张嘉晖, 沈文忠

(上海电力大学 电子与信息工程学院, 上海 200090)

虹膜设备采集到的虹膜图片,会受到如光照、曝光、光圈和镜头限制等多方面因素的影响,若处理不当,可能会产生干扰识别的图像伪影,降低图片的视觉质量,从而影响虹膜识别的结果。若是能够自动预测虹膜图像的质量,便可以及时筛选出低质量图片进行预处理或重新捕获等操作。传统的图像质量评估(Image Quality Assessment,IQA)方法可以分为主观评估方法和客观评估方法。主观的IQA方法是以人的主观意识为判断的评价方法,在许多常规场景下不便使用,如实时和自动化系统等,因此有必要开发客观的IQA方法来自动、可靠地测量图像质量。

DAUGMAN J G[1]首次提出了虹膜图像质量评价的概念,通过对虹膜图像二维傅里叶频谱中的高频分量进行求和计算,将阈值作为评判标准,判断虹膜图像是否清晰。陈戟等人[2]提出了一种新的基于小波包分解的算法,将虹膜纹理进行小波包分解,通过计算其高频能量来实现对图像的评估。晁静静等人[3]提出了一种新颖的多指标融合的虹膜IQA方法,选取多个质量指标,利用GA-BP神经网络将多个指标融合,从而得到一个关于虹膜图像的综合评估分数。

如今虹膜IQA领域对于计算效率和泛化能力的要求越来越高,传统方法逐渐不能满足许多苛刻的条件,同时也无法较为准确地表征人的主观评价意见。随着深度学习的快速发展,其强大的学习能力、泛化能力及可移植性,可以很好地解决传统IQA算法中存在的一些问题。……