学位论文 > 优秀研究生学位论文题录展示

虹膜识别算法的研究与实现

作　者: 康景磊
导　师: 郭业才
学　校: 安徽理工大学
专　业: 生物医学工程
关键词: 睫毛干扰膨胀小波变换虹膜定位蚁群算法 Hough变换特征匹配虹膜识别灰度极小值编码
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 7次
引　用: 0次
阅　读: 论文下载

内容摘要

21世纪的生物识别技术,包括：指纹识别、虹膜识别、手势识别、声音识别和人脸识别等等,然而,在所有的生物识别技术中,虹膜识别是最方便和最精确的生物识别技术。其发展前途得到广泛的认可。当前,已经在安防、国防、通信管理和电子商务等领域得到了应用,而且市场前景非常广阔。作为生物识别的虹膜,具有稳定性、唯一性、可采集性以及非侵犯性等的优点,并且与人脸识别和指纹识别相比,虹膜识别拥有更高的准确性。然而,拥有众多优点的虹膜识别同时也拥有待解决的关键问题。例如,获取到的虹膜图像含有大量的噪声干扰,虹膜定位算法需要进一步改进,以及怎样有效的提取出虹膜的特征信息进行虹膜识别。文中着重从这几个角度展开,来研究虹膜识别算法,基本上达到了预期的效果。1基于膨胀和小波变换的睫毛干扰抑制算法为了解决虹膜识别过程中睫毛干扰导致虹膜定位不准确的问题,本文提出一种基于膨胀和小波变换的睫毛干扰抑制算法。该算法首先对采集到的虹膜图像进行膨胀运算,膨胀运算可以消除明显的噪声干扰,然后利用小波去噪原理,对变换后不同尺度的高频系数进行阈值处理,低频部分进行反锐化掩模,最后经小波逆变换重构虹膜图像。虹膜定位仿真对比试验结果表明：文章所提算法对睫毛干扰的抑制能力效果明显,达到了应用的需求。2基于蚁群和Hough变换的虹膜定位算法为了克服传统的虹膜定位算法准确率不高的特点,提出了一种基于蚁群和Hough变换的虹膜定位算法。该算法首先利用梯度信息在虹膜边缘处的直观响应作为启发因素,引导蚁群搜索虹膜边缘。然后蚂蚁根据路径上的不断更新增大的信息素,搜索到虹膜的内外边缘的像素点。最后通过Otsu阈值和Hough变换确定出虹膜内外边界。实验表明：该算法能够有效快速的定位出虹膜的内外边界。3基于局部灰度极小值点的虹膜识别算法虹膜的特征匹配是虹膜识别算法中最为关键的一步,直接决定了虹膜识别的成败。由于虹膜纹理结构的特点,提出了一种基于局部极小值点的虹膜识别算法。该算法首先记录虹膜区域局部灰度极小值点的位置,采用最小值合并法进行压缩,然后对压缩后的虹膜图像进行特征提取和编码,最后的编码信息和模板信息进行“异或”运算,可得出最后的识别结果。实验结果表明：本算法具有非常好的识别性能。

全文目录

摘要  5-7
Abstract  7-13
第1章绪论  13-19
  1.1 虹膜识别的研究背景和意义  13
  1.2 虹膜的物理结构及特点  13-14
  1.3 虹膜识别系统的应用及现状  14-15
  1.4 虹膜识别系统的工作原理  15-17
  1.5 论文结构及主要研究内容  17-19
第2章小波变换理论和蚁群算法理论  19-33
  2.1 小波变换的基本理论知识  19-23
    2.1.1 小波变换的概念简介  19-20
    2.1.2 二进小波变换  20-21
    2.1.3 多分辨特性  21-22
    2.1.4 图像的小波分解与重构  22-23
  2.2 蚁群算法的机理分析  23-25
  2.3 蚁群算法的特点  25
  2.4 简单蚁群算法描述及收敛性  25-30
    2.4.1 简单蚁群算法(SAA)的描述  25-27
    2.4.2 蚁群算法的收敛特性  27-30
  2.5 本章小结  30-33
第3章基于膨胀和小波分析的睫毛干扰抑制算法  33-45
  3.1 形态学理论  33-34
    3.1.1 形态学理论  33-34
    3.1.2 膨胀计算过程示意图  34
  3.2 小波去噪  34-37
    3.2.1 小波基函数的选取  34-35
    3.2.2 小波阈值去噪  35-36
    3.2.3 常用的阈值确定方法  36
    3.2.4 常用的阈值函数  36-37
  3.3 基于膨胀运算和小波分析的睫毛干扰抑制算法  37-40
  3.4 实验结果与讨论  40-43
  3.5 结论  43-45
第4章基于蚁群和HOUGH变换的虹膜定位算法  45-55
  4.1 边缘的梯度响应  45-47
  4.2 蚁群算法  47-49
    4.2.1 本文采用的蚁群算法思想  47-49
  4.3 HOUGH变换  49
  4.4 基于蚁群和HOUGH变换的虹膜定位算法  49-53
  4.5 实验结果与分析  53-55
第5章基于局部灰度极小值点的虹膜识别算法  55-69
  5.1 虹膜图像的预处理  55-56
  5.2 归一化  56
  5.3 图像增强  56-60
    5.3.1 全局直方图均衡化  57-58
    5.3.2 局部直方图均衡化  58-59
    5.3.3 基于直方图均衡化的增强算法  59-60
  5.4 局部灰度极小值点的提取及编码  60-63
    5.4.1 局部灰度极小值点的提取  60-61
    5.4.2 局部灰度极小值点的编码  61-63
  5.5 图像匹配  63-64
  5.6 基于局部灰度极小值点的虹膜识别算法  64-66
  5.7 实验结果分析  66-69
结论与展望  69-71
参考文献  71-73
致谢  73-74
作者简介及读研期间主要的科研成果  74

虹膜识别算法的研究与实现

内容摘要

全文目录

相似论文