手持式片上虹膜识别系统设计及算法研究

在对实时虹膜识别技术的研究现状、识别算法和系统构成等进行全面分析基础上,针对实时虹膜识别技术的应用提出了手持嵌入式虹膜识别片上(SoC)系统.重点研究了该系统应用的虹膜识别算法,提出了一种新的基于SoC系统应用的虹膜图像获取、内外边缘定位、归一化、增强和识别算法.对该识别系统实验验证表明,算法运算速度快,性能稳定,精度高,具有体积小,功耗低,稳定性高等特点.     

一种基于小波奇异值分解的仿生模式虹膜识别算法

本文给出了一种基于仿生模式识别理论的虹膜识别算法,该识别算法首先进行虹膜的边界定位、归一化及有效区域的选择,并采用Daubechies-4小波变换及奇异值分解的方法进行虹膜特征的提取,最后利用基于超香肠神经元的双权值神经网络对同类虹膜样本构建出了其对应的高维闭合空间覆盖面.在中科院自动化所的虹膜数据库( CASIA v...     

一种新的基于结构特征的虹膜识别算法

提出了一种新的基于结构特征的虹膜识别算法。其基本思想是：首先,通过图像预处理得到归一化的虹膜图像;其次,利用逻辑判断的方法在虹膜图像上寻找局部极小值点;再次,去掉伪特征点,生成固定长度的虹膜编码;最后,计算2个虹膜编码间的“与”距离,根据该距离给出识别结果。在该CASIA虹膜图像数据库上进行了大量的实验,结果表明,该算法与现有的虹膜识别算法相比,识别准确率更高,识别速度更快。     

一种新颖的自适应虹膜识别方法

提出了一种新颖的自适应虹膜识别方法.首先,进行虹膜定位和上下眼睑拟合,然后对虹膜图像进行归一化操作,得到512列×64行的矩形虹膜图像,自适应地确定有效虹膜区域;其次,在虹膜有效区域内,利用纹理的方向信息、长度信息、宽度信息、邻域的灰度信息找出所有的虹膜特征点;再次,对特征点进行方向编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果.实验证明,该方法可以达到99.472%的识别率,能够满足虹膜识别要求.     

一种新的虹膜图像预处理方法

为了实现具有高准确性的非侵犯性虹膜识别,讨论了人眼图像中存在的由于虹膜识别的非侵犯性所造成的一些问题,提出了一种新的虹膜图像预处理方法.该方法包括内边界定位、眼睑检测、眼毛检测、外边界定位、虹膜归一化等操作.经该方法预处理得到的虹膜图像不包含眼睑和眼毛等干扰,使虹膜特征提取和匹配等过程不会受到各种干扰的影响,从而保证虹膜识别方法的健壮性.在多种图像库中的人眼图像上进行实验的结果证明,该方法能够有效地解决人眼图像中存存的问题,具有理想的准确性和较快的执行速度.     

基于RPROP算法目标识别的数据归一化研究

在复杂的目标识别问题中,高维数的待识别数据往往存在较大的数值差异,导致神经网络分类器学习速度变慢甚至不收敛,因此需要对数据进行归一化处理.文中以回弹后向传播算法在目标识别中的应用为背景,系统深入地研究了BP算法网络输入数据归一化方法,详细讨论了6种归一化方法的特点和应用范围.使用4类目标的仿真数据、5类飞机的暗室测量数据和UCIdata数据库的部分数据集进行实验,以数据未经归一化时作参考,分析比较了这6种归一化方法对网络学习性能的影响.结果表明:归一化能消除不同特征分量间的数值大小差异,改善网络的学习性能,其中分量白化方法效果好、概念直观,可作为通用的归一化方法.     

小波变换在虹膜图像特征提取与识别中的应用

文章从虹膜图像的灰度直方图入手,分析了虹膜图像的结构及其灰度分布,在此基础上,完成虹膜图像的内、外边缘的定位和归一化;利用小波变换对分区后的虹膜图像进行分解,实现了虹膜的纹理特征提取和识别。实验结果表明,该方法运算速度快,准确度高,能较好的满足虹膜识别的实际要求。     

基于普通向量的虹膜识别算法

典型的虹膜识别算法都是针对单个虹膜样本采用图像处理的方法提取虹膜特征,只强调个体信息,而忽略了虹膜样本间的联系.本文提出了一种基于普通向量的虹膜识别算法,从模式分析的角度,利用普通向量方法融合虹膜的个体特征和统计特征,并且通过高效的睫毛滤除和眼皮定位的算法,进一步提高了识别的精度和算法的稳定性.实验结果表明了该算法具有良好的性能.     

基于虹膜识别的身份认证系统设计

虹膜识别认证系统由4部分组成.虹膜图像采集采用自行研制的非接触式虹膜图像采集装置,并加入虹膜图像质量评估模块选取清晰虹膜图像;预处理过程中采用Hough变换精确定位,归一化后的虹膜图像具有平移、尺度和旋转不变性;特征提取采用Daubechies-4小波变换对图像进行4层小波分解,并采用汉明距离进行匹配.与现有其他方法相比,系统大大减少了编码存储空间以及编码和匹配的时间,提高了算法速度.     

一种快速高效的虹膜识别算法

为了提高虹膜识别系统的性能,提出了一种新的虹膜识别算法。首先采用先粗后细的方式定位虹膜的内外边界,然后将虹膜图像归一化展开并去除噪声,最后用选定的滤波器虚部对展开后的虹膜图像进行滤波并对特征编码,匹配算法中采用Hamming距离来定义特征间的距离。实验表明:对于CASIA库中的图像及自制采集设备采集的图像,本文算法都能达到较好的识别效果,而且相对于传统算法,本文算法大幅度降低了处理耗时和虹膜特征编码长度。