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。     

基于加权Hamming距离的虹膜匹配算法

为了提高虹膜识别系统的识别性能,提出了基于加权Hamming距离的虹膜匹配算法。在利用多尺度Gabor滤波器组提取虹膜纹理相位特征的虹膜识别系统中,不同尺度、不同方向的Gabor滤波器,甚至同一Gabor滤波器的实部和虚部对虹膜纹理的描述能力不同,其抽取的特征的鉴别能力也不一样。根据鉴别能力的差异,在计算Hamming距离时对不同滤波器的输出进行加权,利用加权后的距离进行身份认证。实验结果表明,与传统的基于归一化Hamming距离的虹膜匹配算法相比,改用该算法后,虹膜识别系统的等错误率从0.97%下降到0.47%,识别性能得到明显改善。     

基于加权Hamming距离的虹膜匹配算法

为了提高虹膜识别系统的识别性能,提出了基于加权Hamming距离的虹膜匹配算法。在利用多尺度Gabor滤波器组提取虹膜纹理相位特征的虹膜识别系统中,不同尺度、不同方向的Gabor滤波器,甚至同一Gabor滤波器的实部和虚部对虹膜纹理的描述能力不同,其抽取的特征的鉴别能力也不一样。根据鉴别能力的差异,在计算Hamming距离时对不同滤波器的输出进行加权,利用加权后的距离进行身份认证。实验结果表明,与传统的基于归一化Hamming距离的虹膜匹配算法相比,改用该算法后,虹膜识别系统的等错误率从0.97%下降到0.47%,识别性能得到明显改善。