基于AdaBoost算法与神经网络的快速虹膜检测与定位算法

针对目前已有的虹膜检测与定位算法的局限性, 设计了一组具有局部互联结构的神经网络, 结合AdaBoost算法用于虹膜的检测与定位. 算法主要有以下特征： 根据虹膜图像的特点设计了一组具有不同感受野和不同复杂程度的局部互联神经网络虹膜分类器; 应用AdaBoost算法整合神经网络分类器, 产生一个具有很强虹膜检测能力的总分类器; 采用级联结构提高系统的检测速度. 实验结果表明, 该方法具有极高的检测精度与速度, 有效地解决了包含大量脸部区域的虹膜检测与定位问题, 以及以往方法很难解决的白内障患者的虹膜检测和定位问题.     

基于k-近邻分类匹配的虹膜识别技术与应用

利用虹膜图像中丰富的结构和纹理特征作为身份鉴别的依据,与其他生物特征识别相比,具有更高的可靠性.虹膜识别系统包括虹膜图像采集、虹膜图像预处理、特征提取、匹配与识别等部分.该文提出一种基于k-近邻分类器虹膜识别方法,该方法先对虹膜图像进行定位、归一化和增强等预处理,利用Gabor滤波实现虹膜纹理特征的提取,再用k-近邻分类器进行匹配,达到了识别的目的.实验结果表明,该方法是可行的.     

基于极坐标特征的改进模糊C-均值虹膜定位算法

针对非理想情况下虹膜图像定位失败的问题,提出一种新的虹膜定位算法.该算法先使用基于极坐标特征的改进模糊C-均值算法对虹膜外圆半径进行粗定位,再采用圆周差分法对外圆参数进行准确计算.该算法通过使用极坐标作为聚类特征及放宽模糊聚类的聚类条件,提高了虹膜定位算法的鲁棒性.实验结果表明,该方法有效提高了非理想情况下虹膜图像的定位精度.     

一种新的虹膜定位算法

提出一种新的虹膜定位算法.首先根据虹膜图像的灰度分布特征进行粗定位,用阈值分割和二值图像形态学的方法提取瞳孔的圆心和半径,然后用边缘检测的方法提取虹膜的外边缘,最后用圆梯度灰度检测算子进行小范围的精确定位.实验结果表明,该算法提高了虹膜定位的速度,减少了传统虹膜定位算法中搜索的盲目性.     

不完美虹膜图像定位方法

虹膜定位是虹膜识别的重要环节,然而高度非侵犯性的虹膜识别系统采集到的虹膜图像通常是不完美的,存在眼睑噪声、睫毛噪声和位于瞳孔内的反射光斑等问题,会给虹膜定位带来不利影响,从而影响虹膜识别的准确性.考虑到虹膜定位的重要地位,基于虹膜图像结构特征,提出了一种简单易行的虹膜内外边缘定位方法;并基于灰度阈值分别设计了去除眼睑、睫毛噪声对外边缘定位影响的改进措施和去除瞳孔内光斑对内边缘定位影响的改进措施,有效提高了定位精度.     

基于二维小波变换及邻域均值滤波的虹膜定位算法

为了提高虹膜定位的准确率和速度,提出了一种基于二维小波变换及邻域均值滤波的虹膜定位算法.采用阈值法分割瞳孔,使用边缘检测算子检测瞳孔区域边缘,定位虹膜内边缘;然后对人眼图像进行二维小波处理降低虹膜图像的分辨率,以减少虹膜本身的纹理对判断外边缘点时所产生的影响;最后采用邻域均值滤波进行虹膜外边缘点提取,根据所得虹膜外边缘点确定虹膜外边界.仿真结果表明:该算法定位虹膜内外边界的平均时间为1.75s,准确率为99.7%,其中虹膜外边缘定位误差小于4.2%,在虹膜识别系统中有较高的实际应用价值.     

基于微积分算子的彩色虹膜图像定位算法

针对NICE:Ⅱ中的彩色噪声虹膜图像难于精确定位问题,提出了一种基于微积分算子的彩色虹膜图像定位算法.首先选择RGB虹膜图像的R层,结合Gabor滤波器和图像梯度信息检测图像中的光斑区域;然后利用Adaboost算法检测虹膜区域,并使用抛物线形微积分算子定位上下眼睑;再利用基于微积分算子的模板,通过局部极值的逐步迭代和对虹膜边界点的聚类分析,定位虹膜外边界;最后使用同态滤波对虹膜区域进行增强处理,检测虹膜内边界.在NICE:Ⅱ彩色虹膜图像库上的实验表明,该方法的定位准确率为98.22%.     

基于自适应阈值分割及边缘检测的虹膜内边缘定位算法

为了提高虹膜内边缘定位的准确率和速度,本文提出了一种基于自适应阈值分割及边缘检测的虹膜内边缘定位算法。首先采用自适应的活动窗计算图像灰度,灰度最小值点确定为瞳孔内的任意一点,以灰度最小值作为阈值对原图像进行瞳孔分割。然后使用Lapacian边缘检测算子检测瞳孔区域边缘定位虹膜内边缘,最后根据圆的对称性计算虹膜内边缘的圆心和半径。仿真结果表明该算法准确定位虹膜内边界的平均时间为0.73s,准确率为100%,在虹膜识别系统中有较高的实际应用价值。     

改进的虹膜图像分割算法

虹膜分割是虹膜识别的前提.为提高现有虹膜图像分割的性能,提出一种改进的虹膜图像分割算法.采用边缘检测结合Hough变换的方法定位虹膜内外边缘,对于上下眼睑采用最小二乘法结合边缘检测的方法来检测,阈值法检测睫毛.实验结果表明,该算法能有效地分割出虹膜区域,去除眼睑及睫毛,较大地提高虹膜分割的速度和准确度.     

一种基于正交不变集多小波的虹膜识别方法

提出了一种新的虹膜特征提取方法。该方法应用双正交不变集多小波对虹膜图像进行特征提取,同时考虑了虹膜图像的局部特征和全局特征,采用相关系数测度和方差倒数加权欧氏距离相结合的方法来设计分类器,为了消除虹膜图像在采集时可能产生光斑而对识别结果带来影响,在设计分类器时采用分块处理的办法。实验结果表明,多小波变换能更好的提取虹膜的纹理特征,获得更好的识别性能,是一种有效识别方法。     

基于感兴趣区域的快速虹膜定位方法

虹膜定位是虹膜识别系统中的一个非常重要的步骤,虹膜识别系统性能的优劣很大程度上取决于虹膜定位的精确性和快速性．针对已有的虹膜定位算法存在的定位精度和执行效率低并且鲁棒性差的缺点,本文提出一种基于感兴趣区域的快速虹膜定位算法,本算法主要有两个基本步骤：虹膜边缘点检测和用霍夫变换拟合虹膜边界．在进行这两个步骤之前,我们定义了一个感兴趣区域IF（Interesting Filed）,这个感兴趣区域为一个包含虹膜的外接矩形．通过寻找感兴趣区域,我们缩小了对目标的搜索范围,使得霍夫变换能较快的对虹膜进行定位．经试验表明本算法能较为精确且快速的定位虹膜边界．     

基于SIFT和SDM的虹膜定位方法

为了提高虹膜定位的速度和稳定性,提出一种基于SDM的快速、稳定的虹膜定位算法.该方法首先采用径向对称变换粗定位瞳孔,然后采用微积分算子精定位瞳孔;选取SIFT特征描述虹膜外边缘及眼睑的边界特征,采用SDM算法求解定位结果,最后采用最小二乘法确定虹膜外圆及上、下眼睑边界参数.实验结果表明该算法大大提高了虹膜定位的效率和稳定性.     

Hough 变换与非线性增强结合的非理想虹膜边界定位算法

边界定位是非理想虹膜识别的关键问题之一。非理想虹膜由于经常存在纹理过强、睫毛和眼睑遮挡、虹膜巩膜对比度较差、瞳孔位置偏移等问题,这使其边界尤其是外边界定位容易出现偏差。针对上述问题,笔者提出了一种基于非线性图像增强的非理想虹膜边界定位方法。在内边界定位中,该方法首先使用混合高斯模型得到瞳孔粗略位置,然后使用弦长均衡策略搜索虹膜内边界及其中心;在外边界定位中,首先对虹膜图像进行非线性灰度变换,再利用边缘检测和改进的 Hough 变换定位虹膜外边界。实验结果表明：本算法与经典方法相比可大大提高非理想虹膜分割的准确率。     

基于轮廓跟踪的虹膜定位算法

提出一种基于轮廓跟踪算法的虹膜定位算法. 该算法先通过像素点扫描查找二值虹膜图像中轮廓的起始点, 然后由起始点进行轮廓查找、 轮廓编码、 轮廓筛选确定虹膜内轮廓, 再通过虹膜外轮廓和巩膜间的灰度突变点到内轮廓圆心距离的平均值确定外轮廓半径, 实现虹膜内、 外轮廓的定位. 实验结果表明, 该算法具有较快的定位速度、 较高的准确率, 性能稳定.     

一种新颖的虹膜图像预处理算法

提出一种新的虹膜图像预处理算法．先利用搜索迭代的圆周差分方法快速准确地定位虹膜，再利用一种将瞳孔与虹膜圆心变换合并的虹膜图像归一化方法解决虹膜内外圆不同心带来的误差，最后使用改进的局部直方图均衡化方法增强图像．大量的虹膜图像的实验表明，新方法对虹膜定位有非常高的准确性和鲁棒性，归一化和图像增强能提高后续的虹膜识别率．整个虹膜预处理的运算时间小于0．4s，能满足实时系统的要求．     

基于Rubber-sheet模型的虹膜识别算法研究

为了实现对虹膜内外边界的精确定位,提出了改进的虹膜图像定位算法.虹膜图像预处理过程主要包括虹膜边界定位、归一化处理和图像增强三部分,其中虹膜图像边界定位是实现虹膜识别的重要前提.首先使用质心探测法确定其二值化虹膜图像的内边界中心,然后再对内边界进行曲线拟合,从而实现对虹膜内边界的定位.使用Canny算子进行边缘检测,确定虹膜图像外边界,完成对虹膜边界的定位.使用Rubber-sheet模型对经过定位的虹膜区域图像进行归一化处理,方便虹膜图像的信息提取和编码匹配.实验证明改进的算法有效提高了虹膜图像预处理效率.     

虹膜内外边界的粗定位方法

为了提高现有虹膜定位算法的性能,提出了一种虹膜粗定位算法。该算法利用二值图像的下边缘轮廓粗定位虹膜内边界,利用内边界圆心左右两侧的一维灰度均值信号粗定位虹膜外边界。即使在存在严重的眼皮和睫毛干扰的情况下,这种算法也能快速有效地估计出虹膜内外边界的位置。实验结果表明:该算法能够极大地提高虹膜定位的速度和准确度,粗定位一幅虹膜图片平均只需71m s,定位准确度也明显优于现有的粗定位算法。     

基于多方向Gabor滤波器和Adaboost的虹膜识别方法

结合虹膜的整体和局部纹理信息,提出一种新的虹膜特征提取和识别方法.首先将归一化虹膜进行分块,然后利用多方向Gabor滤波器分别对整个虹膜和虹膜子块进行编码并生成特征向量,最后使用Adaboost算法训练得到识别性能较好的特征用于识别.在数据库CASIA-IrisV3-Lamp中实验,该算法的识别率达到99.85%;在包含大量低质量虹膜图像的数据库NICE:Ⅱ中实验,算法也具有较好的识别性能,表明了算法既能充分地利用虹膜的纹理信息,又能有效地减少噪声的影响.