关键字 |
| 虹膜特征,眼周的特性、分割GeoKey编码 |
介绍 |
| 在科学成像,图像处理是任何形式的信号处理的输入是一个图像,如照片或视频帧;图像处理的输出可以是一幅图像或一组特性或参数相关的图片。图像的采集被称为成像。 |
| 在图像处理技术措施: |
| 1。图像采集是第一个过程。通常这个阶段包括缩放等预处理。 |
| 2。图像增强,模糊的想法是将细节或仅仅强调兴趣形象的某些特性。 |
| 3所示。图像恢复是一个处理改善图像的外观。图像恢复与增强,这是主观的,客观的。图像修复技术往往是基于数学或概率模型的图像退化。 |
| 4所示。彩色图像处理。 |
| 5。小波是代表图像的基础在不同程度的决议。 |
| 6。压缩处理技术来减少所需存储保存图像或传输所需的带宽。 |
| 7所示。形态学处理提取图像处理工具组件的表示和描述是有用的形状。 |
| 8。分割过程或对象图像分割成其组成部分。 |
| 9。表示和描述几乎总是遵循分段阶段的输出通常是原始像素数据,构成的边界地区。表示第一个交易数据是否应该表示为边界或作为一个完整的地区。选择表示只是解决方案的一部分,把原始数据转换为一种形式适用于后续的计算机处理。方法也必须指定描述感兴趣的数据,以便特性突出显示。 |
| 描述或特征选择与提取属性,导致一些定量的信息感兴趣的或基本分化的一个类的对象。 |
| 10。目标识别,捕捉的图像编码。这张照片然后捕捉与存储识别的模板。 |
| 身份管理是指的挑战为授权用户提供安全、方便地访问信息和服务在各种各样的网络系统。一个可靠的身份管理系统是一个关键的组件在几个应用程序只有合法用户提供他们的服务。此类应用程序的示例包括物理访问控制安全设施,电子商务、计算机网络和福利分配。身份管理系统的主要任务是确定一个人的身份。建立一个人的身份的传统方法包括知识(如密码)和基于令牌的(例如,身份证)机制。这些身份的代理表示很容易丢失,共享或被盗。因此,他们不能满足身份验证在现代世界。生物识别技术提供了一个自然和可靠的解决方案来识别个人身份的决心的问题根据他们的生理或行为特征固有的的人。 |
| 静脉匹配,也称为血管技术技术通过分析的模式从皮肤表面的血管清晰可见。但他们通常不提供足够的数据点验证决策至关重要。人脸识别工作不包括可怜的照明,太阳镜,长发,或其他物体部分覆盖的主题的脸,和低分辨率的图像。另一个严重缺点是许多系统更有效的面部表情各不相同。 |
| 相关的DNA匹配的一个限制是误解的DNA匹配到底是什么意思。匹配的DNA从犯罪现场的DNA来自怀疑并不是一个绝对的保证嫌疑人的罪行。 |
| 虹膜识别是一种生物识别技术根据人体的生理特点,与基于指纹特征识别相比,palm-print,脸和声音等,虹膜独特等优势,稳定,识别率高,测试和非侵权等虹膜模式现在已经在许多领域和实验室试验,生产在几百万比较测试中没有匹配的错误。这些特征使它非常有吸引力的使用作为一种生物特征识别的个人。 |
| 虹膜是薄圆形膜片,位于角膜和晶状体的人眼。虹膜穿孔接近它的中心是一个圆形孔径称为瞳孔。虹膜的功能是控制进入的光线通过瞳孔,这是由括约肌肌肉扩张器,调节瞳孔的大小。虹膜的平均直径是12毫米,和瞳孔大小可以从10%到80%的虹膜不同直径。 |
| 人类虹膜在怀孕的第三个月开始形式和结构由八个月完成,虽然颜色和色素继续建立在出生的第一年。之后,虹膜的结构保持稳定在一个人的生活,除了直接物理伤害或眼科手术导致的变化。这使得使用一个虹膜和指纹一样独特的模式,然而,一个更大的优势是,它是一个内部的器官,不受损害一个人的一生。在Fig.1.1显示虹膜解剖学。虹膜解剖更有关拟议的虹膜识别方法。因此,关键的可见的特性,如annoted在图1.1中,可以介绍如下。 |
| 内侧眼角:上下眼睑之间的角附近的中心的脸。 |
| 巩膜:白色区域的图像。 |
| 学生:最黑暗的眼睛图像的一部分。 |
| 瞳孔面积:虹膜的内部分的边缘形成学生的轮廓。 |
| 纤毛面积:虹膜睫状体的瞳孔区域的地区。这个地区的扩张器肌肉打开学生居住在该区域。 |
| 间质纤维:着色纤维血管组织结构的大部分可见虹膜区域。 |
| 虹膜由一层数;最低的是上皮细胞层,其中包含密集的色素细胞。基质层上面是上皮细胞层,含有血管、色素细胞和两个虹膜的肌肉。基质色素沉淀的密度决定了虹膜的颜色。的外部可见表面多层虹膜包含两个区域,通常在不同的颜色。外部纤毛区,一种内在的瞳孔区,这两个区域是除以睫状区,它表现为一个“s”型行进。 |
| 图像处理技术可以用来提取虹膜独特模式的数字化图像,并将其编码为一个生物特征模板,可以存储在数据库中。这个生物模板包含客观的数学表示独特的信息存储在虹膜,并允许模板之间的比较。当一个主体的愿望被虹膜识别系统,识别他们的眼睛是第一次拍摄,然后创建一个模板的虹膜区域。这个模板然后相比其他模板存储在数据库中,直到找到匹配模板和主题的确定,或没有找到匹配和主题仍然不明。虹膜识别系统的流程图见图1.2。 |
| 在本文中,我们提出一个方法,我们利用眼周的特性以及虹膜特征来提高识别精度。本文组织如下:第二部分包括调查如何利用眼周的特性在分段阶段和虹膜编码策略,利用虹膜特征。 |
文献调查 |
| 的调查给出了一个监督领域,因此区分从一种研究由一个地盘的显微镜检查;这是一个地图,而不是一个详细的计划。调查之前必须计划开始。文献调查给出了初步工作区域的项目相关信息,它有助于理解背景相关的话题。 |
| 有一些有前途的努力获得虹膜图像使用可见光照明来克服当前的虹膜识别系统使用的局限性NIR-based收购和发展少合作虹膜识别系统更高的安全性和监视应用程序。的使用可见波长(大众)成像可以使用NIR-based成像解决收购的缺点,特别是在遥远的采集虹膜图像是必需的。先进的成像技术,例如,高分辨率CMOS / CCD相机,现在可以方便地获得高分辨率的图像在距离3米之外使用可见照明和适合定位虹膜图像识别。停下来看传统的虹膜识别系统操作模式,从用户需要大量的合作。可见光成像可以放松这样的使用要求,使虹膜识别在合作环境使用图像获得进一步的距离。 |
| 答:GeoKey编码 |
| 虹膜编码和匹配算法[1]发展一个编码和匹配策略,只使用虹膜特征提供准确的虹膜识别虹膜图像获取的能力在一个远的距离,少下成像环境的限制。这个虹膜特性称为GeoKey编码方案采用几何信息,协调两人被认为是一个独特的关键是分配给每个主题注册到系统,从局部虹膜编码虹膜纹理细节区域像素。 |
| 缩放和旋转变化局部唯一键即虹膜区域应用。在图像像素,GeoKey相当。这提供了高效、快速的优势比较操作在本地图像补丁。该方法利用汉明距离的有效的相似度计算。这种当地的关键编码虹膜特征仍有一些缺点,因为他们同时不利用虹膜特征和眼周的特性来提供更准确的个人识别能力。 |
| 以下部分的纸给我们想法和以前的工作在自动分割阶段将眼周的特性。 |
| b .眼周的功能分割 |
| 许多研究者研究了虹膜识别技术在无约束的环境中,获得理想的虹膜图像的概率是非常高的斜的,噪声、模糊和睫毛遮挡,眼睑,眼镜,和头发。尽管有许多虹膜分割方法,大多数主要集中在准确检测虹膜图像捕获的紧密控制的环境。非理想虹膜图像导致退化的图像,从而使分割的挑战。 |
| [2]中描述的分割方法分为两个部分:检测无噪声的虹膜区域和形状参数化虹膜。第一部分是进一步细分为两个过程,检测所需的巩膜,然后使调整利用巩膜和闭塞的地区。第二部分利用两个训练有素的剥削当地特性的神经网络分类器进行分类图像像素到巩膜/ non-sclera和虹膜/ non-iris类别。建立强大的依赖性所操作的训练分类器级联顺序首先分类巩膜然后喂巩膜像素分为虹膜像素的下一个分类器的分类。这种依赖性导致不利的错误传播从第一标识符后面的分类器,从而影响分割精度。此外,这种方法没有提供完整的自动化框架,以适应形势的时候脸图像。 |
| 解决的问题吵了工件,小说[3]的虹膜分割算法。基于反射去除后,eight-neighbor连接聚类粗虹膜本地化方案执行集群虹膜图像分成不同的部分。Mis-localization non-iris地区只减少了提取虹膜区域从而非虹膜区域识别和排除,紧随其后的是积分微分星座为进一步预处理提高全局收敛能力。在下一步中曲率模型和预测模型用于学习眼周的特性,如眼睑和睫毛。 |
| 星座模型是一个迭代的过程,地方多个积分微分算子,在当前像素评估为了找到当地的最低分数。过程是迭代,直到收敛或预定义的最大迭代次数。有一些局限性,可以观察到在这个方法中。首先,细分模式可能不会有效段真实图像,因为他们依靠传统的分割方法。其次,分割操作的性能可能会受到影响,如果初始聚类像素参数不仔细选择。第三,星座模型可能导致虹膜中心不是最优的。 |
| 提出了一个统一的框架,用于自动虹膜分割在[4],利用泽尼克时刻,的多项式正交单位磁盘利用高阶像素在一个局部区域,然后使用神经网络和支持向量机分类器基于像素的分类。因此,克服了公约的问题分割在前面提到的工作[3]。这种方法的主要缺点是,泽尼克特性计算每一个像素从而导致沉重的计算成本,因此不适合时间敏感的应用程序。 |
| 另一个解决方案将眼周的特性提出了在分段阶段[5],在解决方案大致分为两个部分:分类和识别。 |
| 分割部分,首先对输入图像预处理对噪声衰减和图像质量的提高。它首先利用演眼睛检测为了弥补虹膜检测错误引起的两个圆边缘检测操作随后retinex算法来解决光照变化的问题,提供了一个高动态范围压缩以提高图像的质量。预处理的图像是沃克然后使用随机分割算法紧随其后一系列后处理操作进一步精炼粗分割结果。初始阶段的预处理。,output of the AdaBoost detector is referred as the global periocular region, which is the entire eye region which is considered for recognition is obtained without performing segmentation and normalization. The second phase is referred as local periocular region, in which a localized region is extracted and normalized with respect to the segmented iris information. Texture analysis is then performed on both the extracted global and local periocular regions. |
| 粗分割的输出是一个输入图像的后期处理。虹膜的样本分割结果表示如图2.1所示。 |
| 此阶段主要由中心估计,虹膜和瞳孔定位、边界细化,眼睑本地化和ES检测和眼周的规范化和分割。他们利用精明的边缘检测器,循环模型,自适应方法用于后处理图像眼睑位置。定位方法的结果表示如图2.2所示。 |
| 识别部分,当地和全球眼周的特性提取使用DSIFT LMF和使用培训texton字典分类分类的次数从而形成k-bin直方图。卡方距离用于模板之间的匹配分数。min-max正常化技术是用于眼周的和虹膜特征匹配分数。加权求和规则用于结合归一化分数。 |
结论 |
| 从这篇文章中,我们可以得到一个想法的同时利用虹膜特征和眼周的使用GeoKey编码方法[1]提出了编码虹膜特征和分割方法[5]提出了利用眼周的特性提供了一个改善和有效的虹膜编码。 |
确认 |
| 我们优雅地感谢我们学院SVCE向我们提供所有必要的帮助和培养精通技术。我表达我诚挚的感谢c .角色Reddy博士本金,SVCE, Dr.Suresha,煤斗,CSE学系SCVE班加罗尔提供工作所需的设施和给我一个机会在这个话题。我也衷心感谢我的指导·拉梅什Naidu Asst.教授,CSE称,SVCE班加罗尔的支持和指导我的工作这个话题。 |
|
数据乍一看 |
|
|
|
引用 |
- Chun-Wei Tan Ajay Kumar“高效、准确远距离虹膜识别使用基于几何关键的虹膜编码”,IEEE反式。取证和安全的信息,2014年。
- h . Proenca“虹膜识别:在退化图像的分割获得可见光波长,“IEEE反式。模式肛门。马赫。智能。,vol. 32, no. 8, pp. 1502–1516, 2010.
- z z . t . Tan他和太阳,“高效、健壮的嘈杂的虹膜图像分割非合作虹膜识别,“图像视觉第一版。,28卷,不。2、223 - 230年,2010页。
- Chun-Wei谭和Ajay Kumar,”一个统一框架自动虹膜分割使用冷淡地脸图像,获得“IEEE反式。图像的过程。,月不。9日pp.4068 - 4079, 2012。
- Ajay Kumar Chun-Wei Tan“向在线轻松成像约束下虹膜和眼周的识别,“IEEE反式。取证和安全的信息,2013年。
|
菜单
