稳健的虹膜定位算法

虹膜定位是虹膜识别的第一步,同时也是最为关键的一步,它将直接影响整个虹膜识别系统的效率和准确率。针对目前已有虹膜定位算法的局限性,该文提出了一种新的基于多分辨率理论的虹膜定位算法。该算法首先在某一分辨率下搜索虹膜内外缘的边界点,然后针对这些边界点进行椭圆曲线拟合。通过大量的实验表明,该算法快速、准确,并能够在一定程度上解决偏视虹膜图像的定位问题和眼睑、睫毛的遮挡问题。     

一种用于虹膜识别的眼睑和睫毛检测算法

为减少眼睑和睫毛对虹膜识别率的影响,提出了一种用于虹膜识别的眼睑和睫毛检测算法。应用灰度形态学运算去除睫毛、光斑对眼睑区域的干扰,提取上眼睑区域每列灰度最小值点作为边缘点,对下眼睑区域进行梯度变换,根据最大梯度积分区间确定下眼睑边缘点;对眼睑边缘点进行最小二乘抛物线拟合上、下眼睑;利用眼睑抛物线在邻域内上下移动,当灰度突变时精确定位上下眼睑。根据上眼睑抛物线下移后抛物线像素点灰度的分布,自适应生成阈值对睫毛进行分割。实验结果表明:该眼睑算法能有效、快速地检测眼睑,与Hough变换算法相比,准确率相当,速度提高约4 s;睫毛检测算法能有效、简便和最大限度地检测出睫毛。     

生理结构先验引导下的虹膜精确分割算法

虹膜识别是一种即时有效、被广泛应用的生物技术,其相对于人脸识别、指纹识别拥有更高的安全性能。但虹膜识别系统整体性能在很大程度上受虹膜分割精度的影响。为了有效提高虹膜识别系统性能即虹膜分割精度,本文在分析虹膜生理结构特点的基础上,大量阅读了国内外相关领域文献并分析各种算法优缺点,创新性地提出了一种新的虹膜精确分割算法,打破了传统分割算法中虹膜与瞳孔为同心圆的假设;借鉴完全局部二值模式CLBP算法思想,融合图像灰度信息和结构信息,创新性地提出了形状敏感的检测算子,有效剔除了影响分割精度的两大因素:眼睑和睫毛的干扰。同时提出了分割流程,分为两部分:虹膜粗分割与精确分割,粗分割包括外轮廓与瞳孔剔除,精分割包括眼睑与睫毛剔除。最后在中科院自动化所公开虹膜数据集CASIA-IrisV3-Interval和CASIA-IrisV1上进行了一系列有关精度和运算效率的对比实验。采用本文所提出的分割算法,在公开的OSIRIS Version 4.1虹膜识别系统上进行实验,其准确率分别提高到了97.14%和98.28%,运算时长显著减少并分别达到了0.699 s与0.758 s。     

基于Hough变换和无轨迹卡尔曼滤波的眼睛角点跟踪

提出了一种基于改进Hough变换(HT)和无轨迹卡尔曼滤波(UKF)的眼睛外角点跟踪算法。该算法在输入图像中存在虹膜时采用改进Hough变换提取眼睑轮廓并得到眼睛外角点位置,当输入图像中检测不到虹膜时,采用UKF算法对当前帧眼睛角点进行估计。实验证明,本文算法能精确地跟踪眼睛外角点。     

快速有效的虹膜图像分割方法

针对影响虹膜识别性能的眼睑及睫毛遮挡以及瞳孔边界非标准圆等情况,提出一种新的虹膜图像分割方法．采用活动轮廓模型技术计算出瞳孔的精确边界;根据归一化虹膜图像水平方向灰度信号的小波模极值点在尺度空间的演化计算得到眼睑遮挡边界上点,并利用多项式拟合确定眼睑遮挡部分;最后结合一维Gabor滤波的眼睫毛检测结果实现有效的虹膜图像分割．与现有分割方法相比,消除了瞳孔传统圆模型给归一化虹膜图像带来的畸变影响,避免了传统眼睑边界检测过程中涉及的四维参数空间搜索范围问题,降低了算法实现复杂度．在CASIA图像库上的实验结果表明该方法可将系统识别等错误率从8%降低到4.4%．     

基于决策粒子群优化与稳定纹理的虹膜二次识别

不同时刻虹膜图像的采集状态不同,因此单一识别算法在多类别虹膜识别中的准确率可能较差。本文提出了基于决策粒子群优化与稳定纹理的虹膜二次识别算法。首先,使用6种图像处理算法提取稳定纹理特征。由Gabor滤波与Hamming距离组成首次识别,Haar小波与BP神经网络组成第二次识别,以顺序结构完成多类别虹膜的二次识别。根据马尔可夫决策过程与不同的虹膜库,自适应优化Gabor滤波和神经网络。结果表明,该算法可以有效提高虹膜识别的准确率。     

一种新的时空局部特征提取方法及在目标识别中的应用

针对大多数特征提取算法忽略时间因素对识别精度影响这一问题,提出了一种新的时空局部特征提取方法。首先采用Harris算子提取关键点并估算出该关键点处的尺度,并使用无迹卡尔曼滤波器对关键点处的位置进行跟踪,获取不同时刻下的关键点簇;再采用小波系数描述关键点簇的特征区域、采用SSD衡量关键点簇上相邻两时刻特征向量的相似度,并保留随时间推移SSD值变化缓慢的关键点簇;最后使用高斯统计模型对这些关键点簇的特征向量进行统计建模,获取时空局部特征。实验结果表明,文中方法的目标识别精度高于基于SIFT的目标识别精度约10%。     

模式识别的斜拉桥损伤诊断动力指纹与识别算法

为有效并准确诊断出斜拉桥损伤,对基于模式识别的斜拉桥损伤诊断方法进行了研究。选取易于测试出的低阶模态频率和部分关键点竖向振型数据为动力指纹,无需模态扩展或模型缩聚。研究并采用全因子设计进行动力指纹库的创建,可精确评估设定的损伤因子及其交互作用对损伤识别结果的影响。设计并增加了带随机误差的动力指纹库样本集。编制了基于Matlab的模式识别的多种算法,重点研究了精确度高的多层感知器识别算法及其提高该算法预测准确率的装袋集成算法。最后给出一座单塔双跨双索面斜拉桥的多种识别算法的损伤诊断过程和结果,得到一种可包容测试随机误差的高精确度斜拉桥损伤诊断评估模型。     

基于Haar小波变换的虹膜识别算法

提出基于Haar小波变换的虹膜识别算法.通过Haar小波变换对归一化虹膜图像进行特征提取,运用Hamming距离对2个虹膜特征进行模式匹配.与Daugman的虹膜识别算法比较,该方法在编码长度和编码时间上都有较明显的改进,且算法具有良好的鲁棒性,可用于实际的身份鉴别系统中.     

利用关键点检测算法的超声图像定点测量

超声图像的定点距离测量在临床医学上十分重要.由于超声图像的噪声大,边缘模糊,因此关键点自动定位在超声图像中很有挑战性.目前的关键点检测算法通常是针对单个关键点位置进行优化,难以在保证每个关键点检测精度的情况下得到准确的测量距离.为使超声图像中关键点的精度和两个关键点之间的距离更加精确,本文提出一种基于级联卷积神经网络的关键点检测算法,该方法采用两个卷积网络从粗略到精细的对关键点进行定位.首先利用第一个网络回归两个关键点的粗略位置,并将包含这两个关键点的小区域送入第二个网络.然后本文提出一种加入距离修正的损失函数,作为第二个网络的优化目标,在第一个网络输出结果的基础上定位最终的关键点位置.实验结果表明,本文提出的级联方法无论是相比传统的级联方式还是回归树方法,本文算法在超声图像的关键点定位上更为精准,并且在最终的距离测量精度上也有很大的提高,在评价标准下比传统级联方法检测精度上提升将近30%.     

虹膜与眼周深度特征融合网络模型

虹膜识别虽然识别率很高,但单模态识别时存在环境、欺骗攻击等影响,并且对于远距离或移动端、较少约束等场景下,虹膜识别率会大大下降。为解决此问题,采用虹膜和眼周双模态融合识别是较好的思路。为实现精确自适应的融合识别,本文提出新颖的虹膜与眼周深度特征融合网络模型（MultipleFusionNet）。根据特征通道注意力和通道分组注意力的思想,设计出自动权值生成网络,通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络生成的虹膜与眼周深度特征加权计算,实现两个模态的深度特征动态精确地融合,从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用,该模块可灵活地嵌入在任何的CNN主干网络中,轻便且易于实现。在中科院公开的远距离虹膜库图像库CASIA-Iris-Distance和近距离光照变化虹膜图像库CASIA-Iris-Lamp进行了实验验证,实验结果显示,本文的特征融合模型准确率最高为99.56%,采用余弦距离度量的EER值最低为0.0027,优于单模态方法和相关的特征融合方法。计算复杂度方面,参数量和计算量比单模型的两倍少1.5%,计算量只比基准融合方法高1%,表明该融合模型计算复杂度低,具有良好的性能。     

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA-IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。     

一种虹膜色素块检测与分类方法

针对现有虹膜识别系统中全局纹理特征提取方法忽略了纹理类型信息的问题,提出了一种针对全局性纹理中虹膜色素块的检测与分类方法.该方法利用灰度聚类法实现虹膜图像中色素块可能存在区域的初定位,依据坑洞和色素斑这两类色素块的灰度空间分布特性,定义一组区域特征参数作为分类特征向量,利用支持向量机实现二者的检测与分类.算法对图库中图像的坑洞和色素斑的检测正确率分别为99.2%和86.5%,对无特征纹理存在的虹膜图像检测正确率为87.2%.实验结果表明,该方法具有较高的正确率,能够满足虹膜识别系统的纹理特征提取要求.     

基于Curvelet变换的虹膜识别

为提高虹膜识别的准确度,提出采用第二代曲波变换提取虹膜图像纹理特征的方法.首先将预处理后的虹膜图像进行曲波分解,然后采取不同方法对曲波分解后的低通和带通子带进行特征提取,并根据各带通子带的能量大小赋予不同的加权系数,最后采用欧式距离进行虹膜特征匹配.在4种虹膜图像库上测试表明,提出的虹膜图像纹理特征提取方法具有较高的识别率,与Harr小波和DCT(离散余弦变换)相比,特征提取时间相当,但识别率相对DCT来说,分别提高了1.8％,2.1％,2.0％和0.9％.     

虹膜识别关键技术研究

虹膜识别是一种新颖的基于生物特征的身份鉴别方法，在信息及安全领域有着重要的砬用价值．在总结前人工作的基础上，就虹膜成像、虹膜区域定位、预处理机虹膜纹理编码等关键技术进行了讨论，给出了一些相关的改进及创新算法，实现了一套基于虹膜识别的身份认证系统，实验结果验证了工作的有效性．     

基于改进的经验模态分解的虹膜识别方法

首先,采用先行后列的方法对归一化虹膜图像进行经验模态分解,得到不同尺度的固有模态分量;找出有利于识别的分量,将其进行二值化处理生成特征图像;然后对特征图像进行水平和垂直移位匹配,得到海明(Hamming)距离匹配向量,计算匹配向量的改进标准差,以此标准差进行虹膜识别。最后分别对CASIA1、CASIA2、CASIA3-interval、MMU1库进行了识别,结果表明:该方法能够有效地提取图像的二值特征,具有速度快、识别率高等优点。