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.     

二维Gabor小波在虹膜识别中的应用

二维连续小波变换具有尺度伸缩、平面位移和旋转能力,被广泛应用于检测图像的局部特性,二维Gabor小波变换属于二维连续小波变换,它非常适合于提取图像细节纹理的特征.针对虹膜纹理的局部特性,将二维Gabor小波应用于虹膜识别中.实验结果表明,二维Gabor小波能有效地提取虹膜纹理特征,从而达到虹膜识别的目的.     

一种基于纹理特征点匹配的自适应虹膜识别方法

传统的虹膜识别方法原理复杂,实现困难.为了在保证识别率的同时简化虹膜识别算法,提高虹膜识别效率,提出了一种基于纹理特征点匹配的自适应虹膜识别方法.首先,通过图像预处理得到512列×64行的矩形虹膜图像;其次,在有效的虹膜区域内,通过自行设计的边缘检测方法找到虹膜特征点;再次,对特征点进行编码,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.在给定距离阈值为0.37的前提下,可以达到99.242 8%的正确识别率.实验结果证明,该方法能够满足虹膜识别高准确性的要求.     

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.     

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。     

空间信息与尺度信息相结合的虹膜识别算法

提出了一种空间信息与尺度信息相结合的虹膜识别算法.将二维小波变换与灰度共生矩阵相结合,由此提取的虹膜特征向量既反映了空间变化的特性也反映了尺度变化的特性.实验结果表明用该方法构造的虹膜识别算法,对比仅用小波变换的方法,可获得较高的识别率.     

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。     

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.     

基于小波过零点位置不等长编码匹配的虹膜识别

传统的Boles小波过零点方法在特征匹配步骤需将不等长编码化为等长,再使用等长编码进行匹配。但造成编码不等长的原因十分复杂,将不等长编码强行化为等长十分困难,导致识别效果受到影响。针对此问题,提出了一种基于小波过零点位置不等长编码匹配的虹膜识别方法。在小波变换第4－8分解级每级下分别计算出小波过零点的位置作为编码后,使用了一种移位匹配方法直接对不等长编码求取距离,即将待匹配的两样本数据每进行一次相对移位计算一次距离,最后取最小距离作为两样本距离。在包含800张图片的虹膜图库上进行了实验,识别率达到97.70％,与Boles的小波过零点方法相比识别率提高5.16％,一次完整的特征提取及匹配只需不到0.2秒。能够很好的满足虹膜识别系统对实时应用的速度及识别率要求。     

Iris Feature Extraction and Recognition Based on Fractal Dimension of Grayscale Extremums

This paper presented an individual recognition algorithm for human iris using fractal dimension of grayscale extremums for feature extraction.Firstly,iris region was localized from an eye image with modified circle detector stemmed from Daugman's integro-differential operator.Then,segmentation was used to extract the iris and to exclude occlusion from eyelids and eyelashes.The extracted iris was normalized and mapped to polar coordinates for matching.In feature encoding,a new approach based on fractal dimension of grayscale extremums was designed to extract textural features of iris.Finally,a normalized correlation classifier was employed to determine the agreement of two iris feature templates,and the feature template was rotated left and right to avoid the interference from rotation of eyes and tilting of head.The experimental resuits show that fractal dimension of grayscale extremums can extract textural features from iris image effectively,and the proposed recognition algorithm is accurate and efficient.The proposed algorithm was tested on CASIA-IrisV3-Interval iris database and the performance was evaluated based on the analysis of both False Accept Rate (FAR) and False Reject Rate (FRR)curves.Experimental results show that the proposed iris recognition algorithm is effective and efficient.     

虹膜识别技术中的图像处理

介绍了最新研制的虹膜识别系统的采集装置和识别算法,通过设计对比了两种系统的虹膜识别体系的采集装置和识别算法。一套是基于CMOS图像传感器的成像系统,另一套是经过改进的基于数码相机的成像系统。改进后的系统硬件部分操作简单,采集到的图像更加清晰,可用于识别的虹膜细节部分更完整。改进后所使用的算法相对也更简洁。     

基于虹膜识别的网络考试防作弊系统

针对网络考试缺乏有效监控措施问题,设计了一种基于虹膜识别的网络考试防作弊系统。此系统采用阈值分割和微积分算子法定位虹膜区域,利用二维Log-Gabor滤波器提取虹膜特征,以及使用汉明码距离匹配虹膜特征来完成身份认证,且采用RSA算法在网络中加密传输。整个系统具有身份认证识别率高和安全可靠性高的特点。经测试,使用效果良好。     

基于BAB策略与SVM的虹膜块状纹理检测

块状纹理是虹膜表面上一种重要的特征纹理。对于可见光虹膜图像而言,由于受眼睑、光斑及光照不均匀等因素影响,如何准确地提取出该特征纹理仍然是目前一个亟待解决的难题。提出一种基于分枝定界(BAB)策略和支持向量机(SVM)的可见光虹膜块状纹理检测方法。首先使用线性模板来提取虹膜上所有目标纹理;然后,采用BAB策略定位所有目标纹理并计算每个目标纹理的特征向量;最后,使用SVM实现对块状纹理的检测。通过实验证明,该方法对于虹膜块状纹理的检出率和检测时间均优于同类方法。     

基于火焰彩色纹理特征的转炉炼钢碳含量预测

连续实时测量碳含量是转炉终点钢水碳含量控制的关键.针对转炉终点炉口火焰图像相似性高导致难以提取具有较强区分性火焰图像特征的问题,提出一种图像彩色纹理特征提取方法——四元数方向统计量(QDS)算法.首先,利用四元数乘法特性对火焰图像进行旋转操作得到火焰图像的四元数旋转图谱;其次,以旋转图谱指定方向和距离上像素差值的四元数...     

应用迭代圆环像素率法实现快速虹膜定位

针对虹膜定位易受噪声影响、速度慢、自适应性差等问题,提出了基于迭代圆环像素率法的快速虹膜定位算法。提出的定位算法包括切割虹膜图像、Hough圆检测粗定位、微积分算子精定位3个部分,从切割虹膜图像、图像抽样、迭代圆环像素率法、快速Hough圆检测以及分层定位思想5方面提高算法的速度。提出了缩小半径范围的迭代圆环像素率法以及消除瞳孔光斑的形态学方法,瞳孔分割阈值以及小范围的圆心、半径候选集等参数都是通过计算得到,自适应性好。使用4个虹膜数据库进行实验,并与相近算法进行了对比。实验结果表明,该算法的定位准确率为97.75%～99.07%,定位时间为52.847～158.502 ms,是一种鲁棒、快速、自适应的虹膜定位算法。     

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。     

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。