[发明专利]基于机器学习的虹膜图像质量确定方法

说明书

技术领域

本发明涉及计算机视觉、数字图像处理和模式识别，特别是关于基于机器学习的虹膜图像质量确定的方法。

背景技术

虹膜识别作为一种可靠的身份识别技术已经得到了广泛的应用，如机场，海关，金融机构的身份鉴别。然而，由于虹膜传感器成像范围的局限性，使得很难在用户无配合的情况下获取到符合要求的虹膜图像，图像质量也就成为了虹膜识别发展的瓶颈。在图像获取的过程中，大量的不同质量的虹膜图像加入到了识别序列中，正是由于低质量的虹膜图像的加入，使得虹膜识别系统性能大幅度降低。随着大范围远距离虹膜识别系统的发展，虹膜图像质量确定算法迎来了新的挑战。

目前，虹膜质量确定的方法大体都集中在虹膜图像的单个图像质量因子评价和多质量因子融合这两个方面。单一质量因子评价是基于单个质量因子各自对虹膜图像质量影响，详见文献：[1]J.Daugman，“How iris recognition works”，IEEE Trans.On Circuits and Systems for Video Technology，vol.14，no.1，pp.21-30，2004；[2]Z.Wei，T.Tan，Z.Sun and J.Cui，“Robust and fast assessment of iris image quality”，in Proc.Int.Conf.on Biometrics.2005，vol.3832，pp.464-471，LNCS 3832。但他们只考虑到单个因子的作用，而忽略了多因子联合作用对虹膜图像质量的影响，相对而言，多因子联合的质量确定方法并不多，而且多因子联合的前提是正确的评价每个质量因子，除此之外融合后的质量分数过于细分，导致各质量等级间不具有区分性，详见文献[3] N.D.Kalka，et al.，″Estimating and Fusing Quality Factors for Iris Biometric Images，″IEEE Trans. on Systems，Man and Cybernetics，Part A：Systems and Humans，vol.40，pp.509-524，2010。

综上所述，已有的虹膜质量确定算法并不能准确的反应虹膜图像的总体质量，如何能得到正确反应虹膜图像质量的质量分数仍是一个热门的问题。本发明从底层的质量因子出发，提出了离焦，运动模糊和斜视的新的评价方法；在融合中，引入了六个质量因子，离焦、运动模糊、斜视、光照、瞳孔伸缩和遮挡，提出了改进的Neyman-Pearson融合策略综合各因子对图像的质量的影响，得到能够反应图像整体质量的质量分数；在最后的质量等级确定中，加入了假设检验的方法，量化了质量等级数，使得图像质量等级间具有较强的区分性，并可以对系统性能有很好的预测效果。

发明内容

本发明的目的是针对上述现有技术存在的问题，提供基于机器学习的虹膜图像质量确定的方法。

本发明的基于机器学习的虹膜图像质量确定的方法包括：步骤1，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，该步骤是学习步骤；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对应质量因子的概率分布值，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。

通过本发明的基于机器学习的虹膜图像质量确定的方法能够确定虹膜图像质量程度，进而提高虹膜系统的识别精度。具体地，本发明针对离焦因子的确定方法能够有效地克服了睫毛和眼皮对离焦因子评价时的影响；针对运动模糊因子，提出了基于Radon变换的方法，对运动方向以及运动程度评价更加准确；针对斜视因子，结合阈值法，加入了可变尺度光斑检测子，能够准确的定位到光源光斑，并因此提高了斜视情况评价的准确度。