| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第16-34页 |
| 1.1 本文研究背景及意义 | 第16-17页 |
| 1.2 生物特征识别技术简介 | 第17-18页 |
| 1.3 虹膜识别技术 | 第18-24页 |
| 1.3.1 虹膜的生理结构及生物特性 | 第18-20页 |
| 1.3.2 虹膜识别的工作原理 | 第20-21页 |
| 1.3.3 虹膜库简介 | 第21-23页 |
| 1.3.4 虹膜识别算法评价标准 | 第23-24页 |
| 1.4 虹膜识别关键技术的国内外研究现状及问题分析 | 第24-31页 |
| 1.4.1 虹膜图像的质量评价技术 | 第24-26页 |
| 1.4.2 虹膜图像的定位分割 | 第26-29页 |
| 1.4.3 虹膜的特征提取技术 | 第29-30页 |
| 1.4.4 虹膜的特征分类识别技术 | 第30-31页 |
| 1.5 本文的主要研究内容 | 第31页 |
| 1.6 论文的组织结构 | 第31-34页 |
| 第2章 基于自适应 CV 模型的虹膜分割方法 | 第34-60页 |
| 2.1 引言 | 第34页 |
| 2.2 基础理论 | 第34-36页 |
| 2.2.1 Mumford-Shah 模型概述 | 第34-35页 |
| 2.2.2 CV 模型理论概述 | 第35-36页 |
| 2.3 CV 模型应用于虹膜图像的要求分析 | 第36-41页 |
| 2.3.1 CV 模型定位瞳孔边界的分析 | 第37-39页 |
| 2.3.2 CV 模型定位虹膜外边界的分析 | 第39-41页 |
| 2.4 Otsu 方法应用于虹膜 ROI 的效果分析 | 第41-42页 |
| 2.5 SACV 模型的构建和虹膜精定位 | 第42-52页 |
| 2.5.1 基于 SACV 的定位过程概述 | 第42-43页 |
| 2.5.2 构建 SACV 模型 | 第43-44页 |
| 2.5.3 初始轮廓定位 | 第44-46页 |
| 2.5.3.1 瞳孔初始轮廓定位 | 第44-46页 |
| 2.5.3.2 虹膜初始轮廓定位 | 第46页 |
| 2.5.4 瞳孔区域干扰因子检测 | 第46-48页 |
| 2.5.5 虹膜区域干扰因子检测 | 第48-50页 |
| 2.5.5.1 虹膜区域睫毛干扰因子 | 第48-49页 |
| 2.5.5.2 虹膜区域眼皮干扰因子 | 第49-50页 |
| 2.5.5.3 虹膜区域加权干扰因子 | 第50页 |
| 2.5.6 曲线演化终止标准 | 第50-51页 |
| 2.5.7 定位算法步骤描述 | 第51-52页 |
| 2.6 实验结果及讨论 | 第52-59页 |
| 2.6.1 实验样本描述 | 第52页 |
| 2.6.2 参数的设置 | 第52-53页 |
| 2.6.3 分割算法评价标准 | 第53页 |
| 2.6.4 瞳孔定位准确性分析 | 第53-55页 |
| 2.6.5 虹膜定位准确性分析 | 第55-56页 |
| 2.6.6 本章算法的健壮性分析 | 第56-57页 |
| 2.6.7 与已有方法的实验对比 | 第57-59页 |
| 2.7 本章小结 | 第59-60页 |
| 第3章 基于联合特征提取和增强分类器的虹膜识别系统 | 第60-82页 |
| 3.1 引言 | 第60-61页 |
| 3.2 虹膜图像预处理 | 第61-64页 |
| 3.2.1 虹膜图像定位 | 第61-62页 |
| 3.2.2 虹膜归一化 | 第62-64页 |
| 3.2.3 虹膜图像增强 | 第64页 |
| 3.3 基于联合特征和增强分类器的虹膜识别系统 | 第64-66页 |
| 3.4 虹膜特征提取策略 | 第66-72页 |
| 3.4.1 二维 Gabor 滤波器 | 第66-69页 |
| 3.4.2 二维 Gabor 提取虹膜特征 | 第69-70页 |
| 3.4.3 GLCM 理论 | 第70-71页 |
| 3.4.4 GLCM 提取虹膜特征 | 第71页 |
| 3.4.5 特征联合及归一化操作 | 第71-72页 |
| 3.5 构造增强分类器 | 第72-76页 |
| 3.5.1 支持向量机原理 | 第72-74页 |
| 3.5.2 PSO 理论 | 第74-75页 |
| 3.5.3 增强支持向量机 | 第75-76页 |
| 3.6 实验设计 | 第76-77页 |
| 3.6.1 实验虹膜图像样本描述 | 第76-77页 |
| 3.6.2 实验设置 | 第77页 |
| 3.7 实验结果及讨论 | 第77-81页 |
| 3.7.1 实验 I.联合虹膜特征属性分析 | 第78-79页 |
| 3.7.2 实验 II.增强分类器分析 | 第79-80页 |
| 3.7.3 与其它方法的对比 | 第80-81页 |
| 3.8 本章小结 | 第81-82页 |
| 第4章 基于特征选择和区域加权融合的虹膜识别算法 | 第82-106页 |
| 4.1 引言 | 第82-83页 |
| 4.2 基于 SIFT 的特征提取和表示分析 | 第83-88页 |
| 4.2.1 尺度空间极值点检测 | 第83-85页 |
| 4.2.2 关键点定位 | 第85-86页 |
| 4.2.3 分配关键点主方向 | 第86-87页 |
| 4.2.4 关键点描述子表示 | 第87-88页 |
| 4.3 鉴别性子特征选择策略 | 第88-93页 |
| 4.3.1 基于方向的鉴别性子特征选择策略 | 第89-90页 |
| 4.3.2 基于梯度的鉴别性子特征选择策略 | 第90-92页 |
| 4.3.3 基于主方向和梯度的复合选择策略 | 第92-93页 |
| 4.4 虹膜图像分块和子模式特征的贡献度分析 | 第93-95页 |
| 4.4.1 虹膜图像分块 | 第93页 |
| 4.4.2 子模式的权重计算方法 | 第93-95页 |
| 4.4.3 加权子区域匹配 | 第95页 |
| 4.5 实验结果及讨论 | 第95-105页 |
| 4.5.1 实验虹膜图像样本描述 | 第95-96页 |
| 4.5.2 实验设置 | 第96-97页 |
| 4.5.3 实验结果和性能评价 | 第97-103页 |
| 4.5.4 与已有方法的对比分析 | 第103-105页 |
| 4.6 本章小结 | 第105-106页 |
| 第5章 基于局部质量评价和特征融合的虹膜识别系统 | 第106-130页 |
| 5.1 引言 | 第106-107页 |
| 5.2 图像纹理评价方法 | 第107-109页 |
| 5.2.1 一维信息熵 | 第107页 |
| 5.2.2 二维信息熵 | 第107-108页 |
| 5.2.3 Haralick 纹理熵 | 第108页 |
| 5.2.4 Tamura 纹理测量 | 第108-109页 |
| 5.2.5 灰度方差 | 第109页 |
| 5.3 对虹膜不同轨迹进行局部质量评价 | 第109-114页 |
| 5.3.1 虹膜图像预处理 | 第109-111页 |
| 5.3.2 虹膜局部质量评价方法 | 第111-114页 |
| 5.3.3 分析不同轨迹的正确识别率 | 第114页 |
| 5.4 多种质量评价因子的联合和特征融合 | 第114-118页 |
| 5.4.1 多种质量评价参数的向量化 | 第114-116页 |
| 5.4.2 不同轨迹的权重分配过程 | 第116-117页 |
| 5.4.3 不同轨迹的特征信息融合识别系统 | 第117-118页 |
| 5.5 实验设计 | 第118-119页 |
| 5.5.1 实验虹膜图像样本描述 | 第118-119页 |
| 5.5.2 实验方案和设置 | 第119页 |
| 5.6 实验结果及讨论 | 第119-129页 |
| 5.6.1 实验 I.分析不同轨迹的特征信息 | 第119-123页 |
| 5.6.2 实验 II.不同轨迹信息融合的效果分析 | 第123-128页 |
| 5.6.2.1 可判定度分析 | 第123-126页 |
| 5.6.2.2 等错率分析 | 第126-128页 |
| 5.6.3 与已有算法的对比分析 | 第128-129页 |
| 5.7 本章小结 | 第129-130页 |
| 第6章 总结与展望 | 第130-132页 |
| 6.1 论文内容总结 | 第130-131页 |
| 6.2 未来工作展望 | 第131-132页 |
| 参考文献 | 第132-142页 |
| 作者简介及在学期间所取得的科研成果 | 第142-144页 |
| 致谢 | 第144页 |
