虹膜外邊界定位算法和粗分類算法的研究.pdf

1、虹膜識(shí)別技術(shù)是一種生物識(shí)別技術(shù)，其利用虹膜獨(dú)特的生物特征，對(duì)人的身份進(jìn)行鑒定識(shí)別。相比于其他生物特征識(shí)別技術(shù)，虹膜識(shí)別穩(wěn)定性高，可靠性好，使得虹膜識(shí)別技術(shù)被廣泛應(yīng)用并具有廣闊的市場(chǎng)前景。 本文在前人研究的基礎(chǔ)上，對(duì)虹膜識(shí)別算法的預(yù)處理進(jìn)行了改進(jìn)，并引入了粗分類模塊。本文主要的研究工作包含以下幾個(gè)方面： 1)在虹膜圖像預(yù)處理方面，對(duì)質(zhì)量評(píng)估模塊進(jìn)行了改進(jìn)，重點(diǎn)修改了光斑填充部分的算法。首先利用質(zhì)量評(píng)估對(duì)虹膜圖像中光斑的位置

2、進(jìn)行確定。其次根據(jù)形態(tài)學(xué)圖像分析的知識(shí)對(duì)光斑進(jìn)行快速填充。通過(guò)前向后向兩次全局掃描，得到填充像素隊(duì)列。按先進(jìn)先出原則，對(duì)隊(duì)列中的像素進(jìn)行膨脹運(yùn)算。最后得到光斑填充后的虹膜圖像，消除了虹膜圖像中灰度值突然變高的噪聲點(diǎn)。 2)在虹膜外邊界定位方面，增強(qiáng)了算法強(qiáng)壯性和適應(yīng)性。首先利用虹膜內(nèi)邊界定位信息，確定外邊界大致區(qū)域和睫毛閾值。接著利用梯度和搜索虹膜外邊界的邊界點(diǎn)。然后根據(jù)虹膜的形狀特性和分布特性，對(duì)提取出來(lái)的邊界點(diǎn)集合進(jìn)行兩次分

3、類，刪除部分偽邊界點(diǎn)。用改進(jìn)的擬合算法對(duì)分類后的邊界點(diǎn)集合進(jìn)行擬合，得到若干個(gè)待選虹膜外邊界。最后對(duì)一組邊界圓進(jìn)行篩選，得到最后的結(jié)果，輸出虹膜外邊界信息。 3)在虹膜紋理匹配的基礎(chǔ)上，在海量數(shù)據(jù)庫(kù)模型下引入了虹膜粗分類的概念，并以此對(duì)虹膜粗分類的特征提取算法和粗分類的聚類算法進(jìn)行了研究。從海量虹膜數(shù)據(jù)庫(kù)出發(fā)，將虹膜粗分類引入到虹膜識(shí)別系統(tǒng)中?；谶@一目的，分析了粗分類和識(shí)別的異同點(diǎn)，提出了粗分類特征提取的準(zhǔn)則。根據(jù)小波分析能夠

4、提取圖像在不同頻率下信息的特性，給出了基于小波系數(shù)統(tǒng)計(jì)信息的特征提取算法。同時(shí)，由于核方法在無(wú)監(jiān)督聚類中表現(xiàn)出來(lái)的優(yōu)越性，所以將其引入對(duì)虹膜庫(kù)進(jìn)行無(wú)監(jiān)督的聚類。最后，利用支持向量機(jī)的訓(xùn)練能力和在海量樣本下快速分類的能力，將其作為最后驗(yàn)證粗分類算法的工具。 本文論述的虹膜外邊界提取算法在CASIA虹膜數(shù)據(jù)庫(kù)(version2.0和vsersion3.0)中進(jìn)行測(cè)試，得到良好的定位效果。同時(shí)，粗分類算法在人造驗(yàn)證數(shù)據(jù)和原始虹膜數(shù)據(jù)庫(kù)