论文部分内容阅读
当今互联网迅速发展,人们对信息的需求越来越高,因而涉及信息安全的问题越来越突出,对于身份鉴别的准确性、安全性与实用性也提出了更高的要求。传统的识别手段已不适应现代生活的需要,基于生物特征的身份识别技术进入迅速发展的阶段。生物识别技术是基于个体拥有的唯一特征来自动辨别个体。虹膜识别拥有可靠性高、唯一性、不可伪造性及不可侵犯性等优点而得到广泛应用。
本文详细阐述了虹膜识别技术的发展及研究意义、虹膜生理结构和虹膜识别系统的构成。较深入的研究了虹膜识别算法,实现了四个步骤,即虹膜定位、归一化、特征提取和匹配。本文的研究工作主要集中在对虹膜图像归一化和匹配两方面的研究。
在虹膜图像的归一化过程中,采用一种基于Daugman橡皮片的辐射线段的归一化方法,把圆环型区域归一成为矩形区域。这种方法采用若干条线段表示两个不同心圆周之间的区域,只要规定这些线段上的点数就可以起到很好的归一化效果,并且只有一种分析模型。减少定位搜索的盲目性,节省计算时间,降低定位过程的复杂性。采用Hough变换对虹膜进行精定位。
在特征提取及编码匹配过程中,本论文首先将归一化后的二维虹膜图像转换为一维灰度信号,从而减小了运算量:然后运用1DGabor小波对构造的一维灰度信号进行分析,选取适当尺度上的小波变换结果进行量化,构造出二进制的特征向量,从而降低了算法复杂度,提高识别速度;最后采用改进的Hamming距离进行移位匹配识别,实现了识别的旋转不变性。
本文采用中科院自动化研究所提供的虹膜数据库(CASIA1.0),选取80人×7张/每人=560张虹膜图像进行实验。通过大量实验对该算法进行了验证,证明对于本文所选取的CASIA—a中心波长为18像素最优。最优的模板大小为辐射分辨率20像素,角分辨率为240像素。这些参数产生了信息量为9600比特的生物模板。为了修正旋转不一致性,平移8个单位在CASIA—a中最优。FAR与FRR分别为0.005%与0.236%,这个识别率已经足够用于实际;而传统的海明距离FAR与FRR分别为0.013%与0.478%。