基于非线性尺度空间的非理想虹膜边界定位

提出了一种基于非线性尺度空间的非理想虹膜边界定位方法。这一方法通过具有尺度演化特性的非线性扩散消除小尺度的几何结构,保留虹膜的主要边界信息。此外将此扩散与多分辨率分析框架结合,从而实现了虹膜边界的快速有效检测。实验结果表明,与经典方法相比,所提算法能够有效消除上述因素导致的不利影响,精确提取了非理想虹膜的内外边界。     

一种快速的虹膜定位算法

针对虹膜定位存在速度慢,外边缘模糊导致提取困难等问题,提出一种利用灰度直方图增强对比度,粗定位与精定位结合的三步定位算法。首先利用灰度投影粗定位出瞳孔圆心,再根据灰度直方图将图像二值化后,用算子提取边缘,然后通过粗略搜索缩小搜索范围,最后实现精确定位。试验表明,本算法减少了传统方法中搜索的盲目性,解决了外边缘定位效果不佳的问题,对图像质量要求不高,且快速有效,精度高。     

虹膜定位算法研究

在介绍现有虹膜识别算法的基础上,针对其局限性,提出一种改进的虹膜定位算法,实现了精确而快速的定位.在该算法中,通过阈值化和Freeman链码进行内边界定位;Canny算子和圆形Hough变换被用于外边界定位;上下眼皮的去除利用Canny算子和线性Hough变换实现,睫毛和镜面反射通过阈值化的方法加以去除.实验验证了该算法的合理性和有效性.     

一种新型的虹膜定位方法

简洁有效的虹膜定位对于虹膜识别技术的实用化是至关重要的.本文采用二值化方法结合点hough变换定位虹膜内边缘、微积分边缘检测器定位虹膜外边缘.根据眼睑近似直线且附近噪声多、纹理较少等特性,提出一种新的直线拟合方法,由于外圆定位时易受眼睑、睫毛及眼睑阴影等噪声的干扰,所以在定位外圆前将眼睑分离.与传统的虹膜定位方法相比,此算法减轻了眼睑等噪声的干扰、鲁棒性好,提高了定位精度.     

一种基于圆周差分法的新颖虹膜定位算法

虹膜定位是虹膜识别中非常重要的一个环节.Daugman提出的圆周差分定位法鲁棒性和精确性较好,但当在整幅图像中搜索虹膜时,将非常的耗时,同时也会因为受到睫毛等的干扰而降低定位的精确性.本文在圆周差分方法的基础上,利用行、列的灰度信息和直方图来实现瞳孔的粗定位,然后采用一种新颖的快速迭代搜索方法来实现瞳孔和虹膜的精定位.采用此种粗定位与精定位相结合的方法极大的缩短了虹膜定位的时间,提高了定位的准确性.通过对大量虹膜图像的定位实验表明,新方法取得了非常好的结果.     

一个快速有效的虹膜定位算法

传统的虹膜定位方法需要搜索的参数范围太大,速度较慢,并且,睫毛遮掩和外边缘模糊会大大影响定位效果,本文提出的定位算法基于从精到粗的思想,缩小参数范围,并有效的减少了这两个因素的影响.同现有两种常用方法通过试验比较,证明此算法能同时在精度和速度上有较大的改进.     

基于多尺度策略的三步虹膜定位算法研究

为了解决虹膜识别技术中有效、快速地定位虹膜图像,针对传统虹膜定位算法的局限性,提出了一种快速多尺度虹膜定位算法.该算法根据瞳孔、虹膜和巩膜的区域特征,应用多尺度策略,实现了瞳孔、虹膜和眼睑三部分的边缘定位.在相同的实验条件下,对不同个体的虹膜图像进行仿真实验,结果表明,本文算法较传统的边缘检测与Hough变换方法节省了定位时间,增强了定位的稳定性,减少了传统虹膜定位算法中的搜索盲目性.     

基于主动轮廓线的虹膜内边界的定位方法

在图像中虹膜位置的有效定位是虹膜识别的关键问题。用一种基于主动轮廓线的方法定位虹膜内边界,先用灰度投影法检测出瞳孔内的一点作为瞳孔的伪圆心,不要求该点一定在瞳孔中心附近,只要能落在瞳孔内部即可;然后以该点为中心,在其周围等间隔地取几个点作为初始的snake,按照snake的运行机制不断进化,直到虹膜的内边界为止;最后,计算进化后的snake形心和snake上的控制点与该形心的距离,取其平均值作为瞳孔的半径,形心作为瞳孔的圆心,即可准确定位出虹膜内边界的位置。实验表明,与常见的定位方法———Hough变换和Daugman的圆形检测算子相比,文中的方法速度快、精度高,而且,对瞳孔初始的伪圆心要求不高,鲁棒性更强。     

一种快速虹膜定位算法的研究

提出一种结合梯对检测和随机圆检测（RCD）的虹膜定位方法。通过对原始图像作滤波,提取图像梯度和边缘像素集合。按照梯度对满足条件搜索边缘图像中的梯度对,用梯度对计算圆的参数,通过统计计算来完成内圆定位。在处理后的边缘图中按规则随机取4点,根据RCD准则判断4点是否共圆,用公共圆判据完成虹膜外圆的分割。实验结果表明,该方法有效可行,可达到98．1％的成功定位率,并缩短了运算时间,减少了系统对内存的需求。     

基于矢量场卷积的虹膜定位

为了提高虹膜定位的精度和准确性,从而进一步提高虹膜识别系统的识别率,提出了一种基于矢量场卷积(Vector Field Convolution,VFC)的虹膜定位算法,用于精确定位虹膜内边界。首先利用最小灰度平均值法自动确定VFC模型的初始化轮廓,在活动轮廓内外力作用下实现虹膜内边界定位;然后对于虹膜外边界,采用改进的Daugman算法进行定位。利用多个虹膜图库进行了大量实验,并与几种常见的虹膜定位算法进行了比较,实验结果表明:该方法定位准确度更高,虹膜内边界定位更接近真实边界,定位结果有明显改善。     

一种基于人眼图像灰度分布特征的虹膜定位算法

提出了一种基于人眼图像灰度分布特征的虹膜定位算法。该算法不必检测到所有的虹膜边界点,只需要分别在虹膜的内外边界上各检测到3个点即可。然后利用落在同一个边界上的3个点,根据“非共线的3点确定1个圆”的几何原理,计算出边界圆的参数,从而确定虹膜内外边界。对CASIA虹膜图像数据库进行了大量的实验,结果表明,该算法与经典的虹膜定位算法（如Daugman的算法和边缘检测算子结合Hough变换的算法）相比,定位结果更加准确,定位速度大幅度提高。     

虹膜识别中的采集系统研究

介绍了虹膜识别系统中的识别方法及相应的采集系统设计；系统设计中采用新型CMOS成像芯片成像、光学低通滤波器滤波和自对准、红外照明、防Xuan光等无侵犯性设计；文章详细介绍了相关器件及系统参数设计，并给出运用此系统所进行的的虹膜识别对比实验结果。该系统设计具有一定的参考价值。     

虹膜识别中图像采集的研究

介绍了图像采集中的自动调焦方法,并给出了一种基于图像灰度处理的自动调焦判别函数--锐度判别函数,在此算法的基础上设计开发了虹膜识别的图像采集系统.实验证明,用此方法采集的虹膜图像纹理清晰,提高了系统的有效率.     

一种基于椭圆投影的非理想虹膜定位算法

人以正常步行速度通过采集装置会出现非理想的虹膜图像.本文针对非理想虹膜中的角度偏离图像,提出了一种基于椭圆投影的虹膜定位算法.该算法首先计算双眼相对位置来决定头部的旋转角度,之后找到瞳孔内一点,从该点出发根据梯度变化搜索到虹膜的内边界点,采用最小二乘法拟合椭圆形内边界.然后依据椭圆与圆形的近似度检测人眼凝视方向,使用投...     

一种新颖的基于小波变换的虹膜识别算法

虹膜识别是一种新兴的生物识别技术,研究了虹膜图像的快速定位、增强等预处理方法,并提出了一种新颖的基于二维小波变换的虹膜识别算法,它的基本思想是:对预处理得到的虹膜图像进行四层小波分解,对得到的低频和高频系数抽取115维特征矢量,最后用汉明距离进行图像匹配判决合法性.实验证明,该算法运算速度较快,在图像模糊、噪声干扰等不利条件下仍具有良好的稳健性.     

基于多分类的虹膜匹配方法

在传统的虹膜识别系统中,虹膜匹配被认为是一个二分类问题：类内匹配和类间匹配。许多已存在的方法简单地利用距离来执行虹膜匹配。由于这些方法不能很好地利用虹膜特征,所以会产生很高的拒识率和误识率,且鲁棒性不强。为了解决这些问题,提出把虹膜匹配当作一个多分类问题,采用一种新颖的蕨算法（Ferns）分类器来完成该工作。相比支持向量机（SVM）分类器,在执行虹膜匹配时,Ferns分类器有诸多优点。为了对提出的算法给出全面评价,实验中分别在认证和识别这2种模式下对该算法进行测试。实验结果证明,提出的方法可以极大地改善虹膜识别系统的性能。     

基于边界元法的微结构光波导模场分布研究

本文基于加权余量法,阐述了利用边界元法求解矢量亥姆霍兹方程的数学基础-亥姆霍兹方程的边界积分方程;并推导了数值求解该边界积分方程的方法;利用推导结果,编写计算机程序分析了圆光波导的模式场分布情况。实验结果表明,该方法可以在较低方程组阶数,较少输入数据量的前提下准确地分析微结构光波导内模式场的分布情况。     

基于Hough变换的快速虹膜识别算法研究

为了快速、准确地达到虹膜识别的目的,提出一种基于Hough变换的快速虹膜识别算法。首先,对虹膜图像进行相关预处理,其中包括将原图像缩小若干倍,利用Hough变换提取虹膜圆环后,再还原图像;其次,利用2D-Gabor滤波器提取虹膜纹理信息;最后,利用Hamming距离进行虹膜识别。采用虹膜库中30例虹膜图像对该快速虹膜识别算法进行实验研究,结果表明:对虹膜图像缩小倍数应为22n(n=1,2,3,…)倍;当虹膜图像缩小倍数为16倍时,可实现计算速度与识别效果的最佳平衡。实验证明,该虹膜识别方法可行有效。     

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。