虹膜识别作为身份识别的重要方法之一,近些年来应用广泛。虹膜识别过程涵盖虹膜图像获取、虹膜图像预处理、特征提取、特征匹配等步骤,而虹膜图像预处理部分包括虹膜分割定位、图像质量评价、归一化与图像增强等。离焦模糊为最常见的图像质量干扰因素,因此虹膜识别之前正确评价离焦模糊图像的质量,具有非常重要的研究意义。本文总结出一种基于感兴趣区域的离焦模糊虹膜图像质量评价方法,研究工作主要包括3个方面。(1)理论基础研究。针对感兴趣区域的确定、离焦模糊虹膜图像的特点以及图像质量评价相关方面,分别对其研究的理论进行了调查与分析,全面了解虹膜识别领域所涉及的各项研究技术,总结虹膜识别的基础理论;归纳虹膜图像质量评价研究现状、发展前景和相关研究方法;总结离焦模糊虹膜图像的成因及所造成的影响;了解结合机器学习方法的图像质量评价算法,总结SVM的相关理论,为本文算法框架的提出奠定理论基础。(2)算法设计。通过分析总结虹膜图像质量评价研究现状及不足,总结出算法框架;为了更有效地进行虹膜图像质量评价,结合数学形态学处理,将虹膜灰度图像进行粗定位;确定出评价的感兴趣区域,这个感兴趣区域包括虹膜不易被眼睑和睫毛遮挡的部分,并对这部分区域进行归一化;然后结合二维傅里叶变换得到频域幅度谱,提取图像频域特征,确定质量分数;构建训练样本,选择核函数和参数,用SVM多分类器进行训练和分类,实现离焦模糊虹膜图像质量的等级分类。(3)算法仿真与实验验证。通过使用中国科学院的CASIA虹膜数据库中部分虹膜灰度图像进行验证。利用Matlab R2014a软件平台中LIBSVM工具箱,编写仿真程序,进行算法的仿真实现,得出仿真结果并进行结论分析。最后提出算法的不足之处及未来需要进一步做的工作。本文的创新之处总结为两个方面:(1)在计算虹膜图像质量分数时,采用低频能量值与高中频能量值之比,使不同模糊层级的质量分数有悬殊的差别,结合支持向量机进行训练和评价时,能够更准确的实现图像质量分级。(2)将离焦模糊虹膜图像质量划分为4个等级,而不是传统的2个等级,这样可以充分利用虹膜图像,方便虹膜识别后期处理时对轻微和中等离焦模糊图像进行不同程度的恢复等操作,并可以对严重离焦模糊虹膜图像进行剔除等操作。本文算法仍存在不足之处:(1)在特征提取时,本文算法仅提取一种质量特征,并不能反映虹膜图像的方向信息,很难通过机器学习方法得到最优模型进行评价。所以,为了更精确的评价图像质量,应从更多方面提取不同的特征向量。(2)运用一对多分类时,并未关注多个分类器对测试错误率的影响,当训练样本数量较大时,训练较为复杂。进一步研究时应针对减少错误率采取措施,并在保证运算效率的同时尽可能的提高准确度,也是值得研究的一个问题。