导读:本文包含了虹膜噪声检测论文开题报告文献综述及选题提纲参考文献，主要关键词:小波变换,虹膜,噪声
虹膜噪声检测论文文献综述
张晶,赵刚[1]（2017）在《虹膜眼睑噪声检测与去除算法研究》一文中研究指出为了进一步提高虹膜图像的质量,论文对虹膜眼睑噪声的检测与去除进行了研究。由于传统用微分的方法对图像边缘信息检测存在的不足,根据小波变换多尺度、多分辨分析的特点,利用小波模极大值和最小二乘法相结合的方法虹膜眼睑边缘的噪声进行检测与去除,结果表明,虹膜图像边缘特征显着,图像质量得到提高。(本文来源于《中小企业管理与科技(中旬刊)》期刊2017年11期）
刘洋[2]（2012）在《虹膜噪声检测算法的研究》一文中研究指出随着人们对信息安全的重视,虹膜识别已经成为应用数学、模式识别、图像处理、信息安全等交叉学科的热门研究课题。虹膜识别系统主要由虹膜图像获取、图像质量评估、虹膜图像的预处理、特征提取与识别这四部分组成。虹膜图像的预处理是非常关键的一环。虹膜图像的预处理主要包括噪声检测,虹膜定位以及虹膜图像的归一化。其中,噪声检测是本文讨论的重点。现有的大多虹膜特征提取与识别算法对虹膜图像的质量有一定的要求,对质量较好的虹膜图像效果较好,但实际应用中图像质量很难保证。大多数虹膜图像中的虹膜区域都存在着眼睑和眼睫毛遮盖。本文在系统介绍了大量虹膜噪声处理算法的基础上,分别提出了一种眼睑定位和眼睫毛检测的算法,定位眼睑和检测并去除眼睫毛噪声,目的是为了提高定位和识别的速度和效率。本文主要工作如下：在眼睑定位方面,根据Gabor滤波器,形态学,梯度等一些数字图像处理的相关知识,提取出眼睑边界点的二值化图像,运用改进的抛物线对眼睑边界点进行拟合,并且设定一个判断标准进行线性迭代,直到最优为止。在眼睑定位的基础上,根据抛物线的形状在原图像中截取出虹膜图像用于眼睫毛检测。运用Gabor滤波器,自适应阈值等一些数字图像处理的方法检测出虹膜的眼睫毛噪声.。虹膜的噪声主要包括眼睑遮挡和眼睫毛遮盖两个部分。本文给出了眼睑定位和眼睫毛遮盖的算法。生成虹膜噪声模板,用来排除眼睑和眼睫毛的影响。本文主要选用了CASIA-IrisV3-Lamp虹膜数据库进行实验,用Matlab编程实现该算法,在CASIA-IrisV3-Lamp数据库中下眼睑的定位准确率高达99.5%,由于CASIA-IrisV3-Lamp上存在大量上眼睑遮挡严重的图像,准确率相对较低,为95.2%。眼睫毛检测的准确率为98.6%。(本文来源于《东北大学》期刊2012-06-01）
孙尚帮,姚鹏,周足红,庄镇泉[3]（2012）在《虹膜识别中噪声的检测与处理方法》一文中研究指出眼睑、睫毛会严重干扰虹膜定位的准确性,同时也会大大降低虹膜识别的性能,是虹膜定位和识别的主要干扰噪声。为了减少这些噪声对虹膜识别的影响,提高虹膜的识别率,本文采用一种计算与水平方向成不同夹角的弧线上的梯度积分的方法来定位上眼睑,采用径向对称检测下眼睑;采用灰度阈值法检测成块的睫毛,采用改进的二维Log-Gabor小波的实部滤波器来检测稀疏的睫毛。实验表明该算法能够有效去除眼睑和睫毛造成的干扰,提高了虹膜识别性能。(本文来源于《电路与系统学报》期刊2012年01期）
雷浩鹏,李峰[4]（2009）在《一种新颖的虹膜图像噪声检测方法》一文中研究指出为提高虹膜识别的正确率,针对虹膜图像中存在着眼睫毛和眼睑这两类较难检测的遮挡噪声,在分析现有检测虹膜噪声算法的优缺点后,提出了一套新颖的虹膜图像噪声检测方法:基于Gabor滤波变换的灰度均值法检测睫毛和利用最小二乘法检测眼睑。实验表明,该算法能有效地检测两种遮挡噪声,准确率分别达到95.10%和96.51%,且等错率(EER)指标与已有算法相比最优,提高了虹膜识别系统的整体性能。(本文来源于《计算机应用研究》期刊2009年12期）
罗忠亮,林土胜,贾应彪,刘晓梁[5]（2009）在《虹膜分割中的噪声检测》一文中研究指出针对虹膜图像中的眼睑、眼睫毛和光斑等噪声影响虹膜识别性能,提出一种虹膜分割中的噪声检测方法,在数学形态学的基础上,该方法采用边缘检测与最小二乘法相结合的方法拟合确定眼睑遮挡部分,利用阈值法来检测上眼睫毛和光斑。实验结果表明,该方法可准确而有效地在虹膜分割中检测和剔除这些噪声,是一种有效和可行的虹膜图像噪声检测算法。(本文来源于《计算机工程与设计》期刊2009年10期）
郑煊,王强德,刘萌[6]（2009）在《基于虹膜图像特征的噪声检测方法》一文中研究指出在虹膜识别系统中,采集得到的图像,除了虹膜信息外,一般还会存在睫毛、眼睑及光源的像点等干扰。这会对虹膜的边界定位和特征提取产生影响,并最终导致识别率降低。通过对眼睑、睫毛、光斑噪声检测的研究,根据噪声的特点,提出一种新的快速定位眼睑的方法,并对双阈值检测睫毛的方法进行改进。试验结果表明,该方法能有效去除虹膜区域噪声干扰,提高识别率。(本文来源于《光电子技术》期刊2009年01期）
田丽清[7]（2009）在《虹膜识别中的噪声检测研究》一文中研究指出随着现代社会信息技术的发展,对安全的要求越来越高。因此,基于人体生物特征的识别技术得到迅速的发展和应用。虹膜识别作为生物识别技术中比较有发展潜力的识别技术之一,已经被逐步应用到身份认证等安全领域。虹膜识别是基于人眼虹膜纹理特征来确定人的身份的一种识别方法,也是最为准确的生物识别方法之一。目前国内外的虹膜技术研究方兴未艾,国内的应用研究才刚刚开始,论文正是在这种背景下结合虹膜识别技术的实际需要,对其中的虹膜图像噪声处理开展研究。通过大量的实验观察,本文将虹膜区域的噪声主要分为叁种:眼睑、眼睫毛和光斑,然后对每类噪声提出自己的解决方案。a)眼睑噪声包括上眼睑和下眼睑,考虑到检测的精度和速度,本文采用分段直线检测眼睑边缘。首先采用水平Sobel边缘检测算子提取虹膜图像中的水平边缘,由迭代阈值法分割得到二值化的图像,然后使用基于Hough变换提取直线的方法,将二值图像以瞳孔为中心分为四部分,每部分分别进行Hough变换,得到眼睑边缘直线。b)睫毛主要是上眼睫毛,下眼睑附近的眼睫毛较稀疏、短小,通常向外翻很少投影在虹膜区域上,而上眼睑附近的眼睫毛通常投影在虹膜区域的部分较多。本文根据这些特点尝试使用基于局部灰度均值法和基于log gabor小波滤波两种方法检测睫毛。基于局部灰度均值的睫毛检测方法通过在瞳孔左右两侧分别选取两个矩形区域,计算这两块虹膜区域的灰度均值来的得到分割眼睫毛阈值的大小。基于log gabor小波睫毛遮挡检测算法利用log gabor小波实部波形的特点,在叁个方向-30°、0°和30°分别对虹膜图像滤波,然后将叁个方向的滤波结果迭加,得到睫毛像素集。c)根据灰度值的不同,把虹膜图像中的光斑噪声分为强光斑和弱光斑两种。为了避免不同光照对图像的影响,依据每幅图像的灰度均值自适应的选取阈值,分割光斑。实验证明,本文采用的方法能够较好的检测这叁种噪声。(本文来源于《哈尔滨工程大学》期刊2009-02-01）
来毅[8]（2007）在《虹膜图像中噪声检测算法的研究》一文中研究指出虹膜识别因其具有高可靠性、稳定性和非侵犯性,已成为生物特征识别领域的一个研究热点。眼睑和眼睫毛遮挡是虹膜识别系统中较难检测的两种噪声,对系统识别性能影响较大,本文对如何去除这两种噪声进行了较深入的研究。文中介绍了虹膜身份识别系统各个关键部分,分析了现有眼睑和眼睫毛遮挡检测算法的优缺点,提出了基于灰度形态学的眼睑和眼睫毛遮挡检测算法:一是设计弧线形的形态学结构元素,经过灰度开启运算、图像分割和边缘检测,获得眼睑边缘的候选点集,再利用Bezier曲线拟合出眼睑边缘;二是构造交叉形的形态学结构元素,通过灰度开启运算得到直方图具有分段特性的虹膜图像,经二值化检测出眼睫毛。实验结果表明:该算法能有效地检测两种遮挡噪声,有助于降低虹膜识别系统的等错误率,提高模式的可分性。另外,本文还对虹膜识别算法进行了初步探讨。在分析2-D复Gabor滤波器实部和虚部的幅频响应特性后,发现2-D奇Gabor滤波器比2-D复Gabor滤波器更能有效提取虹膜纹理特征。因此,提出采用2-D奇Gabor滤波的方法编码虹膜纹理特征点的相位信息,并通过计算汉明距离(Hamming distance)进行识别。实验结果表明,与基于2-D复Gabor滤波编码虹膜纹理相位特征的方法相比,该算法使系统识别等错误率(Equal Error Rate)降低大约12%。(本文来源于《西安电子科技大学》期刊2007-01-01）
何薇[9]（2006）在《虹膜识别中的噪声检测》一文中研究指出以信息化、数字化、网络化为特点的社会的发展对国家以及社会生活安全性提出了全新的要求,在这种环境下,传统的安全技术呈现出无法解决的重大缺陷。而生物特征认证技术是解决信息化、数字化、网络化社会安全问题的最好的办法之一。作为最可靠的生物特征之一的虹膜识别技术,因其唯一性、稳定性、高可靠性和非侵犯性等特点而备受关注。 虹膜识别系统中,主要研究的对象是虹膜区域的纹理。而实际上通过获取装置采集到的虹膜图像除了包括虹膜区域外,还有巩膜、眼睑、眼睫毛、光斑等噪声。如果这些噪声作为虹膜特征进入虹膜编码模块,将会出现错误的虹膜代码,极大地降低了虹膜识别率。本文对虹膜区域中可能存在的噪声进行了分析,针对不同的噪声,提出了不同的检测方法,从而可以在特征提取和匹配过程中避开这些噪声区域,提高了虹膜识别率。 通过大量的实验观察,本文将虹膜区域的噪声主要分为叁种:眼睑、眼睫毛和光斑,然后对每类噪声提出自己的解决方案。眼睑噪声包括上眼睑和下眼睑,在虹膜图像中的眼睑边界接近抛物线形状,.因此本文首先采用方向选择性的Sobel边缘检测算子提取边缘,然后使用基于改进的抛物线Hough变换的方法求得上下眼睑大致边界;眼睫毛主要是上下眼睫毛,下眼睑附近的眼睫毛较稀疏、短小,通常向外翻很少投影在虹膜区域上,而上眼睑附近的眼睫毛通常投影在虹膜区域的部分较多,本文根据这些特点提出一种新的检测眼睫毛的方法。首先提出使用局部灰度极小值的方法获取候选眼睫毛像素集,利用眼睫毛长度信息和位置信息去除伪眼睫毛像素,然后将一个扇形区域(尽可能多地包含眼睫毛)标记为眼睫毛噪声区域;光斑噪声主要指分布在瞳孔区域和虹膜区域的反射光斑,光斑检测分两步,光斑检测分两步,首先提取出图像中像素灰度值较大的点,其中包含光斑和眼睑上的点,然后根据光斑周围灰度较小的特点提取出光斑。 实验证明该方法可行,而且具有光照不变性。(本文来源于《沈阳工业大学》期刊2006-03-15）
田启川,潘泉,程咏梅,张洪才[10]（2006）在《虹膜识别中噪声的检测和处理方法》一文中研究指出针对虹膜识别中存在的问题,在识别时应该尽可能将虹膜有效信息提取出来,而将眼皮、睫毛、光点的反射等去除,同时在特征提取中,提出了通过噪声扩展方法消除噪声信号在编码过程中带来的影响。实验结果表明该文提出的方法有助于提高识别的可靠性和模式分类能力。(本文来源于《计算机工程》期刊2006年02期）
虹膜噪声检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着人们对信息安全的重视,虹膜识别已经成为应用数学、模式识别、图像处理、信息安全等交叉学科的热门研究课题。虹膜识别系统主要由虹膜图像获取、图像质量评估、虹膜图像的预处理、特征提取与识别这四部分组成。虹膜图像的预处理是非常关键的一环。虹膜图像的预处理主要包括噪声检测,虹膜定位以及虹膜图像的归一化。其中,噪声检测是本文讨论的重点。现有的大多虹膜特征提取与识别算法对虹膜图像的质量有一定的要求,对质量较好的虹膜图像效果较好,但实际应用中图像质量很难保证。大多数虹膜图像中的虹膜区域都存在着眼睑和眼睫毛遮盖。本文在系统介绍了大量虹膜噪声处理算法的基础上,分别提出了一种眼睑定位和眼睫毛检测的算法,定位眼睑和检测并去除眼睫毛噪声,目的是为了提高定位和识别的速度和效率。本文主要工作如下：在眼睑定位方面,根据Gabor滤波器,形态学,梯度等一些数字图像处理的相关知识,提取出眼睑边界点的二值化图像,运用改进的抛物线对眼睑边界点进行拟合,并且设定一个判断标准进行线性迭代,直到最优为止。在眼睑定位的基础上,根据抛物线的形状在原图像中截取出虹膜图像用于眼睫毛检测。运用Gabor滤波器,自适应阈值等一些数字图像处理的方法检测出虹膜的眼睫毛噪声.。虹膜的噪声主要包括眼睑遮挡和眼睫毛遮盖两个部分。本文给出了眼睑定位和眼睫毛遮盖的算法。生成虹膜噪声模板,用来排除眼睑和眼睫毛的影响。本文主要选用了CASIA-IrisV3-Lamp虹膜数据库进行实验,用Matlab编程实现该算法,在CASIA-IrisV3-Lamp数据库中下眼睑的定位准确率高达99.5%,由于CASIA-IrisV3-Lamp上存在大量上眼睑遮挡严重的图像,准确率相对较低,为95.2%。眼睫毛检测的准确率为98.6%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
虹膜噪声检测论文参考文献
[1].张晶,赵刚.虹膜眼睑噪声检测与去除算法研究[J].中小企业管理与科技(中旬刊).2017
[2].刘洋.虹膜噪声检测算法的研究[D].东北大学.2012
[3].孙尚帮,姚鹏,周足红,庄镇泉.虹膜识别中噪声的检测与处理方法[J].电路与系统学报.2012
[4].雷浩鹏,李峰.一种新颖的虹膜图像噪声检测方法[J].计算机应用研究.2009
[5].罗忠亮,林土胜,贾应彪,刘晓梁.虹膜分割中的噪声检测[J].计算机工程与设计.2009
[6].郑煊,王强德,刘萌.基于虹膜图像特征的噪声检测方法[J].光电子技术.2009
[7].田丽清.虹膜识别中的噪声检测研究[D].哈尔滨工程大学.2009
[8].来毅.虹膜图像中噪声检测算法的研究[D].西安电子科技大学.2007
[9].何薇.虹膜识别中的噪声检测[D].沈阳工业大学.2006
[10].田启川,潘泉,程咏梅,张洪才.虹膜识别中噪声的检测和处理方法[J].计算机工程.2006