论文部分内容阅读
随着现代社会信息技术的发展,对安全的要求越来越高。因此,基于人体生物特征的识别技术得到迅速的发展和应用。虹膜识别作为生物识别技术中比较有发展潜力的识别技术之一,已经被逐步应用到身份认证等安全领域。虹膜识别是基于人眼虹膜纹理特征来确定人的身份的一种识别方法,也是最为准确的生物识别方法之一。目前国内外的虹膜技术研究方兴未艾,国内的应用研究才刚刚开始,论文正是在这种背景下结合虹膜识别技术的实际需要,对其中的虹膜图像噪声处理开展研究。通过大量的实验观察,本文将虹膜区域的噪声主要分为三种:眼睑、眼睫毛和光斑,然后对每类噪声提出自己的解决方案。a)眼睑噪声包括上眼睑和下眼睑,考虑到检测的精度和速度,本文采用分段直线检测眼睑边缘。首先采用水平Sobel边缘检测算子提取虹膜图像中的水平边缘,由迭代阈值法分割得到二值化的图像,然后使用基于Hough变换提取直线的方法,将二值图像以瞳孔为中心分为四部分,每部分分别进行Hough变换,得到眼睑边缘直线。b)睫毛主要是上眼睫毛,下眼睑附近的眼睫毛较稀疏、短小,通常向外翻很少投影在虹膜区域上,而上眼睑附近的眼睫毛通常投影在虹膜区域的部分较多。本文根据这些特点尝试使用基于局部灰度均值法和基于log gabor小波滤波两种方法检测睫毛。基于局部灰度均值的睫毛检测方法通过在瞳孔左右两侧分别选取两个矩形区域,计算这两块虹膜区域的灰度均值来的得到分割眼睫毛阈值的大小。基于log gabor小波睫毛遮挡检测算法利用log gabor小波实部波形的特点,在三个方向-30°、0°和30°分别对虹膜图像滤波,然后将三个方向的滤波结果叠加,得到睫毛像素集。c)根据灰度值的不同,把虹膜图像中的光斑噪声分为强光斑和弱光斑两种。为了避免不同光照对图像的影响,依据每幅图像的灰度均值自适应的选取阈值,分割光斑。实验证明,本文采用的方法能够较好的检测这三种噪声。