基于多区域特征子集选择的非配合虹膜识别

摘要

随着信息技术的发展，传统的密码口令等身份识别技术已经不能满足很多应用领域的要求。而生物特征识别具有安全性，独特性和不易伪造等特点，已经成为身份认证技术领域的研究热点之一，拥有广泛的应用领域。其中，经历了十几年发展的虹膜识别技术，在研究和应用方面都得到了长足的进步，拥有广阔的应用前景。然而，虹膜图像采集过程中不可避免会出现噪音的影响，尤其是被采集者非配合状态下得到的虹膜图片大部分都受到了不同噪音的干扰，这都大大降低了虹膜识别的准确率。 本文对非配合虹膜图像特点和处理方法进行了研究分析，并做了如下创新工作： 1、针对非配合虹膜图像的特点，结合特征选择的理论，提出了一种基于多区域虹膜分割的特征选择方法。该方法的主要创新是提出了一个基于归一化虹膜多区域特征子集的特征选择函数。该函数综合考虑了两个方面的因素：（1）图像质量评价，即提出了一个质量评价函数对特征子集进行质量评估。该质量评价函数一方面通过计算每个子区域的图像质量用非噪音像素比例影响来衡量每个子区域受噪音的影响程度，另一方面用Fisher线性可分性准则来刻画每个特征子集的分类的能力，综合两方面的考虑使得选出的特征子集具有可靠良好的分类能力；（2）距离匹配阈值的稳定性。通过特征子集距离匹配阈值的方差来刻画特征子集稳定分类的能力，使得选择的最优特征子集组合能达到较为稳定的匹配距离，从而对使用单一的匹配阈值判定能提高识别率。 2、应用本文提出的特征选择方法，提出了一个非配合虹膜识别系统。该系统由以下三个创新部分构成：（1）对归一化虹膜进行横向和纵向多区域分割方法，将每个子区域提取特征编码，构成一个特征子集，使得受噪音影响的图像限制在某几个局部区域中，以便分类评价处理。（2）应用本文提出的特征选择方法，度量每个特征子集的分类能力，选取最优的特征子集组合进行最终的特征匹配。（3）在距离匹配阶段，对于选出的最优特征子集组合，采用改进的加权海明距离进行匹配。权重为对应特征子集质量评价函数值的归一化比例，这样使得分类能力强的特征子集发挥的决策作用大。 本文的实验建立在多个虹膜数据库上，分别与目前识别率较高的两种方法，即Daugman的2D Gabor和一维Log—Gabor进行了实验对比。实验结果表明，对于非配合虹膜样本，使用本文提出的方法进行特征子集选择，可以较好的减小多种不同噪音的影响，并较好的适用于多个不同特点的数据库，识别率较传统方法有所提高。

目录

文摘

英文文摘

声明

第一章绪论

1.1虹膜识别概述

1.1.1虹膜识别的意义

1.1.2虹膜的生物特征

1.2虹膜识别系统构成

1.3虹膜识别技术发展

1.3.1虹膜的定位分割

1.3.2虹膜图像归一化

1.3.3虹膜特征提取

1.3.4匹配识别

1.4本文工作

第二章非配合虹膜识别

2.1非配合虹膜特点概述

2.2多分区特征方法

2.3特征融合方法

2.4 SIFT方法

第三章多区域特征子集选择方法

3.1特征选择理论

3.2多区域特征子集选择方法

3.2.1归一化图像的双向分区

3.2.2特征子集的质量度量

3.2.3特征子集的选择

3.2.4质量加权的距离匹配

3.3本文采用的非配合虹膜识别系统

第四章实验设计与结果分析

4.1虹膜数据库的选取

4.2实验结构设计

4.2.1特征提取方法的选择

4.2.2实验数据库的构成

4.3实验结果与分析

4.3.1 MMU数据库实验结果

4.3.2 UBIRIS数据库实验结果

4.3.3 CASIA V1数据库实验结果

第五章总结与展望

参考文献

致谢