虹膜识别预处理的算法研究

论文摘要

虹膜识别已经成为应用数学与模式识别等交叉学科的热门研究课题。虹膜图像预处理是虹膜识别系统中一个至关重要的环节,直接影响到虹膜内外圆定位、虹膜特征提取和匹配的准确性。本文详细讨论了虹膜识别预处理的算法。所谓预处理主要包括虹膜图像质量评估、虹膜区域检测、虹膜图像噪声检测等内容,目的是在质量好的真实人眼图像中分割提取虹膜区域,减少噪声干扰,为特征提取和匹配做准备。本文主要工作和研究结果如下：（1）质量评估主要是将不合格的图像去除掉,提高虹膜识别的准确率。不合格的图像包括晃动产生的模糊、光照不均匀、眼睑遮挡严重等图像,本章采用到的算法包括阈值分割、形态学、椭圆拟合等。（2）虹膜有效区域的检测是为了提高整体虹膜识别算法的效率,用到的算法主要是模糊c均值聚类分析与圆形Hough变换。传统的Hough变换计算量很大,本文中与模糊c均值相结合,并且在一定程度上增大圆心点的搜索步长,大大减少了该算法的时间。（3）通过对噪声的研究,分别提出了噪声的检测方法：灰度与梯度相结合的方法检测出光斑并利用插值填充光斑区域；Gabor滤波器卷积法检测睫毛；基于RANSAC算法对样本数据集点随机采样,拟合抛物线检测上下眼皮。本文实验主要采用UBIRIS. v2和CASIA-IrisV3-Lamp虹膜数据库,通过编程实现上述算法。2010年我们虹膜小组参加了国际虹膜识别算法大赛,经过第三方的检测,我们团队的算法在所有参赛队伍中排名第2,这充分说明了本文算法的有效性。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题的研究背景
• 1.2 虹膜识别系统简介
• 1.2.1 虹膜图像采集
• 1.2.2 虹膜图像质量评估
• 1.2.3 虹膜图像噪声处理
• 1.2.4 虹膜图像定位与分割
• 1.2.5 虹膜特征提取
• 1.2.6 虹膜特征匹配
• 1.2.7 虹膜数据库
• 1.3 国内外研究现状
• 1.4 本文课题的主要研究内容
• 第2章 虹膜图像质量评估算法
• 2.1 现有虹膜质量评估算法
• 2.2 虹膜图像质量检测算法
• 2.2.1 晃动虹膜图像评估算法
• 2.2.2 光照均匀化评估算法
• 2.2.3 虹膜图像睫毛以及清晰度评估算法
• 2.2.3.1 睫毛评估
• 2.2.3.2 聚焦评估
• 2.2.4 眼睑遮挡评估算法
• 2.3 实验结果与分析
• 第3章 虹膜区域检测算法
• 3.1 基于Adaboost的虹膜区域检测
• 3.1.1 训练过程
• 3.1.1.1 提取Harr特征
• 3.1.1.2 弱分类器的实现
• 3.1.1.3 强分类器的实现
• 3.1.2 检测阶段
• 3.1.3 实验结果分析
• 3.2 基于模糊c-均值聚类分析与Hough变换相结合的方法检测虹膜
• 3.2.1 理论介绍
• 3.2.1.1 模糊c-均值聚类算法
• 3.2.1.2 Hough变化的圆形检测
• 3.2.2 模糊c均值聚类算法分割图像
• 3.2.3 Hoguh变换检测虹膜区域
• 3.2.4 后期处理
• 3.3 实验结果与分析
• 3.4 图像增强
• 第4章 虹膜噪声检测算法
• 4.1 睫毛检测
• 4.1.1 现有的睫毛检测方法
• 4.1.1.1 基于灰度直方图统计的方法检测睫毛
• 4.1.1.2 基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测
• 4.1.1.3 基于双阈值法检测睫毛
• 4.1.2 睫毛检测算法
• 4.2 眼睑检测
• 4.2.1 现有的眼睑检测算法
• 4.2.1.1 Wlides的方法
• 4.2.1.2 基于抛物线微积分检测算子的方法检测眼睑
• 4.2.2 新的眼睑检测算法
• 4.3 光斑检测
• 4.4 实验结果与分析
• 第5章 总结与展望
• 参考文献
• 致谢
• 攻读硕士期间获奖情况