非约束虹膜识别系统研究

发布时间：2018-03-27 19:40

  本文选题：图像处理　切入点：虹膜识别　出处：《吉林大学》2016年博士论文

【摘要】：非约束虹膜识别系统是对传统虹膜识别系统的扩展,非约束是指在系统正常工作的情况下,对用户配合系统的行为尽可能少的进行约束,同时使系统可以用多个采集设备在较远采集距离、可见光和不同部署环境下正常工作,也就是减少了虹膜识别系统对环境的要求。从图像信息处理的角度看,非约束虹膜识别与传统虹膜识别的主要区别在于其所需处理的图像具有质量多样性,会出现许多传统虹膜识别技术无法处理的非理想虹膜图像的情况。本文以非约束虹膜识别系统为研究主线,针对非约束虹膜识别系统中遇到的非理想虹膜图像处理和跨环境特征匹配问题,进行了下面几个方面的研究:1)针对非约束虹膜识别系统中图像质量多样性的问题,提出了对虹膜图像离焦模糊和运动模糊的评价算法。为了评价虹膜图像的离焦模糊程度,提出了一种参考虹膜注册图像的离焦模糊度计算方法,该方法通过与注册图像高频能量的比较,可以较准确的评价虹膜图像的离焦程度。在图像运动模糊时,会出现方向性的纹理变化的情况,由于傅里叶变换对这种变化非常敏感,所以提出使用两次傅里叶变换检测虹膜图像运动模糊方向和程度的方法,该方法可直接用于评价图像的运动模糊程度。为了更准确的评价图像的运动模糊程度,提出了参考注册图像的运动模糊评价方法。2)针对非约束虹膜识别系统中虹膜图像纹理较弱的问题,提出了一种基于局部标准差的自适应对比度虹膜图像增强方法。为了增强虹膜图像的纹理强度、提高虹膜图像的质量,采用自适应对比度增强的方法对虹膜图像进行处理。根据虹膜图像的纹理特点,防止虹膜图像过度增强对纹理的破坏,使用图像的局部标准差和全局标准差作为增益参数。将彩色虹膜图像转换到Lab色彩空间进行图像纹理增强,也取得了较好的结果。为了解决非约束虹膜识别系统中出现的运动模糊问题,提出了一种基于Richardson Lucy(R-L)反卷积算法运动模糊虹膜图像的复原方法。R-L反卷积算法在图像复原时具有较好的效果,但是算法的前提是明确运动模糊的方向和位移参数。使用图像评价的方法估计运动模糊方向和位移,建立模糊度和位移的对应关系,即可估算运动模糊图像的运动方向和位移。为了提高图像复原的准确度,使用以估计值为中心、向两侧偏移分别取值复原的方法,进行多次运动模糊图像复原。将多次图像复原结果与注册样本匹配,可以提高系统识别的准确率。3)利用虹膜图像的结构特征,提出了一种基于分水岭分割和区块合并的虹膜区域分割算法。分水岭分割可以将虹膜图像分割成若干区块,但在分割过程中会产生过分割的现象。对分水岭分割中产生过分割现象的问题,需要使用区块合并的方法合并特征相似的区块,为此建立了相似区块的合并规则,判定各区块与瞳孔位置的关系,合并与瞳孔相邻的相似区块,即可得到虹膜区域的分割掩模,达到分割虹膜图像的目的。该方法对瞳孔区域较明显的虹膜图像分割有较好的效果,可以精确的分割虹膜区域。为了定位非理想虹膜图像中的虹膜轮廓,提出了一种利用行序列边缘点检测算法进行虹膜区域定位的方法。图像行序列边缘点检测算法的目的是检测图像每行中存在的特殊序列结构,并找出感兴趣的边缘点。利用巩膜和虹膜形成的特殊结构检测可能存在的虹膜边缘点,根据虹膜形状特征,使用Hough圆检测算法对检测到的边缘点进行投票,即可定位虹膜的轮廓。由于检测到的虹膜边缘点与传统边缘检测方法得到的虹膜边缘点数量相比极大减少,所以Hough圆投票的时间也大幅度减少,提高了虹膜轮廓定位的效率。4)针对非约束虹膜识别系统中出现的跨环境虹膜匹配问题,提出了一种使用域自适应度量学习进行虹膜特征匹配优化的方法。该方法使用已存在的虹膜样本距离度量作为优化算法的约束条件,使用域自适应度量学习方法求解最优马氏距离矩阵。利用求解的最优马氏矩阵重新定义虹膜样本之间的相似度,能够减小类内虹膜样本之间的距离,增大了类间虹膜样本之间的距离,从而提高了跨环境虹膜识别的准确率。综上所述,本文是以非约束虹膜识别系统中出现的相关问题为研究对象,在传统虹膜识别的框架下进行了扩展研究,为非约束虹膜识别系统中非理想图像的处理和跨环境虹膜识别性能的提高提供了有效的方法。
[Abstract]:闈炵害鏉熻櫣鑶滆瘑鍒�绯荤粺鏄�瀵逛紶缁熻櫣鑶滆瘑鍒�绯荤粺鐨勬墿灞�,闈炵害鏉熸槸鎸囧湪绯荤粺姝ｅ父宸ヤ綔鐨勬儏鍐典笅,瀵圭敤鎴烽厤鍚堢郴缁熺殑琛屼负灏藉彲鑳藉皯鐨勮繘琛岀害鏉，

本文编号：1672956