隨著經(jīng)濟(jì)和技術(shù)的迅猛發(fā)展,以智能手機(jī)為代表的移動(dòng)智能設(shè)備已逐步普及,為了保證移動(dòng)智能設(shè)備的信息安全,采用生物特征識(shí)別技術(shù)實(shí)現(xiàn)移動(dòng)端身份識(shí)別已成為研究熱點(diǎn)。虹膜識(shí)別技術(shù)因其眾多優(yōu)點(diǎn)成為移動(dòng)端生物特征識(shí)別技術(shù)的研究熱點(diǎn)之一。近些年來,紅外光虹膜識(shí)別技術(shù)已在智能手機(jī)中得到較好的應(yīng)用。但是,用紅外線采集虹膜圖像會(huì)對眼睛造成損傷,并且需增加設(shè)備成本�？梢姽庖苿�(dòng)端虹膜識(shí)別可使用設(shè)備已有的圖像采集傳感器,且比紅外光更安全。但是可見光移動(dòng)端虹膜識(shí)別由于采集光照條件和采集設(shè)備不固定,所得圖像易受干擾,導(dǎo)致識(shí)別樣本存在較高的類內(nèi)差異,影響身份識(shí)別的準(zhǔn)確率,目前的識(shí)別方法無法解決該問題。因此,本文以可見光移動(dòng)端虹膜識(shí)別中遇到的上述問題為主要研究內(nèi)容,針對虹膜圖像的預(yù)處理、特征提取及匹配,提出兩種適用于不同光照條件和不同圖像采集傳感器的可見光移動(dòng)端虹膜識(shí)別方法。在虹膜圖像預(yù)處理階段,為減少可見光對圖像質(zhì)量的影響,采用暗通道去霧算法對歸一化的虹膜圖像進(jìn)行圖像復(fù)原增強(qiáng)。在特征提取階段,提出了一種類卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算結(jié)構(gòu),該結(jié)構(gòu)由兩層卷積層和兩層池化層構(gòu)成,在降低了圖像維數(shù)的同時(shí),增強(qiáng)了虹膜紋理特征。在匹配識(shí)別階段... 

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景和意義
    1.2 移動(dòng)端生物特征識(shí)別
        1.2.1 兩種典型的移動(dòng)端生物特征識(shí)別
        1.2.2 移動(dòng)端虹膜識(shí)別
    1.3 移動(dòng)端虹膜識(shí)別研究現(xiàn)狀
    1.4 論文內(nèi)容與章節(jié)安排
第2章 虹膜識(shí)別基本理論
    2.1 虹膜生理結(jié)構(gòu)及特點(diǎn)
    2.2 虹膜識(shí)別基本流程
    2.3 虹膜識(shí)別經(jīng)典算法
        2.3.1 虹膜定位及歸一化算法
        2.3.2 虹膜圖像增強(qiáng)算法
        2.3.3 虹膜特征提取算法
        2.3.4 虹膜特征匹配算法
    2.4 虹膜圖像數(shù)據(jù)庫
    2.5 本章小結(jié)
第3章 基于類卷積降維與分塊特征提取的可見光移動(dòng)端虹膜識(shí)別
    3.1 類卷積降維原理
    3.2 分塊特征提取原理
    3.3 基于類卷積降維與分塊特征提取的虹膜識(shí)別算法
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 算法性能分析
        3.4.2 分塊大小與識(shí)別正確率的關(guān)系
        3.4.3 不同分類方法對比
    3.5 本章小結(jié)
第4章 基于類卷積降維與協(xié)作表示的可見光移動(dòng)端虹膜識(shí)別
    4.1 稀疏表示算法
    4.2 協(xié)作表示算法
    4.3 基于類卷積降維與協(xié)作表示的虹膜識(shí)別算法
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 算法性能分析
        4.4.2 算法對不同設(shè)備和光照變化的適用性分析
        4.4.3 運(yùn)行時(shí)間及算法復(fù)雜度分析
    4.5 本章小結(jié)
第5章 結(jié)論
參考文獻(xiàn)
在學(xué)研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于混合測地線區(qū)域曲線演化的虹膜定位方法[J]. 劉笑楠,楊爭威,張海珊.  電子測量與儀器學(xué)報(bào). 2018(10)
[2]基于深度學(xué)習(xí)的虹膜識(shí)別方法研究[J]. 陳虹旭,李曉坤,鄭永亮,邵娜,楊磊,劉磊.  智能計(jì)算機(jī)與應(yīng)用. 2018(02)
[3]生物特征識(shí)別技術(shù)綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍(lán)天.  信息安全研究. 2016(01)
[4]基于基元模式信息統(tǒng)計(jì)的虹膜卷縮輪提取[J]. 黃靜,苑瑋琦.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2014(08)
[5]生物特征識(shí)別技術(shù)發(fā)展與應(yīng)用綜述[J]. 盧世軍.  計(jì)算機(jī)安全. 2013(01)
[6]基于稀疏表示的人臉識(shí)別方法[J]. 楊榮根,任明武,楊靜宇.  計(jì)算機(jī)科學(xué). 2010(09)
[7]改進(jìn)的快速虹膜定位算法[J]. 駱名猛,吳錫生.  計(jì)算機(jī)工程與應(yīng)用. 2010(17)
[8]虹膜圖像內(nèi)外邊緣定位算法研究[J]. 李晶晶,張健.  通信技術(shù). 2010(05)
[9]幾種生物識(shí)別方法的比較研究[J]. 陳洪京.  河北省科學(xué)院學(xué)報(bào). 2007(04)
[10]基于數(shù)學(xué)形態(tài)學(xué)的快速虹膜定位方法[J]. 孫豫峰.  微計(jì)算機(jī)應(yīng)用. 2007(04)

碩士論文
[1]移動(dòng)端可見光虹膜圖像質(zhì)量評價(jià)方法研究[D]. 尹思璐.沈陽工業(yè)大學(xué) 2018
[2]一種多特征提取及融合的虹膜識(shí)別方法[D]. 劉博.鄭州大學(xué) 2016
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[D]. 葉浪.東南大學(xué) 2015
[4]基于稀疏表示和協(xié)作表示的虹膜識(shí)別算法研究[D]. 于倩.燕山大學(xué) 2014
[5]基于暗通道先驗(yàn)的圖像去霧算法研究[D]. 王永超.大連理工大學(xué) 2011
[6]彩色虹膜圖像定位算法的研究[D]. 董曉鵬.東北大學(xué) 2011
[7]基于神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別分類器的設(shè)計(jì)[D]. 曹國輝.武漢理工大學(xué) 2006



本文編號：3688946