虹膜定位算法

提出一种根据标准偏差定位瞳孔边缘和圆,大而快速定位虹膜外边缘的方法,试验结果表明,提出的方法提高了虹膜定位的速度以及定位的稳定性,减少了传统的虹定位算法中搜索的盲目性。     

基于径向微分算子的虹膜图像分割

针对虹膜的特点,构造了一种径向微分算子,用于虹膜图像的分割.这种方法对虹膜的平移和旋转具有很好的适应性,对光照的变化也有很好的适应性.采用中科院自动化所的CASIA(版本1.0)虹膜数据库进行实验,结果表明此方法具有很好的效果.     

一种新的虹膜定位算法

提出一种新的虹膜定位算法.首先根据虹膜图像的灰度分布特征进行粗定位,用阈值分割和二值图像形态学的方法提取瞳孔的圆心和半径,然后用边缘检测的方法提取虹膜的外边缘,最后用圆梯度灰度检测算子进行小范围的精确定位.实验结果表明,该算法提高了虹膜定位的速度,减少了传统虹膜定位算法中搜索的盲目性.     

基于椭圆拟合的晃动虹膜图像的检测算法

针对虹膜识别系统中晃动影响识别准确率的问题,提出了一种基于椭圆拟合的晃动虹膜图像的检测算法.首先对虹膜区域利用Gabor滤波器卷积初步估计光斑的位置;然后在放大5倍的截取虹膜图像上定位有效光斑;最后,对每个光斑的边界进行椭圆拟合,并计算长短轴比例和拟合误差,误差较小且长短轴比例大于1.55的图像判定为晃动图像.在CASIA-IrisV3-Lamp数据库上的实验表明,该方法检测晃动虹膜图像的准确率达到100%,提高了虹膜识别系统的准确率.     

基于最大熵的虹膜定位算法

针对虹膜图像自身的特点,先利用最大熵的方法把虹膜图像分成3个灰度等级,使虹膜最大限度的呈现出内外边界,然后在此基础上运用Daugman提出的虹膜定位算法能更有效地定位虹膜.实验表明,该算法具有更好的定位效果.     

基于AdaBoost算法的快速虹膜检测与定位

针对目前虹膜检测和定位方法中检测速度和定位精度等方面存在的不足,提出了一种利用AdaBoost算法进行虹膜快速检测和定位的方法.根据虹膜灰度图像的空间结构特征,提取出3类能反映这些结构的Haar-like矩形特征,从中挑选对虹膜图像有最好区分性的385个特征构成弱分类器,再组合生成强分类器.使用正负样本图像训练后,由强分类器级联组成了一个23层分类器系统.实验结果表明:该分类器系统的检测速度平均可达66帧/s,正样本的识别率约为96%,满足了虹膜识别系统实时性的要求.与其他方法相比,有更高的检测速度和定位精度.     

一种有效抑制睫毛干扰的虹膜定位算法

为了提高在图像质量较差时的虹膜定位性能,改善虹膜定位的成功率和速度,在对Daug-man算法改进的基础上,提出了一种基于形态学算子的虹膜定位算法(ILBM).该算法将睫毛干扰看作虹膜图像中出现的缝隙,通过应用形态学中的膨胀算子对缝隙进行填补进而消除干扰,虹膜边缘参数则采用Hough变换来求取.与Daugman算法相比,ILBM算法可以有效抑制虹膜定位过程中存在的睫毛干扰,提高虹膜定位的速度.对比实验表明,ILBM算法具有比Daugman算法更好的抑制干扰能力和鲁棒性,具有更高的定位成功率和更快的定位速度,定位时间仅为Daugman算法的17%,定位成功率提高了3.7%.     

基于自适应阈值分割及边缘检测的虹膜内边缘定位算法

为了提高虹膜内边缘定位的准确率和速度,本文提出了一种基于自适应阈值分割及边缘检测的虹膜内边缘定位算法。首先采用自适应的活动窗计算图像灰度,灰度最小值点确定为瞳孔内的任意一点,以灰度最小值作为阈值对原图像进行瞳孔分割。然后使用Lapacian边缘检测算子检测瞳孔区域边缘定位虹膜内边缘,最后根据圆的对称性计算虹膜内边缘的圆心和半径。仿真结果表明该算法准确定位虹膜内边界的平均时间为0.73s,准确率为100%,在虹膜识别系统中有较高的实际应用价值。     

基于AdaBoost算法与神经网络的快速虹膜检测与定位算法

针对目前已有的虹膜检测与定位算法的局限性, 设计了一组具有局部互联结构的神经网络, 结合AdaBoost算法用于虹膜的检测与定位. 算法主要有以下特征： 根据虹膜图像的特点设计了一组具有不同感受野和不同复杂程度的局部互联神经网络虹膜分类器; 应用AdaBoost算法整合神经网络分类器, 产生一个具有很强虹膜检测能力的总分类器; 采用级联结构提高系统的检测速度. 实验结果表明, 该方法具有极高的检测精度与速度, 有效地解决了包含大量脸部区域的虹膜检测与定位问题, 以及以往方法很难解决的白内障患者的虹膜检测和定位问题.     

基于Hough变换的虹膜定位算法

针对利用Hough变换实现虹膜定位时遇到的一些问题提出了相应的解决方案。为减少Hough变换的计算量,本算法采用了“先采样后变换”、“由粗到精”的方法;为提高可靠性、减小噪声影响,算法利用了虹膜内外边界之间的耦合关系以缩小在边界参数空间内的搜索范围。在MAT—LAB软件环境下的试验表明,算法取得了良好的效果。     

一种新型的虹膜定位算法

针对虹膜图像自身的特点，利用信息论中最大熵的方法进行阈值选取，提出了先将其分成三个灰度等级以最大限度的消除干扰信息，然后进行快速定位的新方法。实验结果表明，该方法具有很好的定位效果。     

基于改进YoloV4网络的虹膜定位算法

针对传统虹膜定位算法很难完成准确定位导致识别效果不稳定的问题, 提出一种基于改进YoloV4网络的虹膜定位算法. 首先利用YoloV4结合MobileNetV3对虹膜内外圆进行粗定位, 再利用瞳孔、 虹膜和巩膜的灰度差值分别对虹膜内外圆进行精定位. 同时, 使用K-means++聚类算法生成先验框; 使用快速soft-DIoU-NMS算法去除预测过程冗余框, 提高算法检测率; 使用Focal Loss作为类别损失函数. 对比实验结果表明, 该算法运行速度更快, 定位准确率更高, 识别算法的效果更明显.     

基于Camshift算法的虹膜实时跟踪

针对人眼虹膜跟踪中存在的眨眼和眼睑遮挡问题,提出了基于Camshift算法的虹膜跟踪方法。首先使用Adaboost学习算法进行人眼初步定位,然后加入三庭五眼的比例模型精确定位人眼;在人眼定位的基础上使用一个圆形滑动窗遍历人眼灰度图像,其中平均灰度最小的圆形窗可初步定为虹膜区域;将以上步骤检测出的虹膜作为Camshift算法初始模板,建立虹膜的颜色概率图,利用虹膜的颜色特征完成跟踪。实验证明本算法的虹膜跟踪准确率达到84%;并能解决眨眼和眼睑遮挡问题,保证了跟踪过程的鲁棒性。     

一种改进的虹膜内边缘定位算法

首先利用小尺度高斯低通滤波器对虹膜图像进行预处理,去除可能存在的眼睑和睫毛干扰;然后用Canny边缘检测算子得到虹膜的内边缘,通过自适应选取非极大值抑制的高阈值,并对不连续边缘进行修整,得到比较理想的虹膜内边缘;最后利用圆周上任意不共线的3点可以确定一组圆心及半径的参数的性质得到虹膜内边缘的圆心及半径,完成虹膜内边缘定位。实验结果表明,该算法可以比较准确地定位出虹膜的内边缘。     

在人眼识别中虹膜定位算法

为提高人眼定位的鲁棒性、准确性和检测速度,以改善算法的适用性,提出了一种基于YC_bC_r彩色空间的肤色信息和基于水平灰度投影与HIS彩色空间的人眼虹膜饱和度信息相结合的算法。算法先对图像的C_b和C_r分量用改进的高斯分布模型算法进行肤色提取,通过肤色区域的分析,对人脸区域进行预检测;然后利用水平灰度投影方法定位眼眉区域,再利用人眼虹膜的饱和度信息进行精确定位。实验结果表明,该方法对人眼定位的正确率达到85％,定位时间为0.072 6 s。     

基于多结构鲁棒估计的虹膜外边缘定位方法

在Adaboost检测人脸区域的基础上,提出了基于多结构鲁棒估计的虹膜外边缘定位方法.通过对200幅单人脸的图像数据集的仿真实验,结果表明,本方法相比于传统的RANSAC模型生成算法以及Hough变换等方法,能得到更精确的定位结果,而且能加快有效的模型生成,虹膜外边缘定位精度达到94%.