虹膜定位及识别算法的研究与改进
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 生物认证概述 | 第8-10页 |
| 1.1.1 生物认证技术简介及其优点 | 第8-9页 |
| 1.1.2 生物认证的特征和分类 | 第9-10页 |
| 1.1.3 生物认证的发展 | 第10页 |
| 1.2 虹膜识别 | 第10-12页 |
| 1.2.1 虹膜的结构与生物特征 | 第10-11页 |
| 1.2.2 虹膜识别系统的性能指标 | 第11-12页 |
| 1.2.3 虹膜识别的实用价值 | 第12页 |
| 1.3 论文主要研究内容和组织结构 | 第12-13页 |
| 1.3.1 本论文研究内容 | 第12-13页 |
| 1.3.2 本论文组织结构 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 虹膜识别系统概述 | 第14-18页 |
| 2.1 虹膜识别系统的工作流程 | 第14-16页 |
| 2.1.1 虹膜图像的获取 | 第14-15页 |
| 2.1.2 虹膜图像预处理 | 第15页 |
| 2.1.3 虹膜图像的特征提取 | 第15-16页 |
| 2.1.4 虹膜图像的模式匹配和分类器的设计 | 第16页 |
| 2.2 虹膜识别系统的研究现状 | 第16页 |
| 2.3 本章小结 | 第16-18页 |
| 第3章 虹膜定位及分割方法研究 | 第18-40页 |
| 3.1 常用虹膜定位算法概述 | 第18页 |
| 3.2 虹膜粗定位算法 | 第18-21页 |
| 3.2.1 瞳孔圆心与半径的定位 | 第19页 |
| 3.2.2 虹膜外边界的粗定位 | 第19-21页 |
| 3.3 虹膜精定位算法 | 第21-30页 |
| 3.3.1 水平集模型 | 第21-22页 |
| 3.3.2 水平集改进算法 | 第22-26页 |
| 3.3.3 自适应CV定位的概述 | 第26-27页 |
| 3.3.4 虹膜图像噪声干扰因子检测 | 第27-29页 |
| 3.3.5 自适应CV定位曲线最终演化标准 | 第29-30页 |
| 3.4 定位算法的步骤描述 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-38页 |
| 3.5.1 hough算法实验及分析 | 第31-33页 |
| 3.5.2 传统水平集方法的实验及分析 | 第33-35页 |
| 3.5.3 干扰因素分析 | 第35-36页 |
| 3.5.4 自适应CV模型算法评估 | 第36-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第4章 基于SURF的特征点提取及区域加权融合 | 第40-60页 |
| 4.1 虹膜特征提取流程 | 第40-41页 |
| 4.2 基于SURF的特征提取及表示分析 | 第41-50页 |
| 4.2.1 积分图像的建立及DoH近似 | 第41-44页 |
| 4.2.2 特征点检测及尺度空间 | 第44-45页 |
| 4.2.3 特征描述子的表示及主方向的确定 | 第45-48页 |
| 4.2.4 特征点有效性改进方案 | 第48-50页 |
| 4.3 虹膜图像的分块及区域特征加权融合 | 第50-54页 |
| 4.3.1 虹膜图像的分块 | 第50-51页 |
| 4.3.2 子模块的权重计算方法 | 第51-53页 |
| 4.3.3 加权子区域匹配 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-59页 |
| 4.4.1 实验描述 | 第54页 |
| 4.4.2 实验设置 | 第54-55页 |
| 4.4.3 实验结果 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
