基于形态学与灰度分布的序列虹膜质量评价算法

基于形态学和灰度直方图中的灰度分布,提出一种虹膜质量评价算法.通过清晰度,基于二值形态学的活体检测,灰度直方图灰度分布的区域有效判定以及超界偏移度和斜视离心度的斜眼程度判断,解决了连续采集的序列虹膜质量评价中因判别指标严苛导致的有效虹膜幸存率过低的问题.在排除不合格图像的同时,尽可能地保留可以进行识别的虹膜,以提高有效虹膜幸存率,并且时间消耗相对较短.

基于GA-BP神经网络的序列虹膜质量评价算法

针对虹膜质量评价指标单一或过多的情形,提出一种基于GA-BP神经网络的序列虹膜质量评价算法.首先对虹膜图像进行粗质量评价,筛选掉大多数不合格的较差质量图像;然后对虹膜图像进行精质量评价,选用3个较重要的指标得出指标值;最后结合BP神经网络融合精质量评价指标进行图像质量的最终评价.在JLU-6.0虹膜库中进行验证,并与其他算法进行对比测试,测试结果表明,该算法能保留较多的有效虹膜图像,且分类精确度较高.

由粗到精的虹膜图像离焦模糊评价方法

离焦模糊评价在虹膜识别系统中尤为重要。传统的方法是通过频谱分析测量虹膜图像的离焦模糊程度,这类方法容易受到光照变化以及睫毛和眼皮等噪声区域的影响。提出了一种由粗到精的虹膜图像离焦模糊评价方法。第一步,通过频谱分析去除严重模糊的虹膜图像,进行虹膜图像离焦模糊粗分类。第二步,通过方向金字塔分解,提取虹膜图像的质量特征。在人工合成的离焦模糊虹膜图像数据库中,利用径向基神经网络建立起质量特征与质量等级间的对应关系。通过建立起的模型进行实际的虹膜图像离焦模糊等级预测,以及虹膜图像离焦模糊精分类。在Clarkson数据库上的实验结果证明了该方法不仅可以准确区分清晰图像和离焦模糊图像,而且相比于传统的虹膜图像离焦评价方法更接近于人的视觉感知。

基于GA-SVM模型的虹膜质量评估方法

针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、如何降低评价因子的计算量、如何对评价因子进行有效融合等问题,提出一种基于遗传算法-支持向量机(GA-SVM)模型和多测度评价指标的虹膜图像质量评估方法.首先对虹膜图像进行清晰度质量评价,粗略筛除模糊图像;然后选用4个评价指标,利用GA-SVM模型对评价指标值进行有效融合,以综合评价虹膜图像质量;最后将该方法在吉林大学第六代虹膜库中进行验证,并与其他经典评价方法进行对比.实验结果表明,该方法能提高可用虹膜存活率,并达到较好的识别精度,同时提升系统运行速度.

虹膜图像质量评价综述

目的虹膜图像质量评价是虹膜识别系统中重要的模块,通过评价低质量虹膜样本的综合质量来提升虹膜识别的性能。虹膜图像质量评价在图像获取、人机交互系统、识别性能预测以及自适应虹膜识别算法设计等各模块中具有重要作用。近年来,随着虹膜识别系统不断发展,虹膜图像质量评价得到了广泛研究。方法为了使该领域的研究人员充分了解当前虹膜图像质量评价算法,本文对已有的方法进行了综述。结果总结了虹膜图像质量评价算法的发展历程、技术思路和主要方法,展望了虹膜图像质量评价算法以及以质量为导向的虹膜识别技术的发展。结论随着大数据时代的到来,大规模人群的虹膜识别将会成为热点。虹膜图像质量评价的研究对提升虹膜识别系统的处理能力具有重要意义。

单测度虹膜图像质量评价方法探讨

在众多生物特征识别技术中,虹膜识别技术被认为是可靠性最高的个人身份认证技术,在公共安全领域的应用越来越受到重视。然而,虹膜识别系统的性能却严重受制于虹膜图像的质量,虹膜图像质量的好坏很大程度上影响并决定了虹膜识别效果的优劣。通过虹膜质量评价算法,保留质量好的虹膜图像,摒弃质量差的虹膜图像,能显著提升虹膜识别系统的识别性能。本文将通过分析影响虹膜图像质量的各种因素,如:斜眼、遮挡、瞳孔伸缩、光照、离焦模糊、运动模糊等来介绍相应的虹膜图像质量评价方法。