基于支持向量机和Hamming距离的虹膜识别算法研究

摘要

随着社会经济与计算机网络技术的不断发展，人们开始越来越注重个人的信息安全和隐私保护，传统的鉴别方法由于无法满足人类的需要已逐渐被利用人类生物特征的识别技术所代替，这其中最具代表性的就是虹膜识别技术，它因具有普遍性、排他性、稳定性、易检测性、防伪性高、防欺骗性好等众多优点，而被誉为是二十一世纪最有发展前景的生物识别技术。
　　一般情况下，一个完整的虹膜识别系统都是由采集虹膜图像、预处理图像、特征提取与编码、模式匹配4个部分构成。论文在此基础上，主要围绕以下几个方面开展研究工作：
　　（1）预处理图像：由于传统的虹膜定位方法容易遭受高频噪声的影响，论文提出一种在进行虹膜定位以前加入平滑处理的方法来消除高频噪声的影响；而后采用人眼灰度特征和几何特征相结合的方法来实现虹膜的准确定位：利用直角三角形的斜边是外接圆的直径的方法来确定虹膜内外边界参数，从而准确定位出虹膜位置，实验结果表明：该方法不仅简单有效，而且准确率高；最后再依次通过归一化和图像增强技术来得到标准化的且纹理清晰的虹膜图像。
　　（2）特征提取和编码：提取虹膜的纹理特征通过使用一维Log-Gabor滤波器来实现，具体处理方法为：首先将预处理后的二维虹膜图像当做一个二维信号，然后将这个二维信号分解为若干的一维信号,并用一维的Log-Gabor小波分别与这些一维信号做卷积计算；最后通过相位编码方法来获得相应的特征编码。
　　（3）特征匹配：针对传统的虹膜识别方法侧重于特征提取这一现象，论文提出了一种侧重于模式匹配的识别算法，即基于支持向量机(Support Vector Machine，SVM)和Hamming距离的虹膜识别方法：在得到虹膜特征编码后，首先用SVM的方法进行特征匹配，对于未能正确识别或者拒绝识别的图像再次通过Hamming距离进行二次识别，并输出最终的识别结果。
　　为了检验本文算法的可行性，论文以中科院提供的虹膜库为样本，并以Matlab R2010b为实验平台进行仿真实验。最终的实验结果表明：本文研究的算法在识别率与识别时间上较其他算法都有一定的优势，能为未来进一步的研究提供一定的理论参考。

目录

封面

声明

中文摘要

英文摘要

目录

1绪论

1.1 研究背景及意义

1.2 典型的生物特征识别技术

1.3 虹膜识别技术

1.4 论文的研究内容及结构安排

2虹膜图像的预处理

2.1 平滑处理

2.2 虹膜定位

2.3 图像归一化

2.4 图像增强

2.5 本章小结

3 虹膜特征提取

3.1 几种典型的特征提取方法

3.2 基于一维Log—Gabor滤波器的特征提取方法

3.3 本章小结

4 虹膜特征匹配

4.1 常用的模式匹配方法

4.2 本文的特征匹配算法

4.3 本章小结

5 实验结果与分析

5.1 实验环境选择

5.2 虹膜识别算法的性能指标

5.3 仿真结果与分析

5.4 本章小结

6 总结与展望

6.1 论文总结

6.2 工作展望

参考文献

个人简介及读研期间发表的论文与获奖情况

致谢