论文部分内容阅读
生物特征识别技术基于个体的生理或行为特征自动地识别个体。生物特征包括脸、指纹、虹膜、手臂几何、耳、签名和声音，其中虹膜被认为是具有最好的识别效果。虹膜识别是一个识别个体的虹膜生物特征的过程。虹膜识别系统中最重要的过程之一是虹膜分割技术。虹膜分割的目的是确定虹膜的内部和外部边界。由于虹膜分割的精度对于后续的其它识别步骤有很大影响，因此虹膜分割对于整个识别系统的性能来说是至关重要的。在过去的二十年间，提出了很多虹膜分割的方法。然而，大多数存在的方法首先使用边缘检测器，紧跟着使用圆形检测器或霍夫变换。这样的方法执行耗时，并且可能会导致圆形检测失败。 本论文提出一种新的虹膜分割方法，改进了已有方法的分割性能。首先设计了一种基于新的图像投影函数的算法。设计了一种在图像空间中沿角度方向积分投影的通用函数，即角度积分投影函数（AIPF）。此外，还提出了基于局部 Radon变换的另一种 AIPF实现，通过将提出的AIPF方法与传统的图像处理操作组合，定位虹膜内部和外部边缘的圆形边界。另外，通过结合使用AIPF与Bezier曲线，也可对瞳孔边缘精确检测。 为了评估所提出的分割算法的性能，在两个经典的图像数据集CASIA V1.0和CASIA V.3.0（CASIA-IrisV3-Interval）上，进行了虹膜分割和识别实验。CASIA V1.0包含756幅图像，而CASIA V.3.0包含2655幅图像，被认为是目前发布的最大的虹膜图像数据集。 在分割实验当中，首先，选择最优的AIPF参数定位虹膜边缘。然后，对基于AIPF的算法的分割结果与两个已知算法（Daugman和Masek）的分割结果，一起根据基准方法进行了评估。在本次研究工作当中，基准的虹膜边界分别在两个虹膜数据集中生成。每一个基准包括在数据集的每一个图像中手动定位的虹膜边界的中心和半径。在CASIA V1.0和CASIA V.3.0数据集上，上述分割结果性能比较证实了所提出的虹膜分割方法，相比已存在的方法具有更高的定位精度，更快的执行速度。而在识别实验中，为上述三种分割算法，即本文所提出的方法、Daugman方法和Masek方法，设计了类似Daugman的虹膜识别系统。通过大量实验，选出抽取虹膜编码的二维 Gabor滤波器的最优参数，以及选择最优的虹膜模板的维度（角度或径向解析度）。遵照广泛认可的生物特征识别算法测试协议，识别结果在两种模式下被评估：验证（一对一的匹配）和辨识（一对多的匹配）。识别结果的性能比较表明，在CASIA V1.0和CASIA V.3.0数据集上，提出的分割算法相比存在的Daugman和Masek算法，实现了类内和类间分布曲线的良好分离，获得了最好的ROC曲线和较好的EER和CRR值，因此提高了识别精度。