基于统计特征中心对称局部二值模式的虹膜识别

由于中心对称局部二值模式(CS-LBP)的虹膜识别具有特征维数高、对噪声敏感等缺点,提出了基于统计特征中心对称局部二值模式(SCCS-LBP)的虹膜识别方法.首先,根据虹膜纹理的分布特性,用CS-LBP对归一化的虹膜图像进行编码;为了进一步降低特征维数,对编码后的图像进行特征统计.然后,根据统计结果的分布,提取出有效的二值特征图像.最后,用Hamming距离进行虹膜识别.对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别,最高正确识别率分别为99.955％、99.848％、99.989％、99.916％.实验结果表明:该方法有效地利用了虹膜纹理分布特性,与LBP和CS-LBP方法相比,具有更少的特征维数、更高的正确识别率和更好的鲁棒性.     

基于相位一致性最大响应方向的虹膜识别方法

为了进一步提高虹膜识别的准确性,提出了一种基于相位一致性最大响应方向的虹膜识别方法.该方法对人眼图像进行图像预处理,得到归一化的虹膜图像;然后,提取像素对于相位一致性的最大响应方向作为可区分性特征,并将最大响应方向的序号编码为简单易处理的二进制虹膜代码;最后,通过计算两个虹膜代码之间的加权汉明距离衡量二者的差异,并给出识别结果.实验结果表明,该方法的等错率为0.871 5%,正确识别率为99.851 8%.与经典的虹膜识别方法相比,该方法具有更高的识别准确性.     

基于序列图像提取稳定特征点的虹膜识别算法

为了尽可能降低不稳定特征点对识别率的影响,研究提出了基于序列图像提取稳定特征点的虹膜识别算法.该算法首先用二维Gabor滤波器对序列虹膜图像提取特征编码,然后对该序列特征编码求交集以提取稳定特征点,并利用这些稳定特征点建立虹膜的特征模板库,最后通过计算相似度,获得识别结果.在实验室采集的序列虹膜图库上,当等错率为0.3017%,分类阈值为0.6402时,正确识别率可以达到99.73%.实验证明该算法是有效、可行的,并更好地提高了虹膜的分类精度和改善了虹膜的识别性能.     

一种基于小波变换的虹膜识别方法

虹膜上的纹理或结构的差异,是不同虹膜相互区别的最主要原因和体现.因此,要想获得很高的识别率,就必须运用虹膜图像的边缘信息.利用二维小波变换,构造出了一种新的虹膜识别方法.该方法的基本思想是对于小波多层分解的低频分量,用一种变形的互相关方法由粗到精地进行匹配,以筛选出少数匹配较好的虹膜图像;然后在第一级小波分解的边缘分量上提取图像边缘,并用一种新的基于边缘特征的距离量度对筛选出的虹膜图像进行最终识别.与国外的虹膜识别方法相比,该方法把全局特征与局部特征很好地结合起来,并且更为有效地利用了虹膜图像的边缘信息.     

基于纹理分布特征的虹膜识别算法

二维小波变换方向性差,不能从方向和频率同时描述虹膜纹理.基于此,分析了归一化虹膜纹理的分布特点,提出了基于纹理分布特征的虹膜识别算法.对原始人眼图像进行虹膜定位等预处理操作,得到归一化的虹膜纹理图像;对归一化虹膜图像进行了二维小波多尺度变换,结合虹膜纹理分布特点,选择小波分解水平通道;依据点能量贡献度,消除伪特征点并进行了点能量编码;计算了不同虹膜编码间海明距离,以其为依据进行分类.在给定距离阈值为0.25的前提下,可以达到99.91%的正确识别率.实验证明该算法是有效、可行的,并具有较高的识别率,识别速度也很快.     

基于PCHIP-LMD的虹膜识别方法

针对虹膜识别经验模态分解(EMD)和局部均值分解(LMD)方法具有无法兼顾分解速度和包含小误差的缺点,提出了将分段三次Hermite多项式插值引入 局部均值分解(PCHIP-LMD)的虹膜识别方法来提高识别准确率。针对虹膜纹理的分布特性,利用PCHIP-LMD对归一化的虹膜图像逐行分解,得到不同尺度的分量图像;通过提取有效的分量图像将其二值化为特征图像。然后用Hamming距离对特征图像进行移位匹配,得到匹配向量。最后计算匹配向量的改进标准差,用此标准差进行虹膜识别。对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别试验, 结果显示识别率分别达到了99.968 1%、99.884 5%、99.993 7%、99.878 2%。实验结果表明：该方法消除了虹膜特征提取时的高频噪声,有效提取了图像的二值特征,与EMD和LMD方法相比,识别速度,识别准确率和鲁棒性均有极大提高。     

基于空域与频域稳定特征融合的离焦虹膜识别

针对扩大景深的定焦虹膜识别系统易引入不同程度的离焦虹膜图像,增加识别错误率的问题,提出稳定特征融合解决方案.以基于序列图像的离焦虹膜识别方法为分析和验证基础,通过对不同图像离焦程度下稳定特征在空域和频域分布规律的统计研究,确定基于单幅图像注册的稳定深点区域特征与稳定傅里叶低频相位特征的提取规则,并将二者在匹配分数级进行融合完成识别.在SUT-DI离焦虹膜数据库上的实验结果表明,与融合前基于单特征的以及基于序列图像的识别方法相比,该方法取得了更佳的识别性能,等误率最高降低7.77％,证明了该方法对于图像遭受光学离焦具有鲁棒性,能够为便捷式虹膜识别系统的开发提供技术支持.     

虹膜图像处理与识别技术研究

虹膜作为重要的身份鉴别特征,具有唯一性、稳定性、可采集性、非侵犯性等优点。据统计目前虹膜识别的错误率在各种生物特征识别技术中是最低的。本文主要是通过对虹膜图像的预处理,纹理特征提取,编码及匹配达到对虹膜所有者的身份进行验证的目的。虹膜图像的预处理采用基于灰度差以及基于Hough变换的边界提取方法实现;然后用Gabor滤波器对虹膜图像进行纹理分析,提取图像的平均绝对偏差作为特征向量;最后用加权欧氏距离(WED)对虹膜图像进行身份验证。此外,本文还使用BP神经网络的方法对虹膜图像的特征进行分类识别。实验结果表明,这两种识别方法均达到了不错的识别效果。     

一种基于隐马尔可夫模型的虹膜识别方法

提出了一种基于奇异值分解和隐马尔可夫模型的虹膜识别方法。首先该方法将虹膜准确定位,并采用奇异值分解抽取虹膜图像特征作为观察序列,基于多观测值序列的隐马尔可夫模型算法进行虹膜图像的识别。实验中用VISUAL C＋＋6．0建立了虹膜训练和识别系统,实验数据为CASIA虹膜库中的图像,识别率均达到94％以上。理论分析及实验结果表明：本算法基本满足虹膜识别的稳定可靠、精度高等要求,并且对图像噪声有较强的鲁棒性。     

基于类卷积神经网络的可见光虹膜识别方法

针对应用于智能移动设备的虹膜识别系统在可见光采集条件下虹膜图像受干扰严重使得识别率正确率降低和算法鲁棒性变差的问题,提出一种类卷积神经网络结合局部特征提取的虹膜识别方法。首先,采用暗通道图像去雾算法对归一化虹膜图像进行增强处理以减弱光干扰;然后,利用类卷积神经网络对图像进行降维,获得虹膜的二值化纹理信息;再经分块处理方法提取降维图像各区域局部虹膜纹理信息以构建特征向量;最后用欧氏距离分类器进行匹配识别。为验证算法性能,采用MICHE-I虹膜图库中由iPhone5拍摄所得的30人240张(每人4张室内和4张室外)虹膜图像进行测试,并与Gabor变换和主成分分析虹膜识别方法进行对比。结果表明,该方法在室内外图像均进行训练的条件下正确率能够达到98.33%,且对室内外不同光照变化干扰有较好的鲁棒性,上述性能皆优于Gabor变换和PCA算法。说明本文算法能够满足移动设备虹膜识别使用要求。