基于新投影函數(shù)的面向識(shí)別的高效虹膜圖像分割方法.pdf

1、生物特征識(shí)別技術(shù)基于個(gè)體的生理或行為特征自動(dòng)地識(shí)別個(gè)體。生物特征包括臉、指紋、虹膜、手臂幾何、耳、簽名和聲音，其中虹膜被認(rèn)為是具有最好的識(shí)別效果。虹膜識(shí)別是一個(gè)識(shí)別個(gè)體的虹膜生物特征的過(guò)程。虹膜識(shí)別系統(tǒng)中最重要的過(guò)程之一是虹膜分割技術(shù)。虹膜分割的目的是確定虹膜的內(nèi)部和外部邊界。由于虹膜分割的精度對(duì)于后續(xù)的其它識(shí)別步驟有很大影響，因此虹膜分割對(duì)于整個(gè)識(shí)別系統(tǒng)的性能來(lái)說(shuō)是至關(guān)重要的。在過(guò)去的二十年間，提出了很多虹膜分割的方法。然而，大多數(shù)存

2、在的方法首先使用邊緣檢測(cè)器，緊跟著使用圓形檢測(cè)器或霍夫變換。這樣的方法執(zhí)行耗時(shí)，并且可能會(huì)導(dǎo)致圓形檢測(cè)失敗。
　　本論文提出一種新的虹膜分割方法，改進(jìn)了已有方法的分割性能。首先設(shè)計(jì)了一種基于新的圖像投影函數(shù)的算法。設(shè)計(jì)了一種在圖像空間中沿角度方向積分投影的通用函數(shù)，即角度積分投影函數(shù)（AIPF）。此外，還提出了基于局部 Radon變換的另一種 AIPF實(shí)現(xiàn)，通過(guò)將提出的AIPF方法與傳統(tǒng)的圖像處理操作組合，定位虹膜內(nèi)部和外部邊緣的

3、圓形邊界。另外，通過(guò)結(jié)合使用AIPF與Bezier曲線，也可對(duì)瞳孔邊緣精確檢測(cè)。
　　為了評(píng)估所提出的分割算法的性能，在兩個(gè)經(jīng)典的圖像數(shù)據(jù)集CASIA V1.0和CASIA V.3.0（CASIA-IrisV3-Interval）上，進(jìn)行了虹膜分割和識(shí)別實(shí)驗(yàn)。CASIA V1.0包含756幅圖像，而CASIA V.3.0包含2655幅圖像，被認(rèn)為是目前發(fā)布的最大的虹膜圖像數(shù)據(jù)集。
　　在分割實(shí)驗(yàn)當(dāng)中，首先，選擇最優(yōu)的AIPF

4、參數(shù)定位虹膜邊緣。然后，對(duì)基于AIPF的算法的分割結(jié)果與兩個(gè)已知算法（Daugman和Masek）的分割結(jié)果，一起根據(jù)基準(zhǔn)方法進(jìn)行了評(píng)估。在本次研究工作當(dāng)中，基準(zhǔn)的虹膜邊界分別在兩個(gè)虹膜數(shù)據(jù)集中生成。每一個(gè)基準(zhǔn)包括在數(shù)據(jù)集的每一個(gè)圖像中手動(dòng)定位的虹膜邊界的中心和半徑。在CASIA V1.0和CASIA V.3.0數(shù)據(jù)集上，上述分割結(jié)果性能比較證實(shí)了所提出的虹膜分割方法，相比已存在的方法具有更高的定位精度，更快的執(zhí)行速度。而在識(shí)別實(shí)驗(yàn)中，

5、為上述三種分割算法，即本文所提出的方法、Daugman方法和Masek方法，設(shè)計(jì)了類似Daugman的虹膜識(shí)別系統(tǒng)。通過(guò)大量實(shí)驗(yàn)，選出抽取虹膜編碼的二維 Gabor濾波器的最優(yōu)參數(shù)，以及選擇最優(yōu)的虹膜模板的維度（角度或徑向解析度）。遵照廣泛認(rèn)可的生物特征識(shí)別算法測(cè)試協(xié)議，識(shí)別結(jié)果在兩種模式下被評(píng)估：驗(yàn)證（一對(duì)一的匹配）和辨識(shí)（一對(duì)多的匹配）。識(shí)別結(jié)果的性能比較表明，在CASIA V1.0和CASIA V.3.0數(shù)據(jù)集上，提出的分割算法相