基于新投影函數(shù)的面向識別的高效虹膜圖像分割方法.pdf

1、生物特征識別技術(shù)基于個體的生理或行為特征自動地識別個體。生物特征包括臉、指紋、虹膜、手臂幾何、耳、簽名和聲音，其中虹膜被認為是具有最好的識別效果。虹膜識別是一個識別個體的虹膜生物特征的過程。虹膜識別系統(tǒng)中最重要的過程之一是虹膜分割技術(shù)。虹膜分割的目的是確定虹膜的內(nèi)部和外部邊界。由于虹膜分割的精度對于后續(xù)的其它識別步驟有很大影響，因此虹膜分割對于整個識別系統(tǒng)的性能來說是至關(guān)重要的。在過去的二十年間，提出了很多虹膜分割的方法。然而，大多數(shù)存

2、在的方法首先使用邊緣檢測器，緊跟著使用圓形檢測器或霍夫變換。這樣的方法執(zhí)行耗時，并且可能會導致圓形檢測失敗。
　　本論文提出一種新的虹膜分割方法，改進了已有方法的分割性能。首先設(shè)計了一種基于新的圖像投影函數(shù)的算法。設(shè)計了一種在圖像空間中沿角度方向積分投影的通用函數(shù)，即角度積分投影函數(shù)（AIPF）。此外，還提出了基于局部 Radon變換的另一種 AIPF實現(xiàn)，通過將提出的AIPF方法與傳統(tǒng)的圖像處理操作組合，定位虹膜內(nèi)部和外部邊緣的

3、圓形邊界。另外，通過結(jié)合使用AIPF與Bezier曲線，也可對瞳孔邊緣精確檢測。
　　為了評估所提出的分割算法的性能，在兩個經(jīng)典的圖像數(shù)據(jù)集CASIA V1.0和CASIA V.3.0（CASIA-IrisV3-Interval）上，進行了虹膜分割和識別實驗。CASIA V1.0包含756幅圖像，而CASIA V.3.0包含2655幅圖像，被認為是目前發(fā)布的最大的虹膜圖像數(shù)據(jù)集。
　　在分割實驗當中，首先，選擇最優(yōu)的AIPF

4、參數(shù)定位虹膜邊緣。然后，對基于AIPF的算法的分割結(jié)果與兩個已知算法（Daugman和Masek）的分割結(jié)果，一起根據(jù)基準方法進行了評估。在本次研究工作當中，基準的虹膜邊界分別在兩個虹膜數(shù)據(jù)集中生成。每一個基準包括在數(shù)據(jù)集的每一個圖像中手動定位的虹膜邊界的中心和半徑。在CASIA V1.0和CASIA V.3.0數(shù)據(jù)集上，上述分割結(jié)果性能比較證實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，更快的執(zhí)行速度。而在識別實驗中，

5、為上述三種分割算法，即本文所提出的方法、Daugman方法和Masek方法，設(shè)計了類似Daugman的虹膜識別系統(tǒng)。通過大量實驗，選出抽取虹膜編碼的二維 Gabor濾波器的最優(yōu)參數(shù)，以及選擇最優(yōu)的虹膜模板的維度（角度或徑向解析度）。遵照廣泛認可的生物特征識別算法測試協(xié)議，識別結(jié)果在兩種模式下被評估：驗證（一對一的匹配）和辨識（一對多的匹配）。識別結(jié)果的性能比較表明，在CASIA V1.0和CASIA V.3.0數(shù)據(jù)集上，提出的分割算法相