一、Iris Localization Algorithm Based on Improved Generalized Symmetry Transform(论文文献综述)
郑少阁[1](2020)在《基于小波与CS-LBP融合的虹膜特征表达与识别算法研究》文中研究指明伴随信息新技术的推陈出新,高科技给人们生活带来的便利之处随处可见。但随之而来的信息安全问题也得到了大家的广泛关注。传统的身份加密方式已经无法满足人们对高安全性的需求,所以社会迫切需要得到一种卓有成效的身份鉴别方法。根据人体本身独有的生物特征以及行为习惯来进行身份认证的新技术叫做生物特征识别,这种方式具有很高的安全特性。而与其他生物特征识别技术相比而言,虹膜识别以其独有的正确率高、容易采集和稳定性好等特点在生物识别技术中获得广泛应用。近些年来虹膜识别产品越来越多的被应用在机场、门禁、银行等对安全机密性要求比较高的场所。虹膜识别具有两种工作模式:分为一对一认证模式和一对多的识别模式,在本文中我们只对一对一认证做出研究。虹膜识别系统主要由预处理、特征提取和识别等一系列流程组成。在本论文中使用的图像均为质量评价合格的图像,而本文主要对后期特征提取和识别部分进行研究,主要目的在于提升虹膜识别系统的性能。为了弥补单一虹膜特征识别的不稳定性,增强虹膜识别系统的通用性,在特征提取方面分别采用中心对称局部二值模式(Center Symmetric Local Binary Pattern,CS-LBP)和哈尔小波提取虹膜图像纹理特征并进行二进制编码,即分别在虹膜图像的空域和频域上采集有效信息,并使用汉明距离计算两种特征对应的相似度距离。在识别方面使用XGBoost实现多特征相似度融合,由于XGBoost是以提升树为基础的机器学习模型,所以对于非线性问题具有很好的分类效果,同时由于模型本身支持并行计算,使得在对大数据量的虹膜样本进行识别时速度很快。在论文中分别使用哈尔小波和CS-LBP进行特征提取和二进制编码,并实现汉明距匹配之后获得的类内和类间相似度作为特征向量输入进XGBoost模型中,并以类内标签值为0和类间值为1作为区分,使用XGBoost模型对样本数据进行训练,并在训练好的模型基础上对测试虹膜进行识别。在本文中使用中科院虹膜数据库CASIA-V1和JLU-IRIS 6.0的虹膜图像库来评价算法性能,并以正确识别率(CRR)、等错率(EER)和ROC曲线作为评价指标。通过本算法性能分析以及与SVM模型和其他虹膜识别算法的对比证明,本论文提出的以XGBoost实现的哈尔小波和CS-LBP多特征融合的虹膜识别算法优势十分明显,它不仅提高了虹膜识别的准确率,还减少了虹膜单一特征的不稳定性,具有良好的性能。
张波[2](2015)在《虹膜图像采集及识别算法的研究》文中进行了进一步梳理虹膜识别是一种安全性极高的生物特征识别技术。在现代社会对信息安全的要求越来越高的情况下,虹膜识别技术正逐渐被人们重视起来。虹膜中丰富而稳定的纹理细节使得以虹膜为载体的身份识别技术具有唯一性、高防伪性和高稳定性的特点,因而具有广泛的科研价值和应用前景。本文首先分析了传统虹膜识别系统的实现流程,针对虹膜识别技术中存在的一些尚待解决的关键问题,主要对虹膜识别系统图像采集硬件和识别算法软件部分等进行了详细研究,提出了针对特定应用环境的图像采集解决方案,编程实现了虹膜识别算法,并对算法中存在的不足进行了改进优化。本文主要完成了以下几个研究内容:1.在分析了传统的虹膜识别系统的工作原理后,概括了虹膜身份识别技术的基本流程,分析了传统虹膜识别系统在设计和工作中存在的问题与不足,并总结了影响虹膜识别系统高效工作的各种关键因素。提出了本课题所研究的虹膜识别系统的设计需求;2.设计了一套虹膜图像采集系统。从镜头类型、补光光源、图像传感器与用户体验等方面分析了影响虹膜图像采集质量的因素。针对上述因素和实际的应用环境提出并设计了一个可以自动距离感应拍摄的虹膜图像采集系统。该系统通过单片机控制红外和超声波传感器完成测距功能,当人眼到达采集镜头合适的景深范围时会自动触发拍摄开关完成图像采集;3.设计了一种快速准确的虹膜定位算法。主要针对传统的定位算法在时间效率和准确性上难以统一的问题,结合人眼虹膜图像的固有特点,提出了一种基于图像梯度的径向对称变换结合圆周差分算法的虹膜定位方法,为了进一步提高算法的实时性,分析了算法的时间复杂度,并对其进行了优化改进,最后设计了对比实验,验证了算法的可靠性;4.完成了虹膜识别软件的分析设计。结合前人的研究,完成了整套虹膜识别算法流程的代码设计,然后以此算法为基础,采用Qt作为集成开发环境对软件图形界面进行了设计,并对此软件进行了详细的分析和介绍。
宋惠[3](2013)在《基于径向对称变换的虹膜定位算法》文中进行了进一步梳理虹膜识别作为应用数学,模式识别和图像处理等交叉学科的前沿课题,已经受到越来越广泛的关注。近年来,致力于虹膜识别研究的人越来越多,但是虹膜图片因为受到采集条件的限制,很难保证图片质量,这给虹膜识别带来了一定的难度。本文以Matlab为工具就虹膜识别系统中的虹膜定位进行了如下工作:(1)介绍了虹膜识别系统的原理和过程,针对虹膜识别系统的四个模块:图像采集、图像预处理、特征提取及特征匹配,介绍了国内外比较经典的处理方法。并简要概括了虹膜定位算法的现状,介绍了主要的几种虹膜定位算法。(2)本文针对CASIA-Iris-Thousand数据库中虹膜图像,提出了一种基于径向对称变换的虹膜定位算法。首先,检测光斑位置排除干扰,再在小尺度图片上保证定位圆心在瞳孔内部、半径偏差不大的前提下,粗略的定位瞳孔圆心及半径。接着在原始图片上截取有效的瞳孔区域。然后,在截取的虹膜图像的上,再次利用径向对称变换检测瞳孔部分,因为径向对称变换只适用对称图像,那么在截图之后的图像上可以快速准确的定位出虹膜圆心及半径。(3)在虹膜定位的基础上,训练大量图片,得到了一条睫毛的遮挡曲线,可以有效的检测到睫毛遮挡的位置,排除了睫毛的干扰。对CASIA-Iris-Thousand数据库中所有图片进行了实验,实验结果高达100%。
孟春宁[4](2013)在《人眼检测与跟踪的方法及应用研究》文中进行了进一步梳理眼睛是人类最主要的感觉器官,也是人脸最显着的特征。对眼睛及其运动的研究是了解人类视觉机制、理解人的情感和行为以及基于眼动的人机交互等问题的关键。基于计算机视觉的人眼检测与跟踪技术具有低侵入性、高精度等优势,现已成为眼动研究的主流方法。人眼检测与跟踪是人脸识别、表情识别、眼动分析、虹膜识别等技术的必要步骤,涉及图像处理、计算机视觉、模式识别以及认知心理学等多个学科,并在工业检测、智能机器人、人机交互、公共安全、智能交通、心理学、医学诊断以及军事侦察等领域均有广泛的应用。现有的人眼检测与跟踪算法存在的客观问题是:精确定位并跟踪人眼的算法都建立在高质量的成像设备与复杂的光学系统之上,缺乏低质量人脸图像中精确获取人眼位置的有效算法,导致精确记录眼动信息的系统价格昂贵且对用户束缚较多,应用范围受到很大的限制。针对这个问题,本文在现有成果的基础上,通过深入研究低质量图像中的眼睛特点,提出了一系列基于低质量图像的人眼检测与跟踪算法,通过设计和搭建低成本的图像采集系统,对本文提出的基于眼动分析的行为识别及注视估计算法的性能进行了系统分析。本文的主要创新点包括:1.为解决现有人眼区域分割方法难以剔除眉毛区域的问题,提出一种基于尺度不变梯度积分投影函数的人眼分割方法。该方法充分考虑到人眼区域图像局部灰度变化丰富的特点,并继承了投影方法计算量小的优点。对不同分辨率、不同光照条件及不同姿态的人脸图像的眼部分割结果表明,该算法能够在保证检测正确率和速度的同时,有效地去除眉毛的干扰。2.为提高低质量人脸图像中人眼检测的精度,提出了一种梯度积分投影结合最大期望算法的人眼检测算法。该方法通过引入最大期望算法进一步缩小了人眼窗口的范围,然后在精确的人眼窗口的基础上采用一种加权质心法获取人眼位置。对YaleB及自采数据库中图像的测试结果表明,该算法对光照、姿态、眼镜及不同的眼睛状态都有很好的鲁棒性,对比实验结果显示该方法的检测精度优于现有的四种投影方法。3.针对现有的虹膜精确定位算法难以用于低质量人脸图像的问题,提出了一种基于矩形积分方差算子的虹膜定位算法,该算法可以在低质量人脸图像中实现快速精确的虹膜定位。在YaleB及FERET人脸库上的实验结果证明该算法对眼睑遮挡、尺度变化、轻微头部转动及光照变化有较好的鲁棒性,在严格的评价标准下正确率达到了百分之九十以上,远高于经典虹膜定位算法的结果。4.为了对低质量视频图像中的眼睛运动进行跟踪,提出了一种基于差分指导的重要性采样虹膜跟踪算法,并根据梯度投影积分函数设计了一种眨眼检测方法以避免眨眼导致的跟踪漂移。采用本文提出的虹膜跟踪方法获取的眼动信号经小波去噪后用于视觉行为识别,取得了理想的效果。5.首次利用单个普通网络摄像头实现了基于眼动分析的行为识别。采用一个置于计算机监视器附近的网络摄像头采集测试者阅读电子文档、浏览网页、观看视频等行为的视频图像,针对低质量视频图像中不同行为的眼动特点,从眼动信号中提取了十种眼动特征,利用支持向量机实现了对不同注视行为的分类。针对不同的应用背景设计了三组验证实验,实验结果证明了基于普通视频图像的眼动分析在行为识别领域应用的可行性。6.为扩展眼动跟踪技术的应用范围,设计了一种低成本、低侵入性的耳麦式眼动记录系统,该系统主要由两个普通CMOS摄像机构成。针对该系统采集的图像特点,提出了一种分段加权环形Hough变换算法用于提取虹膜轮廓中心。最后设计了一种简便的注视点标记方法,利用支持向量回归机实现了对注视方向的估计,实验结果表明低成本眼动仪可以满足日常交互需求。
潘力立[5](2012)在《虹膜识别理论研究》文中提出虹膜识别作为生物特征识别的一个重要分支,是指利用人眼虹膜区域进行身份鉴别的技术。虹膜特征与其它生物特征相比具有高稳定性、高可靠性和高防伪性等优点。该技术从提出到现在已有十多年的时间,但是由于应用环境的复杂性,仍然存在许多需要改进之处。本文正是针对现有虹膜识别算法在虹膜图像模糊检测和虹膜图像定位两部分的不足之处,提出了新的改进性方法,并取得了较好的实验结果。本文首先介绍了生物特征识别技术和虹膜识别技术的基本概念,以及虹膜识别系统的主要组成部分,即:虹膜图像质量评估、虹膜定位、虹膜图像归一化、虹膜图像遮挡掩膜估计、虹膜图像特征提取、匹配和虹膜图像粗分类。同时介绍了每一部分相关算法的研究现状和发展动态,及存在的主要问题。针对这些主要问题,本文进行了以下五个方面的研究工作:1.提出了基于多核函数学习的模糊虹膜图像检测模型。虹膜图像模糊检测是自动虹膜识别系统中图像质量评估最重要的一个步骤,该问题作为非参考图像模糊检测问题一直未被很好解决。本文在分析模糊虹膜图像频谱和倒谱特征的基础上,提出了两种新的基于频谱能量密度分布和奇异倒谱直方图的模糊特征。提出奇异倒谱直方图分布作为模糊特征也是本文一个重要的贡献之一。该特征是与图像内容独立的具有很强判别性的模糊特征。另外,本文提出采用多核函数学习的方法,融合两种特征进行虹膜图像的模糊检测。实验结果证明了提出特征和多核函数学习的有效性。2.提出了基于概率成对投票的虹膜定位模型。虹膜图像定位是虹膜识别系统中最困难且最重要的问题,它直接关系到识别特征的有效性和算法的实时性。眼睑、睫毛和光斑等的干扰以及拍摄时头部的转动加剧了该问题的复杂性。本文提出了一种基于概率成对投票的圆定位方法。该方法能够有效克服被检测物体的微小形变,不易受到遮挡、噪声的干扰。同时由于在概率框架下在连续参数空间中进行投票,因此可以通过模态检测的方法找到最佳假设圆参数,有效地降低了已有圆定位方法的算法复杂度。本文将该方法应用于虹膜定位问题,取得了很好的效果。3.提出了基于局部判别模型和哈夫聚类的虹膜定位模型。多数已有虹膜定位方法利用虹膜边缘的灰度梯度信息进行虹膜边缘的检测或判断,然而虹膜的内外边缘除了灰度梯度值特征之外,还有许多判别性更强的局部特征。本文提出利用边界点附近局部区域的图像特征进行虹膜和非虹膜边界点的判定。同时利用哈夫聚类的基本思想,通过边界点在图像中分布位置的整体约束,进一步准确地区分虹膜和非虹膜边界点。最后,利用光滑样条函数拟合虹膜边界点,得到虹膜边缘的精确位置。实验证明局部判别模型的应用有效地提高了原有虹膜定位方法的定位准确度。4.提出了基于小波多分辨率分析和M估计的虹膜定位模型。小波多分辨率分析是图像分析的有效工具。本文通过分析瞳孔边缘、虹膜边缘以及眼睑、睫毛边缘特征存在的尺度范围,提出在虹膜内外边缘特征存在的尺度范围内进行虹膜边界点提取,有效地减少了其它边界的干扰。同时,提出采用基于M估计的椭圆拟合方法拟合边界点,进一步排除了非虹膜边界点对定位结果的影响。5.提出了基于相位一致性分析和最小修剪方差拟合的虹膜定位模型。相位一致性分析是进行图像特征检测和提取的一种有效方法。本文通过检测相位一致性的局部最大值提取虹膜边界点。该边界点提取方法不易受图像光照变化、对比度变化的影响,同时通过选择滤波器的尺度范围避免了眼睑、睫毛等高频图像特征的干扰。此外,利用最小修剪方差拟合边界点也有效避免了噪声和外点对于拟合结果的干扰。最后,本文总结了上述各种方法的优点与不足,并提出了今后工作的主要研究方向。
董新[6](2011)在《虹膜定位和识别算法研究》文中提出虹膜识别是模式识别领域的前沿研究方向,是一种新颖的基于生物特征的身份鉴别方法,也是一项具有广阔应用前景的身份认证技术,在信息及安全领域有着重要的应用价值,业已得到国内外政府部门、学术界和工业界的广泛关注。本文在总结前人工作的基础上,对虹膜图片定位和匹配的关键技术进行了研究和讨论,然后提出了基于sobel边缘检测虹膜定位算法,在matlab6.0下,进行了仿真对比,证明了该算法的有效性和准确性,同时提出了基于于3-d曲面匹配的虹膜识别算法,用C++进行仿真实验,验证该算法对虹膜识别的可行性和实用性。首先,本文提出一种改进的sobel边缘检测的虹膜定位算法,解决了经典虹膜定位算法计算量大,且定位不够精确的问题。根据人眼图像的几何分布特征,通过有目的地选择特定子图像块作为虹膜定位的目标区域,对目标区域进行边缘检测,采用投影法进行粗定位,然后用改进的sobel边缘检测算法进行精定位,最后根据虹膜的特殊性,加入了圆周灰度值变化率叠加值最大这个限制条件,使得改进sobel算法只能进行圆检测,非圆形状全部忽略,这样不但使得算法鲁棒性更好,而且速度上也能得到提升。实验结果表明该算法能够快速准确地定位虹膜内外边界。其次,由于先前的虹膜识别技术一般是将原始虹膜图像通过处理后,再利用各种数学手段提取虹膜图像的特征值,然后再利用提取的特征值与之前虹膜数据库中注册的某一用户的特征值进行比较,根据两副虹膜图像的特征值匹配程度大小来确定二者是否来自于同一只眼睛。本文使用的虹膜识别方法是在虹膜灰度图像这个层面上直接进行匹配操作,相当于是虹膜图片与虹膜图片之间进行匹配。因为该方法没有特征提取这个步骤,参与匹配的是整个虹膜区域图像,而不是一组作为特征值的数据,因而相对于常用的基于特征的虹膜识别方法,该方法可能具有相对安全性的特点。通过本文的研究,将灰度曲面匹配的方法应用于虹膜识别,并且通过两次不同规模的实验验证了该方法的有效性。最后,对本文的研究工作进行了总结,并对未来的研究工作进行了展望。
张文聪,叶学义,李斌,姚鹏,庄镇泉[7](2007)在《一种非理想采集条件下的虹膜定位算法》文中提出对于理想采集条件下得到的虹膜图像,现有的虹膜定位算法具有很好的定位效果.但在实际应用中,虹膜图像的采集容易受到诸如光照不均、睫毛、头发和眼镜等因素的干扰,从而引起定位的错误.针对这种非理想采集条件下得到的虹膜图像,提出一种基于径向对称变换的虹膜定位算法.该算法充分利用瞳孔具有的圆的径向对称特性来实现虹膜的定位.实验结果表明,本文方法能够有效避免由于光照不均等非理想采集条件带来的干扰,实现虹膜的准确定位,并且具有良好的鲁棒性和实时性.
张毅翔[8](2009)在《虹膜定位和识别算法研究》文中提出虹膜识别技术由于具有唯一性、稳定性、可采集性、非侵犯性、高安全性等优点,获得了较快的发展。目前,虹膜识别技术还未获得广泛应用,主要原因之一是虹膜定位的精度和速度,以及虹膜特征提取的有效性影响着虹膜识别技术的实用性。本文的主要工作集中在预处理中的定位算法和特征提取算法的研究上,具体的工作如下:在虹膜定位方面:为了提高虹膜定位的精度和速度,本文采用了一种基于小波变换的定位算法。先对图像进行小波分解,对得到的低频图像提取虹膜内外边界。为了解决虹膜外边缘轮廓模糊的定位问题,本文基于对虹膜图像库的先验知识,采用逐步缩小搜索区域的虹膜定位算法,改善了搜索的盲目性,提高了定位速度。并通过中值滤波和设定参数的canny算子获取了清晰的外边缘轮廓。将本文算法分别与2种常用的定位算法进行了比较。本文算法在保证了同等精度的前提下,缩短了定位时间;且本文第二种方法的外边缘定位精度较高。在虹膜特征提取方面:针对现有算法只考虑纹理径向信息而忽略角度信息的问题,本文采用了一种基于2-D Log Gabor滤波器的方法提取虹膜纹理特征,能兼顾径向和角度两方面信息,可更有效的提取虹膜纹理特征,同时深入地分析了滤波器的参数对特征提取精度的影响。利用hamming距离对所提取的虹膜特征向量进行匹配,最后通过实验将本文中的虹膜识别方法与基于Daugman的识别方法进行了比较,实验结果表明本文算法能够在保证较高识别精度的前提下提高了识别速度。
王云新[9](2009)在《基于手背静脉与虹膜的生物特征识别方法研究》文中指出随着现代网络和信息技术的快速发展,人们对社会信息的安全性要求日益提高,基于生物特征的智能身份鉴别方法逐渐受到广泛重视。在众多生物特征识别方法中,手背静脉识别和虹膜识别具有稳定性、防伪性和非侵犯性等优势,是生物特征识别的两大研究热点,可广泛应用于政府、军队、银行、电子商务等领域。其中,手背静脉识别是一种新兴的身份鉴别方法,其研究和应用尚处于起步阶段。虹膜识别技术在近年来得到了快速发展,相对比较成熟,但虹膜识别的核心算法仍需要进一步的研究。本文首先建立了基于手背静脉的身份识别原型系统,围绕这一目标设计实现了近红外静脉成像装置,建立了天津大学手背静脉图像数据库,并从多分辨率纹理特征、代数特征、局部SIFT(Scale Invariant Feature Transform)特征三个方面研究了手背静脉识别算法,对算法进行性能测试,并与现有的典型算法进行对比,验证了算法的可行性和有效性。其次对虹膜识别中的关键技术进行了研究,主要包括虹膜定位、眼皮定位以及特征提取等。最后初步探讨了基于手背静脉和虹膜两种生物特征在匹配层的数据融合。本文的创新性工作概括如下:1、提出了基于多分辨率纹理特征分析的手背静脉识别方法。利用小波变换描述静脉纹理信息变化,实验分析了小波函数对识别性能的影响,评估了算法对手背垂直位移和旋转的容忍度。2、提出了基于局部SIFT特征分析的手背静脉识别方法。利用SIFT特征描述手背静脉的梯度信息,并改进SIFT特征的匹配算法,从而进一步提高了识别性能。该算法对手背的平移和旋转不敏感,具有重要的实用意义。3、提出了基于图像抽样的快速虹膜定位方法。基本思想是在抽样图像中进行粗定位,在原分辨率图像中实现精定位。利用抽样图像去除大量干扰信息,降低计算复杂度,改善了算法实时性。4、提出了基于最大连通路径的眼皮定位方法。在确定眼皮检测区域并增强水平方向边缘后,通过标注边缘图像中的连通路径,搜索具有最大水平距离的连通路径作为眼皮边缘点实现眼皮分割,使定位速度有了很大提高。5、提出将手背静脉和虹膜两种生物特征相结合进行身份识别。分别利用D-S证据理论和支持向量机方法在匹配层进行了融合实验和分析,融合后识别性能得到了较大提高。
邓智明[10](2007)在《虹膜快速定位及虹膜图像质量评估算法研究》文中进行了进一步梳理虹膜定位在虹膜识别系统中具有举足轻重的作用。在现有的研究当中,定位算法的准确度和算法的速度是相互制约的。目前主流的虹膜定位算法在速度上都不能满足虹膜识别系统的实时要求。本文提出了一种新颖的非线性方法,利用虹膜边缘候选点集作为非线性拟合的数据,通过最小二乘法与图像灰度垂直投影相结合的方法来拟合虹膜的内外边缘。本文对该算法进行了实验,并与其他现有的定位算法同在CASIA虹膜图像库上进行比较,实验结果表明本文提出的算法在保证准确率的基础上具有比其他几种算法更快的速度。虹膜图像的质量对于虹膜识别系统同样是十分重要的。在实践中,由于目前的识别算法的健壮性不够,采集到的质量不好的虹膜图像往往造成识别误匹配。为了避免这些问题,我们需要先对虹膜图像进行评估,选择清晰的、适合虹膜识别系统要求的图像,而拒绝质量不好的图像。然而,针对这个问题的解决方法依然不多,研究相对较少。现有的几种虹膜质量评估的算法作用有限,效率和准确率不高。在本文,提出了一个基于拉普拉斯锐化与快速傅里叶变换相结合的质量评估算法,不仅能够很好的对虹膜图像质量进行评估,而且能将质量不好的虹膜图像准确的分为三类:离焦模糊图像,运动模糊图像,眼睑和眼睫毛遮挡过多的图像。分类信息可用于提醒系统和用户纠正错误。并将该算法与现有较好的虹膜质量评估算法进行了详细的比较,结果表明该算法在评估虹膜图像质量上具有良好的准确性。
二、Iris Localization Algorithm Based on Improved Generalized Symmetry Transform(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Iris Localization Algorithm Based on Improved Generalized Symmetry Transform(论文提纲范文)
(1)基于小波与CS-LBP融合的虹膜特征表达与识别算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 虹膜识别系统概述 |
1.2.1 虹膜生理结构 |
1.2.2 虹膜图像库 |
1.2.3 虹膜识别系统流程 |
1.2.4 系统评价指标 |
1.3 虹膜识别研究现状 |
1.4 论文的结构 |
1.5 本章小结 |
第2章 虹膜图像采集和预处理 |
2.1 虹膜图像采集 |
2.2 虹膜图像预处理 |
2.2.1 虹膜图像质量评价 |
2.2.2 虹膜定位 |
2.2.3 虹膜图像归一化与增强 |
2.3 本章小结 |
第3章 基于小波和CS-LBP的虹膜特征提取 |
3.1 算法介绍 |
3.2 基于二维哈尔小波的特征提取 |
3.2.1 小波变换原理 |
3.2.2 哈尔小波特征编码 |
3.3 基于CS-LBP的虹膜特征提取 |
3.3.1 局部二值模式原理 |
3.3.2 CS-LBP虹膜特征编码 |
3.4 汉明距匹配 |
3.5 本章小结 |
第4章 基于XGBoost多特征相似度融合 |
4.1 XGBoost算法原理 |
4.2 XGBoost融合多虹膜特征 |
4.3 实验设置与结果分析 |
4.3.1 实验平台 |
4.3.2 实验设置和性能分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
作者简介及在学期间所获得的科研成果 |
致谢 |
(2)虹膜图像采集及识别算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.2 虹膜识别技术的国内外研究现状 |
1.2.1 虹膜图像库 |
1.2.2 虹膜识别系统 |
1.2.3 虹膜识别产品 |
1.3 本论文的主要研究内容 |
第二章 虹膜识别技术的理论基础 |
2.1 生物识别技术简介 |
2.2 虹膜识别技术的原理与流程 |
2.3 虹膜识别技术存在的问题 |
2.4 本章小结 |
第三章 图像采集系统的设计 |
3.1 虹膜图像采集系统需求分析 |
3.1.1 影响采集虹膜图像质量的因素 |
3.1.2 采集系统的设计要求 |
3.2 虹膜采集系统硬件架构 |
3.3 虹膜采集系统的设计与实现 |
3.3.1 距离感应模块 |
3.3.2 图像传感器的选择 |
3.3.3 光学镜头的设计 |
3.3.4 补光光源的设计 |
3.4 实验结果 |
3.5 本章小结 |
第四章 虹膜图像定位算法 |
4.1 传统虹膜定位算法 |
4.1.1 圆周差分算法 |
4.1.2 基于Hough变换的虹膜定位算法 |
4.1.3 最小二乘拟合算法 |
4.2 径向对称变换算法 |
4.3 本文采用的虹膜定位算法 |
4.3.1 基于径向对称变换的瞳孔粗定位 |
4.3.2 基于局部圆周差分法的虹膜精定位 |
4.4 定位算法的比较与分析 |
4.5 本章小结 |
第五章 特征提取与匹配 |
5.1 归一化与增强 |
5.1.1 虹膜归一化 |
5.1.2 虹膜图像增强 |
5.2 虹膜特征提取 |
5.2.1 二维Gabor滤波器 |
5.2.2 滤波器的参数设计 |
5.3 编码与匹配 |
5.3.1 相位编码 |
5.3.2 汉明距离匹配 |
5.3.3 识别结果 |
5.4 本章小结 |
第六章 虹膜识别软件设计 |
6.1 软件功能设计 |
6.2 软件界面设计 |
6.2.1 系统主界面 |
6.2.2 系统功能界面 |
6.2.3 软件运行效果 |
6.3 虹膜数据库 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)基于径向对称变换的虹膜定位算法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 虹膜识别 |
1.2.1 虹膜简介 |
1.2.2 虹膜识别历史 |
1.3 本文的研究内容 |
第2章 虹膜识别系统简介 |
2.1 虹膜识别系统导论 |
2.2 虹膜图像采集 |
2.3 虹膜图像预处理 |
2.3.1 噪声检测 |
2.3.2 虹膜定位 |
2.3.3 图像归一化 |
2.4 虹膜特征提取及匹配 |
2.5 本章小结 |
第3章 虹膜定位算法的研究现状 |
3.1 基于微积分算子的虹膜定位算法 |
3.2 基于Hough变换的虹膜定位算法 |
3.3 基于主动轮廓线的虹膜定位算法 |
3.4 PP算法和三次样条拟合 |
3.5 本章小节 |
第4章 虹膜定位算法研究 |
4.1 径向对称变换原理 |
4.2 基于径向对称变换的虹膜定位 |
4.2.1 小尺度图像初定位 |
4.2.2 中尺度图像精定位 |
4.2.3 原始图片精定位 |
4.3 噪声检测 |
4.4 实验结果分析 |
4.4.1 实验数据库介绍 |
4.4.2 实验结果 |
第5章 总结与展望 |
参考文献 |
致谢 |
(4)人眼检测与跟踪的方法及应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
第一节 人眼检测及跟踪的背景、意义及其应用 |
第二节 人眼结构与眼动 |
1.2.1 人眼剖面结构及视觉形成 |
1.2.2 人眼表观结构 |
1.2.3 眼睛运动 |
第三节 人眼检测及跟踪研究现状 |
1.3.1 人眼检测方法综述 |
1.3.1.1 人眼区域分割 |
1.3.1.2 精确的人眼检测方法 |
1.3.2 目前人眼检测研究存在的问题 |
1.3.3 人眼跟踪方法概述 |
1.3.3.1 基于Mean-shift的方法 |
1.3.3.2 基于状态空间的方法 |
1.3.3.3 其他方法 |
第四节 本文研究内容及结构安排 |
第二章 基于梯度积分投影的人眼检测 |
第一节 人脸检测 |
2.1.1 人脸检测概述 |
2.1.2 AdaBoost算法 |
2.1.3 Haar-like特征及积分图 |
2.1.4 基于AdaBoost的人脸检测 |
第二节 基于梯度积分投影的人眼区域分割 |
2.2.1 尺度不变梯度积分投影算法 |
2.2.2 低质量人脸图像中的人眼区域分割 |
2.2.3 分割结果与分析 |
第三节 基于梯度积分投影和最大期望算法的人眼定位 |
2.3.1 最大期望算法 |
2.3.2 梯度积分投影曲线拟合 |
2.3.3 加权质心法及人眼定位 |
2.3.4 实验结果与分析 |
第四节 小结 |
第三章 基于矩形积分方差算子的虹膜定位 |
第一节 矩形积分方差算子 |
第二节 基于投影极值和矩形积分方差算子的虹膜定位 |
3.2.1 虹膜垂直边界位置估计 |
3.2.2 虹膜精确定位 |
3.2.3 虹膜确认 |
3.2.4 实验结果与分析 |
3.2.4.1 FERET人脸库中的测试结果 |
3.2.4.2 YaleB人脸库中的测试结果 |
3.2.4.3 与普通人眼定位算法的比较 |
第三节 基于人眼位置估计与矩形积分方差算子的虹膜定位 |
第四节 小结 |
第四章 虹膜跟踪及眼动记录 |
第一节 虹膜检测 |
第二节 眨眼检测 |
第三节 虹膜跟踪 |
4.3.1 基于状态空间理论的虹膜跟踪实验 |
4.3.2 基于差分指导的重要性采样方法的虹膜跟踪 |
第四节 结果与分析 |
第五节 眼动信号噪声去除 |
4.5.1 小波变换 |
4.5.2 基于小波变换的眼动信号去噪 |
第六节 小结 |
第五章 单摄像机下基于眼动分析的行为识别 |
第一节 行为识别研究概述 |
第二节 传统的眼动分析方法 |
5.2.1 基本眼动模式检测 |
5.2.2 眼动编码 |
第三节 支持向量机 |
5.3.1 统计学习理论概述 |
5.3.2 线性可分支持向量机 |
5.3.3 线性不可分支持向量机 |
5.3.4 支持向量回归机 |
第四节 单摄像机下基于眼动分析的行为识别 |
5.4.1 系统设计及算法流程 |
5.4.2 特征提取及特征选择 |
5.4.3 基于SVM的行为识别 |
5.4.4 实验结果与分析 |
5.4.4.1 留—交叉验证实验 |
5.4.4.2 k折交叉验证实验 |
5.4.4.3 单独校准后对环境变化的鲁棒性测试实验 |
第五节 小结 |
第六章 低成本眼动记录系统的设计与注视估计 |
第一节 眼动记录技术概述 |
6.1.1 眼动记录方法 |
6.1.2 视频图像中眼动特征提取与注视估计算法 |
6.1.3 眼动仪开发现状 |
6.1.4 眼动研究的挑战及发展前景 |
第二节 系统原理与硬件设计 |
第三节 基于分段加权环形Hough变换的虹膜定位 |
6.3.1 人眼窗口检测 |
6.3.2 改进的Hough变换 |
6.3.3 虹膜定位与跟踪算法实现 |
第四节 视线估计模型 |
第五节 视线估计结果与分析 |
第六节 小结 |
第七章 总结与展望 |
参考文献 |
致谢 |
个人简历 |
攻读博士学位期间发表的论文 |
(5)虹膜识别理论研究(论文提纲范文)
摘要 |
ABSTRACT |
主要符号说明 |
文中常用简称索引表 |
第一章 绪论 |
1.1 研究背景 |
1.2 相关技术及研究动态 |
1.3 论文的主要研究工作 |
1.4 论文安排 |
第二章 基于多核函数学习的虹膜图像模糊检测方法 |
2.1 虹膜图像模糊模型 |
2.2 模糊虹膜图像的频谱特征分布 |
2.3 模糊虹膜图像的倒谱特征分析 |
2.4 虹膜图像能量频谱密度分布 |
2.5 虹膜图像奇异倒谱值分布 |
2.6 多核函数学习 |
2.7 实验结果及讨论 |
2.7.1 实验数据 |
2.7.2 训练样本数目测试 |
2.7.3 多核函数权重系数学习 |
2.7.4 与已有方法的比较实验 |
2.8 本章小结 |
第三章 基于概率成对投票的虹膜图像定位方法 |
3.1 圆哈夫变换及其改进方法 |
3.2 基于概率成对投票的圆定位方法 |
3.2.1 中心投影线 |
3.2.2 概率成对投票 |
3.2.3 假设搜索 |
3.2.4 计算复杂度分析 |
3.3 基于概率成对投票的虹膜图像定位方法 |
3.4 实验结果及讨论 |
3.4.1 算法有效性测试 |
3.4.2 虹膜识别算法评测指标 |
3.4.3 与其它方法的比较 |
3.5 本章小结 |
第四章 基于哈夫聚类的虹膜图像定位方法 |
4.1 虹膜边界点局部判别模型 |
4.1.1 边界点局部图像特征提取 |
4.1.2 局部判别模型 |
4.2 哈夫聚类 |
4.3 基于样条函数的曲线拟合 |
4.4 实验结果 |
4.4.1 虹膜数据库 |
4.4.2 不同局部图像特征对定位效果的影响 |
4.4.3 与其它方法的比较 |
4.5 本章小结 |
第五章 基于多分辨率分析的虹膜图像定位方法 |
5.1 小波多分辨率理论 |
5.1.1 尺度函数 |
5.1.2 小波函数 |
5.1.3 一维 Mallat 算法 |
5.2 基于小波多分辨率分析的虹膜边界点提取 |
5.2.1 瞳孔中心位置的检测 |
5.2.2 瞳孔边界点提取 |
5.2.3 虹膜边界点提取 |
5.3 基于 M 估计的椭圆拟合 |
5.3.1 基于最小二乘的椭圆拟合 |
5.3.2 基于 M 估计的椭圆拟合 |
5.4 实验结果及分析 |
5.4.1 基于小波多分辨率分析的虹膜定位算法测试结果 |
5.4.2 Huber 函数参数 k 对定位结果的影响 |
5.4.3 与其它方法的比较 |
5.5 本章小结 |
第六章 基于相位一致性分析和最小修剪方差拟合的虹膜图像定位方法 |
6.1 相位一致性分析 |
6.2 基于相位一致性分析的虹膜边界点提取 |
6.2.1 瞳孔粗略位置检测 |
6.2.2 基于相位一致性分析的边界点检测 |
6.3 基于最小修剪方差的椭圆拟合 |
6.4 实验结果 |
6.4.1 基于相位一致性分析和最小修剪方差拟合方法的定位结果 |
6.4.2 与最小二乘法的比较 |
6.4.3 与其它方法的比较 |
6.5 本章小结 |
第七章 结论 |
7.1 工作总结 |
7.2 工作展望 |
附录 |
致谢 |
参考文献 |
攻读博士期间取得的研究成果 |
(6)虹膜定位和识别算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 生物特征识别技术 |
1.3 虹膜识别技术国内外研究及发展现状 |
1.4 虹膜识别的基本原理 |
1.4.1 虹膜的结构和生物特征 |
1.4.2 虹膜识别的主要步骤 |
1.5 本课题的主要目的及本论文完成的主要工作 |
1.5.1 主要目的 |
1.5.2 论文完成的主要工作 |
第2章 传统的与新兴的边缘检测 |
2.1 引言 |
2.2 传统边缘检测方法 |
2.2.1 差分算法 |
2.2.2 Roberts算法 |
2.2.3 Sobel算法 |
2.2.4 Prewitt算法 |
2.2.5 Kirisch和Robinson算法 |
2.2.6 零交叉(LOG)算法 |
2.2.7 Hough圆检测 |
2.3 新兴边缘检测方法 |
2.4 本章小结 |
第3章 基于SOBEL边缘检测的虹膜定位算法 |
3.1 典型的虹膜定位算法 |
3.1.1 Daugman的圆模板匹配法 |
3.1.2 Wildes基于Hough变换的定位方法 |
3.1.3 谭铁牛等的最小二乘拟合方法 |
3.1.4 基于二维小波变换虹膜定位 |
3.2 基于sobel边缘检测的虹膜定位算法的改进 |
3.2.1 sobel算法基本原理 |
3.2.2 搜索范围确定 |
3.2.3 只进行圆检测 |
3.2.4 实验结论与分析 |
3.3 虹膜图像归一化及增强 |
3.3.1 虹膜图像归一化 |
3.3.2 双线性插值 |
3.3.3 虹膜图像增强一直方图均衡化 |
3.3.4 本文算法创新点 |
第4章 基于3D曲面匹配的虹膜识别算法 |
4.1 经典虹膜匹配算法简介 |
4.1.1 海明距离的计算 |
4.1.2 阈值的选取 |
4.2 滤波器 |
4.2.1 Gabor滤波器 |
4.2.2 多通道Gabor滤波器 |
4.2.3 基于复值的二维Gabor滤波器 |
4.2.4 基于一维LOG-Gabor滤波器 |
4.3 虹膜纹理的相位编码及匹配 |
4.3.1 Daugman编码方法 |
4.3.2 虹膜纹理的相位编码 |
4.3.3 编码识别 |
4.4 虹膜曲面匹配原理 |
4.4.1 灰度色彩模式 |
4.4.2 虹膜图像的灰度曲面 |
4.4.3 曲面匹配简介 |
4.4.4 通用的曲面匹配算法 |
4.4.5 虹膜特征曲面分析 |
4.5 虹膜曲面匹配实现 |
4.6 旋转矫正 |
4.7 测试结果及分析 |
4.8 结论 |
第5章 结论与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者攻读硕士学位期间发表的论文及获奖情况 |
(8)虹膜定位和识别算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景 |
1.2 研究现状及前景 |
1.3 生物识别技术 |
1.4 虹膜识别技术 |
1.5 本文研究的意义和内容 |
1.5.1 本文研究的意义 |
1.5.2 本文研究的内容 |
第2章 虹膜识别系统 |
2.1 虹膜识别系统的组成 |
2.1.1 虹膜图像的获取 |
2.1.2 虹膜图像的预处理 |
2.1.3 特征提取 |
2.1.4 模式匹配 |
2.2 现有的虹膜识别系统 |
2.2.1 Daugman的虹膜识别系统 |
2.2.2 Wildes的虹膜识别系统 |
2.2.3 中科院自动化所的虹膜识别系统 |
2.3 本章小结 |
第3章 虹膜图像预处理 |
3.1 常用的边缘检测算子 |
3.2 虹膜图像的平滑处理 |
3.2.1 图像的噪声 |
3.2.2 常用的平滑方法 |
3.3 常用的虹膜定位算法 |
3.3.1 Daugman的定位算法 |
3.3.2 Wildes的定位算法 |
3.4 利用小波变换的虹膜定位算法 |
3.4.1 小波变换理论 |
3.4.2 小波多分辨率特点 |
3.4.3 小波所具有的性质 |
3.4.4 常见的小波类型 |
3.4.5 虹膜内边缘定位 |
3.4.6 虹膜外边缘定位 |
3.4.7 定位实验结果 |
3.5 逐步缩小搜索区域的虹膜定位算法 |
3.5.1 虹膜图像内边缘定位 |
3.5.2 虹膜图像外边缘定位 |
3.5.3 定位实验结果 |
3.6 归一化和增强 |
3.6.1 图像归一化 |
3.6.2 图像的增强 |
3.7 本章小结 |
第4章 虹膜纹理特征提取算法 |
4.1 常见的图像纹理特征提取方法 |
4.2 常见的虹膜纹理特征提取方法 |
4.2.1 基于相位的特征提取 |
4.2.2 基于小波过零点的特征提取 |
4.2.3 基于金字塔结构的特征提取 |
4.3 2-D Log Gabor滤波器 |
4.3.1 Gabor滤波器 |
4.3.2 2-D Gabor滤波器 |
4.3.3 Log Gabor滤波器 |
4.3.4 2-D Log Gabor滤波器的构造 |
4.4 利用2-D Log Gabor滤波器提取纹理特征 |
4.5 本章小结 |
第5章 虹膜特征匹配实验 |
5.1 虹膜特征匹配判别算法 |
5.1.1 用hamming距离匹配 |
5.1.2 虹膜系统的认证方式 |
5.1.3 虹膜系统的性能指标 |
5.2 实验结果 |
5.3 本章小结 |
第6章 总结与展望 |
参考文献 |
致谢 |
攻读硕士期间的工作 |
(9)基于手背静脉与虹膜的生物特征识别方法研究(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 生物特征识别技术 |
1.2.1 生物特征识别技术概况 |
1.2.2 生物特征识别系统的性能评价 |
1.3 手背静脉识别概述 |
1.3.1 手背静脉识别的特点与系统构成 |
1.3.2 手背静脉识别的发展现状 |
1.3.3 手背静脉识别的研究难点 |
1.4 虹膜识别概述 |
1.4.1 虹膜识别原理 |
1.4.2 虹膜识别的发展现状 |
1.4.3 虹膜识别的研究难点 |
1.5 手背静脉和虹膜双生物特征融合的意义 |
1.6 本文主要研究工作和章节安排 |
第二章 手背静脉成像及其数据库的建立 |
2.1 手背静脉成像原理 |
2.1.1 远红外静脉成像 |
2.1.2 近红外静脉成像 |
2.1.3 红外静脉成像的性能分析 |
2.2 手背静脉成像系统设计 |
2.2.1 静脉成像系统结构 |
2.2.2 静脉成像系统构建 |
2.3 手背静脉图像数据库的建立 |
2.4 小结 |
第三章 基于多分辨率纹理特征分析的手背静脉识别 |
3.1 手背静脉识别算法概述 |
3.2 基于小波变换的静脉纹理特征分析 |
3.2.1 手背静脉图像预处理 |
3.2.2 小波分析的基本理论 |
3.2.3 静脉纹理特征提取 |
3.2.4 参数优化与实验分析 |
3.3 小结 |
第四章 基于代数特征分析的手背静脉识别 |
4.1 代数特征分析方法 |
4.1.1 典型的代数特征分析 |
4.1.2 Fisher 线性判别分析 |
4.2 基于DLDA 的静脉代数特征提取 |
4.3 实验与数据分析 |
4.4 小结 |
第五章 基于局部SIFT 特征分析的手背静脉识别 |
5.1 局部特征分析与描述 |
5.1.1 典型的局部特征分析方法 |
5.1.2 SIFT 特征提取和描述 |
5.2 静脉局部SIFT 特征提取和匹配 |
5.2.1 手背静脉图像预处理 |
5.2.2 局部特征提取与匹配 |
5.2.3 改进的SIFT 特征匹配算法 |
5.3 实验与数据分析 |
5.4 静脉识别算法对比与性能分析 |
5.4.1 算法对比 |
5.4.2 算法分析与讨论 |
5.5 左右手背静脉的相似性分析 |
5.6 小结 |
第六章 虹膜图像的预处理及识别算法研究 |
6.1 虹膜定位 |
6.1.1 典型的虹膜定位算法 |
6.1.2 基于图像抽样的快速虹膜定位 |
6.1.3 算法性能分析 |
6.2 眼皮定位 |
6.2.1 典型的眼皮定位算法 |
6.2.2 基于最大连通路径的眼皮定位 |
6.2.3 算法性能分析 |
6.3 虹膜图像归一化和增强 |
6.4 基于局部变化分析的虹膜识别 |
6.5 识别性能分析 |
6.6 小结 |
第七章 手背静脉和虹膜双生物特征在匹配层的数据融合 |
7.1 融合策略和算法 |
7.2 基于D-S 证据理论的数据融合 |
7.2.1 D-S 证据理论 |
7.2.2 Dempster 组合规则 |
7.2.3 基本概率分配函数的构造 |
7.2.4 实验结果分析 |
7.3 基于支持向量机的数据融合 |
7.3.1 经验风险最小化准则 |
7.3.2 统计学习与结构风险最小化准则 |
7.3.3 支持向量机的基本思想 |
7.3.4 实验结果分析 |
7.4 小结 |
第八章 总结与展望 |
参考文献 |
发表论文和科研情况说明 |
致谢 |
(10)虹膜快速定位及虹膜图像质量评估算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景、目的和意义 |
1.1.1 虹膜识别的重要意义 |
1.1.2 论文研究的意义与目的 |
1.2 国内外研究现状 |
1.2.1 虹膜定位算法的研究现状 |
1.2.2 虹膜图像质量评估的研究现状 |
1.3 论文的主要工作和内容安排 |
第二章 虹膜的结构特征与识别技术 |
2.1 虹膜的结构 |
2.2 虹膜的生物特征 |
2.3 生物识别技术与虹膜识别技术 |
2.4 本章小结 |
第三章 虹膜识别系统简介 |
3.1 模式识别 |
3.2 虹膜识别系统的组成 |
3.2.1 虹膜图像的摄取 |
3.2.2 虹膜图像的定位与归一化 |
3.2.3 虹膜图像质量评估 |
3.2.4 虹膜图像增强 |
3.2.5 虹膜特征提取 |
3.2.6 虹膜特征数据库 |
3.2.7 模式匹配 |
3.3 本章小结 |
第四章 虹膜快速定位算法的研究 |
4.1 虹膜定位算法的研究状况 |
4.1.1 Daugman 的圆模板的定位算法 |
4.1.2 Wildes 的基于Hough 变换的定位算法 |
4.1.2.1 虹膜图像的边缘检测 |
4.1.2.2 Hough 变换定位虹膜 |
4.1.3 中科院的改进RANSAC 的定位算法 |
4.2 非线性最小二乘法的理论 |
4.2.1 最小二乘法的应用优势 |
4.2.2 改进的非线性最小二乘法拟合圆算法 |
4.3 最小二乘法定位虹膜内外边缘 |
4.3.1 虹膜的内边缘定位 |
4.3.1.1 定位瞳孔位置 |
4.3.1.2 获取虹膜内边缘候选点集 |
4.3.1.3 非线性最小二乘法定位虹膜内边缘 |
4.3.2 虹膜的外边缘定位 |
4.3.2.1 利用灰度值的垂直投影,去掉大部分非边缘点 |
4.3.2.2 基于候选边缘点集,用最小二乘法定位虹膜外边缘 |
4.4 实验结果 |
4.5 本章小结 |
第五章 虹膜图像质量评估算法的研究 |
5.1 虹膜质量评估和分类 |
5.2 基于傅立叶变换的虹膜质量评估算法 |
5.3 时域与频域相结合的虹膜质量评估算法 |
5.3.1 算法的总体框架 |
5.3.2 算法的实现 |
5.3.2.1 瞳孔粗定位 |
5.3.2.2 ROI 区域的选取 |
5.3.2.3 虹膜的清晰度 |
5.3.2.4 虹膜的可见度 |
5.3.2.5 虹膜的尺寸合理度 |
5.3.3 算法的评价 |
5.4 基于拉普拉斯锐化的虹膜质量评估算法 |
5.4.1 图像锐化的目的与原理 |
5.4.1.1 梯度锐化原理 |
5.4.1.2 拉普拉斯锐化原理 |
5.4.2 利用拉普拉斯锐化评价虹膜图像质量 |
5.5 实验结果 |
5.6 本章小结 |
第六章 结束语 |
致谢 |
参考文献 |
作者在读期间的研究成果 |
四、Iris Localization Algorithm Based on Improved Generalized Symmetry Transform(论文参考文献)
- [1]基于小波与CS-LBP融合的虹膜特征表达与识别算法研究[D]. 郑少阁. 吉林大学, 2020(08)
- [2]虹膜图像采集及识别算法的研究[D]. 张波. 电子科技大学, 2015(03)
- [3]基于径向对称变换的虹膜定位算法[D]. 宋惠. 东北大学, 2013(03)
- [4]人眼检测与跟踪的方法及应用研究[D]. 孟春宁. 南开大学, 2013(06)
- [5]虹膜识别理论研究[D]. 潘力立. 电子科技大学, 2012(12)
- [6]虹膜定位和识别算法研究[D]. 董新. 东北大学, 2011(05)
- [7]一种非理想采集条件下的虹膜定位算法[J]. 张文聪,叶学义,李斌,姚鹏,庄镇泉. 模式识别与人工智能, 2007(05)
- [8]虹膜定位和识别算法研究[D]. 张毅翔. 东北大学, 2009(03)
- [9]基于手背静脉与虹膜的生物特征识别方法研究[D]. 王云新. 天津大学, 2009(12)
- [10]虹膜快速定位及虹膜图像质量评估算法研究[D]. 邓智明. 西安电子科技大学, 2007(06)