CN105160306A - 虹膜图像模糊判断的方法和装置 - Google Patents

Abstract

本发明公开了一种虹膜图像模糊判断的方法和装置，所述方法包括：利用径向对称变换在虹膜图像中定位瞳孔的位置；在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜；对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。与现有技术相比，本发明的虹膜图像模糊判断的方法判断准确率高，运行速度快，提高了虹膜识别的性能。

Description

虹膜图像模糊判断的方法和装置

技术领域

本发明涉及生物识别领域，特别是指一种虹膜图像模糊判断的方法和装置。

背景技术

近年来，虹膜识别逐渐成为一种重要的身份认证和识别手段。当用户适度配合时，虹膜识别方法能够取得较好的识别效果。但在实际应用场景中，很难保证用户在一定时间内保持配合的状态，因此在采集虹膜图像过程中，不可避免会得到不符合识别和认证要求的虹膜图像。为了保证虹膜识别的准确性和稳定性又方便用户使用，就需要设计快速有效的虹膜图像质量评价方法。

在影响虹膜图像质量的因素中，模糊是最常见也是最重要的虹膜图像质量畸变类型。根据形成模糊的原因不同，一般将虹膜模糊分为离焦模糊和运动模糊。离焦模糊是指被拍摄对象远离对焦平面而引起的图像模糊现象。目前评价离焦模糊的方法主要有基于梯度变化的方法、全局空域滤波的方法和基于感兴趣区域的方法，这些方法在特定条件下都能取得较好的结论，但是距离应用场景还有一定差距。运动模糊指的是在采集过程中，对象的快速位置变化导致图像形成错位而引起图像模糊的现象。常见的评价运动模糊的方法是基于垂直算子的方法，另外还有很多基于运动方式而产生的具有针对性的算法。

(1)基于梯度变化的方法：

该方法，利用巩膜和虹膜间的梯度值评价模糊的程度来判断，如果梯度值比较小，说明图像可能比较模糊；或者利用虹膜与瞳孔之间的梯度进行模糊程度判断，如果梯度比较小，说明图像可能比较模糊。

(2)基于全局空域滤波的方法：

针对离焦模糊，图像中各个方向的高频信息均被削弱，可以通过构建高通或带滤波器的方式检测这种高频信息的损失程度，如构造一个各向同性的滤波器，将图像与滤波器的卷积值作为质量分数。

(3)基于感兴趣区域的方法

为了克服非虹膜区域的噪声影响，需要关注虹膜有效区域，通过虹膜定位得到瞳孔边界，预定义瞳孔两边对应的区域作为感兴趣区域，之后利用该区域的中高频信息作为特征，通过支持向量机(SVM)分类器训练得到图像判断是否是清晰图像。

上述基于梯度变化的方法和基于全局空域滤波的方法大都关注于对边缘梯度的直接描述，而不关注梯度的分布，基于感兴趣区域的方法由于需要用到比较复杂的图像处理和分类算法，所以速度较慢。

发明内容

本发明提供一种虹膜图像模糊判断的方法和装置，该方法判断准确率高，运行速度快，抗干扰能力强，准确率高，提高了虹膜识别的性能。

为解决上述技术问题，本发明提供技术方案如下：

一种虹膜图像模糊判断的方法，包括：

利用径向对称变换在虹膜图像中定位瞳孔的位置；

在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜；

对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；

判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。

一种虹膜图像模糊判断的装置，包括：

定位模块，用于利用径向对称变换在虹膜图像中定位瞳孔的位置；

第一截取模块，用于在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜；

拟合模块，对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；

第一判断模块，用于判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。

本发明具有以下有益效果：

本发明中，利用径向对称变换首先对瞳孔进行粗定位，然后利用高斯函数拟合判断瞳孔边缘变化程度进而评价虹膜图像模糊程度(包括在虹膜图像中截取感兴趣区域，以及对感兴趣区域按照瞳孔半径方向对图像的梯度值进行高斯拟合，得到模糊分数)，最后利用模糊分数对虹膜图像进行质量判断。

与现有技术相比，本发明的虹膜图像模糊判断的方法中以瞳孔边缘两侧沿瞳孔半径方向的梯度分布，比现有技术中对边缘梯度的直接描述更能反映出虹膜图像的模糊程度，判断准确。并且本发明比现有技术中基于感兴趣区域的方法虽然都是截取感兴趣区域片段，但是相比于现有技术中基于支持向量机，以感兴趣区域高频信息为特征进行分类的方法，本发明更加高效，判断速度更快。

另外，本发明利用径向对称变换在虹膜图像中定位瞳孔的位置，可以避免光斑、睫毛、头发等噪声对虹膜图像模糊判断的影响，抗干扰能力强，准确率高。

故本发明的虹膜图像模糊判断的方法判断准确率高，运行速度快，抗干扰能力强，准确率高，提高了虹膜识别的性能。

附图说明

图1为本发明的虹膜图像模糊判断的方法的流程图；

图2为本发明的虹膜图像模糊判断的方法的示意图；

图3为本发明中P、P₊、P_-的对应关系示意图；

图4为本发明中的严重模糊的虹膜图像；

图5为本发明中感兴趣片段示意图；

图6为本发明中不同模糊程度的虹膜图像的梯度图；

图7为本发明中不同参数的高斯函数曲线图；

图8为本发明中不同模糊程度的虹膜图像的高斯函数和模糊分数；

图9为本发明中不同的虹膜图像的纹理丰富度比较；

图10为本发明的虹膜图像模糊判断的方法的一个实施例的流程图。

具体实施方式

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。

本发明提供一种虹膜图像模糊判断的方法，如图1所示，包括：

步骤S101：利用径向对称变换在虹膜图像中定位瞳孔的位置；

可以使用现有技术中的各种算法定位出瞳孔，一般的，需要得到瞳孔的圆心以及半径，以此来定位瞳孔；本发明利用径向对称变换在虹膜图像中定位瞳孔的位置，可以避免光斑、睫毛、头发等噪声对虹膜图像模糊判断的影响，抗干扰能力强，准确率高；

步骤S102：在虹膜图像中截取感兴趣区域，感兴趣区域内包含瞳孔边界以及瞳孔边界两侧的瞳孔和虹膜；

以瞳孔边界(步骤S101定位出的圆的圆周)为基准，截取包含瞳孔边界以及内侧的瞳孔片段和外侧的虹膜片段的区域；

步骤S103：对感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，模糊分数为拟合得到的高斯函数的散度参数；

沿着瞳孔半径方向(瞳孔-瞳孔边界-虹膜方向或者虹膜-瞳孔边界-瞳孔方向)进行高斯拟合，得到高斯曲线，以高斯曲线的分散程度作为模糊分数，模糊分数越大，图像越模糊；

步骤S104：判断模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像；

将得到的模糊分数与预先设定的模糊分数阈值比较，如果大于模糊分数阈值，则该图像为模糊的虹膜图像。

高斯函数为其中a为其幅值参数(最大值)，b为其均值参数(对称轴)，c为其散度参数。

本发明中，首先利用径向对称变换对瞳孔进行粗定位，然后利用高斯函数拟合判断瞳孔边缘变化程度进而评价虹膜图像模糊程度(包括在虹膜图像中截取感兴趣区域，以及对感兴趣区域按照瞳孔半径方向对图像的梯度值进行高斯拟合，得到模糊分数)，最后利用模糊分数对虹膜图像进行质量判断。

与现有技术相比，本发明的虹膜图像模糊判断的方法中以瞳孔边缘两侧沿瞳孔半径方向的梯度分布，比现有技术中对边缘梯度的直接描述更能反映出虹膜图像的模糊程度，判断准确。并且本发明比现有技术中基于感兴趣区域的方法虽然都是截取感兴趣区域片段，但是相比于现有技术中基于支持向量机，以感兴趣区域高频信息为特征进行分类的方法，本发明更加高效，判断速度更快。

另外，本发明利用径向对称变换在虹膜图像中定位瞳孔的位置，可以避免光斑、睫毛、头发等噪声对虹膜图像模糊判断的影响，抗干扰能力强，准确率高。

故本发明的虹膜图像模糊判断的方法判断准确率高，运行速度快，抗干扰能力强，准确率高，提高了虹膜识别的性能。

作为本发明的虹膜图像模糊判断的方法的一种改进，感兴趣区域可以为扇形区域，具体可以为：以瞳孔圆心为基准，以过瞳孔圆心的右侧水平线为起始方向，以逆时针为旋转方向，截取以1.7*r_pupil的圆和圆0.7*r_pupil之间的圆环的pi～7*pi/6之间的圆环片段1以及11*pi/6～2*pi之间的圆环片段2，选择其中一个作为感兴趣区域；其中r_pupil为前述的瞳孔半径；

对感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数(步骤S103)包括：

步骤S1031：将感兴趣区域展开成矩形区域；

为了便于分析，本发明利用插值算法将扇形区域展开成矩形区域，图5中b为对应图中感兴趣区域的矩形展开图；

步骤S1032：将矩形区域的每一列在最大梯度值处对齐；

由于在瞳孔边的缘片段是按照扇形展开成矩形，因此在理想情况下，形成的矩形图像中的每一列均是沿瞳孔半径方向分布，因此每一列图像均是按照“瞳孔-瞳孔边缘-虹膜”的方式进行梯度排列，因此每一列基本会有相同的梯度分布形式，本发明采用的方式是按照每一列梯度最大值处将梯度图像对齐；

步骤S1033：将对齐后的矩形区域的每行求梯度值的平均值，得到一个平均梯度列；平均梯度列是一个梯度值的列向量；

然后将各个列中相同行的元素求均值，得到平均梯度列；

步骤S1034：对平均梯度列进行高斯拟合，得到模糊分数。

最后利用高斯函数对平均梯度列进行高斯函数拟合，得到对梯度图像梯度分散程度的描述，以此作为对相应虹膜图像模糊程度的评价标准。

本发明能够更方便的拟合出高斯曲线，并且使用平均梯度列能够避免干扰。

作为本发明的虹膜图像模糊判断的方法的进一步改进，步骤S1031之后，步骤S1032之前还包括：

步骤S10311：找出矩形区域每一列的最大梯度值和第二大梯度值的坐标；

步骤S10312：判断每一列的最大梯度值和第二大梯度值的坐标差是否大于距离阈值，若是，删除该列。

由于虹膜图像形成过程中产生的噪声会生成梯度极大值的离群值，噪声点很容易产生梯度极大值(按列)，而感兴趣区域的梯度分布应该是连续变化的，即梯度分布的变化趋势应遵循“小-大-小”的形式进行分布，离群点会导致拟合的近似高斯函数严重偏斜。根据这样的特点，本发明提出基于连续区域梯度最大值的平滑处理消除噪声点产生的梯度极大值点的影响，具体为：对各个列所有梯度值进行排序，得到最大梯度值与第二大梯度值的坐标idx_max1和idx_max2；计算idx_max1与idx_max1的差dif_idx，如果dif_idx<距离阈值(优选为2.5)则说明当前列中没有离群点，近似说明该列梯度分布相对集中，将该列标记为“平滑”；如果dif_idx>距离阈值,则说明当前列中有离群点，将该列标记为“不平滑”,将标记为“不平滑的列舍去。

本发明避免了噪声对虹膜图像模糊判断的影响。

作为本发明的虹膜图像模糊判断的方法的另一种改进，步骤S103之后，步骤S104之前还包括：

步骤S1031：截取瞳孔边缘之外的虹膜区域；

步骤S1032：对虹膜区域的各个像素点的梯度值求均值；

步骤S1033：判断均值是否小于纹理丰富度阈值，若是，则模糊分数阈值取第一预设模糊分值，否则，模糊分数阈值取第二预设模糊分值，第一预设模糊分值大于第二预设模糊分值。

根据上述的高斯函数拟合方法，可以得到对虹膜图像模糊程度的初步判断，但是通过观察虹膜图像样本可以发现，不同人的虹膜的纹理丰富程度是不同的，当瞳孔边缘梯度分散程度相同时，虹膜纹理丰富的图像比虹膜纹理不丰富的图像更容易进行识别等操作，因此针对不同的虹膜纹理丰富度应该采用不同的模糊标准进行判断——虹膜纹理丰富的模糊标准可以宽松一些，相反，虹膜纹理不丰富的图像模糊标准要严格一些，如此判断出来的虹膜图像是符合识别质量标准的图像。

很显然，当虹膜纹理丰富时，虹膜图像片段的梯度会比较大，相反，当虹膜纹理不丰富时，虹膜图像片段的梯度会比较小，因此本发明采用梯度作为对虹膜纹理的描述，为了得到对虹膜丰富度的定量描述，本发明采用梯度均值作为对虹膜纹理丰富度的度量。

需要注意的是，本阶段关注的是虹膜纹理丰富度，因此需要截取虹膜片段，为了避免瞳孔边缘出灰度变化对虹膜纹理分析的影响，本发明所考虑的虹膜片段是指基于定位基础上截取的瞳孔外虹膜片段(当然，也可以截取全部的虹膜区域，只不过这样计算更复杂而已)，不包含瞳孔边缘，而且也按照前面描述的方式将虹膜扇形片段展成矩形进行分析。

本发明能够针对不同纹理丰富度的虹膜采用不同的判断标准，更准确的判断虹膜图像是否模糊。

进一步的，步骤S1031和步骤S1032之间还可以包括：

判断虹膜区域的各个像素点的梯度值是否大于截断梯度阈值，若是，则将该像素点的梯度值设定为截断梯度阈值；

前文中提到，图像的采集、处理方式会产生很多噪声点，而这些噪声点通常会产生极大的梯度值，本发明提出“截断梯度”以消除噪声点对梯度分布的影响。“截断梯度”表示将梯度中大于某一阈值的梯度值均用阈值进行替代。得到虹膜片段图像的截断梯度后，对其进行求均值，将其作为对虹膜图像纹理丰富度的定量评价标准。

本发明进一步减少了噪声的影响，提高了判断的准确率。

作为本发明的虹膜图像模糊判断的方法的再一种改进，利用径向对称变换在虹膜图像中定位瞳孔的位置(步骤S101)可以包括：

步骤S1011：使用sobel算子卷积虹膜图像，得到梯度图像；

步骤S1012：在梯度方向上以半径r长度进行投票，找到投票最多的点即为圆心，对应的半径r为瞳孔半径；

步骤S1013：以圆心和瞳孔半径定位得到瞳孔的位置。

上述步骤S1011至步骤S1013为径向对称变换的方法，能够快速并较准确的定位瞳孔。

作为本发明的虹膜图像模糊判断的方法的再一种改进，利用径向对称变换在虹膜图像中定位瞳孔的位置(步骤S101)之后，在虹膜图像中截取感兴趣区域，感兴趣区域内包含瞳孔边界以及瞳孔边界两侧的瞳孔和虹膜(步骤S102)之前还包括：

步骤S1014：截取瞳孔的外切矩形；

步骤S1015：统计外切矩形中，像素值超过亮度阈值的像素点个数；

步骤S1016：若像素值超过亮度阈值的像素点个数小于预定个数，则为模糊的虹膜图像，结束。

本发明首先利用灰度阈值判断由截取的包含瞳孔的子图像中是否存在明亮光斑，如果不存在符合条件的光斑(像素值超过亮度阈值的像素点未超过预定个数)，则认为该子图像对应的原图像是严重模糊、不符合识别质量要求的图像，因此直接判断为“模糊图像”，不再进行后续的判断。如果子图像中存在符合条件的光斑，则需要后续进一步判断。

本发明能够快速筛选出严重不符合的虹膜图像，加快了判断速度。

与上述一种虹膜图像模糊判断的方法对应的，本发明提供一种虹膜图像模糊判断的装置，如图2所示，包括：

定位模块11，用于利用径向对称变换在虹膜图像中定位瞳孔的位置；

第一截取模块12，用于在虹膜图像中截取感兴趣区域，感兴趣区域内包含瞳孔边界以及瞳孔边界两侧的瞳孔和虹膜；

拟合模块13，用于对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；

第一判断模块14，用于判断模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。

本发明的虹膜图像模糊判断的装置判断准确率高，运行速度快，抗干扰能力强，准确率高，提高了虹膜识别的性能。

作为本发明的虹膜图像模糊判断的方法的一种改进，拟合模块包括：

展开单元，用于将感兴趣区域展开成矩形区域；

对齐单元，用于将矩形区域的每一列在最大梯度值处对齐；

求均值单元，用于将对齐后的矩形区域的每列求梯度值的平均值，得到一个平均梯度列；

拟合单元，用于对平均梯度列进行高斯拟合，得到模糊分数。

本发明能够更方便的拟合出高斯曲线，并且使用平均梯度列能够避免干扰。

作为本发明的虹膜图像模糊判断的方法的一种改进的进一步改进，展开单元之后，对齐单元之前还包括：

查找单元，用于找出矩形区域每一列的最大梯度值和第二大梯度值的坐标；

判断单元，用于判断每一列的最大梯度值和第二大梯度值的坐标差是否大于距离阈值，若是，删除该列。

本发明避免了噪声对虹膜图像模糊判断的影响

作为本发明的虹膜图像模糊判断的方法的另一种改进，拟合模块之后，判断模块之前还包括：

第二截取模块，用于截取瞳孔边缘之外的虹膜区域；

求均值模块，用于对虹膜区域的各个像素点的梯度值求均值；

第三判断模块，用于判断均值是否小于纹理丰富度阈值，若是，则模糊分数阈值取第一预设模糊分值，否则，模糊分数阈值取第二预设模糊分值，第一预设模糊分值大于第二预设模糊分值。

本发明能够针对不同纹理丰富度的虹膜采用不同的判断标准，更准确的判断虹膜图像是否模糊。

进一步的，第二截取模块之后，求均值模块还包括：

第二判断模块，用于判断所述虹膜区域的各个像素点的梯度值是否大于截断梯度阈值，若是，则将该像素点的梯度值设定为截断梯度阈值。

本发明进一步减少了噪声的影响，提高了判断的准确率。

作为本发明的虹膜图像模糊判断的方法的再一种改进，定位模块可以包括：

卷积单元，用于使用sobel算子卷积虹膜图像，得到梯度图像；

投票单元，用于在梯度方向上以半径r长度进行投票，找到投票最多的点即为圆心，对应的半径r为瞳孔半径；

定位单元，用于以圆心和瞳孔半径定位得到瞳孔的位置。

本发明利用径向对称变换的方法，能够快速并较准确的定位瞳孔。

作为本发明的虹膜图像模糊判断的方法的再一种改进，定位模块之后，第一截取模块之前还包括：

第三截取模块，用于截取瞳孔的外切矩形；

计算模块，用于统计外切矩形中，像素值超过亮度阈值的像素点个数；

第四判断模块，用于若像素值超过亮度阈值的像素点个数小于预定个数，则为模糊的虹膜图像，结束。

本发明能够快速筛选出严重不符合的虹膜图像，加快了判断速度。

下面以一个具体的实施例对本发明进行详细举例，本实施例的过程如图10所示：

(一)基于径向对称变换的瞳孔定位(包括步骤S101)：

原理介绍：

瞳孔外边界(瞳孔与虹膜的边界)近似圆形，可以用圆形模版来提取。常用的瞳孔定位方法包括基于圆形轮廓算子的方法和基于边缘检测的方法。本实施例采用径向对称变换进行瞳孔定位，主要是利用了瞳孔的灰度信息和瞳孔圆形对称信息，这种方法对于定位瞳孔有较强的抗噪声能力，较好的解决了在光照不均匀、睫毛或者眼睛遮挡等因素的影响问题。

径向对称变换是由广义对称变换发展而来的，主要用来实现圆形区域的检测。该变换作用于梯度图像上，在梯度方向上以半径r长度进行投票，找到投票最多的点即为圆心，对应的半径r为估计的半径。

梯度图像为梯度幅值图像，由3*3的sobel(索贝尔)算子分别计算水平和竖直方向上的梯度得到。对于半径r，梯度图上点p的投影点由以下公式和图3表示：

$P_{+}\left(p\right)=p+round(\frac{g\left(p\right)}{\left|\right|g\left(p\right)\left|\right|}\&times;r)---\left(1\right)$

$P_{-}\left(p\right)=p-round(\frac{g\left(p\right)}{\left|\right|g\left(p\right)\left|\right|}\&times;r)---\left(2\right)$

其中，r为检测半径，g(p)为p点的由水平和竖直方向梯度构成的梯度向量(g_x,g_y)。

利用O_r和M_r分别表示方向投影和梯度幅值投影图像。对于梯度图中每个点p，在O_r和M_r中对应的点P₊(p)位置分别加1和加||g(p)||，对应点P_-(p)位置分别减1和减||g(p)||。

O_r(P₊(p))＝O_r(P₊(p))+1(3)

O_r(P_-(p))＝O_r(P₊(p))-1(4)

M_r(P₊(p))＝M_r(P₊(p))+||g(p)||(5)

M_r(P_-(p))＝M_r(P_-(p))-||g(p)||(6)

当半径为r时，径向对称贡献矩阵定义如下：

S_r＝F_r*A_r(7)

其中，

$F_r\left(p\right)=\frac{M_r\left(p\right)}{k_r}{\left(\frac{\left|\hat{O}\left(p\right)\right|}{k_r}\right)}^{\mathrm{\&alpha;}}---\left(8\right)$

$\hat{O}\left(p\right)=\left\{\begin{array}{cc}{O}_r\left(p\right),& O_r\left(p\right)<k_r\\ k_r,& O_r\left(p\right)\&GreaterEqual;k_r\end{array}\right.---\left(9\right)$

A_r是一个大小为r×r，标准差为0.25r的2-D高斯滤波器，α是径向控制参数，k_r是一个针对不同半径投影得到的M_r和O_r归一化系数。完整的径向对称变换定义为：

$S=\frac{1}{\left|N\right|}\underset{r\&Element;N}{\&Sigma;}{S}_r---\left(10\right)$

值得提到的一点是，如果定义梯度方向为暗区域指向亮区域，那么当S为正数时，检测到的区域为高亮的径向对称区域；当S为负数时，检测到的区域为较暗的径向对称区域。所以，在某些场景考虑梯度方向可以减少干扰区域并提高算法的效率。基于梯度方向的径向对称变换，可以重新定义F_r为：

${\hat{F}}_r\left(p\right)=sign\left(\hat{O}\right(p\left)\right)\frac{M_r\left(p\right)}{k_r}{\left(\frac{\left|{\hat{O}}_r\left(p\right)\right|}{k_r}\right)}^{\mathrm{\&alpha;}}---\left(11\right)$

在虹膜图像中，瞳孔区域是黑色的圆块(近似)，定义的梯度方向为暗区域指向亮区域，所以只考虑梯度负方向投影。利用径向对称变换定位瞳孔的优点在于：一、这样的处理可以避免光斑的影响；二、睫毛、头发等可能噪声影响因素不具有圆的性质，所以几乎不影响瞳孔定位的准确性。

根据上面的原理介绍，步骤S101的具体过程如下：

(1)将待处理的虹膜图像缩放到原图像的1/4大小，并对缩小后的图像进行同态滤波；

(2)对归一化后的sobel算子卷积同态滤波后的图像，计算得到梯度图像g_x和g_y，以及梯度幅值图像g，忽略梯度幅值较小的梯度值；

(3)对半径r＝5…25，步长为1

a)初始化为O_r和M_r为零阵

b)按照式子(2)计算P_-，并按照公式(4)(6)求出O_r(P_-(p))和M_r(P_-(p))

c)根据式子(8)计算F_r(p)，其中k_r＝9.9，α＝2，并由半径r选取高斯滤波器A_r，作用于F_r(p)，得到S_r

d)找到S_r中投票值的最小值，点的坐标(x_min,y_min)，以及对应的半径r，记录到矩阵S中

(4)找到矩阵S中对应所有半径r的投票最小值，以及对应点的坐标(x_pupil,y_pupil)和半径r_pupil，放大4倍后，即为瞳孔定位圆心和半径。

(二)基于高斯拟合的虹膜图像模糊判断(包括步骤S102、S103)

在瞳孔定位的基础上，提取包含瞳孔及接近瞳孔边缘的虹膜部分区域的子图像进行图像模糊判断。

(I)基于光斑的严重模糊判断

原理介绍：

本发明首先利用灰度阈值判断由第一阶段提取的包含瞳孔的子图像中是否存在明亮光斑，如果不存在符合条件的光斑，则认为该子图像对应的原图像是严重模糊、不符合识别质量要求的图像，因此直接判断为“模糊图像”，不再进行后续的判断。如果子图像中存在符合条件的光斑，则需要后续进一步判断。

具体步骤是：

(1)首先，利用(一)得到的瞳孔边界，截取包含瞳孔边界的外切矩形；

圆的外切矩形：表示能够包含圆的最小矩形，即圆最小横坐标，圆的最大横坐标，圆的最小纵坐标和圆的最大纵坐标所构成的四个点形成的矩形。

(2)然后，计算在瞳孔子图像中，像素值超过180的像素点的个数n_spot；

(3)如果n_spot大于10，则认为存在明亮光斑，否则，则认为不存在明亮光斑，即判断为该瞳孔子图像对应的虹膜图像为“模糊图像”。图4展示了利用光斑判断出的严重模糊图像例图。

(II)基于高斯函数拟合的瞳孔边缘锐变分析

原理介绍：

如果子图像中存在符合条件的光斑，则截取瞳孔下方两侧边界内外的包含瞳孔边界的小片段，则需要后续进一步判断。

截取瞳孔边界小片段的具体步骤是：

(1)以瞳孔圆心为基准，以过瞳孔圆心的右侧水平线为起始方向，以逆时针为旋转方向，截取以1.7*r_pupil的圆和圆0.7*r_pupil之间的圆环的pi～7*pi/6之间的圆环片段1以及11*pi/6～2*pi之间的圆环片段2；

(2)计算圆环片段1中，像素值超过180的像素点的个数n₁；

(3)如果n₁大于2，则选择圆环片段2为继续判断的样本子图像reImg，否则则直接利用圆环片段1作为继续判断的样本子图像reImg。

图5.中a展示了通过了光斑判断后，虹膜图像进一步截取图像子片段进行模糊判断的示意图。图5中a中被圈出的部分即为后续分析所感兴趣的区域，为了便于分析，本发明利用插值算法将扇形区域展开成矩形区域，图5中b为对应图中感兴趣区域的矩形展开图。

原理介绍：

根据模糊图像的特点，模糊图像的边缘部分灰度变化相对平缓，表现为形成一个平缓的“渐变带”，而清晰图像与之相反，在边缘部分灰度会发生锐变，即形成相对陡峭的“渐变带”。图像边缘灰度变化可以通过图像梯度图进行描述。而渐变带的不同，可以通过图像对应的梯度分布观察出来，如图6。

本发明利用高斯函数拟合的方法对感兴趣区域梯度图进行分析，通过高斯函数拟合感兴趣区域像素值分布度量图像在瞳孔与虹膜交界区域的集中梯度的分散程度，而梯度的分散程度可以作为对图像边缘渐变方式的描述，因此可以利用高斯函数中的散度参数作为对图像边缘模糊程度的近似量化描述。

高斯函数是形式如下的函数类：

$f\left(x\right)=a\&CenterDot;e^{-\frac{{(x-b)}^2}{2c^2}}---\left(11\right)$

根据函数形式可以得到，高斯函数是对称函数，其对称轴即为x＝b，另外，公式中参数a表示函数能够取得的最大函数值，参数c能表述函数值分布的分散程度。图7展示了不同参数取值所代表的不同函数形式图像：

根据高斯函数的函数特性可以得出，当数据的分布按照最大值点近似对称即可利用高斯函数对其进行近似拟合，而且拟合得到的高斯函数的三个参数均能对应数据所代表的相应含义。

通过观察和分析大量的虹膜图像中瞳孔边缘片段的梯度分布，可以发现，对于连续变化的梯度区域(即消除了离群点的梯度变化连续的区域)近似符合高斯函数特性——在梯度最大值附近以近似对称的方式进行衰减，而且梯度最大值处对应了瞳孔边缘。

由于在瞳孔边缘片段是按照扇形展开成矩形，因此在理想情况下，形成的矩形图像中的每一列均是沿瞳孔半径方向分布，因此每一列图像均是按照“瞳孔-瞳孔边缘-虹膜”的方式进行梯度排列，因此每一列基本会有相同的梯度分布形式，本发明采用的方式是按照每一列梯度最大值将梯度图像对齐，然后利用高斯函数对平均梯度列进行高斯函数拟合，得到对梯度图像梯度分散程度的描述，以此作为对相应虹膜图像模糊程度的评价标准之一。

由于图像形成过程中产生的噪声会生成梯度极大值的离群值，噪声点很容易产生梯度极大值(按列)，而感兴趣区域的梯度分布应该是连续变化的，即梯度分布的变化趋势应遵循“小-大-小”的形式进行分布，离群点会导致拟合的近似高斯函数严重偏斜。根据这样的特点，本发明提出基于连续区域梯度最大值的平滑处理消除噪声点产生的梯度极大值点的影响。

具体的平滑处理步骤如下：

(1)按列循环对梯度矩形图进行(2)至(3)平滑判断：

(2)对当前列所有梯度值进行排序，得到最大梯度值与第二大梯度值的坐标idx_max1和idx_max2；

(3)计算idx_max1与idx_max1的差dif_idx，如果dif_idx<2.5，则说明当前列中没有离群点，近似说明该列梯度分布相对集中，将该列标记为“平滑”；如果dif_idx>2.5，则说明当前列中有离群点，将该列标记为“不平滑”。

在平滑梯度分布中，可以将梯度最大值处近似为瞳孔边缘，利用梯度分布进行对齐，消除扇形在展成矩形过程中以及不规则瞳孔形状造成的边缘偏斜，便于后续的加速过程。

具体的对齐处理如下，为了便于描述，设梯度矩形图行数为m，列数为n：

(1)生成行数为2*m，列数为n的临时零矩阵；

(2)对梯度矩形图中的每一列进行如下操作：

a)对梯度矩形图的每一列进行平滑判断，如果该列梯度不平滑，则删除该列；如果该列梯度平滑，则继续；

b)将该列复制到临时矩阵时，在复制过程中通过上下平移整列以保证该列最大梯度值处在临时矩阵的第m行

(3)当梯度矩形图中每一列处理完后，计算所有非空列所构成矩阵的列均值向量v_cmean，作为该梯度图的平均分布。

(4)利用高斯函数拟合v_cmean，得到表征梯度平均分布的散度表征参数c。

利用如上步骤得到的c可被用作表征整幅梯度图像的分散程度，我们称其为模糊分数，将它作为虹膜图像模糊程度的量化评价之一。

图8展示了不同模糊程度的图像，其感兴趣区域梯度高斯拟合的结果以及根据拟合得到的高斯函数得到的模糊分数。

(三)纹理丰富度判断

根据(二)中的高斯函数拟合方法，可以得到对虹膜图像模糊程度的初步判断，但是通过观察虹膜图像样本可以发现，不同人的虹膜的纹理丰富程度是不同的，当瞳孔边缘梯度分散程度相同时，虹膜纹理丰富的图像比虹膜纹理不丰富的图像更容易进行识别等操作，因此针对不同的虹膜纹理丰富度应该采用不同的模糊标准进行判断——虹膜纹理丰富的模糊标准可以宽松一些，相反，虹膜纹理不丰富的图像模糊标准要严格一些，如此判断出来的虹膜图像是符合识别质量标准的图像。

很显然，当虹膜纹理丰富时，虹膜图像片段的梯度会比较大，相反，当虹膜纹理不丰富时，虹膜图像片段的梯度会比较小，因此本发明采用梯度作为对虹膜纹理的描述，为了得到对虹膜丰富度的定量描述，本发明采用“截断梯度均值”作为对虹膜纹理丰富度的度量。

前文中提到，图像的采集、处理方式会产生很多噪声点，而这些噪声点通常会产生极大的梯度值，本发明提出“截断梯度”以消除噪声点对梯度分布的影响。“截断梯度”表示将梯度中大于某一阈值的梯度值均用阈值进行替代，即

$\hat{g}(i,j)=\left\{\begin{array}{cc}g(i,j)& g(i,j)<threshold\\ threshold& g(i,j)\&GreaterEqual;threshold\end{array}\right.---\left(14\right)$

其中，表示图像中第i行第j列处的截断梯度。

得到虹膜片段图像的截断梯度后，对其进行求均值得到将其作为对虹膜图像纹理丰富度的定量评价标准。

需要注意的是，本阶段关注的是虹膜纹理丰富度，因此需要截取虹膜片段，为了避免瞳孔边缘出灰度变化对虹膜纹理分析的影响，本发明所考虑的虹膜片段是指基于定位基础上截取的瞳孔外虹膜片段，不包含瞳孔边缘，而且也按照前面描述的方式将虹膜扇形片段展成矩形进行分析，方法如(一)中所述。图9展示了不同图像的纹理丰富度比较。

(四)基于瞳孔边缘锐变分析与虹膜纹理丰富度分析的模糊判断

根据(二)(三)的描述，可以得到瞳孔边缘锐变定量评价参数c以及虹膜纹理丰富度定量评价根据二者对应的信息表达，本发明设计了一种双阈值评价标准：

当时，

当时，

其中，threshold_c1≤threshold_c2。

本实施例用有效的数学方法对虹膜模糊图像程度进行判断，利用径向对称变换的定位结果提取感兴趣区域，通过对感兴趣区域的梯度分析得出虹膜图像模糊程度的评价，而且能够利用感兴趣虹膜区域的梯度分布对虹膜纹理丰富程度进行评价，做到了因人而异的虹膜图像质量评价结果。本发明的实际运行效率高，对感兴趣区域图像质量描述较充分，能够提升虹膜识别***的性能。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种虹膜图像模糊判断的方法，其特征在于，包括：

利用径向对称变换在虹膜图像中定位瞳孔的位置；

在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜；

对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；

判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。

2.根据权利要求1所述的虹膜图像模糊判断的方法，其特征在于，所述感兴趣区域为扇形区域，所述对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数包括：

将所述感兴趣区域展开成矩形区域；

将所述矩形区域的每一列在最大梯度值处对齐；

将对齐后的矩形区域的每行求梯度值的平均值，得到一个平均梯度列；

对所述平均梯度列进行高斯拟合，得到模糊分数。

3.根据权利要求2所述的虹膜图像模糊判断的方法，其特征在于，所述将所述感兴趣区域展开成矩形区域之后，所述将所述矩形区域的每一列在最大梯度值处对齐之前还包括：

找出所述矩形区域每一列的最大梯度值和第二大梯度值的坐标；

判断每一列的最大梯度值和第二大梯度值的坐标差是否大于距离阈值，若是，删除该列。

4.根据权利要求1所述的对虹膜图像模糊判断的方法，其特征在于，所述对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数之后，所述判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像之前还包括：

截取瞳孔边缘之外的虹膜区域；

对所述虹膜区域的各个像素点的梯度值求均值；

判断所述均值是否小于纹理丰富度阈值，若是，则模糊分数阈值取第一预设模糊分值，否则，模糊分数阈值取第二预设模糊分值，所述第一预设模糊分值大于所述第二预设模糊分值。

5.根据权利要求4所述的对虹膜图像模糊判断的方法，其特征在于，所述截取瞳孔边缘之外的虹膜区域之后，所述对所述虹膜区域的各个像素点的梯度值求均值之前还包括：

判断所述虹膜区域的各个像素点的梯度值是否大于截断梯度阈值，若是，则将该像素点的梯度值设定为截断梯度阈值。

6.根据权利要求1至5任一所述的对虹膜图像模糊判断的方法，其特征在于，所述利用径向对称变换在虹膜图像中定位瞳孔的位置之后，所述在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜之前还包括：

截取瞳孔的外切矩形；

统计所述外切矩形中，像素值超过亮度阈值的像素点个数；

若像素值超过亮度阈值的像素点个数小于预定个数，则为模糊的虹膜图像，结束。

7.一种虹膜图像模糊判断的装置，其特征在于，包括：

定位模块，用于利用径向对称变换在虹膜图像中定位瞳孔的位置；

第一截取模块，用于在虹膜图像中截取感兴趣区域，所述感兴趣区域内包含瞳孔边界以及所述瞳孔边界两侧的瞳孔和虹膜；

拟合模块，用于对所述感兴趣区域的梯度值按照瞳孔半径方向进行高斯拟合，得到模糊分数，所述模糊分数为拟合得到的高斯函数的散度参数；

第一判断模块，用于判断所述模糊分数是否大于模糊分数阈值，若是，则为模糊的虹膜图像。

8.根据权利要求7所述的虹膜图像模糊判断的装置，其特征在于，所述拟合模块包括：

展开单元，用于将所述感兴趣区域展开成矩形区域；

对齐单元，用于将所述矩形区域的每一列在最大梯度值处对齐；

求均值单元，用于将对齐后的矩形区域的每行求梯度值的平均值，得到一个平均梯度列；

拟合单元，用于对所述平均梯度列进行高斯拟合，得到模糊分数。

9.根据权利要求8所述的虹膜图像模糊判断的装置，其特征在于，所述展开单元之后，所述对齐单元之前还包括：

查找单元，用于找出所述矩形区域每一列的最大梯度值和第二大梯度值的坐标；

判断单元，用于判断每一列的最大梯度值和第二大梯度值的坐标差是否大于距离阈值，若是，删除该列。

10.根据权利要求7所述的对虹膜图像模糊判断的装置，其特征在于，所述拟合模块之后，所述判断模块之前还包括：

第二截取模块，用于截取瞳孔边缘之外的虹膜区域；

求均值模块，用于对所述虹膜区域的各个像素点的梯度值求均值；

第三判断模块，用于判断所述均值是否小于纹理丰富度阈值，若是，则模糊分数阈值取第一预设模糊分值，否则，模糊分数阈值取第二预设模糊分值，所述第一预设模糊分值大于所述第二预设模糊分值。

11.根据权利要求10所述的对虹膜图像模糊判断的装置，其特征在于，所述第二截取模块之后，所述求均值模块还包括：

第二判断模块，用于判断所述虹膜区域的各个像素点的梯度值是否大于截断梯度阈值，若是，则将该像素点的梯度值设定为截断梯度阈值。

12.根据权利要求7至11任一所述的对虹膜图像模糊判断的装置，其特征在于，所述定位模块之后，第一截取模块之前还包括：

第三截取模块，用于截取瞳孔的外切矩形；

计算模块，用于统计所述外切矩形中，像素值超过亮度阈值的像素点个数；

第四判断模块，用于若像素值超过亮度阈值的像素点个数小于预定个数，则为模糊的虹膜图像，结束。