔值是0. 5,即：如果其值大于0. 5,则虹膜图像为清晰的图像；如果其值大 于0小于0. 5,则虹膜图像为模糊的图像。为了增强算法的健壮性，该算法取阴影区域中梯 度最大的20个像素的平均值作为判据的分子。该方法的缺点是缺乏严格的理论依据，阔值 的选择困难，存在一定的主观性，不具有广泛的适用性。
[0007] (4)上海交通大学的邢磊和施鹏飞提出的基于图像清晰度、内外偏屯、度和虹膜可 见度的方法。它建立了图像清晰度、内外偏屯、度和虹膜可见度立个衡量图像质量的指标，实 现了对虹膜图像进行实时质量评价的要求。该方法的缺点是对光照条件较为敏感，稳定性 不强。
【发明内容】
[0008] 本发明要解决的技术问题是提供一种准确性高、稳定性好、抗干扰性强的实时虹 膜图像评价方法和装置。
[0009] 为解决上述技术问题，本发明提供技术方案如下：
[0010] 一种实时虹膜图像评价方法，包括：
[0011] 获取待评价的虹膜图像；
[0012] 对每幅虹膜图像进行瞳孔定位；
[0013] 对每幅虹膜图像提取瞳孔边缘区域；
[0014] 计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中灰度值变化 量最大的一幅虹膜图像即为最佳虹膜图像。
[0015] 一种实时虹膜图像评价装置，包括：
[0016] 获取模块：用于获取待评价的虹膜图像；
[0017] 定位模块：用于对每幅虹膜图像进行瞳孔定位；
[0018] 提取模块：用于对每幅虹膜图像提取瞳孔边缘区域；
[0019] 计算模块：用于计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量， 其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。
[0020] 本发明具有W下有益效果：
[0021] 与现有技术相比，本发明获取待评价的虹膜图像，对每幅虹膜图像进行瞳孔定位， 对每幅虹膜图像提取瞳孔边缘区域，计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度 值变化量，其中灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。本发明W瞳孔边缘 的灰度锐变程度作为度量虹膜图像质量的指标，该方法对虹膜图像的判别具有很强的区分 性，本发明中选取的瞳孔边缘区域对光照条件的变化不敏感（光照变化导致的瞳孔变形不 影响瞳孔区域到虹膜区域的边缘锐化程度），避免了现有技术中由于周围光照环境的变化 导致瞳孔及虹膜变形，进而导致虹膜图像质量评价的误判及判断不稳定的现象。本发明能 够准确、稳定的获取最佳的虹膜图像，同时对外界的光线变化具有很强的抗干扰性。
【附图说明】
[0022] 图1为本发明的实时虹膜图像评价方法的流程示意图一；
[0023] 图2为本发明的实时虹膜图像评价方法的流程示意图二；
[0024] 图3为本发明的实时虹膜图像评价方法的参考趋势图；
[0025] 图4为本发明的实时虹膜图像评价装置的结构示意图一；
[00%] 图5为本发明的实时虹膜图像评价装置的结构示意图二。
【具体实施方式】
[0027] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0028] 一方面，本发明提供一种实时虹膜图像评价方法，如图1所示，包括：
[0029] 步骤S101 :获取待评价的虹膜图像；
[0030] 本步骤中，可W获取至少两幅虹膜图像，为后续的虹膜图像评价及选择提供丰富 的样本。
[0031] 步骤S102 :对每幅虹膜图像进行瞳孔定位；
[0032] 本步骤中，瞳孔定位的方法采用本领域技术人员公知的各种方法均可，例如形屯、 法、边界拟合法等。
[003引步骤S103对每幅虹膜图像提取瞳孔边缘区域；
[0034] 本步骤中，瞳孔边缘区域是指瞳孔与虹膜之间圆环分界的附近区域，提取瞳孔边 缘的方法采用本领域技术人员公知的方法均可，例如锐化处理、边缘梯度二值化等，在提取 瞳孔边缘之后就能方便的计算出瞳孔边缘区域。
[00对步骤S104 :计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量，其中 灰度值变化量最大的一幅虹膜图像即为最佳虹膜图像。
[0036] 本发明的实时虹膜图像评价方法，W瞳孔边缘的灰度锐变程度作为度量虹膜图像 质量的指标，该方法对虹膜图像的判别具有很强的区分性，本发明中选取的瞳孔边缘区域 对光照条件的变化不敏感（光照变化导致的瞳孔变形不影响瞳孔区域到虹膜区域的边缘 锐化程度），避免了现有技术中由于周围光照环境的变化导致瞳孔及虹膜变形，进而导致虹 膜图像质量评价的误判及判断不稳定的现象。本发明能够准确、稳定的获取最佳的虹膜图 像，同时对外界的光线变化具有很强的抗干扰性。
[0037] 由于瞳孔对光照具有敏感性，周围光照环境的变化会导致瞳孔及虹膜变形，运是 现有技术中虹膜图像质量评价方法不稳定原因所在。但是无论瞳孔及虹膜形状如何变化， 其灰度值不变，瞳孔边缘区域对应的像素点灰度值变化程度不变。对焦不准确的图像，由于 点扩散效应，像素被"平均化"，相较于对焦准确的图像，该区域的像素灰度变化程度要小。
[0038] 作为本发明的一种改进，步骤S104包括：对提取的瞳孔边缘区域内的像素点采用 图像梯度向量模平方和计算出瞳孔边缘区域像素点的灰度值变化量。
[0039] 本步骤中，具体可W通过公式（1)对瞳孔边缘区域像素点计算灰度值变化量的指 标值：
[0040]
(1)
[oow 其中，（i，如表示瞳孔边缘区域内的像素点，g(i，如表示（i，如点的灰度值，R表 示虹膜内圆半径，g(x+l, y)-g(x, y)表示（i, j)点的灰度水平梯度值，g(x, y+l)-g(x, y)表 示（i，j)点的灰度垂直梯度值。
[00创公式（1)的分子部分是图像梯度向量模平方巧V =巧+巧的数值形式，除W虹膜 内圆半径R的目的是消除区域大小对score值的影响。本发明中，通过计算瞳孔边缘区域 的梯度能量来度量边缘灰度的锐变程度，并归一化消除区域大小的影响。该质量评价方法 的核屯、思想是，W瞳孔边缘区域像素的锐变程度作为度量图像对焦质量的依据，具体地，可 W采用梯度模平方和▽=巧+ G;的形式，V =巧+ G;化可W采用其他相同原理的公式进 行计算。选择该类公式的好处是简单直接、快捷、计算效率高。
[0043] 优选的，步骤S103包括：提取瞳孔边缘的环形区域中位于左下方、右下方、左侧或 右侧四分之一的区域作为所述瞳孔边缘区域。该方法的好处是可W降低运算量、提高数据 处理速度。
[0044] 本步骤中，也可W提取二分之一、Ξ分之一、五分之一、六分之一等等的瞳孔边缘 的环形区域作为瞳孔边缘区域。下面W四分之一为例进行说明：
[0045] 具体可W根据瞳孔定位的结果确定瞳孔边缘区域，如W瞳孔中屯、为坐标原点的极 坐标公式（2)所示：
[0046] Ω = {(P，Θ ) I 180《Θ《270, R-X《P《R+x}似
[0047] 其中，Ω表示提取的瞳孔边缘区域，θ表示四分之一（为了避免睫毛干扰，本发 明中的Θ优选为瞳孔边缘的环形区域中位于左下方、右下方、左侧或右侧中的90°角，如 180《Θ《270、270《Θ《360等等）的角度选择，Ρ表示像素点距原点的距离，χ(可 W为2、3、4、5、6、7、8等等）表不像素点。
[0048] 为了提高效率和定位结果的正确率，如图2所示，步骤S102之前可W包括：对待评 价的虹膜图像进行频域滤波，计算总能量，选取排名前一定数量的虹膜图像。
[0049] 本步骤中，是通过矩阵元素的对应点乘法运算实现了图像从时域到频域的变换， 相对于在时域的计算，频域处理的速度显得更快，有效的提高了图像的处理速度。经过频域 滤波的虹膜图像通过频域滤波后的结果的像素值做逐点累加，计算出总能量，选取排名靠 前的一定数量（如20%、30%、40%等等）的虹膜图像，可W过滤质量严重损坏的图像，后续 仅对选取出的排名靠前的虹膜图像进行分析，可W有效的提高虹膜图像评价效率。
[0050] 具体的，频域滤波矩阵可W为：
[0051]