[发明专利]基于机器学习的虹膜图像质量确定方法

权利要求书

1.一种基于机器学习的虹膜图像质量确定方法，该方法包括步骤：

步骤1，学习步骤，在该步骤对训练图像库中的虹膜图像进行预处理，提取虹膜图像质量因子，利用多高斯模型拟合单一质量因子正负样本的概率密度函数，利用改进的Neyman-Pearson方法融合各质量因子得到质量分数，根据假设检验的方法确定最优质量等级数；

步骤2，对测试图像进行预处理，提取虹膜图像质量因子，根据学习步骤中训练得到的各质量因子正负样本的概率密度函数得到测试图像中对应样本的概率分布值，根据质量分数和质量等级的对应关系，将该输入虹膜图像划归到对应的质量等级内。

2.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，步骤1进一步包括：

步骤S11，对训练库图像进行预处理，首先使用圆周微分差分算法得到虹膜内外圆信息，之后通过分割算法得到有效虹膜区域；

步骤S12，提取影响虹膜图像的质量因子，包括：离焦模糊，运动模糊，斜眼，光照，瞳孔伸缩和遮挡；

步骤S13，提取各质量因子之后，利用多高斯模型拟合训练库中虹膜图像单个质量因子的概率密度函数，之后根据图像质量特点将概率密度平均拆分成两部分，分别代表该因子的正负样本概率密度分布；

步骤S14，得到对应点的正负样本概率密度函数之后，计算概率密度积分值作为Neyman-Pearson融合的输入，得到样本的质量分数；

步骤S15，将融合后的质量分数按降序平均分成若干个等级，通过指定的识别算法得到质量等级内的样本间的类内比对分数，通过假设检验中的T检验度量不同质量等级的类内比对分数间是否具有可区分性。

3.根据权利要求2所述的虹膜图像质量确定方法，其特征在于，质量等级间的可区分性用可区分系数来表征。

4.根据权利要求2所述的虹膜图像质量确定方法，其特征在于，上述提取离焦模糊质量因子包括：根据虹膜预处理结果，选取虹膜内外圆之间、以水平线为起始的左右下半45度范围的扇形区域作为离焦模糊质量因子检测的初始感兴趣区域，计算两个扇形区域内的平均灰度和方差是否满足要求，选取最适合的一个或两个区域作为最终的感兴趣区域，构建5*5的离焦模糊检测子检测离焦模糊程度。

5.根据权利要求2所述的虹膜图像质量确定方法，其特征在于，上述提取运动模糊质量因子包括：将图像转换到Fourier频域，利用Radon变换检测运动的方向，根据运动方向的Radon变换响应的尖峰宽窄决定运动模糊的程度。

6.根据权利要求2所述的虹膜图像质量确定方法，其特征在于，上述提取斜视质量因子包括：通过自适应阈值和可变尺度光斑检测子检测虹膜的光源光斑的位置，根据虹膜中心与光斑之间的距离与瞳孔半径的比值来确定斜视的程度。

7.根据权利要求1所述的虹膜图像质量确定方法，其特征在于，步骤2进一步包括：

步骤S21，对测试虹膜图像进行预处理，得到虹膜内外圆的圆心和半径以及有效虹膜区域；

步骤S22，根据训练中的质量因子提取方法计算测试虹膜图像的质量因子；

步骤S23，根据训练中得到的虹膜图像单个质量因子的概率密度计算测试虹膜图像质量因子的概率分布，并依据Neyman-Pearson融合方法得到质量分数；

步骤S24，根据训练中的质量分数与质量等级的对应关系，得到步骤S23得到的测试虹膜图像的质量分数对应的质量等级，完成测试虹膜图像的质量确定。