一、空间信息与尺度信息相结合的虹膜识别算法（论文文献综述）
王鹏[1]（2021）在《虹膜识别中的活体检测技术研究》文中研究指明基于虹膜信息的身份识别是最可信、最准确的生物身份识别模式之一,而受图像采集、个体差异、攻击手段多样等外部因素影响,虹膜识别技术在广泛应用的同时暴露出了面对伪造样本攻击时的脆弱性。利用单帧图像在虹膜识别前进行活体检测,抵御翻拍伪造样本、佩戴彩色隐形眼镜样本、眼球模型样本的攻击,是本文研究的要点。本文建立近红外成像虹膜数据集用于活体检测算法研究。主要创新点如下:（1）针对三种攻击方式分别提出活体检测算法并设计了一个基于传统算法级联的虹膜活体检测系统。首先以伪造样本图像与活体虹膜图像二者之间成像差异为切入点,针对翻拍攻击、彩色隐形眼镜攻击、眼球模型攻击三方面展开研究。针对翻拍样本攻击,根据纹理细节特征提出一种基于纹理分析的翻拍虹膜图像检测算法,分析该算法缺陷并对近红外点光源下的人眼成像进行建模,根据成像模型统计差异,提出一种基于近红外成像模型的翻拍虹膜图像检测算法;针对彩色隐形眼镜攻击,分析眼镜构造与佩戴特征,提出了一种基于生物纹理分析和亮度变化的彩色隐形眼镜攻击检测算法;针对眼球模型攻击,分析模型的伪造虹膜纹理特征与眼部成像特征,据此提出一种基于结构相似度和纹理复杂度的眼球模型检测算法。然后建立级联分类器,搭建抵抗三种攻击手段的活体检测系统,经实验测试,虹膜活体检测系统F1-score达到0.952。（2）提出一种基于复合注意力机制集成学习网络的统一虹膜活体检测算法。基于传统算法级联的虹膜活体检测方法存在算法孤立的短板。针对这一局限,提出一种复合注意力机制集成学习网络（CAMEL-Net）,在骨干网络中加入双注意力机制,从而使网络更加关注虹膜区域,并在两路网络融合阶段提出集成融合模块（EFB）,以改善特征图硬性融合导致网络性能提升困难的问题,经实验测试,复合注意力机制集成学习网络在虹膜活体检测任务中F1-score达到0.972。本文所提两类虹膜活体检测算法,可在图像存在轻微离焦、翻拍介质和手段变化等多种情况下有效的进行活体检测,降低伪造样本对虹膜识别系统的威胁。
曹晓彤[2]（2021）在《基于图形匹配的手背静脉识别研究》文中进行了进一步梳理在身份识别越来越受到重视的互联网时代,基于手背静脉的身份识别成为研究热点。但是面临采集设备多样性的情况,跨设备条件下的手背静脉身份识别成为必然趋势。在跨设备以及用户配合度低的条件下,采集的手背静脉图像存在亮度、旋转角度和尺度大小等差异,识别率较低。如何在跨设备条件下开展高精度的手背静脉身份识别具有重要的研究意义。论文主要工作和创新性如下:（1）提出以骨架图来描述静脉的形状结构的两种方案:方案一是由二值图细化得到骨架图,方案二是由距离图细化得到骨架图。在以上方案的基础上,选择骨架上的交叉点和终点作为关键点,以关键点为中心截取二值图像片段（默认为48?48）,并采用DERF描述子生成特征向量进行手背静脉识别。1库和2库的单设备识别率方案一最高达到99.18%、97.35%,方案二最高达到98.98%、97.35%。跨设备条件下的识别率方案一为71.43%,方案二为70.41%。方案一的识别率相对更高,后续工作在方案一的基础上开展。（2）为提高跨设备条件下的识别率,提出了以交叉点、终点和从边上等间隔采样的点同时作为关键点的算法。受图形学启发,以点和边来描述静脉骨架,从而更加完整地描述静脉的形状结构。对采样间隔和以关键点为中心的二值图像片段大小进行了优化,最优值分别为7,60?60。采用DERF描述子生成特征向量。跨设备条件下的识别率从71.43%提高到81.84%。（3）为进一步提高跨设备条件下的识别率,提出了基于多图融合和改进Xception网络进行手背静脉身份识别的算法。在网络输入端,基于将纹理特征和形状特征相结合的思想,将二值图、距离图和骨架图融合为三通道的融合图;在网络内部,改进Xception网络,迫使网络学习更加稀疏的特征,改进后识别率最高达到93.54%。针对以上方法,在由实验室自建的跨设备手背静脉图像库1库和2库上进行了充分的实验,验证了论文所提方法的有效性。
田玉通[3]（2021）在《基于轻量化神经网络的虹膜识别方法研究》文中研究说明近两年,受疫情的影响,人们进出公共场合需进行登记与身份验证。目前普遍采用的人脸识别系统易受口罩遮挡的影响。本文从虹膜识别领域出发探索一种面向移动端的虹膜识别方法。与传统虹膜识别方法相比,基于神经网络的虹膜识别方法精度更高、系统鲁棒性更强,但其参数量庞大,对运算、存储需求较高,难以部署在硬件有限的移动端设备上。为解决上述问题,本文提出一种将轻量化网络结构与模型量化技术相结合的轻量化神经网络用于移动端虹膜识别,论文的具体工作如下:首先,本文介绍了传统虹膜识别方法、基于神经网络的虹膜识别方法的国内外研究现状,并对降低后者模型复杂度的神经网络轻量化技术及其研究现状进行了阐述。随后,本文介绍了虹膜识别系统及卷积神经网络的系统架构,并对几种经典的轻量化网络结构及模型量化方法进行了研究。基于虹膜图像间定位效果存在差异的现象,本文提出一种基于眼睑检测的虹膜图像质量评估方法来指导虹膜数据集的扩充工作;为解决移动端虹膜识别系统中难以运行参数量庞大的神经网络模型的问题,本文提出一种基于深度可分离卷积（Depth-wise Separable Convolution）结构的轻量化神经网络用于虹膜识别。该方法针对轻量化网络结构存在的精度下降问题,结合跨层传输机制、通道混洗（Channel Shuffle）与稠密连接（Dense Connection）技术进行了优化;针对模型在移动端设备运行效率低的问题,提出了基于动态截断的模型量化方案,使其更适于移动端部署。最后,为分析所提方法在移动端的可行性,本文将训练好的网络模型移植到Android移动端进行测试,并选择已有的虹膜识别网络及模型量化方案与本文提出的轻量化神经网络进行对比实验,实验结果表明本文给出的方法在保持识别精度的同时降低了模型的运算与存储需求。
路陈红[4]（2008）在《用于个人身份鉴别的虹膜生物特征识别》文中研究说明随着人们对社会安全要求的增加,基于生物特征识别的智能身份鉴别方法逐渐受到广泛的关注。由于虹膜识别具有高可靠性和非侵犯性,它正成为生物特征识别领域中的一个研究热点。作为一个应用性很强的研究课题,虹膜识别正在从实验室走向社会应用,但是虹膜识别的研究还远远没有达到完善的程度。本文的工作以建立基于虹膜识别的身份鉴别软件系统为目标,重点研究核心的虹膜图像分割、特征提取与匹配算法,并以此为中心对虹膜识别技术在数字媒体版权保护方面的应用进行初步的探讨。论文的主要工作和贡献如下:1.实现了有效的虹膜图像分割。该算法采用活动轮廓模型技术检测瞳孔的精确边界;通过分析归一化虹膜图像水平方向灰度信号的小波模极值点在尺度空间的演化,得到眼睑遮挡边界上点,并利用多项式拟合确定眼睑遮挡部分;最后实现基于一维Gabor滤波的眼睫毛检测。2.根据提出的虹膜图像分割算法建立了虹膜识别实验平台。通过分析Gabor滤波器组的函数特性,在该平台上对虹膜识别领域研究较多的各种Gabor滤波特征提取算法进行了比较,并提出了优化思想;同时选择Daugman所提虹膜识别算法对论文提出的分割算法的有效性进行了客观验证。3.采用不同的图像基函数分析虹膜图像的基本微观结构,从而确定主导虹膜图像产生的图像基为LOG函数,提出了利用LOG函数在多尺度空间检测虹膜细节特征的算法;进而对图像多尺度分析的自动尺度选择机制进行研究,提出了自动尺度选择的LOG基虹膜图像特征提取算法,并与现有主要虹膜识别算法的性能进行了比较。在实验结果的基础上,提供了一些有意义的结论。4.研究了具有旋转补偿的虹膜特征提取算法。首先给出了一种基于Zernike矩不变量的虹膜旋转不变特征提取算法,并通过实验考察了该算法的有效性和适用范围。然后提出了一种结合虹膜局部区域块质量评价与相位相关匹配的识别算法。算法在归一化虹膜图像上选择感兴趣区域,然后对感兴趣区域根据定义的质量评价公式计算遮挡因子,最后计算每一对感兴趣区域的POC匹配系数,并根据相应的遮挡因子得到虹膜对的整体匹配系数。利用POC相关计算可补偿虹膜旋转影响,同时通过局部块的遮挡质量评估可降低图像采集时对用户配合程度和采集技术的要求。5.提出了将虹膜特征识别与数字水印技术相结合的数字图像内容版权认证系统。其基本思想是先对虹膜图像进行预处理,直接选取感兴趣区域灰度图像而不是经信息压缩的特征代码作为水印信息;然后在原始图像一维倒谱域嵌入水印图像;最后通过计算频带受限的相位相关函数实现虹膜图像认证。
许瀚文[5]（2021）在《嵌入式虹膜识别算法研究》文中提出随着科学技术的进步和社会生活品质的改善,人们越来越重视身份识别系统的安全性,虹膜识别技术以其高可靠性、高准确率、难仿造性以及无接触等优势脱颖而出。现有的基于PC平台的虹膜识别系统存在功耗高、体积大、成本高和不便携等缺点。因此,本文设计了基于嵌入式平台的价格低、识别率高、运行速度快且携带方便的虹膜识别系统,并分别采用树莓派4代B型开发板和EAIDK-310开发板进行实现,克服了传统的PC机虹膜识别系统的缺点。本文的主要工作包括以下几方面:针对眼睑和睫毛等噪声区域对识别精度的影响,本文使用一种适合于嵌入式平台运行的抗干扰快速虹膜定位法。将改进的Hough圆检测法和Daugman微积分法相结合,从粗到精定位虹膜内外边界,并定位出眼睑和睫毛区域,以作为特征匹配过程的输入。该方法减少了传统定位搜索的盲目性,可以快速定位出虹膜边界且定位精度较高。为克服传统Hamming距离法的移位对比次数过多,时间复杂度较高的问题。本文使用自动控制移位配准的改进Hamming距离匹配法,有效减少了比对次数,提前结束匹配过程,提高了特征匹配的实时性。采用双目虹膜采集仪IRISIA自行建立了实验室环境下的小型虹膜图像数据库 SDU-IDB（Shandong University-Iris Data Base）,共采集了 115 位山东大学微电子学院本科生和研究生的左眼和右眼的虹膜图像,总计2538张。基于CASIA-IrisV1、CASIA-IrisV3-Interval和SDU-IDB三个虹膜库对改进的虹膜识别算法进行测试,采用误识率FAR、拒识率FRR、等错误率EER和ROC曲线以及运行速度等作为虹膜识别应用系统性能优劣的衡量标准。利用改进的虹膜识别算法开发出嵌入式虹膜识别系统,在树莓派4B开发板和EAIDK-310开发板设计移植了嵌入式Linux操作系统,分别以树莓派4B和EAIDK-310开发板作为核心板卡,完成了 USB红外CMOS虹膜摄像头的调用和调试、虹膜识别过程以及结果显示等功能。通过对大量虹膜图像样本的实验,得出本文搭建的基于ARM的嵌入式虹膜识别系统实现了开发成本低、识别准确率高、运行快速可靠、抗干扰能力强且可移动性好等特性,能够满足虹膜识别对嵌入式系统的性能和功能的需求,具有一定的实际应用价值。
王刚[6]（2021）在《基于随机森林的多特征虹膜识别算法研究》文中指出生物识别技术是经过采集人体的某一种或多种生物特征,经过处理后进行匹配识别从而验证个人信息的一种技术。利用外部图像采集或传感器设备提取生物特征信息,将其处理后转为统一的特征模板,并保存到数据库中,使用计算机及相关识别算法完成身份验证过程。与传统的识别技术（钥匙、身份证、密码等）相比,生物识别的安全性更高,保密性更好。另外,使用生物特征做身份识别还具有防伪性能好、便携、不易遗忘或丢失等优点。可用于生物识别技术的生物特征有很多,主要分为行为特征和生理特征两种,其中生理特征包括:人脸、虹膜、掌纹、静脉、视网膜、DNA、指纹等;行为特征则包括:声调、声色、行走时的步伐姿态、笔迹等。虹膜属于人的一种特殊的生理特征,包含了很多交织相错的细小斑点、丝状纤维、沟壑、条纹、大小不一的隐窝等的纹理细节特征,散布在瞳孔与巩膜之间的圆环状区域,该区域由十分复杂的纤维状组织构成。在胎儿未出生前的发育阶段,虹膜就已经形成,在整个生命历程中除去某些特殊眼部疾病外,虹膜基本不会发生变化,十分稳定。因此这些细节特征及不变性使得每个人的虹膜都是特有的,使用虹膜作为生物识别和个人身份验证的特征信息具有唯一性。虹膜的唯一性与稳定性是很多其他生物特征所没有的优点,这使得虹膜在人体生物特征识别市场中将成为主流产品。虹膜识别主要是利用人眼图像中虹膜环状区域的纹理特征形成特征模板,将测试样本与所有样本的特征模板进行匹配分析,相似度对比,完成识别过程。虹膜识别的过程主要包括:图像采集、定位、分割、特征提取、匹配五个部分。在定位之前,由于虹膜图像有睫毛、眼睑等干扰,所以对图像进行预处理,处理过程常用的是对其进行中值滤波、高斯滤波等处理。定位过程主要是将瞳孔与巩膜之间的虹膜圆环标识出来,主流提取虹膜圆环的方法是利用灰度值跃变进行Hough圆检测、Canny边缘检测的方法。分割过程是将提取的虹膜圆环分割成固定大小的矩阵数组,归一化处理便于后续的特征提取。目前,在虹膜图像的特征提取过程中,主要提取虹膜图像的像素幅值或频域的相位信息,其中应用最广泛的是提取幅度信息构建特征模板。匹配过程主要是样本与数据库所有样本逐一比对,经过相似度的对比分析,得出最优匹配结果。本文提出了一种基于随机森林与多特征融合的虹膜识别算法,有效地解决了虹膜识别系统的特征单一、泛化能力及稳定性差的问题。使用局部二值模式（Local binary pattern）、S变换、Gabor小波变换三种方法提取虹膜特征,分别对归一化后的虹膜图像作不同窗口单元的LBP、不同方向的2D-Gabor变换、不同频率的S变换,将识别率、特征提取时间与匹配时间作为评判标准,取识别效果最好的三组作为后续使用的虹膜特征;模型搭建中将三种虹膜特征融合,并建立多棵决策树,匹配过程采用随机森林的方法,随机选择特征属性进行匹配。在每个样本与其他样本的匹配过程中,使用欧式距离作为匹配标准。本文实验的数据集采用了中科院CASIA V3.0-Interval数据库与自建虹膜数据库IrisSDU。实验结果表明,该系统的平均识别率在V3.0数据库可以达到99%以上,IrisSDU数据库可以达到95%以上。因此得出结论,随机森林的随机性提高了识别系统的识别率与泛化能力,使得算法更加稳定。
佟镓名[7]（2021）在《基于双通道网络特征学习的虹膜识别研究》文中指出计算机视觉领域的最新发展使人们对生物识别技术产生了新的兴趣。虹膜识别被认为是最准确、最可靠的生物特征识别方法,因此它已被应用在不同的领域,如识别和认证系统、智能密钥系统、数字取证和边境控制。虹膜包含了大量用于生物特征识别的独特的、恒定的和防伪的特征,如复杂的纹理和明确的结构信息。除此之外,虹膜特征是稳定的,并在人的一生中保持不变。因此,虹膜纹理在生物识别实践中起着关键作用。常见的虹膜识别方法通常包括以下几个步骤:虹膜图像采集、虹膜图像预处理、虹膜分割、虹膜特征提取、特征匹配以及虹膜识别。在虹膜识别系统中,由于虹膜形状的不可预测性和不规则性,虹膜分割是一项关键且具有挑战性的任务。一般来说,虹膜纹理在靠近瞳孔边界的区域更容易看到。如果没有正确定位瞳孔区域的边界,在特征提取阶段会丢失大量的虹膜纹理。也就是说,虹膜识别方法的性能和鲁棒性很大程度上取决于虹膜分割的准确性。在大多数情况下,虹膜区域遮挡（如眼睑或睫毛、眼镜、光照差、运动模糊等）会极大地影响虹膜分割算法的整体精度。以往的研究表明,虹膜分割步骤产生的误差被传输到虹膜识别的后续各个阶段,因此,虹膜边界估计仍然是实现系统高精度的一个非常重要的预处理阶段。本论文提出了一种有效的基于深度学习的集成模型,用于虹膜的精确检测、分割和识别。双通道网络特征学习模型涉及到预处理、检测、分割和识别等不同阶段。首先,对图像进行预处理,以提高输入图像的质量,使用Black Hat滤波、中值滤波和伽马校正。其次,采用霍夫圆变换模型对图像感兴趣的区域即虹膜进行有效的定位。最后,应用双通道网络模型对区域建议网络进行虹膜识别和分割。具体来说,提出的双通道网络包含多个卷积神经网络（CNN）,每个CNN代表一个特定的旋转方向,所有的CNN共享相同的权值。根据各CNN的输出特征,采用多示例学习算法提取最终的旋转不变特征。为了验证所提出的模型的结果,在多个公开的基准数据集,如CASIA-Iris上进行实验,不同指标的结果表明该方法在旋转不变特征提取方面优于现有方法,尤其在小训练样本的情况下效果非常好。
丁通[8]（2021）在《基于改进的残差网络虹膜特征提取与识别算法的研究》文中研究指明生物特征识别方法相较于传统的身份认证,在安全性,便捷性,和保密性等方面有很大的优势。而今随着硬件设备快速的迭代升级,人工智能与计算机视觉的结合也越来越紧密。虹膜识别的本质也是图像分类的一种,将虹膜识别领域与深度学习技术相结合具有很高的研究价值。本文主要在虹膜识别流程中的特征提取和匹配识别过程进行改进和创新,针对手工设计滤波器提取虹膜特征表达能力不足的缺陷,提出一种适用于虹膜识别的改进残差网络结构提取虹膜特征的算法,相比于其它算法识别率更高,鲁棒性更好。下面主要介绍下本文所做的具体工作:1.改进了残差网络结构:在基于残差网络Resnet结构上重新设计了一个卷积神经网络——MulSE-IrisNet（Multiscale-SE-Iris Net:结合SE模块的多尺度残差网络结构）。在MulSE-IrisNet网络结构中通过设置多个不同尺度的卷积核分别进行卷积,目的在于提取虹膜图像的多元特征信息,增加虹膜图像特征的丰富度,最终将不同尺度的卷积核提取到的不同的虹膜特征进行通道叠加,通过特征的多样性提高虹膜识别的准确率。同时为了改进当前大多数的用于虹膜识别的网络结构没有有效利用特征通道间相关性的不足,在本文提出的网络结构中引用了通道注意力机制,使用自动调整参数的方法来学习到每个特征通道的相关性,然后依照相关性来加强有用特征通道的权值并且削弱无用特征通道的权值。2.改进了损失函数:在训练阶段,大多数的网络结构采用的损失函数为Softmax,本文在训练过程中对损失函数进行了改进,AMsoftmax函数通过施加固定的角间距来增加虹膜特征的类间距,Center Loss函数通过约束样本和特征中心减少虹膜的类内距,因此本文在训练过程中引入了联合损失函数——AMsoftmax+lCenter Loss,l控制Center Loss的约束强度,通过AMsoftmax函数结合Center Loss函数共同训练,使得虹膜特征相比于使用单一的损失函数训练区分度更高,实验结果表明当l取值在0.01—0.05之间时,能够最大程度提高算法的性能。3.本文在实验部分采用的数据集为自主采集的JLU-V5.0和JLU-V6.0虹膜库。用训练后的MulSE-IrisNet网络提取虹膜特征进行编码,使用余弦距离进行匹配。在实验的过程中与其它当前的虹膜识别算法做对比,通过分析识别正确率,等错误率等指标,在JLU-V5.0和JLU-V6.0上分别达到98.94%和98.36%的准确率,1.12%和0.99%的等错误率,证明了本文提出的算法可以有效地提高虹膜识别的准确率。
张蛟娇[9]（2021）在《基于卷积神经网络的人脸识别门禁系统》文中研究指明人脸信息被用于各种验证场所,主要是因为相比于其他认证手段,人脸信息具有唯一性、实时性和难伪造性。跟机场、火车站等一些大型场所相比,住宅小区的住户容量较小,住户信息较稳定,可以更充分发挥人脸识别技术的优势。本文设计了一种基于卷积神经网络的人脸识别门禁系统,实现无接触、快速的门禁检测。本文主要对人脸检测、活体检测、人脸特征提取和对比等方面进行了学习与研究。采用核相关滤波算法（Kernel Correlation Filter,KCF）和Adaboost融合的方法实现人脸检测。在KCF目标跟踪算法中利用方向梯度直方图（Histogram of Oriented Gradient,HOG）特征和颜色直方图特征融合的方法对跟踪目标进行多尺度跟踪,使其能够跟踪检测由远而近运动的目标;之后在目标跟踪框中利用Adaboost算法进行人脸检测。测试证明,在同一段视频中采用KCF+Adaboost融合的方法进行人脸检测比单独使用Adaboost算法收敛速度加快0.7s。采用摩尔纹理和眨眼检测融合的方法进行活体检测。先对检测目标进行摩尔纹理检测,若通过检测则进行眨眼检测。进行眨眼检测时首先利用监督下降法（Supervised Descent Method,SDM）得到的人脸特征点定位1点的横坐标、3点的纵坐标、13点的横纵坐标来进行人眼区域定位,之后使用Hough圆检测方法对虹膜进行检测定位,最后通过比较虹膜区域和人眼区域的灰度平均值比值来判断眼睛状态。通过对静态的摩尔纹理特征和动态的眨眼特征融合的方法,来提高活体检测的有效率。构建了基于深度可分离卷积CNN+Squeeze-and-Excitation（SE）模块的模型。利用深度可分离卷积来减少运算次数和降低运行时间,利用SE模块注意力机制的网络子结构来加强通道间相关性的学习,强化重要通道的特征,弱化非重要通道的特征,最终训练出精确度良好的卷积神经网络模型。基于以上方法设计出的基于卷积神经网络的人脸识别门禁系统,经过测试证明,系统准确率可达94.74%。
张海珊[10]（2020）在《融合图像质量评价的可见光虹膜定位方法研究》文中认为随着经济与科技的高速发展,个人信息的安全性越来越受到重视,这使得生物识别技术快速发展并逐渐成熟。在智能移动终端中实现可见光下的虹膜身份识别是其中热度较高的研究课题之一。因此本文将适用于可见光条件的移动端虹膜识别系统作为课题背景,研究虹膜图像质量评价与虹膜定位方法。虹膜图像质量评价与虹膜定位是虹膜识别系统中的重要步骤。智能移动终端所获取的可见光图像易受干扰而无法准确定位,即使定位成功,所获图像的纹理信息也可能因光照问题而无法满足识别需求。为解决上述问题,本文利用智能移动终端的视频采集功能,面向多帧序列虹膜图像,提出一种结合图像质量评价与虹膜区域定位的级联型框架,在实现虹膜图像质量评价的同时完成虹膜区域定位,以保证虹膜定位的准确性和虹膜纹理信息的可靠性。该方法首先采用Tenegrad清晰评价函数对图像进行虹膜图像质量评价,排除因运动或者失焦引起的模糊图像。然后建立一个HOG+SVM分类模型实现虹膜初定位,从人眼图像中初步定位虹膜区域,排除人脸面部与眉毛等非虹膜区域。再采用小波变换提取出虹膜区域的小波系数,构成特征向量输入BP神经网络进行虹膜纹理质量评价,以排除虹膜纹理不清晰图像。最后采用拟合圆法和混合测地线演化法精确定位虹膜的内外边缘。选取UBIRIS.v2虹膜图库对本文算法进行测试,该图库在可见光条件下采集,图库包含了移动端虹膜识别系统在实际应用中可能遇到的各种干扰图像,可用于测试本文算法的适用性。选取图库中100人的9帧图像构成900幅虹膜图像构建虹膜图像序列进行测试,以仿真智能移动终端采集所得的视频序列图像。实验结果表明,本文方法的定位准确率为94%,运行效率提高了55%。另外,为进一步证实本文方法的有效性,利用iphone8的后置摄像头拍摄一段视频,从中截取9帧图像,测试结果表明本文方法可排除其中受干扰的虹膜图像并且选择优质虹膜图像完成准确定位。
二、空间信息与尺度信息相结合的虹膜识别算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、空间信息与尺度信息相结合的虹膜识别算法（论文提纲范文）
（1）虹膜识别中的活体检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状与关键科学问题 |
| 1.2.1 虹膜活体检测及相关领域国内外研究现状 |
| 1.2.2 虹膜活体检测关键科学问题 |
| 1.3 本文主要工作 |
| 第二章 虹膜活体检测相关基础与数据集采集 |
| 2.1 近红外相机的成像原理和应用优势 |
| 2.2 虹膜活体检测算法评价指标 |
| 2.3 虹膜活体检测数据集采集 |
| 2.3.1 活体虹膜采集标准 |
| 2.3.2 伪造虹膜采集标准 |
| 2.4 本章小结 |
| 第三章 基于传统算法级联的虹膜活体检测算法研究 |
| 3.1 基于纹理分析的翻拍虹膜图像检测算法 |
| 3.1.1 活体及翻拍样本成像纹理特性分析 |
| 3.1.2 URLBP特征提取 |
| 3.1.3 梯度幅值加权EOH特征提取 |
| 3.1.4 算法设计 |
| 3.2 基于近红外成像模型的单帧翻拍虹膜图像检测算法 |
| 3.2.1 近红外点光源下的眼部成像模型建立与分析 |
| 3.2.2 多方向小波子带平均差分对比度归一化系数矩阵 |
| 3.2.3 非零均值广义高斯模型 |
| 3.2.4 算法设计 |
| 3.3 基于生物纹理分析和亮度变化的彩色隐形眼镜攻击检测算法 |
| 3.3.1 彩色隐形眼镜构造与佩戴特征分析 |
| 3.3.2 ROI区域选择与虹膜归一化 |
| 3.3.3 虹膜生物纹理特征提取 |
| 3.3.4 虹膜亮度变化统计特征提取 |
| 3.3.5 算法设计 |
| 3.4 基于结构相似度和纹理复杂度的眼球模型检测算法 |
| 3.4.1 活体及眼球模型特征分析 |
| 3.4.2 虹膜ROI区域结构相似度特征提取 |
| 3.4.3 巩膜ROI区域纹理复杂度特征提取 |
| 3.4.4 算法设计 |
| 3.5 实验结果及分析 |
| 3.5.1 活体检测系统搭建 |
| 3.5.2 翻拍虹膜图像检测算法测试 |
| 3.5.3 彩色隐形眼镜检测算法测试 |
| 3.5.4 眼球模型检测算法测试 |
| 3.5.5 活体检测系统测试 |
| 3.6 本章小结 |
| 第四章 基于深度学习的统一虹膜活体检测算法研究 |
| 4.1 基于单帧虹膜图像的活体检测网络设计 |
| 4.1.1 候选基础网络分析 |
| 4.1.2 复合注意力机制集成学习网络结构设计 |
| 4.2 空间注意力的XCEPTION网络设计 |
| 4.2.1 Xception骨干网络 |
| 4.2.2 空间注意力机制嵌入 |
| 4.3 通道注意力的DENSENET网络设计 |
| 4.3.1 Dense Net骨干网络 |
| 4.3.2 通道注意力机制嵌入 |
| 4.4 集成融合模块设计 |
| 4.5 实验结果及分析 |
| 4.5.1 深度卷积神经网络训练数据预处理 |
| 4.5.2 骨干网络选择 |
| 4.5.3 集成融合模块结构实验 |
| 4.5.4 复合注意力机制集成学习网络整体性能实验 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）基于图形匹配的手背静脉识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 生物特征身份识别技术 |
| 1.1.2 手背静脉身份识别技术 |
| 1.2 手背静脉身份识别技术的研究现状 |
| 1.3 手背静脉身份识别技术的关键问题 |
| 1.4 本文的组织结构 |
| 第二章 手背静脉图像库的建立及骨架图的获取 |
| 2.1 跨设备手背静脉图像库的建立 |
| 2.1.1 采集设备 |
| 2.1.2 跨设备图像库的建立 |
| 2.2 手背静脉图像的预处理 |
| 2.2.1 图像去噪 |
| 2.2.2 感兴趣区域提取 |
| 2.2.3 灰度归一化 |
| 2.3 手背静脉骨架图的获取 |
| 2.3.1 由二值图获取骨架图 |
| 2.3.2 由距离图获取骨架图 |
| 2.4 本章小结 |
| 第三章 基于静脉骨架图关键点与特征描述子的手背静脉识别算法 |
| 3.1 基于形状特征的静脉骨架图关键点的提取 |
| 3.2 基于纹理特征的DERF特征描述子 |
| 3.3 单设备手背静脉识别实验 |
| 3.4 跨设备手背静脉识别实验 |
| 3.4.1 以点和边结合描述形状的关键点提取 |
| 3.4.2 纹理特征DERF描述子的优化设计 |
| 3.5 本章小结 |
| 第四章 多图融合和改进Xception网络的手背静脉识别算法 |
| 4.1 Xception网络介绍 |
| 4.1.1 Inception网络 |
| 4.1.2 Xception网络 |
| 4.2 基于Xception网络的单设备手背静脉识别实验 |
| 4.3 多图融合和改进Xception网络的跨设备手背静脉识别算法 |
| 4.3.1 二值图、距离图和骨架图的多图融合 |
| 4.3.2 Xception网络的改进 |
| 4.3.3 跨设备手背静脉识别实验 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（3）基于轻量化神经网络的虹膜识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统虹膜识别方法 |
| 1.2.2 基于神经网络的虹膜识别方法 |
| 1.2.3 神经网络轻量化技术 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 虹膜识别系统框架 |
| 2.2 卷积神经网络 |
| 2.3 轻量化网络结构 |
| 2.3.1 深度可分离卷积 |
| 2.3.2 通道混洗 |
| 2.3.3 稠密连接 |
| 2.4 模型量化 |
| 2.4.1 模型量化的概念 |
| 2.4.2 模型量化方法分类 |
| 2.4.3 二值量化 |
| 2.4.4 三值量化 |
| 2.5 本章总结 |
| 第三章 轻量化网络改进方案 |
| 3.1 虹膜预处理 |
| 3.1.1 虹膜生理结构 |
| 3.1.2 镜片检测 |
| 3.1.3 虹膜定位 |
| 3.1.4 归一化 |
| 3.2 实验数据集介绍 |
| 3.3 基于眼睑检测的虹膜质量评估方法 |
| 3.4 轻量化网络结构改进 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于动态截断的模型量化改进方案 |
| 4.1 模型参数分析 |
| 4.2 动态截断量化方法 |
| 4.3 改进模型量化方案的具体实施步骤 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）用于个人身份鉴别的虹膜生物特征识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 虹膜识别技术的发展 |
| 1.3 虹膜识别应用 |
| 1.4 研究内容及论文结构 |
| 第二章 虹膜识别技术概述 |
| 2.1 虹膜识别基本原理 |
| 2.1.1 虹膜的生理学基础 |
| 2.1.2 虹膜识别系统工作原理 |
| 2.1.3 系统性能评价 |
| 2.2 虹膜特征识别技术研究现状 |
| 2.2.1 虹膜图像获取 |
| 2.2.2 虹膜图像预处理 |
| 2.2.3 虹膜特征提取与匹配 |
| 2.2.4 虹膜图像库 |
| 2.3 小结 |
| 第三章 虹膜图像分割算法研究 |
| 3.1 虹膜定位 |
| 3.1.1 瞳孔粗定位 |
| 3.1.2 瞳孔精定位 |
| 3.1.3 虹膜外边缘定位 |
| 3.2 眼睑遮挡检测 |
| 3.2.1 本文算法思想 |
| 3.2.2 基于小波模极大值的信号平滑 |
| 3.2.3 眼睑遮挡检测 |
| 3.3 眼睫毛遮挡检测 |
| 3.4 仿真实验结果 |
| 3.4.1 虹膜定位 |
| 3.4.2 眼睑及眼睫毛遮挡检测 |
| 3.5 小结 |
| 第四章 基于多通道Gabor滤波的虹膜图像特征提取 |
| 4.1 多通道Gabor滤波器组函数特性 |
| 4.2 滤波器组优化设计 |
| 4.3 特征提取 |
| 4.3.1 Daugman算法参数分析 |
| 4.3.2 Daugman特征编码算法改进 |
| 4.3.3 实验比较 |
| 4.4 虹膜图像分割算法识别性能比对 |
| 4.5 小结 |
| 第五章 自动尺度选择的虹膜可区分特征提取 |
| 5.1 虹膜图像纹理基元分析 |
| 5.2 虹膜多尺度类斑点特征提取 |
| 5.3 自动尺度选择的虹膜斑点特征提取 |
| 5.3.1 自动尺度选择机制 |
| 5.3.2 LOG滤波器标准化参数推导 |
| 5.3.3 自动尺度选择虹膜特征编码 |
| 5.4 实验比较及讨论 |
| 5.4.1 与预设尺度LOG基特征提取算法比较 |
| 5.4.2 与其他细节特征提取算法性能比较 |
| 5.4.3 结果讨论 |
| 5.5 小结 |
| 第六章 虹膜图像旋转不变特征提取 |
| 6.1 Zernike矩不变量 |
| 6.1.1 不变量概述 |
| 6.1.2 矩不变量 |
| 6.1.3 Zernike矩 |
| 6.1.4 Zernike矩不变量 |
| 6.2 虹膜Zernike矩特征提取 |
| 6.3 最优特征选择和分类 |
| 6.3.1 自动可区分特征选择算法 |
| 6.3.2 最小距离分类 |
| 6.4 实验及分析 |
| 6.5 小结 |
| 第七章 虹膜图像局部区域块POC匹配识别 |
| 7.1 感兴趣区域选取及增强 |
| 7.2 BLPOC函数 |
| 7.3 ROI区域质量评估 |
| 7.3.1 LR和RR区域眼睫毛遮挡评估 |
| 7.3.2 DR区域遮挡评估 |
| 7.4 匹配系数计算 |
| 7.5 实验结果及分析 |
| 7.6 小结 |
| 第八章 虹膜识别技术在版权保护中的应用研究 |
| 8.1 虹膜图像预处理及水印的产生 |
| 8.2 水印算法 |
| 8.2.1 现有水印算法分析 |
| 8.2.2 水印嵌入 |
| 8.2.3 水印提取 |
| 8.3 认证算法 |
| 8.4 实验与讨论 |
| 8.5 小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间取得的成果 |
（5）嵌入式虹膜识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 生物特征识别技术 |
| 1.2.1 生物特征识别技术的主要类别 |
| 1.2.2 虹膜识别技术 |
| 1.3 虹膜识别技术研究现状及应用前景 |
| 1.3.1 国内外研究现状 |
| 1.3.2 虹膜识别的应用 |
| 1.4 论文主要研究内容及章节安排 |
| 1.5 本章小结 |
| 第2章 嵌入式虹膜识别的基本原理 |
| 2.1 嵌入式系统 |
| 2.1.1 嵌入式系统分类 |
| 2.1.2 嵌入式系统特点 |
| 2.1.3 Linux操作系统 |
| 2.2 虹膜识别系统工作流程 |
| 2.2.1 虹膜图像采集 |
| 2.2.2 虹膜图像预处理 |
| 2.2.3 虹膜的特征提取与编码 |
| 2.2.4 虹膜特征匹配 |
| 2.3 本章小结 |
| 第3章 嵌入式虹膜识别的系统研制 |
| 3.1 嵌入式虹膜识别系统的硬件设计 |
| 3.1.1 嵌入式虹膜识别系统的硬件架构 |
| 3.1.2 开发板的硬件结构与性能 |
| 3.1.3 虹膜图像采集装置 |
| 3.2 嵌入式虹膜识别系统的软件设计 |
| 3.2.1 操作系统的安装 |
| 3.2.2 编译环境的搭建 |
| 3.2.3 摄像头的调试 |
| 3.3 本章小结 |
| 第4章 基于嵌入式的虹膜识别算法研究 |
| 4.1 虹膜边界定位 |
| 4.1.1 图像平滑处理 |
| 4.1.2 虹膜内边界检测 |
| 4.1.3 虹膜外边界检测 |
| 4.2 噪声区域定位 |
| 4.2.1 定位眼睑噪声区域 |
| 4.2.2 定位睫毛噪声区域 |
| 4.3 虹膜归一化 |
| 4.4 直方图均衡化 |
| 4.5 基于一维Log-Gabor滤波的特征提取 |
| 4.6 基于改进Hamming距离的特征匹配 |
| 4.6.1 Hamming距离的计算 |
| 4.6.2 旋转虹膜的自动移位比较 |
| 4.7 本章小结 |
| 第5章 虹膜识别结果与系统性能分析 |
| 5.1 实验环境 |
| 5.2 虹膜图像数据库 |
| 5.2.1 CASIA-IrisV1公共虹膜库 |
| 5.2.2 CASIA-IrisV3-Interval公共虹膜库 |
| 5.2.3 SDU-IDB虹膜图像库 |
| 5.3 虹膜图像处理结果 |
| 5.4 虹膜特征匹配结果 |
| 5.4.1 认证模式分析与评价 |
| 5.4.2 识别模式分析与评价 |
| 5.4.3 实际移位比对次数分析 |
| 5.5 虹膜识别系统运行速度 |
| 5.6 嵌入式虹膜识别系统结果 |
| 5.7 本章小结 |
| 第6章 工作总结与展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）基于随机森林的多特征虹膜识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展现状及目前存在的问题 |
| 1.3 论文的研究任务及内容安排 |
| 第2章 预处理与特征提取算法介绍 |
| 2.1 Canny算法 |
| 2.2 Hough变换算法 |
| 2.3 局部二值模式(Local Binary Pattern) |
| 2.4 2D-Gabor |
| 2.5 S变换 |
| 2.6 本章小结 |
| 第3章 随机森林 |
| 3.1 决策树 |
| 3.2 随机森林 |
| 3.3 本章小结 |
| 第4章 实验方法与结果 |
| 4.1 数据库介绍 |
| 4.1.1 CASIA 3.0-interval数据集 |
| 4.1.2 Iris_SDU数据集 |
| 4.2 实验流程 |
| 4.2.1 预处理 |
| 4.2.2 特征提取 |
| 4.2.3 匹配 |
| 4.3 实验结果 |
| 4.3.1 CASIA-V3.0-interval数据集 |
| 4.3.2 Iris_SDU数据集 |
| 4.4 实验对比分析讨论 |
| 4.5 虹膜识别系统界面设计 |
| 4.5.1 设计过程 |
| 4.5.2 设计结果 |
| 4.6 本章小结 |
| 第5章 总结展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（7）基于双通道网络特征学习的虹膜识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 虹膜识别研究背景及意义 |
| 1.2 虹膜识别国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 传统虹膜识别方法 |
| 2.1 相关工作 |
| 2.2 haar-like特征及积分图像的计算方法 |
| 2.3 AdaBoost分类算法 |
| 2.4 级联结构 |
| 2.5 检测过程 |
| 2.6 训练样本收集策略 |
| 2.7 训练虹膜检测器 |
| 2.8 实验分析 |
| 2.8.1 测试数据准备 |
| 2.8.2 不同阶段数的级联训练 |
| 2.8.3 用大量的数据集训练分类器 |
| 2.9 本章小结 |
| 第三章 分割对虹膜识别的影响 |
| 3.1 相关工作 |
| 3.2 分割方法 |
| 3.2.1 深度学习框架 |
| 3.2.2 训练阶段 |
| 3.3 实验分析 |
| 3.3.1 数据集和实验条件 |
| 3.3.2 分割实验 |
| 3.3.3 分割对虹膜识别的影响 |
| 3.4 本章小结 |
| 第四章 基于双通道特征学习的虹膜识别 |
| 4.1 基于传统CNN的虹膜分割 |
| 4.2 虹膜预处理及定位过程 |
| 4.2.1 预处理 |
| 4.2.2 基于霍夫变换(HT)的虹膜定位 |
| 4.3 多示例学习和度量学习 |
| 4.3.1 多示例学习 |
| 4.3.2 度量学习 |
| 4.4 基于双通道特征学习的虹膜识别 |
| 4.4.1 双通道网络特征学习 |
| 4.4.2 双通道网络特征提取 |
| 4.4.3 虹膜识别 |
| 4.4.4 实验部分 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 个人简历及在校期间的研究成果和发表的学术论文 |
| 致谢 |
（8）基于改进的残差网络虹膜特征提取与识别算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 虹膜识别简介 |
| 1.2.1 虹膜的生理特性 |
| 1.2.2 虹膜识别系统的组成结构 |
| 1.3 国内外研究现状 |
| 1.3.1 传统虹膜识别研究现状 |
| 1.3.2 深度学习研究现状 |
| 1.3.3 基于深度学习的虹膜识别研究现状 |
| 1.4 论文研究内容与文章结构 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文的组织结构 |
| 1.5 本章小结 |
| 第2章 虹膜图像数据集和虹膜识别综述 |
| 2.1 虹膜库介绍 |
| 2.1.1 中科院虹膜库 |
| 2.1.2 JLU虹膜库示例 |
| 2.2 虹膜图像的预处理 |
| 2.2.1 虹膜图像采集 |
| 2.2.2 虹膜图像质量评价 |
| 2.2.3 虹膜图像定位 |
| 2.2.4 虹膜图像归一化和增强 |
| 2.3 虹膜特征提取和识别 |
| 2.4 虹膜的性能评价指标 |
| 2.5 本章小结 |
| 第3章 卷积神经网络结构提取虹膜特征 |
| 3.1 卷积神经网络的组成 |
| 3.2 卷积神经网络的结构发展 |
| 3.3 MulSE-IrisNet网络结构介绍 |
| 3.3.1 MulSE-residual模块 |
| 3.3.2 MulSE-IrisNet网络结构参数 |
| 3.4 损失函数的改进 |
| 3.4.1 Softmax函数 |
| 3.4.2 AMsoftmax函数 |
| 3.4.3 联合损失函数 |
| 3.5 虹膜特征匹配 |
| 3.6 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 数据集和实验环境介绍 |
| 4.1.1 虹膜图像数据增强 |
| 4.1.2 数据集划分 |
| 4.1.3 模型训练策略 |
| 4.2 实验结果分析 |
| 4.2.1 残差块数量对网络结构性能的影响 |
| 4.2.2 不同虹膜特征提取算法的对比实验 |
| 4.2.3 损失函数的改进实验 |
| 4.3 本章小结 |
| 第5章 总结和展望 |
| 5.1 全文总结 |
| 5.2 工作不足与展望 |
| 参考文献 |
| 作者简介及在学期间科研成果 |
| 致谢 |
（9）基于卷积神经网络的人脸识别门禁系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸识别的研究现状 |
| 1.2.2 活体检测研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 第二章 人脸识别相关理论基础 |
| 2.1 卷积神经网络概述 |
| 2.1.1 神经网络层 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.2 人脸检测 |
| 2.2.1 图像中的人脸检测技术 |
| 2.2.2 视频中的人脸检测技术 |
| 2.3 活体检测方法 |
| 2.3.1 使用视觉动力学检测面部欺骗 |
| 2.3.2 使用颜色纹理分析的面部欺骗检测 |
| 2.3.3 使用LSTM-CNN架构学习时态特征以进行面部反欺诈 |
| 2.3.4 增加硬件设备以进行面部反欺诈 |
| 2.4 人脸特征提取和对比 |
| 2.4.1 特征脸法 |
| 2.4.2 LBPH算法 |
| 2.4.3 基于卷积神经网络模型的方法 |
| 2.5 本章小结 |
| 第三章 系统需求分析 |
| 3.1 需求分析和用例设计 |
| 3.1.1 用户角色分析 |
| 3.1.2 应用场景分析 |
| 3.1.3 用例分析 |
| 3.2 系统功能分析 |
| 3.2.1 系统框架 |
| 3.2.2 系统功能分析 |
| 3.3 本章小结 |
| 第四章 算法研究 |
| 4.1 KCF和Adaboost融合的人脸检测方法 |
| 4.1.1 KCF跟踪算法 |
| 4.1.2 Adaboost算法 |
| 4.1.3 KCF和 Adaboost融合的人脸检测算法 |
| 4.2 人脸活体检测 |
| 4.2.1 摩尔纹理检测 |
| 4.2.2 眨眼检测 |
| 4.2.3 摩尔纹理和眨眼检测融合的活体检测方法 |
| 4.3 人脸特征提取方法 |
| 4.3.1 深度可分离卷积 |
| 4.3.2 SE(Squeeze-and-Excitation)模块 |
| 4.3.3 基于深度可分离卷积和SE模块的CNN结构 |
| 4.4 本章小结 |
| 第五章 算法验证与分析 |
| 5.1 测试环境 |
| 5.2 系统整体运行流程 |
| 5.2.1 界面设计 |
| 5.2.2 人脸注册 |
| 5.3 测试样本集 |
| 5.4 人脸检测算法测试 |
| 5.4.1 测试方案 |
| 5.4.2 测试结果 |
| 5.4.3 结果分析 |
| 5.5 活体检测算法测试 |
| 5.5.1 测试方案 |
| 5.5.2 测试结果 |
| 5.5.3 结果分析 |
| 5.6 人脸识别性能测试 |
| 5.6.1 测试方案 |
| 5.6.2 测试结果 |
| 5.6.3 结果分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参与的科研项目 |
（10）融合图像质量评价的可见光虹膜定位方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 虹膜图像质量评价国内外研究现状 |
| 1.3 虹膜定位国内外研究现状 |
| 1.4 几种常用虹膜图库 |
| 1.4.1 MICHE-I虹膜数据库 |
| 1.4.2 UBIRIS.v2虹膜数据库 |
| 1.5 论文主要研究内容 |
| 第2章 虹膜图像增强与光斑消除 |
| 2.1 Retinex图像增强 |
| 2.1.1 单尺度Retinex增强算法 |
| 2.1.2 多尺度Retinex增强算法 |
| 2.1.3 带颜色恢复的MSR方法 |
| 2.1.4 Frankle-Mc Cann Retinex图像增强算法 |
| 2.2 光斑检测与消除 |
| 2.2.1 光斑定位 |
| 2.2.2 基于拉格朗日插值法的光斑消除 |
| 2.3 本章小结 |
| 第3章 虹膜图像质量评价 |
| 3.1 虹膜图像质量主观评价 |
| 3.2 虹膜图像清晰度评价 |
| 3.2.1 基于全局空域滤波的离焦模糊评价方法 |
| 3.2.2 Tenegrad清晰评价函数 |
| 3.3 虹膜纹理质量评价 |
| 3.3.1 基于小波变换的虹膜纹理质量特征提取 |
| 3.3.2 基于BP神经网络的虹膜纹理质量分类 |
| 3.4 本章小结 |
| 第4章 虹膜定位算法 |
| 4.1 虹膜区域初定位 |
| 4.1.1 HOG特征值提取 |
| 4.1.2 支持向量机 |
| 4.2 虹膜内外边缘精确定位 |
| 4.2.1 虹膜内边缘定位 |
| 4.2.2 虹膜外边缘定位 |
| 4.3 本章小结 |
| 第5章 融合虹膜图像质量评价的虹膜定位级联框架 |
| 5.1 融合图像质量评价的虹膜定位算法 |
| 5.2 实验结果分析 |
| 5.3 本文算法性能分析 |
| 5.3.1 质量判别正确率分析 |
| 5.3.2 质量评价环节对虹膜定位准确性和运行时间的影响 |
| 5.3.3 本文定位算法与基于Hough变换的虹膜定位算法结果对比 |
| 5.4 手持设备视频拍摄实验及结果分析 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、空间信息与尺度信息相结合的虹膜识别算法（论文参考文献）
- [1]虹膜识别中的活体检测技术研究[D]. 王鹏. 北方工业大学, 2021(11)
- [2]基于图形匹配的手背静脉识别研究[D]. 曹晓彤. 北方工业大学, 2021(01)
- [3]基于轻量化神经网络的虹膜识别方法研究[D]. 田玉通. 北方工业大学, 2021(01)
- [4]用于个人身份鉴别的虹膜生物特征识别[D]. 路陈红. 西安电子科技大学, 2008(12)
- [5]嵌入式虹膜识别算法研究[D]. 许瀚文. 山东大学, 2021(12)
- [6]基于随机森林的多特征虹膜识别算法研究[D]. 王刚. 山东大学, 2021(12)
- [7]基于双通道网络特征学习的虹膜识别研究[D]. 佟镓名. 沈阳师范大学, 2021(09)
- [8]基于改进的残差网络虹膜特征提取与识别算法的研究[D]. 丁通. 吉林大学, 2021(01)
- [9]基于卷积神经网络的人脸识别门禁系统[D]. 张蛟娇. 内蒙古大学, 2021(12)
- [10]融合图像质量评价的可见光虹膜定位方法研究[D]. 张海珊. 沈阳工业大学, 2020(01)