| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 生物识别简介 | 第9-11页 |
| 1.3 虹膜识别的发展现状 | 第11-12页 |
| 1.4 本文的主要工作 | 第12-13页 |
| 2 虹膜识别概述 | 第13-18页 |
| 2.1 虹膜的生理结构及识别流程 | 第13-14页 |
| 2.2 典型的虹膜定位算法 | 第14-16页 |
| 2.2.1 圆周差分算法定位虹膜 | 第14-15页 |
| 2.2.2 边缘检测结合Hough变换的虹膜定位算法 | 第15-16页 |
| 2.3 典型的虹膜特征提取算法 | 第16-17页 |
| 2.3.1 相位特征提取算法 | 第16页 |
| 2.3.2 小波过零点检测的方法 | 第16-17页 |
| 2.3.3 虹膜纹理分析方法 | 第17页 |
| 2.4 实验的系统环境及虹膜数据 | 第17页 |
| 2.5 本章小结 | 第17-18页 |
| 3 不规则虹膜的预处理方法 | 第18-29页 |
| 3.1 虹膜快速定位方法 | 第18-22页 |
| 3.1.1 消除反射光斑 | 第18-19页 |
| 3.1.2 粗定位虹膜内边界 | 第19页 |
| 3.1.3 精定位虹膜非圆内边界 | 第19-20页 |
| 3.1.4 虹膜外边界快速定位 | 第20-21页 |
| 3.1.5 虹膜定位结果分析 | 第21-22页 |
| 3.2 眼睑定位 | 第22-24页 |
| 3.2.1 改进的Canny算子定位眼睑边缘 | 第22-23页 |
| 3.2.2 最小二乘法抛物线拟合眼睑边缘 | 第23-24页 |
| 3.2.3 眼睑定位结果分析 | 第24页 |
| 3.3 睫毛定位 | 第24-25页 |
| 3.4 虹膜图像归一化及增强 | 第25-28页 |
| 3.5 本章小结 | 第28-29页 |
| 4 虹膜的特征提取与BP神经网络的识别方法 | 第29-41页 |
| 4.1 小波变换结合灰度共生矩阵提取虹膜特征 | 第29-33页 |
| 4.1.1 小波变换 | 第29-31页 |
| 4.1.2 灰度共生矩阵 | 第31页 |
| 4.1.3 虹膜特征提取 | 第31-33页 |
| 4.2 人工神经网络及其BP算法 | 第33-35页 |
| 4.3 epsilon外推法优化神经网络 | 第35-39页 |
| 4.3.1 一维搜索 | 第36页 |
| 4.3.2 向量epsilon算法 | 第36-37页 |
| 4.3.3 基于epsilon外推的最优学习速率方法 | 第37-38页 |
| 4.3.4 权值序列的向量epsilon外推(VEA)的加速BP算法 | 第38-39页 |
| 4.4 数值实验 | 第39页 |
| 4.5 实验结果分析比较 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 5 虹膜的快速定位及自适应识别的系统软件设计 | 第41-46页 |
| 5.1 系统设计 | 第41页 |
| 5.2 软件界面设计 | 第41-42页 |
| 5.3 系统运行效果界面 | 第42-44页 |
| 5.4 本章小结 | 第44-46页 |
| 6 总结与展望 | 第46-48页 |
| 6.1 主要工作 | 第46页 |
| 6.2 未来工作展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读学位期间的学术成果 | 第52页 |
