張齊賢, 朱曉冬, 劉元寧, 王超群, 吳祖慷, 李昕龍

(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(zhǎng)春 130012；2. 吉林大學(xué) 軟件學(xué)院, 長(zhǎng)春 130012； 3. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 長(zhǎng)春 130012)

虹膜識(shí)別是一種新型的生物特征識(shí)別技術(shù), 其誤識(shí)率在各種生物特征識(shí)別方法中最低[1], 應(yīng)用前景良好. 虹膜識(shí)別系統(tǒng)包括虹膜圖像采集、 虹膜圖像質(zhì)量評(píng)價(jià)、 虹膜內(nèi)外圓定位、 歸一化以及特征提取和模式匹配[2]. 其中虹膜圖像質(zhì)量評(píng)價(jià)非常關(guān)鍵, 會(huì)影響后續(xù)識(shí)別過(guò)程的準(zhǔn)確性和效率. 對(duì)采集的序列虹膜圖像進(jìn)行質(zhì)量評(píng)價(jià)可篩選掉部分存在問(wèn)題的圖像, 這些圖像不僅會(huì)使虹膜所攜帶的紋理特征不能完全被提取, 而且會(huì)導(dǎo)致系統(tǒng)性能的浪費(fèi).

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]通過(guò)計(jì)算虹膜圖像的二維Fourier頻譜中的高頻能量判斷虹膜圖像的清晰度; Gao等[4]通過(guò)支持向量機(jī)(SVM)進(jìn)行指標(biāo)融合, 得到分類結(jié)果; 史春蕾等[5]使用LOG(Laplacian of Gaussian)算子提取瞳孔兩邊部分虹膜的高頻能量信息, 判斷是否存在遮擋; 劉帥等[6]提出了基于形態(tài)學(xué)和灰度分布的虹膜質(zhì)量評(píng)價(jià)算法； 晁靜靜等[7]提出了基于多指標(biāo)融合的虹膜圖像質(zhì)量評(píng)估算法. 上述算法雖然在實(shí)驗(yàn)中效果較好, 但算法復(fù)雜度較高, 且質(zhì)量評(píng)價(jià)指標(biāo)單一會(huì)導(dǎo)致質(zhì)量差的圖像漏檢, 指標(biāo)過(guò)多會(huì)錯(cuò)誤刪除部分可進(jìn)行虹膜識(shí)別的圖像, 從而浪費(fèi)虹膜數(shù)據(jù). 針對(duì)上述問(wèn)題, 本文提出一種基于遺傳算法(GA)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合(GA-BP)的序列虹膜質(zhì)量評(píng)價(jià)算法. 首先進(jìn)行粗質(zhì)量評(píng)價(jià), 篩選掉一些易影響虹膜質(zhì)量的圖像, 然后精質(zhì)量評(píng)價(jià)選用3個(gè)較重要且明顯的評(píng)價(jià)指標(biāo)(虹膜有效區(qū)域面積比、 虹膜有效區(qū)域清晰度、 瞳孔-虹膜的擴(kuò)張性), 并結(jié)合BP神經(jīng)網(wǎng)絡(luò)融合這些精質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行圖像質(zhì)量的最終評(píng)價(jià), 最后用遺傳算法[8]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值. 該質(zhì)量評(píng)價(jià)方法可保留更多高質(zhì)量的虹膜圖像, 以保證后續(xù)虹膜識(shí)別算法可達(dá)到較高的精確度和良好的預(yù)測(cè)效果. 算法流程如圖1所示.

圖1 基于GA-BP神經(jīng)網(wǎng)絡(luò)的序列虹膜質(zhì)量評(píng)價(jià)算法流程Fig.1 Flow chart of sequential iris quality evaluation algorithm based on GA-BP neural network

1 虹膜圖像粗質(zhì)量評(píng)價(jià)指標(biāo)

1.1 整體圖像的清晰度

在采集虹膜時(shí)可能會(huì)出現(xiàn)運(yùn)動(dòng)模糊和離焦模糊, 從而可能丟失虹膜的全局高頻信息, 導(dǎo)致后續(xù)步驟很難提取虹膜的有效紋理特征, 因此需先對(duì)序列虹膜圖像進(jìn)行整體清晰度的檢測(cè). 本文使用Laplace梯度方法[9]. 設(shè)圖像大小為m×n, 利用Laplace算子分別計(jì)算出圖像在x方向和y方向上的二階導(dǎo)數(shù), 然后計(jì)算整體圖像的平均灰度值作為清晰度評(píng)價(jià)值F. 清晰度評(píng)價(jià)值的計(jì)算公式為

(1)

其中:Gx,Gy為Sobel算子的卷積核;I(x,y)為圖像在(x,y)點(diǎn)的像素值. 本文中F值越大, 表示圖像越清晰. 根據(jù)實(shí)驗(yàn)結(jié)果, 本文清晰度閾值設(shè)為Q=3.0, 比較圖像的F值與設(shè)定的閾值Q, 當(dāng)F值低于Q值時(shí), 則認(rèn)為該圖像不合格即丟棄該圖像. 同一個(gè)體多幅采集圖像的清晰度如圖2所示.

1.2 瞳孔半徑和虹膜活體檢測(cè)

為防止發(fā)生偽造、 假冒虹膜等情形, 需對(duì)采集的圖像進(jìn)行虹膜活體檢測(cè)[10]. 如果檢測(cè)到非活體虹膜則丟棄該序列虹膜, 避免后續(xù)無(wú)意義的質(zhì)量評(píng)價(jià)和特征提取. 本文基于二值形態(tài)學(xué)對(duì)序列虹膜進(jìn)行瞳孔半徑計(jì)算. 針對(duì)清晰度檢測(cè)合格的圖像, 根據(jù)瞳孔和虹膜之間存在灰度值差異的原理, 先將原圖像進(jìn)行二值化操作, 然后用高斯濾波消除圖像的噪聲, 再進(jìn)行Canny邊緣檢測(cè), 尋找瞳孔和虹膜之間的邊緣點(diǎn), 最后用霍夫圓變換[11]描繪出虹膜內(nèi)圓, 再根據(jù)描繪的虹膜內(nèi)圓得到瞳孔圓心的半徑值, 圖3為確定瞳孔圓心和半徑的示意圖.

圖2 同一個(gè)體多幅采集圖像的清晰度Fig.2 Definition of multiple images collected by same individual

圖3 確定瞳孔圓心和半徑示意圖Fig.3 Schematic diagram to determine center and radius of pupil

當(dāng)光照較強(qiáng)時(shí), 瞳孔會(huì)收縮以減少進(jìn)光量； 當(dāng)光照較弱時(shí), 瞳孔會(huì)放大以增加進(jìn)光量. 對(duì)于采集的序列虹膜圖像, 即使采集模塊的紅外光源較穩(wěn)定, 這些圖像的瞳孔大小也是不斷變化的. 因此本文根據(jù)人體這一生理特性進(jìn)行虹膜圖像的活體檢測(cè). 從清晰度合格的序列虹膜庫(kù)中隨機(jī)選取連續(xù)的u×24張虹膜圖片(1 s拍攝24張圖像), 然后以每連續(xù)24張中選擇一張圖像計(jì)算該虹膜圖像的圓心和半徑. 為使結(jié)果更精確, 引入瞳孔半徑方差因子CP, 方差可表示數(shù)據(jù)的偏離程度. 最后計(jì)算前后us內(nèi)u張虹膜圖像的Cp值進(jìn)行虹膜活體判斷. 判斷公式為

(2)

minCp≤Cp≤maxCp,

(3)

則證明該序列虹膜是活體虹膜, 其中minCp和maxCp是通過(guò)對(duì)訓(xùn)練集進(jìn)行大量實(shí)驗(yàn)得出的閾值.

1.3 睜閉眼檢測(cè)

采集的序列虹膜圖像中會(huì)出現(xiàn)睜眼、 瞇眼、 閉眼這3種情形. 閉眼圖像不包含有用信息, 瞇眼圖像眼睫毛干擾嚴(yán)重, 有效信息較少, 因此這兩類圖像可丟棄. 已知在虹膜灰度圖像中瞳孔灰度值為0, 光斑灰度值為255. 本文采用一種較簡(jiǎn)單快速的方法進(jìn)行檢測(cè), 根據(jù)Canny邊緣檢測(cè)和霍夫圓圈到的瞳孔輪廓圖, 得出瞳孔的圓心和半徑. 判斷霍夫圓的個(gè)數(shù), 如果未出現(xiàn)霍夫圓則證明該虹膜圖像為閉眼狀態(tài). 然后根據(jù)圈到的霍夫圓中黑色瞳孔像素占整個(gè)圈到瞳孔輪廓的比例, 如果比例超過(guò)2/3則為睜眼圖像, 否則為瞇眼圖像. 判斷睜瞇眼圖像公式為

(4)

其中:Ipupil為霍夫圓中黑色瞳孔像素; πr2為整個(gè)圈到瞳孔輪廓的面積.Q=1表示睜眼圖像,Q=0表示瞇眼不合格圖像. 虹膜圖像的睜閉眼檢測(cè)結(jié)果如圖4所示.

圖4 睜閉眼虹膜圖像檢測(cè)結(jié)果Fig.4 Detection results of iris images with eyes opened and closed

1.4 虹膜偏移檢測(cè)

在采集的序列虹膜中經(jīng)常會(huì)出現(xiàn)虹膜位于圖像的邊界處和翻白眼的情形, 這兩種情形在后續(xù)的虹膜定位中, 易導(dǎo)致系統(tǒng)崩潰. 雖然這些圖像可能包含豐富的虹膜特征, 但為簡(jiǎn)化識(shí)別流程, 本文舍棄偏移較大的虹膜圖像. 由于瞳孔半徑和虹膜活體檢測(cè)中求圓心的方法并不適用于偏移圖像, 因此采用統(tǒng)計(jì)瞳孔像素的坐標(biāo)位置. 首先對(duì)原始圖像進(jìn)行二值化, 再用區(qū)域生長(zhǎng)法[12]消除瞳孔光斑, 瞳孔的中心坐標(biāo)計(jì)算公式為

Ppupil=((minx+maxx)/2,(miny+maxy)/2),

(5)

其中：Ppupil為瞳孔的中心坐標(biāo)；x和y分別為瞳孔區(qū)域的橫縱坐標(biāo)值. 本文以圖像的中心點(diǎn)(m/2,n/2)為基準(zhǔn), 如果瞳孔中心坐標(biāo)位于以圖像中心點(diǎn)坐標(biāo)為中心的、 邊長(zhǎng)為200像素的正方形外, 則認(rèn)為該虹膜偏移角度過(guò)大, 不符合要求. 偏移檢測(cè)結(jié)果如圖5所示.

圖5 偏移檢測(cè)結(jié)果Fig.5 Detection results of iris migration

2 虹膜圖像精質(zhì)量評(píng)價(jià)指標(biāo)

經(jīng)過(guò)虹膜圖像粗質(zhì)量評(píng)價(jià)能篩選掉大部分不合格的序列虹膜圖像, 然后對(duì)合格的圖像進(jìn)行精質(zhì)量評(píng)價(jià).

2.1 虹膜有效區(qū)域面積比

虹膜有效區(qū)域是指未被睫毛、 眼瞼、 光斑等遮擋的有效紋理區(qū)域, 如圖6所示. 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)[13]中的一維灰度均值法進(jìn)行外圓粗定位. 將虹膜內(nèi)圓和外圓近似為兩個(gè)圓形, 其中環(huán)形的區(qū)域減去眼瞼、 睫毛、 光斑的遮擋即為虹膜的有效區(qū)域, 計(jì)算虹膜有效區(qū)域面積占整個(gè)環(huán)形的百分比EAI, 計(jì)算公式為

(6)

其中:Riris和rpupil分別表示虹膜、 瞳孔的半徑；Seyelid表示環(huán)形區(qū)域中被眼瞼、 睫毛、 光斑遮擋的面積像素總和. EAI值越大表示虹膜有效區(qū)域越多, 進(jìn)而獲取的虹膜信息量越多.

圖6 虹膜有效區(qū)域示意圖Fig.6 Schematic diagram of effective area of iris

2.2 虹膜有效區(qū)域清晰度

圖7 評(píng)價(jià)區(qū)域選取Fig.7 Selection of evaluation area

雖然已經(jīng)在粗質(zhì)量評(píng)價(jià)階段對(duì)虹膜圖像整體清晰度進(jìn)行了計(jì)算, 但虹膜圖像整體清晰度值的高低與虹膜有效區(qū)域清晰度值的高低關(guān)系較小. 虹膜有效區(qū)域的清晰度會(huì)直接影響虹膜識(shí)別的性能. 因此, 在精評(píng)價(jià)階段需對(duì)虹膜有效區(qū)域的清晰度進(jìn)行檢測(cè). 分別選取瞳孔水平方向左側(cè)和右側(cè)以及垂直方向上側(cè)和下側(cè)大小為27×27的區(qū)域作為子區(qū)域進(jìn)行評(píng)價(jià), 如圖7所示. 完成評(píng)價(jià)區(qū)域選擇后, 分別對(duì)4個(gè)區(qū)域用Laplace梯度方法求得清晰度值, 最終虹膜有效區(qū)域清晰度值A(chǔ)CI計(jì)算公式為

ACI=(Fup+Fdown+Fleft+Fright)/4.

(7)

2.3 瞳孔-虹膜的擴(kuò)張性

每個(gè)人的虹膜半徑變化都較小, 但當(dāng)人眼受外界光照影響時(shí), 瞳孔會(huì)發(fā)生收縮或擴(kuò)張現(xiàn)象. 瞳孔收縮會(huì)導(dǎo)致虹膜區(qū)域的面積變大, 提供的虹膜信息量也會(huì)增多, 反之虹膜信息量會(huì)減少. 因此, 本文瞳孔-虹膜的擴(kuò)張性因子PID定義為瞳孔半徑和虹膜半徑之比:

PID=rpupil/Riris,

(8)

其中rpupil和Riris分別表示瞳孔、 虹膜的半徑. PID越大, 說(shuō)明瞳孔擴(kuò)張?jiān)絿?yán)重. 圖8為不同PID的虹膜圖像.

圖8 不同PID的虹膜圖像Fig.8 Iris images with different PID

3 GA-BP神經(jīng)網(wǎng)絡(luò)融合精質(zhì)量評(píng)價(jià)指標(biāo)

本文先用GA-BP神經(jīng)網(wǎng)絡(luò)方法對(duì)圖像質(zhì)量進(jìn)行綜合評(píng)價(jià), 再利用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)序列虹膜庫(kù)進(jìn)行快速、 準(zhǔn)確的質(zhì)量分類.

3.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降的方法實(shí)現(xiàn)自動(dòng)學(xué)習(xí), 用反向傳播機(jī)制調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值. 通常由輸入層、 隱含層和輸出層組成, 理論上含有一個(gè)隱含層的三層網(wǎng)絡(luò)可逼近任意非線性函數(shù). 典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示.

3.2 GA-BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)訓(xùn)練過(guò)程中易陷入局部極小值. 針對(duì)該缺陷, 本文利用GA算法具有全局搜索能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò), 使BP神經(jīng)網(wǎng)絡(luò)在全局范圍中能找到最優(yōu)解[14]. GA-BP神經(jīng)網(wǎng)絡(luò)的步驟如下：

1) 計(jì)算樣本的精質(zhì)量指標(biāo)值, 進(jìn)行歸一化后將樣本劃分為訓(xùn)練樣本和測(cè)試樣本；

2) 對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行編碼, 設(shè)置適應(yīng)度函數(shù), 得到初始種群；

3) 訓(xùn)練網(wǎng)絡(luò)時(shí)以誤差絕對(duì)值作為適應(yīng)度函數(shù), 函數(shù)值越大, 該網(wǎng)絡(luò)的權(quán)值和閾值就越優(yōu)；

4) 選擇適應(yīng)度高的染色體進(jìn)行復(fù)制, 利用交叉、 變異操作產(chǎn)生新群體；

5) 如果滿足算法的終止條件, 則解碼后得到最佳的網(wǎng)絡(luò)權(quán)值和閾值, 并把最優(yōu)權(quán)值和閾值賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值； 否則返回步驟3)；

6) 用測(cè)試樣本進(jìn)行仿真并得到輸出結(jié)果.

在尋優(yōu)過(guò)程中, 需對(duì)GA算法的參數(shù)進(jìn)行設(shè)置： 種群大小為40, 最大遺傳代數(shù)為50, 交叉概率為0.7, 變異概率為0.01. GA-BP算法流程如圖10所示.

圖10 GA-BP算法流程Fig.10 Flow chart of GA-BP algorithm

4 實(shí)驗(yàn)與分析

采用JLU-6.0(http://www.jlucomputer.com/index/irislibrary/irislibrary.html)的原始虹膜庫(kù)作為實(shí)驗(yàn)虹膜庫(kù), 該虹膜庫(kù)由80類虹膜樣本組成, 每類包含3 000張虹膜圖像, 共24萬(wàn)張虹膜圖像. 從JLU-6.0虹膜庫(kù)中選擇40類虹膜樣本, 其中每類樣本含有100張圖像, 共4 000張虹膜圖像. 先用粗質(zhì)量評(píng)價(jià)方法篩選掉其中365張不合格的圖像, 再將剩余的3 635張圖像組成數(shù)據(jù)集Iris_Data, 并對(duì)每個(gè)樣本進(jìn)行人工標(biāo)記. 將該數(shù)據(jù)集分為兩個(gè)子集, 其中一個(gè)子集包含3 219張圖像, 另一個(gè)子集包含416張圖像. 從兩個(gè)子集中隨機(jī)選擇3/4的圖像共2 726張作為訓(xùn)練集Iris_Train_Data, 余下的909張圖像作為測(cè)試集Iris_Test_Data. 實(shí)驗(yàn)環(huán)境為： CPU主頻3.2 GHz, 內(nèi)存16 GB, Windows10操作系統(tǒng), 編程工具為MATLAB R2018a.

輸入樣本訓(xùn)練前需先對(duì)精質(zhì)量評(píng)價(jià)值進(jìn)行歸一化處理, 歸一化處理就是把數(shù)據(jù)都轉(zhuǎn)化為[0,1]內(nèi)的數(shù), 以便消除數(shù)量級(jí)差異較大引起的誤差, 加速網(wǎng)絡(luò)訓(xùn)練的收斂. 采用最大最小法進(jìn)行數(shù)據(jù)歸一化, 函數(shù)形式為

xm=(xm-xmin)/(xmax-xmin),

(9)

其中：xm為需要?dú)w一化的數(shù)據(jù)；xmin為數(shù)據(jù)序列中的最小數(shù)；xmax為序列中的最大數(shù). 從樣本集Iris_Data中選出12個(gè)虹膜樣本, 按質(zhì)量從低到高進(jìn)行排序編號(hào), 并計(jì)算這些樣本的精評(píng)價(jià)指標(biāo), 最后將得到的指標(biāo)值和樣本質(zhì)量進(jìn)行對(duì)比. 樣本的精質(zhì)量評(píng)價(jià)指標(biāo)值列于表1, 分析結(jié)果如圖11所示.

表1 樣本的精質(zhì)量評(píng)價(jià)指標(biāo)值

由表1和圖11可見(jiàn), 當(dāng)圖像質(zhì)量情況變好時(shí), 虹膜圖像的有效區(qū)域面積比、 有效區(qū)域清晰度指標(biāo)均不斷增大, 而瞳孔-虹膜的擴(kuò)張性不斷減小. 因此, 本文的精質(zhì)量評(píng)價(jià)指標(biāo)與圖像質(zhì)量人為主觀上的變化相同, 從而證明了本文精評(píng)價(jià)指標(biāo)選取的有效性.

用GA-BP網(wǎng)絡(luò)模型對(duì)精評(píng)價(jià)指標(biāo)進(jìn)行融合, 對(duì)虹膜圖像整體質(zhì)量進(jìn)行評(píng)估, 并與未使用GA優(yōu)化算法的網(wǎng)絡(luò)進(jìn)行對(duì)比. 圖12為部分測(cè)試樣本(25個(gè))在兩個(gè)網(wǎng)絡(luò)模型中預(yù)測(cè)和期望輸出值的對(duì)比結(jié)果. 由圖12可見(jiàn), GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與期望值擬合度較好. 表明使用GA算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)上體現(xiàn)了良好的全局搜索能力, 為BP神經(jīng)網(wǎng)絡(luò)提供了更精確的權(quán)值和閾值.

圖11 不同質(zhì)量樣本的精指標(biāo)分析結(jié)果Fig.11 Analysis results of fine index of different quality samples

圖12 網(wǎng)絡(luò)預(yù)測(cè)和期望輸出值對(duì)比Fig.12 Comparison of network prediction and expected output values

經(jīng)過(guò)訓(xùn)練集訓(xùn)練后對(duì)測(cè)試集Iris_Test_Data中909張虹膜圖像進(jìn)行質(zhì)量分類, 正確分類數(shù)為897張, 正確率達(dá)98.68%, 而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型正確分類數(shù)為838張, 正確率為92.19%. 表明GA-BP神經(jīng)網(wǎng)絡(luò)模型質(zhì)量評(píng)價(jià)分類精確度較高.

圖13 虹膜預(yù)處理過(guò)程Fig.13 Preprocessing process of iris

因?yàn)橘|(zhì)量評(píng)價(jià)的本質(zhì)是為保留具有較多有效信息的虹膜圖像, 盡可能將影響識(shí)別效率質(zhì)量較差的虹膜圖像去除, 進(jìn)而提高虹膜識(shí)別系統(tǒng)的準(zhǔn)確性. 因此, 還需對(duì)本文算法篩選出的圖像進(jìn)行后續(xù)的處理識(shí)別, 并將本文算法與Fourier評(píng)價(jià)法[3]、 SVM評(píng)價(jià)法[4]、 基于形態(tài)學(xué)和灰度分布的虹膜質(zhì)量評(píng)價(jià)算法[6]、 基于多指標(biāo)融合的虹膜圖像質(zhì)量評(píng)估算法[7]進(jìn)行比較. 針對(duì)以上4種算法及本文算法篩選出的合格虹膜圖像分別進(jìn)行定位、 歸一化、 虹膜增強(qiáng)、 特征提取, 并進(jìn)行虹膜識(shí)別. 實(shí)驗(yàn)時(shí), 保證除質(zhì)量評(píng)價(jià)算法外其他方法均一致. 采用文獻(xiàn)[3]的微積分圓模板法對(duì)內(nèi)外圓進(jìn)行精定位, 用橡皮圈模型進(jìn)行虹膜圖像歸一化. 先將環(huán)形虹膜展開(kāi)成一個(gè)512×64維的矩形, 并用直方圖均衡化增強(qiáng)圖像紋理; 然后從增強(qiáng)圖像后的右上角截取一個(gè)256×32的(紋理最強(qiáng)且干擾最少)區(qū)域作為虹膜識(shí)別區(qū)域; 最后進(jìn)行水平移位, 以消除虹膜旋轉(zhuǎn). 用二維Gabor濾波[15]提取虹膜的紋理特征, 并通過(guò)比對(duì)樣本間的歐氏距離[16]判斷虹膜類別. 虹膜預(yù)處理[17]過(guò)程如圖13所示.

首先, 將等錯(cuò)率(EER)、 ROC曲線和正確識(shí)別率(CRR)作為算法的評(píng)價(jià)指標(biāo), 其中EER是錯(cuò)誤拒絕率(FRR)與錯(cuò)誤接受率(FAR)相等的值； 其次, 根據(jù)實(shí)際識(shí)別效果對(duì)上述5種算法進(jìn)行評(píng)價(jià). 各算法中可用于虹膜識(shí)別的圖像經(jīng)過(guò)后續(xù)處理識(shí)別操作的CRR和EER值列于表2. 各算法的ROC曲線如圖14所示.

表2 不同算法的CRR和EER值

圖14 各算法的ROC曲線Fig.14 ROC curves of each algorithm

由表2和圖14可見(jiàn): 文獻(xiàn)[3]基于二維Fourier頻譜中的高頻能量評(píng)價(jià)虹膜圖像質(zhì)量, 這種經(jīng)典算法的缺點(diǎn)是空域到頻域轉(zhuǎn)換時(shí)易丟失信息, 且頻域信息不易被人類視覺(jué)觀察; 文獻(xiàn)[4]基于SVM分類的虹膜質(zhì)量評(píng)價(jià)算法, 雖然CRR值達(dá)98.24%, 但SVM分類不適用于較大規(guī)模的虹膜庫(kù); 文獻(xiàn)[6]基于形態(tài)學(xué)和灰度分布的虹膜質(zhì)量評(píng)價(jià)算法, 能提高有效虹膜的幸存率, 但計(jì)算較復(fù)雜, 且虹膜分類依賴于人的主觀評(píng)價(jià), 一旦人為認(rèn)為合格, 質(zhì)量評(píng)價(jià)法也認(rèn)定合格, 但后續(xù)識(shí)別算法卻不能識(shí)別該圖像, 會(huì)導(dǎo)致系統(tǒng)崩潰； 文獻(xiàn)[7]基于多指標(biāo)融合的虹膜圖像質(zhì)量評(píng)估算法, 用7個(gè)質(zhì)量指標(biāo)結(jié)合BP神經(jīng)網(wǎng)絡(luò)融合出質(zhì)量評(píng)估分?jǐn)?shù), 且CRR值達(dá)97.46%, 但該算法評(píng)價(jià)指標(biāo)過(guò)多, 計(jì)算這些指標(biāo)值耗時(shí)較長(zhǎng); 本文算法CRR值比4種對(duì)比算法高, 說(shuō)明經(jīng)過(guò)本文算法評(píng)價(jià)合格的虹膜圖像確實(shí)可進(jìn)行虹膜識(shí)別. 而且其他對(duì)比算法未對(duì)序列虹膜圖像進(jìn)行活體檢測(cè), 安全性沒(méi)有本文算法好. 本文算法經(jīng)過(guò)粗質(zhì)量評(píng)價(jià)能篩選出大多數(shù)干擾識(shí)別效率的差質(zhì)量圖像, 避免了后續(xù)識(shí)別系統(tǒng)的崩潰. 精質(zhì)量評(píng)價(jià)指標(biāo)僅評(píng)價(jià)幾個(gè)較重要的指標(biāo), 縮短了計(jì)算時(shí)間, 且采用GA-BP神經(jīng)網(wǎng)絡(luò)模型能快速對(duì)大規(guī)模的虹膜庫(kù)進(jìn)行質(zhì)量評(píng)價(jià).

綜上所述, 針對(duì)序列虹膜圖像, 本文提出了一種基于GA-BP神經(jīng)網(wǎng)絡(luò)的序列虹膜質(zhì)量評(píng)價(jià)算法. 首先, 進(jìn)行粗質(zhì)量評(píng)價(jià), 快速有效地篩選圖像, 利用Laplace梯度方法判斷整體圖像的清晰度, 計(jì)算瞳孔半徑并進(jìn)行虹膜活體檢測(cè), 增加系統(tǒng)的安全性, 并進(jìn)行睜閉眼檢測(cè)和虹膜偏移檢測(cè)，4個(gè)粗質(zhì)量評(píng)價(jià)指標(biāo)只要有一項(xiàng)不合格即丟棄該圖像； 其次, 精質(zhì)量評(píng)價(jià)選用3個(gè)較重要的指標(biāo)并計(jì)算得出指標(biāo)值; 最后, 結(jié)合GA-BP神經(jīng)網(wǎng)絡(luò)融合精質(zhì)量評(píng)價(jià)指標(biāo)值并進(jìn)行分類. 實(shí)驗(yàn)結(jié)果表明, 本文算法具有較高的分類精確度. 與其他虹膜質(zhì)量評(píng)價(jià)算法對(duì)比結(jié)果表明, 本文算法在盡量篩選掉質(zhì)量較差的虹膜圖像時(shí), 保留了較多有效虹膜圖像, 適用于較大規(guī)模的虹膜庫(kù)進(jìn)行質(zhì)量評(píng)價(jià)分類.