论文部分内容阅读
以信息化、数字化、网络化为特点的社会的发展对国家以及社会生活安全性提出了全新的要求,在这种环境下,传统的安全技术呈现出无法解决的重大缺陷。而生物特征认证技术是解决信息化、数字化、网络化社会安全问题的最好的办法之一。作为最可靠的生物特征之一的虹膜识别技术,因其唯一性、稳定性、高可靠性和非侵犯性等特点而备受关注。 虹膜识别系统中,主要研究的对象是虹膜区域的纹理。而实际上通过获取装置采集到的虹膜图像除了包括虹膜区域外,还有巩膜、眼睑、眼睫毛、光斑等噪声。如果这些噪声作为虹膜特征进入虹膜编码模块,将会出现错误的虹膜代码,极大地降低了虹膜识别率。本文对虹膜区域中可能存在的噪声进行了分析,针对不同的噪声,提出了不同的检测方法,从而可以在特征提取和匹配过程中避开这些噪声区域,提高了虹膜识别率。 通过大量的实验观察,本文将虹膜区域的噪声主要分为三种:眼睑、眼睫毛和光斑,然后对每类噪声提出自己的解决方案。眼睑噪声包括上眼睑和下眼睑,在虹膜图像中的眼睑边界接近抛物线形状,.因此本文首先采用方向选择性的Sobel边缘检测算子提取边缘,然后使用基于改进的抛物线Hough变换的方法求得上下眼睑大致边界;眼睫毛主要是上下眼睫毛,下眼睑附近的眼睫毛较稀疏、短小,通常向外翻很少投影在虹膜区域上,而上眼睑附近的眼睫毛通常投影在虹膜区域的部分较多,本文根据这些特点提出一种新的检测眼睫毛的方法。首先提出使用局部灰度极小值的方法获取候选眼睫毛像素集,利用眼睫毛长度信息和位置信息去除伪眼睫毛像素,然后将一个扇形区域(尽可能多地包含眼睫毛)标记为眼睫毛噪声区域;光斑噪声主要指分布在瞳孔区域和虹膜区域的反射光斑,光斑检测分两步,光斑检测分两步,首先提取出图像中像素灰度值较大的点,其中包含光斑和眼睑上的点,然后根据光斑周围灰度较小的特点提取出光斑。 实验证明该方法可行,而且具有光照不变性。