| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景 | 第11-12页 |
| 1.2 虹膜识别系统简介 | 第12-17页 |
| 1.2.1 虹膜图像采集 | 第13页 |
| 1.2.2 虹膜图像质量评估 | 第13页 |
| 1.2.3 虹膜图像噪声处理 | 第13-14页 |
| 1.2.4 虹膜图像定位与分割 | 第14页 |
| 1.2.5 虹膜特征提取 | 第14页 |
| 1.2.6 虹膜特征匹配 | 第14-15页 |
| 1.2.7 虹膜数据库 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-18页 |
| 1.4 本文课题的主要研究内容 | 第18-19页 |
| 第2章 虹膜图像质量评估算法 | 第19-30页 |
| 2.1 现有虹膜质量评估算法 | 第19-23页 |
| 2.2 虹膜图像质量检测算法 | 第23-28页 |
| 2.2.1 晃动虹膜图像评估算法 | 第23-26页 |
| 2.2.2 光照均匀化评估算法 | 第26-27页 |
| 2.2.3 虹膜图像睫毛以及清晰度评估算法 | 第27-28页 |
| 2.2.3.1 睫毛评估 | 第27-28页 |
| 2.2.3.2 聚焦评估 | 第28页 |
| 2.2.4 眼睑遮挡评估算法 | 第28页 |
| 2.3 实验结果与分析 | 第28-30页 |
| 第3章 虹膜区域检测算法 | 第30-44页 |
| 3.1 基于Adaboost的虹膜区域检测 | 第30-35页 |
| 3.1.1 训练过程 | 第31-33页 |
| 3.1.1.1 提取Harr特征 | 第32页 |
| 3.1.1.2 弱分类器的实现 | 第32-33页 |
| 3.1.1.3 强分类器的实现 | 第33页 |
| 3.1.2 检测阶段 | 第33-34页 |
| 3.1.3 实验结果分析 | 第34-35页 |
| 3.2 基于模糊c-均值聚类分析与Hough变换相结合的方法检测虹膜 | 第35-41页 |
| 3.2.1 理论介绍 | 第36-38页 |
| 3.2.1.1 模糊c-均值聚类算法 | 第36-37页 |
| 3.2.1.2 Hough变化的圆形检测 | 第37-38页 |
| 3.2.2 模糊c均值聚类算法分割图像 | 第38-39页 |
| 3.2.3 Hoguh变换检测虹膜区域 | 第39-40页 |
| 3.2.4 后期处理 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-42页 |
| 3.4 图像增强 | 第42-44页 |
| 第4章 虹膜噪声检测算法 | 第44-57页 |
| 4.1 睫毛检测 | 第44-48页 |
| 4.1.1 现有的睫毛检测方法 | 第44-47页 |
| 4.1.1.1 基于灰度直方图统计的方法检测睫毛 | 第44-45页 |
| 4.1.1.2 基于图像中睫毛阴影遮挡程度预测模型的睫毛和阴影检测 | 第45-47页 |
| 4.1.1.3 基于双阈值法检测睫毛 | 第47页 |
| 4.1.2 睫毛检测算法 | 第47-48页 |
| 4.2 眼睑检测 | 第48-54页 |
| 4.2.1 现有的眼睑检测算法 | 第48-50页 |
| 4.2.1.1 Wlides的方法 | 第48页 |
| 4.2.1.2 基于抛物线微积分检测算子的方法检测眼睑 | 第48-50页 |
| 4.2.2 新的眼睑检测算法 | 第50-54页 |
| 4.3 光斑检测 | 第54-55页 |
| 4.4 实验结果与分析 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间获奖情况 | 第63页 |
