论文部分内容阅读
由于虹膜识别技术对个体识别具有高度的可靠性,已成为目前生物识别中最有发展前景的识别技术之一。虹膜识别系统包括虹膜图像的自动采集、虹膜图像预处理、特征表示、模式匹配等过程。其中,如何准确的对虹膜进行定位,如何有效的提取出虹膜图像的纹理特征以及如何设计高效的分类器是提高虹膜识别准确率的关键。本文在分析传统的算法的基础上,分别对虹膜定位及虹膜特征提取以及匹配的若干算法进行了研究,主要工作有:(1)研究了将主动轮廓线方法和Hough算法相结合,并利用粗定位及精定位两步算法分别对虹膜内外边界进行定位。(2)基于核方法的特征提取方法和分类器是现在机器学习的热点,并广泛应用于很多领域。针对传统的线性变换固有的缺陷,如基向量是固定的且独立于其他数据,此外,还必须为固定的基向量选择参数(如空间、方向、频率等),因此本文在虹膜的特征提取时,研究了将基于核方法的特征提取方法(基于核方法的主成份分析(KPCA),基于核方法的独立成份分析(KICA),基于核方法的判别分析(KDA),基于核方法的弹性判别分析(KSDA))对虹膜图像进行处理,这些方法通过首先将虹膜数据映射到高维的特征空间,再对大量虹膜样本的训练学习提取出虹膜纹理特征,然后提出采用三种度量距离(马氏距离,欧氏距离,余弦距离)对虹膜进行匹配。(3)由于距离度量做为分类器来说比较简易,所以在分类器设计部分,本文研究了利用更加有效的分类器(基于核方法的Fisher判别分类器和支持向量机)来对虹膜特征进行分类。然而由于KFD和SVM都属于两类分类器,所以本文采用一对多和一对一的两类分类器的多类分类方法,使得KFD和SVM能够在虹膜识别中发挥作用。以上算法通过CASIA2.0虹膜库验证,实验结果表明,相对于相应的线性特征提取方法,基于核方法的特征提取方法在识别效果上有明显的提高,能有效地进行虹膜识别。采用的分类器KFD和SVM方法在与其他著名的常用分类器比较中,也有很大的优势。