低质量虹膜图像识别算法的研究

论文摘要

随着信息技术的不断发展,虹膜识别已经成为应用数学、模式识别、图像处理和信息安全等交叉学科的热门研究课题。近年来,致力于虹膜识别的研究者越来越多,但对低质量虹膜图像（如睫毛和眼睑遮盖、远距离、运动模糊、聚焦模糊、偏转、戴眼镜、光照不好等）的识别研究较少。现有的实际应用系统在采集过程中大多需要被采集者密切配合以采集得到质量较好的虹膜图像,现有大多算法也对虹膜图像的质量有一定的要求,但在实际应用中图像的质量很难保证。针对低质量虹膜图像的识别问题,本文对低质量虹膜图像深入研究,提出了一种基于多方向Gabor和Adaboost的虹膜特征提取与识别算法,主要工作如下：1.讨论了虹膜识别技术的原理和发展现状,并详细阐述了现有的几种主流虹膜特征提取与识别算法。2.针对现有算法对低质量虹膜图像识别效果不佳的问题,本文结合虹膜的整体与局部纹理信息,提出了一种新的虹膜特征提取与识别算法。首先,根据瞳孔定位准确与否,将虹膜图像的归一化分为两种情况：按内外圆边界展开归一化和按外圆边界展开归一化；其次,根据这两种归一化情况采用两种不同方案对虹膜进行分块；然后,利用多方向Gabor滤波器分别对整个虹膜和分块虹膜进行编码并产生特征向量；最后,在这两种情况下分别使用Adaboost算法训练得到识别性能较好的一些特征用于识别。此外,除了使用Adaboost分类算法,本文还利用了随机森林算法和Fisher线性判别算法进行匹配识别。以Matlab为工具在虹膜数据库CASIA-IrisV3-Lamp和噪声虹膜数据库Ubiris.v2上对本文算法进行实验,实验结果表明本文算法具有较好的稳定性和较高的准确性,并对低质量虹膜图像具有较好的识别性能,克服了现有算法不能有效地表征低质量虹膜图像的缺点。此外,本文算法的识别性能在由28个国家或地区67个大学的研究团队参加的国际虹膜识别公开赛NICE.Ⅱ中排名第2。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 虹膜识别简介
• 1.2.1 虹膜识别的发展
• 1.2.2 虹膜识别原理简介
• 1.3 评价虹膜识别系统的性能指标
• 1.4 本文使用的虹膜数据库
• 1.5 论文结构
• 第2章 虹膜识别算法的研究现状
• 2.1 基于二维Gabor滤波的虹膜识别算法
• 2.1.1 特征提取
• 2.1.2 特征匹配
• 2.2 基于拉普拉斯金字塔分解的虹膜识别算法
• 2.2.1 特征提取
• 2.2.2 特征匹配
• 2.3 基于小波过零点检测的虹膜识别算法
• 2.3.1 特征提取
• 2.3.2 特征匹配
• 2.4 基于多通道滤波的虹膜识别算法
• 2.4.1 特征提取
• 2.4.2 特征匹配
• 2.5 本章小结
• 第3章 基于多方向Gabor的低质量虹膜识别算法
• 3.1 虹膜预处理
• 3.1.1 虹膜分割
• 3.1.2 瞳孔定位评估
• 3.1.3 虹膜归一化
• 3.2 彩色虹膜图像的颜色通道性能分析
• 3.3 特征提取
• 3.3.1 多方向Gabor滤波器的设计
• 3.3.2 虹膜分块
• 3.3.3 特征向量的生成
• 3.4 基于模式分类的特征匹配
• 3.4.1 Adaboost算法及分类识别
• 3.4.2 随机森林算法及分类识别
• 3.4.3 Fisher线性判别算法及分类识别
• 3.5 本章小结
• 第4章 实验结果与分析
• 4.1 CASIA-IrisV3-Lamp虹膜数据库上的实验
• 4.1.1 Adaboost算法的实验
• 4.1.2 随机森林和Fisher线性判别算法的实验
• 4.1.3 算法性能分析
• 4.2 Ubiris.v2虹膜数据库上的实验
• 4.2.1 Adaboost算法的实验
• 4.2.2 随机森林和Fisher线性判别算法的实验
• 4.2.3 算法性能分析
• 4.3 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢