基于二维gabor滤波的虹膜特征表达及识别方法研究

《基于二维gabor滤波的虹膜特征表达及识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、■ＩＨ—————————————————————————————基于二维Gabor滤波的虹膜特征表达及识别方法研究—————————————————————————————IrisFeatureDescriptorandRecognitionMethodsBasedon2D-GaborFiltering—————————————————————————————作者姓名：霍光专业名称：计算机科学与技术（生物信息学）研究方向：虹膜识别指导教师：刘元宁学位类别：工学博士培养单位：计算机科学与技术学院论文答辩日期：2016年6月

2、7日授予学位日期：2016年月日答辩委员会组成：姓名职称工作单位主席许东教授美国密苏里大学委员马志强教授东北师范大学梁艳春教授吉林大学刘淑芬教授吉林大学刘元宁教授吉林大学王林聪教授吉林大学未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用（但纯学术性使用不在此限）。否则，应承担侵权的法律责任。吉林大学博士学位论文原创性声明本人郑重声明：所呈交的博士学位论文，是本人在指导教师的指导下，独立进行研究

3、工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：2016年6月6日摘要摘要基于二维Gabor滤波的虹膜特征表达及识别方法研究相较于其它生物特征识别技术，虹膜识别在唯一性、稳定性、非侵犯性和高防伪性等方面的优势更为突出，受到学术界和工业界的广泛关注，在军事、安防、电子商务等领域有着广阔的应用前景。本文针对虹膜识别设备研发和产业化过程中遇到的实际

4、问题，对基于Gabor滤波的虹膜特征表达和识别方法展开了深入的研究，在Gabor滤波器组的构建和参数选择、虹膜特征提取、虹膜区域纹理分析、特征融合，以及多模态生物特征识别等方面进行了有效的改进与创新，取得了预期的效果。本文主要研究内容和研究成果如下：（1）应用二维Gabor滤波器进行特征提取时，不同的特征表述形式反映了虹膜纹理的不同特性，相应的滤波器组的构造方式和参数选择方法也不尽相同。本文以不同滤波方向上虹膜纹理的能量分布作为特征，构建了一个多通道二维Gabor滤波器组。在对滤波器组的频率、尺度和方向等参数进行了详细分析的

5、基础上，提出了一种基于虹膜能量方向特征（Energy-OrientationFeature，EOF）的滤波器参数选择方法。在多个虹膜图像库上的测试结果证明，本文提出的EOF特征不仅具有较高的可区分性，还兼具幅值特征和方向特征的优点，即特征分布平滑，不会出现栅格状的边缘点，同时对光照变化也不敏感。（2）针对基于圆形作用域的Gabor滤波器组，无法对图像进行可变比例的多尺度分析的不足。本文提出了一种基于虹膜多扇区纹理特征和加权融合的虹膜识别方法，该方法首先根据眼睑、睫毛等遮挡的分布规律，构建不同的扇形感兴趣区域（SectorRe

6、gionofInterest,SROI），并对每个SROI的归一化尺寸进行寻优，避免EOF特征提取方法陷入局部最优。然后应用二维Gabor滤波器组，对最优尺寸下的虹膜图像进行EOF特征提取。最后，将所有EOF特征进行加权融合形成多扇区特征编码，并采用海明距离进行特征匹配。在CASIAV1.0和JLU3.0虹膜库上的实验结果表明，归一化尺寸寻优有效地提高了EOF特征的可区分性，多扇区特征融合可以进一步提高识别系统的准确性和鲁棒性，尤其是当虹膜图像遮挡较为严重时，提升幅度更为明显。（3）为了缩短特征提取时间和提升EOF特征的可区

7、分性，本文提出了一种基于能I吉林大学博士学位论文量方向直方图特征（Energy-OrientationHistogramFeature，EOHF）的虹膜识别方法。该方法首先采用多方向、单尺度的Gabor滤波器组取代多方向、多尺度滤波器组进行EOF特征提取，以减少特征提取时间和缩短特征编码长度。然后通过直方图变换将逐点匹配的EOF特征，转化为逐块比对的EOHF特征，最后采用欧式距离进行特征匹配。实验结果表明，EOHF特征较EOF特征具有更高的可区分性，受局部噪声的影响也更小。由其构成的识别算法用时少、精度高，完全可以满足实时虹

8、膜识别系统的要求。（4）针对EOHF特征的可区分性会随着样本数量的增加而降低的问题，本文提出了一种基于局部纹理特征的虹膜二次识别方法，该方法将EOF特征提取和直方图变换一分为二，分别置于首次识别和二次识别两个处理过程中。在首次识别阶段，对所有样本进行EOF特征提取和粗分类。在二次识别阶段，