一种基于子块图像互相关的虹膜识别方法

虹膜识别是一种新兴的生物特征身份识别方法,在场所或资源的安全控制等方面具有重要的应用价值。该文提出了一种基于子块图像互相关的虹膜识别方法。在特征提取时,把图像划分为许多子块,计算两幅虹膜图像的对应子块间的归一化相关系数,并把最小的几个归一化相关系数去除掉,然后求得剩下的归一化相关系数的均值及方差,作为两幅虹膜图像的联合特征。这能够有效地减小图像强度的局部畸变对虹膜识别的影响。为了实现模式的非线性划分,判别函数采用径向神经网络来构造。最后,进行了小样本实验,实验结果表明,这种基于子块图像互相关的虹膜识别方法是可行的。     

基于线段提取的虹膜归一化方法

对虹膜图像进行归一化处理是虹膜识别系统中非常重要的一个环节.虹膜归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置,从而消除平移、缩放和旋转对虹膜识别的影响.文中分析了虹膜内外圆不同心的原因,介绍了两种虹膜归一化方法,并着重描述了基于线段提取的虹膜归一化方法.这种方法采用若干条线段表示两个不同心圆周之问的区域.并且只有一种分析模型.实验表明基于线段提取的虹膜归一化方法可以起到很好的归一化效果.     

分块小波特征结合BP神经网络的虹膜识别方法

在对虹膜特征提取时,绝大多数方法是直接对虹膜归一化后的增强图像进行某种变换,为降低虹膜特征维度,同时保证识别效率,提出了对归一化虹膜径向折叠分块、环向周期分块再进行haar小波变换的方法,降低了虹膜区域对噪声的敏感性,在减少虹膜特征维度的同时,保证了虹膜有效特征不被中和。为进一步克服虹膜识别中对旋转的敏感性,采用了周期延拓的小波变换方式提取高频信息。最后利用BP（Back Propagation）神经网络的分类方法,将小波变换后的高频信息直接作为分类器的输入,进一步提高了虹膜识别正确率。实验表明,提出的方法特征点数低至120,正确识别率可达到99.48%。     

一种高精度的虹膜识别算法的实现

该文提出了一种高精度的基于虹膜的身份识别的方法。该方法包括虹膜图像的预处理、虹膜的特征提取和虹膜的匹配与识别三个部分。虹膜图像的预处理包括虹膜图像的定位、归一化、增强和去噪。利用虹膜图像提供的丰富的纹理信息,特征提取采用Daubechies-2小波变换的纹理分析方法。匹配采用k近邻分类器。该算法对光照和噪声不敏感,且具有平移、缩放、旋转不变性。由实验结果表明,本文提出的方法提高了虹膜识别的有效性和准确性,是一种实用的身份识别方法。     

融合局部与全局特征提取的虹膜识别方法

传统的虹膜识别系统需要将虹膜图像转换至极坐标系统并进行归一化,通过平移特征向量来达到旋转不变性。为了降低传统虹膜识别方法的复杂性,提出了一种融合局部与全局特征提取的虹膜识别方法,无须对预处理后的虹膜图像进行归一化。该方法首先对分割出的虹膜图像直接采用非张量积小波提取全局特征,接着采用SIFT方法提取选定区域的局部特征,最后对虹膜局部及全局特征采用不同的权值,进行相似性距离测试。结果表明该方法在等错误率为0.935%的情况下,正确识别率达到了99.065%。在不对虹膜图像归一化的情况下,可获得很好的识别性能。     

基于权值相位差的虹膜匹配算法

虹膜识别是最具发展前途的生物识别技术之一,由于虹膜匹配和评价作为虹膜识别的核心步骤直接影响虹膜识别的准确率,提出一种新的基于权值相位差的虹膜匹配算法。首先对定位好的虹膜图像重新采样,其次对其进行归一化处理,得到矩形虹膜图像。然后利用频域变换处理矩形虹膜图像。最后采用新的虹膜匹配算法利用全部相位信息和部分振幅信息来进行虹膜的匹配。虹膜纹理信息主要集中在虹膜环靠近瞳孔的位置,这部分区域纹理信息密集,本文提出的基于权重函数的方法能经过实验验证,该算法有效地突出虹膜纹理低频信息部分快速准确,提高了匹配效率,为虹膜识别的匹配和评价核心步骤提供了一个新的方法。     

基于2D-Gabor滤波器的虹膜识别技术研究

在进行虹膜扫描识别时,最重要的部分是进行虹膜的特征提取.本文设计一种单频2D-Gabor滤波器,对归一化后的虹膜图像进行编码匹配.实验证明,当虹膜对比库规模不大的情况下,单频率能够较快速的进行虹膜特征提取与识别,与多通道相比更为适用.     

虹膜识别算法的应用研究

研究虹膜识别问题.针对传统识别算法不能够很好的消除平移,缩放和旋转对于虹膜识别的影响,以及一维 log Gabor滤波特征提取方法丢失二维信息的缺陷,导致虹膜识别的正确率低的难题,提出一种改进的虹膜识别算法.首先在虹膜预处理过程中采用粗定位和精定位相结合的虹膜定位方法获取虹膜内外边缘,并用直方图均衡化来增强归一化的虹膜图像.突出虹膜纹理,从而降低光照不均匀性的影响,然后二维 logGabor 滤波取代一维 log Gabor 滤波来提取虹膜纹理特征,克服一维 log Gabor 滤波丢失二维信息的缺陷,最后对提取的特征进行编码,采用欧式距离进行匹配得到识别结果.通过 CASLA虹膜数据库进行了仿真,实验结果表明,相对于当前典型的虹膜识别方法,提高了虹膜识别的正确率,识别速度相应加快,在虹膜识别领域中有着广阔的应用前景.     

基于能量最大响应方向的虹膜识别算法*

为提高虹膜识别算法的正确识别率,给出了基于能量最大响应方向的虹膜识别算法。该算法首先对人眼图像进行预处理得到归一化虹膜图像,并依据归一化虹膜纹理的分布特点,选择多尺度多方向滤波技术对归一化虹膜图像进行分解;然后提取最优分解尺度下像素点的能量最大响应方向数,进行二进制虹膜编码和去噪;最后通过计算两个虹膜编码间的加权海明距离和衡量两者的差异性,给出识别结果。实验证明,在等误率为0.1176 时,正确识别率达到99.997%。与经典的虹膜识别算法相比较,该算法具有更高的识别率。     

虹膜识别的过零检测循环编码方法

研究了虹膜特征提取和编码识别算法。首先对虹膜图像进行预处理获得归一化的虹膜图像,然后对归一化后的虹膜图像进行高斯平滑滤波和小波过零检测,对得到的特征矩阵通过二次循环编码以得到虹膜的特征值序列,最后通过改进的欧氏距离对虹膜进行判别。实验结果表明,识别率可以达到96.3%。该算法运算简单,能够解决虹膜识别中的旋转不变性问题,得到了较好的识别效果。     

Neural network based biometric personal identification with fast iris segmentation

This paper presents the iris recognition system for biometric personal identification using neural network. Personal identification consists of localization of the iris region and generation of a data set of iris images followed by iris pattern recognition. In this paper, a fast algorithm is proposed for the localization of the inner and outer boundaries of the iris region. Located iris is extracted from an eye image, and, after normalization and enhancement, it is represented by a data set. Using this data set a Neural Network (NN) is used for the classification of iris patterns. The adaptive learning strategy is applied for training of the NN. The results of simulations illustrate the effectiveness of the neural system in personal identification. Recommended by Guest Editor Phill Kyu Rhee. This work was supported by the Near East University. The authors would like to thank Institute of Automation, Chinese Academy of Sciences for providing CASIA iris database. Rahib Hidayat Abiyev was born in Azerbaijan, in 1966. He received the Ph.D. degree in Electrical and Electronic Engineering from Azerbaijan State Oil Academy (old USSR) in 1997. He worked as a Research Assistant at the research laboratory “Industrial intellectual control systems” of Computer-aided control system department. From 1999-present he is working as an Associate Professor at the department of Computer Engineering of Near East University. He is the Chairman of Computer Engineering Department. His research interests are softcomputing, pattern recognition, control systems, signal processing, optimization. Koray Altunkaya was born in Turkey, in 1982. He received the MSc. degree in Computer Engineering from Near East University, North Cyprus in 2007. He is working as an Research Assistant at the research laboratory “Applied Computational Intelligence” of Computer Engineering Department. His research interests are image processing, neural networks, pattern recognition, digital signal processing.     

High performance iris recognition based on 1-D circular feature extraction and PSO–PNN classifier

In this paper, a novel iris feature extraction technique with intelligent classifier is proposed for high performance iris recognition. We use one dimensional circular profile to represent iris features. The reduced and significant features afterward are extracted by Sobel operator and 1-D wavelet transform. So as to improve the accuracy, this paper combines probabilistic neural network (PNN) and particle swarm optimization (PSO) for an optimized PNN classifier model. A comparative experiment of existing methods for iris recognition is evaluated on CASIA iris image databases. The experimental results reveal the proposed algorithm provides superior performance in iris recognition.     

基于协同神经网络的图像数字水印算法

为保证图像数字水印的鲁棒性和安全性,结合加密技术,提出了一种使用协同神经网络的图像数字水印算法。该算法是先对有意义的灰度图像进行水印序列化处理后,再将其作为水印信号嵌入到载体图像的分块DCT系数直流分量里。水印的检测提取算法是采用协同神经网络,将疑似水印信号作为网络的输入,而网络的输出就是识别的结果。经仿真实验验证,该算法可承受一定的图像处理操作,不仅能同时完成水印的检测与提取,而且能有效判断水印的归属,具有较好的性能。     

基于小生境技术的火灾图像识别算法

火灾图像识别是火灾探测研究的重要组成部分。随着人工智能技术应用的不断深入,遗传算法和神经网络也被应用到火灾图像识别中。针对目前的遗传神经网络火灾图像识别算法、网络结构不易确定的问题,本文提出了一种基于小生境技术的火灾图像识别算法,即依据火灾图像识别的特点,建立了多层前向神经网络模型,模型的输入、输出层节点数确定,隐含层数、隐含层节点数待定;然后对网络结构和权值、阈值编码,分别采用小生境技术和传统遗传算法训练神经网络模型。实验结果显示,本算法可有效减少进化的代数,加快训练的过程,最后采用训练好的神经网络模型对火灾图像进行识别,取得了较好的效果。     

基于改进神经网络的火车票号识别算法研究

为提高火车票识别精度和效率,将图像处理技术和BP神经网络结合,提出了一种基于图像处理和BP神经网络的火车票号识别算法.首先,通过图像预处理、目标区域的定位、二值化、倾斜校正和字符分割,提取火车票的身份证号码特征信息,建立特征信息库;之后,将特征信息库作为BP神经网络的输入,数字和字符类别作为BP神经网络的输出,建立BP神经网络的火车票号识别模型.研究结果表明,与模板匹配和SVM相比,提出的方法可以有效提高火车票号的识别精度和效率,识别精度高达97.7％,从而为火车票号识别提供新的方法.     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

模糊技术与神经网络的混合算法在运动目标的识别与跟踪中的应用

图象跟踪是运动图象处理中的关键环节,但是如何在强噪声下实现快速有效的图象跟踪却一直是难点。该文提出了一种模糊技术与神经网络结合的算法,它充分吸收了模糊算法与神经网络的优点,在近距离目标下以神经网络识别的静态可能性为主,而在远距离目标时以模糊算法识别的动态可能性为主,使其不仅在目标近即大时有很高的识别率,而且更令人鼓舞的是在目标远即几乎为点目标时也有很高的识别率。另外,该文还提出了计算各个目标优先级的算法。最后,以红外序列图象为例表明该文提出的算法的高识别率。     

PI-Unet：异质虹膜精确分割神经网络模型的研究

在虹膜识别系统中,异质虹膜图像（可见光和红外图像）的分割是最重要且最有挑战性的一个任务,该任务的难点在于针对异质虹膜图像,要同时兼顾虹膜分割的准确率和快速性。提出了适用于异质虹膜分割的神经网络模型PI-Unet（Precise Iris Unet）以及用于训练该网络模型的数据增强方法和损失函数。对PI-Unet的Encoder和Decoder进行实验探索,得出能同时兼顾准确率和快速性的网络结构,将提出的数据增强方法和损失函数用于该网络进行训练,在CASIA-iris-intervel-v4和UBIRIS.v2虹膜图像数据库上测试该网络的准确率、参数量和计算量。测试结果表明,提出的数据增强方法和损失函数能有效提高异质虹膜分割准确率,PI-Unet与传统虹膜分割算法和其他虹膜分割神经网络相比,对异质虹膜图像的分割准确率更高且参数量和计算量更少,能够适用于低性能的边缘计算设备。     

基于细胞神经网络运动目标跟踪算法研究

运动目标跟踪是模式识别、图像处理、计算机视觉等领域的重要课题,它把图像处理、自动控制、信息科学有机结合起来,针对背景是静止的运动物体图像序列,提出了基于细胞神经网络移动目标跟踪,该算法大部分采用细胞神经网络结构,能够实现高效、快速的移动目标跟踪,可以满足实时需要,在实验基础上验证了该算法的有效性。     

基于直觉模糊——神经网络的色情图像识别算法

网络中色情图像的传播严重影响了网络信息内容的安全性。为提高色情图像识别的准确度,提出了一种直觉模糊理论和FP（Forward Propagation）神经网络相结合的色情图像识别算法。算法以颜色直方图为底层特征,根据色情图像颜色分布情况,由模糊理论和直觉模糊理论共同构建图像特征矩阵;采用FP网络实现色情图像特征训练过程,其中特征矩阵的权重通过反向传播神经网络训练得到,以加权距离建立球形邻域半径;最后通过球形邻域覆盖情况识别色情图像。实验结果表明,该算法能够在不影响识别速率的前提下,有效的提高识别准确度。