一、虹膜定位算法的研究（论文文献综述）
刘岩[1]（2021）在《基于YOLOV3改进的虹膜定位算法研究》文中研究说明随着社会的发展水平逐步提高,社会信息化程度已经开始有了大幅度的提升,人们的日常生活各方面都与网络产生密切的联系,因而人们对自身隐私安全性的问题有了更加深刻的认知和理解,也对于身份安全认证系统的认证精确性提出了更高的要求。传统的身份认证识别方法存在着许多至今未曾解决的难题,不能很好的做到快速准确的自动身份认证,利用人体自身的生物特征信息进行身份认证是目前使用到的认可度最高的方式。在对各种生物特征信息的识别方法做了广泛对比研究后,虹膜身份认证识别系统因为其特征信息具有唯一性、不可侵犯性和可靠性的天然优势而受到各界学者广泛重视。对虹膜图像进行虹膜区域的定位是虹膜识别系统的关键性环节,虹膜定位的速率和准确性对身份识别认证的效果有直接的影响。在通过虹膜进行身份认证的全部步骤中,最关键的一步就是把虹膜定位出来,为了在之后的认证步骤中达到识别的精确性,必须在定位环节找到虹膜的确切边界,传统的虹膜定位方法由于客观原因不能够使得虹膜定位的准确率很高,神经网络算法具有极强的计算能力,不仅仅能够缩减处理图片的时间,还可以同时进行批处理的操作,特征提取模块具有较强的特征提取能力,能够相对精确的定位出虹膜的内外边界。对目标进行检测的主要目的是将图像中感兴趣的物体和不需要的背景割裂开,正是基于目标检测算法优良的性能和表现出的显着效果,所以在这篇文章中我们将YOLOV3算法作为基本框架以求在虹膜图像定位上有所突破。并在其基础上加以改进,使其在具有速度快的优势的同时也能够兼顾准确率高的优点。为了增强YOLOV3算法的特征提取能力,解决由原始特征提取模块算法所造成的退化问题,本文将特征提取模块换成了Densenet算法,并在其基础上通过复制骨干网络得到辅助网络使其更有利于检测小目标,为解决实验中虹膜图像样本少,容易造成的过拟合现象,本文加入了Dropblock正则化来解决,并且为解决因采集等因素导致的虹膜尺寸的不一致性、虹膜图像语义信息不够丰富的问题,加入了特征金字塔,用Non-local注意力机制来增强图片获取到的语义信息。本文模型的精确率和召回率与基础的YOLOV3算法相比较有了明显提高,与经典的定位虹膜的方式对比,本文的虹膜定位准确率也显着提升,经过对比本文的模型测试精确率为97.1%,它的综合性能占据绝对优势。
张海珊[2]（2020）在《融合图像质量评价的可见光虹膜定位方法研究》文中指出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。
丁洋凯[3]（2020）在《基于人脸关键点定位的虹膜定位算法研究》文中研究说明虹膜识别在当今个人身份认证工作中起到至关重要的作用,而虹膜定位是虹膜识别技术中的关键一环,虹膜识别的过程依赖于定位阶段选定的虹膜内外边界,优秀的虹膜定位算法能有效提升识别阶段的准确率,对虹膜识别技术有重大的价值。本论文的选题便来自于实际场景中的虹膜定位问题,旨在解决实际行人照片中的人眼虹膜定位问题,实际场景下的光照、遮挡、行人人脸姿态和眼部状态等因素会对虹膜定位算法的鲁棒性造成挑战,使得一些常用的虹膜定位算法在现实中的应用存在阻碍。为解决上述问题,本论文提出了一种基于人脸关键点定位的虹膜定位算法,其中人脸关键点的定位结合了人脸姿态和属性标签等信息,有效提高了关键点定位模型的鲁棒性,再结合关键点定位信息进行虹膜定位,有效克服了传统方法中计算阈值的设定,图像噪声的干扰等因素对算法性能所带来的影响,本论文算法具有一定的准确性和鲁棒性。本文的主要工作在于:1.本论文针对实际的工程项目进行了分析与设计,该工程项目旨在对行人照片中的人脸进行人脸检测、虹膜定位、人脸三维重建、人脸三维姿态估计等任务,本论文重点解决了其中的虹膜定位任务,并且设计了一种基于人脸关键点定位的虹膜定位技术方案,该方案在完成虹膜定位的同时,能够输出中间结果:人脸关键点定位信息,此信息能够辅助项目中的人脸三维姿态估计任务,算法的设计对项目的整体具有重要的工程意义。2.自行收集人脸图像并标注,构建了24点特征点人脸数据集,标签包括人脸关键点坐标,人脸姿态角度,人脸属性,虹膜区域等。在以上数据集的基础上,工程化了一种基于级联网络的人脸关键点定位算法,解决了关键点定位任务中不同五官定位难度不同的不平衡问题,通过级联结构依次对人脸进行粗定位和眼部区域进行精定位,并将实验结果与其他相关算法进行了比较。3.本文提出了一种基于人脸姿态和属性标签的人脸关键点定位算法。该算法采用全卷积网络作为主体网络,改进了全卷积网络从关键点热图得到关键点坐标过程中的缺陷,并创新性地提出了一种基于人脸姿态和属性标签的损失函数来进行网络的训练,使得网络更能够关注到姿态大、表情夸张的难检样本。在数据集上的大量实验表明,本算法在控制模型大小的同时能有效保证模型的准确性,具有较大的实际应用价值。4.本文提出了一种基于改进Daugman算法的虹膜定位算法,分析了原Daugman算法的缺陷,使用人脸关键点位置作为先验信息辅助虹膜定位,并提出一种改进的虹膜图像预处理算法以消除虹膜中的镜面反射,提升了虹膜定位的准确性。在数据集上的大量实验表明,本算法具有一定的鲁棒性和泛用性能。
彭弘铭[4]（2020）在《视线跟踪系统关键技术研究与实现》文中认为视线跟踪技术一直以来是国内外研究的热点,在混合增强人工智能、军事、AR/VR、人机交互、医学诊断和可用性研究等方面有着广泛的应用前景。现有的视线跟踪系统存在着可靠性低,需要用户高度配合来标定用户参数,允许用户头部运动范围小,眼动数据中的不同眼动形式（眼跳、注视和平滑尾随等）如何准确的识别和国产化低成本等问题。本文对高鲁棒性眼特征提取并防止伪虹膜的攻击,允许大范围头动的用户免标定视线估计方法,高精度眼动形式识别和国产化低成本视线跟踪系统软硬件实现等内容展开研究,具体的研究内容如下:（1）针对现有的视线跟踪系统在光照变化、反射光斑、眨眼和模糊等干扰下无法鲁棒性的提取眼特征,并且在武器系统控制等高安全领域使用时无法防止伪虹膜的攻击行为的问题,本文提出了高鲁棒性防攻击的眼特征提取算法。该算法由轻量化高鲁棒性防攻击的虹膜定位算法（LAILNet）和瞳孔反射光斑特征提取算法（LAILNet-PDGD）两部分组成。轻量化高鲁棒性防攻击的虹膜定位算法实现了在光照变化、反射光斑、眨眼和模糊等干扰数据上的高鲁棒性和高精度的定位,同时能有效滤除人工伪造及打印虹膜。该算法在两个公开数据集和本文IPITRT数据集上的性能与2019年最优的算法MT-PAD一致,但是LAILNet算法的参数量和计算量是MT-PAD算法的1/24,处理时间是MT-PAD算法的1/2。在保证精度不损失的情况下,实现了模型的轻量化和实时性。LAILNet算法非常适用于嵌入式低功耗的设备。在LAILNet算法基础上的LAILNet-PDGD算法实现了鲁棒性的瞳孔和光斑提取,在瞳孔遮挡、头发眉毛干扰、远近焦距、光线变化、模糊、光斑干扰和佩戴眼镜等情况下瞳孔特征的提取结果精确度高达95.49%,优于主流的Deepeye和ElSe算法。LAILNet-PDGD算法处理640×480的虹膜图像仅需5.76ms,是Deepeye算法时间的1/18。高鲁棒性防攻击的眼特征提取算法可在嵌入式、移动化和低功耗的设备上高效的运行。（2）基于3D眼球模型的视线估计方法具有高精度、允许用户头动等优势。针对现有高精度的免标定视线估计方法需要双相机四光源的复杂硬件结构,本文提出了基于3D双眼模型的单相机双光源免标定视线估计方法。该方法采用一套低成本的单相机双光源的硬件配置,优化改进视线估计模型,实现了用户自然头动下的免标定视线估计。该估计方法包括用户参数自动标定和实时视线估计两个过程。由于实时视线估计中需要因人而异的人眼参数,本文增加左右眼角膜曲率中心的距离为固定值的特性,建模求解出用户的左右眼角膜曲率半径。利用瞳孔边界点建模优化解出瞳孔中心和角膜曲率中心的距离。利用双眼视轴注视同一个点的特征,建模优化计算出眼坐标系下光轴和视轴夹角。在实时视线估计算法中,首先构建了双眼眼球模型,并根据光学的几何原理建模,完成了角膜曲率中心和瞳孔中心的求解以及光轴的重建。其次利用眼坐标系下的光轴和视轴的固定夹角特性计算出用户的注视点,从而完成了视线估计。为了验证用户参数自动标定算法和实时视线估计算法的有效性,本文利用现有的眼球框架模拟双眼视线跟踪过程,获取到了眼特征的实验数据和验证数据,根据眼特征实验数据,将利用本章参数自动标定算法获取的人眼参数和视线估计算法的结果数据与验证数据进行对比,验证了算法的有效性。基于3D双眼模型的单相机双光源免标定视线估计方法具有硬件结构简单、双眼模型实现用户免标定、视线跟踪过程头动鲁棒性强等特性,优于目前最高精度下复杂硬件结构的单眼模型和单相机单光源双眼用户标定模型。（3）根据眼动数据精确的识别眼动形式是视线跟踪系统应用的关键技术。而受到噪声、眼动仪不精确性和眼动固有特性等的影响,目前眼动形式识别的精度不高,特别是平滑尾随的识别,2019年最优算法只达到73%。针对平滑尾随识别精度不高、受阈值影响大等问题,本文提出了基于分段和聚类的识别（I-SC）算法,识别注视、眼跳和平滑尾随三种常见的眼动形式。该算法首先利用眼动数据的速度特征来识别眼跳段,然后利用空间特征的标准差将剩余的眼动数据划分为不同的段。最后定义了段的平均直接距离特征,并采用快速查找密度峰值聚类的方法对注视和平滑尾随进行分类识别。该算法考虑了眼动的连续性和突发性,眼动的连续性由分段方法来表征,空间特征的标准差可以反映出眼动的突发性。聚类算法实现了无阈值区分注视和平滑尾随。该算法在眼动仪的噪声和不精确的眼动数据下也能实现精确的眼动形式识别。为了证明该算法的有效性和鲁棒性,本文采用由商业眼动仪采集的1 1个受试者的各种眼动数据形成的数据集对所提出的I-SC算法进行了评估。实验结果表明,该算法的识别准确率达96.0%,召回率达87.60%,优于主流的I-VDT算法和和卷积神经网络（CNN）算法。证明了本文算法能提供更准确的三元分类的能力。（4）针对上述关键技术和理论研究验证的实验设备需求,以及国外产品敏感领域无法使用、无自主知识产权且价格昂贵等问题。本文在关键技术研究和长期、大量的技术积累的基础上,设计和实现了一套符合本文研究需求和实际应用的视线跟踪系统。该系统采用上述的鲁棒性防攻击眼特征提取算法,基于3D双眼模型的免标定视线估计方法和眼动形式识别（I-SC）算法并具体实现。系统具有高鲁棒性防攻击、允许用户头自然运动、免用户标定、高精度和低成本等特性。视线跟踪系统的设计与实现包括方案设计和指标设计,软硬件框架设计和实现以及最后的系统测试及应用。在系统硬件设计中考虑了冗余设计,采用双路同步的低成本的CMOS传感器实现了双相机双光源的亮暗瞳眼动跟踪硬件设备。该设备能稳定提供双路的1280×720@60Hz的亮暗瞳或暗瞳图像。整个硬件成本在一千元人民币之内。在软件框架设计中采用了跨平台的QT软件设计,利用多线程以及信号槽机制实现了一个稳定的软件框架环境。针对Windows和Linux不同操作系统实现了标准化的视频采集接口,使得视线跟踪系统的上层软件在不同的操作系统下都可以兼容,并考虑研究与应用需要,构建了具有种类丰富,干扰多,背景噪声大和伪虹膜相似性高等特性的开放虹膜数据库IPITRT。为了验证软硬平台以及视线跟踪算法的有效性,本文对11名受试者分别在头部轻微运动、头部大范围运动和不同光照环境下进行了详细的测试,并计算了视线跟踪的准确度和精确度。实验结果表明,本文构建的视线跟踪系统的平均视线准确度为0.62°。在大范围头动情况和不同光照环境下的视线跟踪的准确度也在1°左右。视线跟踪系统的处理时间为9.67ms,满足本文理论算法研究需要和工程实际应用系统的要求。
张晖东[5]（2020）在《动态虹膜图像特征提取关键技术研究》文中研究表明当前社会,虹膜识别技术已成为生物识别领域中极为重要的一支。针对虹膜识别技术的研究在社会生活、信息安全等领域具有重大意义。目前,虹膜识别研究对象多是理想状态下的静态虹膜图像。然而在日常生活中,虹膜图像并不是在静止状态下获取的。虹膜采集装置对运动中的虹膜进行采集获得的虹膜图像存在着因运动、离焦等因素造成的图像模糊情况,还可能受到光斑、睫毛等杂物的干扰,因此,其特征提取难度较理想状态更大。本文以动态虹膜图像为研究对象,对动态虹膜图像特征提取关键技术——动态虹膜图像清晰度评价、动态虹膜定位和动态虹膜特征提取进行了研究和改进。本文主要围绕这三个关键阶段做了以下工作:（1）为了研究动态虹膜特征提取关键技术,搭建了动态虹膜采集系统,采集动态虹膜图像并建立了小型的动态虹膜图像库。（2）在清晰度评价阶段,首先介绍了传统的基于梯度的图像清晰度评价方法,又针对动态虹膜图像受到离焦模糊、动态模糊等影响的问题,提出了基于梯度的无参考动态虹膜图像清晰度评价方法,最终得到动态虹膜图像清晰度值,并筛选出清晰度最高的虹膜图像作为后续处理的对象。实验表明,该算法可以精确评价动态虹膜清晰度,且评价更为高效。（3）在动态虹膜定位阶段,首先介绍了几种传统的虹膜定位方法,然后将距离正则化水平集模型运用到动态虹膜定位中,提出一种基于几何特征-距离正则化水平集演化的动态虹膜内边缘定位方法:首先根据虹膜几何特性提出二值化图像二次投影法,并对虹膜内边缘进行粗定位,然后采用改进的距离正则化水平集模型进一步实现虹膜内边缘的精确定位。虹膜外边缘定位,采用Canny边缘检测+霍夫变换的方法实现。最后利用弹性模型将定位后的环状虹膜变换至同一尺度的矩形区域内,并对其做了增强处理,使得虹膜图像纹理更加清晰。实验表明,本文提出的动态虹膜内边缘定位算法定位精度和定位效率较传统方法均有较大提高;本文采用的虹膜外边缘定位算法也是一种可行有效的算法。（4）在动态虹膜的特征提取阶段,首先介绍了几种传统特征提取方法,然后提出了3种Sn-LBP特征提取算法,经实验分析后选取其中可用于特征匹配的Sn+等价模式LBP算法进行特征匹配实验,采用余弦相似度来评价不同虹膜特征之间的相似度。实验结果表明,本算法较传统LBP算法匹配准确率更高。
陈妍婷[6]（2020）在《泛虹膜检测与定位研究》文中提出随着网络信息化时代的到来,采用生物特征识别技术实现个人身份信息安全认证成为社会关注的热点,其中,虹膜识别的唯一性、稳定性、非侵犯性、安全性等特点使其成为这一领域内的佼佼者。虹膜识别是一种通过提取虹膜纹理信息来完成身份识别的技术,通常包括图像采集、虹膜图像预处理、虹膜特征提取及编码、虹膜特征匹配识别。其中虹膜有效区域的获取,即得到准确的虹膜纹理,已经成为虹膜识别性能的决定因素。由此将涉及虹膜有效区域获取的相关研究定义为泛虹膜检测,主要包括:虹膜检测、眼睑检测和睫毛检测等。到目前为止,泛虹膜检测的关键和难点问题在于如何利用检测方法解决虹膜纹理信息的干扰因素。而眼睑和睫毛是虹膜纹理的主要干扰源,因此本文选择的眼睑检测及睫毛检测问题作深入研究。眼睑检测检测的传统方法大致可以分为两类,一类是直线拟合检测眼睑,另一类是抛物线拟合检测眼睑。采用直线拟合检测眼睑计算复杂度低,检测速度快,但检测精度低,甚至会造成虹膜信息的大量缺失。然而在定位过程中,人眼生理构造致使睫毛遮挡成为影响眼睑检测精度的一个重要因素,因此,如何在不削弱眼睑边缘信息的条件下消除睫毛噪声成为精确定位眼睑首要解决的问题。本文根据睫毛与眼睑在延展方向上的正交性,提出了强方向加权高斯边缘检测及RNL拟合优度的快速眼睑检测算法。首先以虹膜圆心所在水平线为界线分割上下眼睑,大致确定眼睑区域;然后根据睫毛与眼睑结构近似垂直的特点,设计一种具有方向选择性的平滑滤波器,在对睫毛等噪声滤波的同时保留眼睑边缘信息;接着设计了一组水平边缘检测算子,根据虹膜图像中眼睑上下区域的灰度对比程度,动态选择边缘检测算子提取图像中的眼睑边缘信息;然后以拟合优度RNL为指标进一步迭代筛选眼睑边缘候选点;最后采用最小二乘法抛物线拟合完成眼睑检测。现有睫毛检测的相关研究基本上采用了阈值分割或者形态学方法,这些方法虽能达到一定程度的检测效果,但在睫毛漏检率、误检率以及检测速度三者之间难以取得平衡。本文考虑睫毛自身特点,提出了动态阈值、分层检测的思路,从睫毛根部到尾部,采用不同的检测方法以分层递进的方式完成检测。首先,需要检测的睫毛主要在虹膜上半区域,而虹膜下半区域基本没有,虹膜上下半区域纹理灰度分布存在明显差异。因此以虹膜圆心为原点对虹膜上下区域进行等弧度扇形分块,并以灰度分布离散程度为判别准则对比上下分块区域,从而得到虹膜上半区域中睫毛的最大分布范围;其次,根据睫毛根部与虹膜纹理区域的灰度值相差较大的特点,提出最小类内变异系数法实现分割;最后,由于各睫毛尾部方向存在多样性,且尾部睫毛与虹膜灰度值的差异相对较小,因此本文结合李海燕提出的加权多尺度复合窗思路和卞维新提出的基于加权线性投影分析的指纹块方向估计法对尾部睫毛进行方向判定,并根据方向滤波器的设计原则以及现有文献在滤波器组设计中存在的不足,构造了一种多方向灵活转换的方向滤波器以实现图像增强,从而完成不同方向的睫毛尾部检测。采用CASIA-V1、CASIA-V3以及BEE虹膜库中的样本作对比实验,结果表明:相比于典型Hough变换检测眼睑和基于形态学与最小二乘法抛物线拟合检测眼睑,强方向加权高斯边缘检测及RNL拟合优度的快速眼睑检测算法在准确率上分别提高了1.7%和0.4%,平均检测时间分别降低了 99.4%和97.5%,平均检测速度达到了0.04±0.02s;对比基于Gabor滤波和区域灰度方差以及基于眼睑轮廓和局部灰度极小值的睫毛检测算法,基于变异系数及梯度加权方向滤波的睫毛检测算法准确率分别提高了 5%和2.6%,平均检测时间分别降低61.1%和50%,平均检测速度达到了0.3±0.2s。
张博星[7]（2020）在《基于深度学习的虹膜识别技术研究》文中研究说明虹膜识别技术是一种广泛应用于身份验证的生物特征识别技术,由于虹膜的唯一性、准确性和安全性,虹膜识别具有广阔的应用前景与科学研究价值。随着电子设备的发展,深度学习也在图像处理领域中广泛应用。从虹膜识别的核心技术来看,一个完整的虹膜识别系统包括获取虹膜图像、虹膜图像预处理、特征提取及特征匹配。本篇论文研究的重点为结合深度学习完成虹膜的特征提取及分类。虹膜特征提取分类的难点主要在于首先虹膜图像预处理困难,如睫毛、眼睑和眼镜遮挡,以及虹膜采集的环境光照影响等因素直接影响预处理结果;其次还存在特征提取方法是专家手工制作的问题。针对这些难点,本文首先分析了虹膜识别技术的国内外研究现状,研究了深度学习中卷积神经网络技术在传统虹膜识别技术中的应用,提升了虹膜识别技术的性能。其次利用卷积神经网络强大的特征提取能力与眼周识别相结合,进一步对传统虹膜识别进行优化。本文的具体研究内容如下:（1）将虹膜数据集中的虹膜样本进行定位分割,对分割后的虹膜进行归一化处理得到矩形的虹膜样本。利用卷积神经网络强大的特征提取能力将Inception V3网络模型应用到特征提取环节中,利用归一化后的虹膜图像数据训练网络模型。最后完成虹膜的分类识别。该模型在测试集中的识别准确率为98%。虽然该方案可以获得较高的识别率,但是依然需要严格的虹膜图像预处理过程。（2）针对进行预处理环节的问题,本文提出了基于Inception V3网络的眼周识别网络模型。与虹膜相比,整个眼周由睫毛,瞳孔,虹膜,巩膜组成。把含有虹膜信息的眼周输入到网络模型中,可以很好地解决虹膜图像的预处理问题。同时作为虹膜识别的重要补充,可以弥补非合作情况下虹膜图像失效时带来的问题。在测试集中的识别准确率为98.5%。实验结果表明该方案可行,但是考虑到应用于移动端,训练得到的网络模型所占内存过于庞大。（3）针对训练模型过于庞大的问题,本文最后提出了基于轻量化模型的虹膜眼周的识别方案。应用轻量化模型训练得到的模型大小为24184KB,比传统卷积神经网络网络训练得到的模型小3.8倍。同时在测试集中的识别准确率为98.2%。该方案在缩小模型体积的同时保证了虹膜识别的准确率。最后将本文所提方案和其他虹膜识别方法进行对比,识别率有所保证的同时又具有良好的泛化能力和鲁棒性,特别是可以识别不同角度的图像样本。具有很好的研究和应用价值。
曾标[8]（2020）在《基于深度学习的虹膜识别算法研究》文中研究说明虹膜识别技术具有稳定性、唯一性、防伪性等特点,相较于其他生物特征识别技术优势更大。它的两大核心部分是虹膜定位和虹膜分类,虹膜定位是找到虹膜边界圆和瞳孔边界圆,而虹膜分类则是依赖于虹膜定位得到的内外边界圆,提取归一化后的虹膜特征进行匹配。因此,需要精准且快虹膜定位方法,以及表征能力强的特征提取网络。传统的虹膜定位方法依赖于虹膜内外边界处的边缘信息,容易因眼镜、光斑、眼睑等干扰,导致定位失败问题。考虑人的虹膜和瞳孔非常接近于圆,而虹膜定位则是找出虹膜内外边界圆,因此本文提出将虹膜定位问题转换为高IoU要求的目标检测问题,端到端输出虹膜内外边界信息,提高了虹膜定位的准确度和速度。在CASIA-Iris-Lamp和CASIA-Iris-Thousand数据集上,基于Cascade R-CNN的虹膜定位算法的定位错误率分别是0.016和0.034,而基于Daugman虹膜定位算法实现的OSIRIS V4.1错误率高达0.4以上。从粗粒度角度来看,人的眼睛部分具有很强的共性。例如,眼睛的形状结构一致、瞳孔的形状趋近于圆、以及虹膜的形状。根据虹膜图像的特性,它并不是和人脸图像一样具有很强的多样性,因此是一个简单但高IoU要求的目标检测问题。针对标注获取难度大的问题,本文提出结合传统虹膜定位算法提取标注数据。随着近几年深度学习的飞速发展,图像分类方法的精度和速度得到很大提升。虹膜识别其本质也是分类,并且虹膜识别的载体是图像,那么将深度学习与虹膜识别相结合则变得非常有意义。针对传统虹膜特征提取方法受眼睑、光斑、睫毛等因素影响大,并且特征表征能力较卷积神经网络弱。因此,除了对虹膜定位进行研究外,本文从深度学习角度切入,对虹膜图像分类进行研究,提出用于虹膜分类的基于多策略的卷积神经网络分类模型。优化器方面,使用Radam和Lookahead组成的优化器进行优化,一方面能加速收敛,另一方面能提高精度。根据虹膜特性,使用Patch块输入,加强模型泛化性,一定程度上提高精度。损失函数方面使用label smoothing优化cross entropy loss,同时引入center loss、soft margin triplet loss,弥补softmax loss对类间距离优化的不足,有效的提高了虹膜识别模型的精度。本文对虹膜定位和虹膜分类进行研究,创新点如下:（1）为了解决基于图像处理的虹膜识别方法在眼睑、光斑、睫毛等干扰情况下定位能力差的问题,提出将虹膜定位任务转换为高IoU要求的目标检测任务,端到端输出虹膜内外边界信息;（2）为了减少目标检测建模时获取标注信息的复杂度,提出结合传统虹膜定位方法获取定位信息;（3）根据虹膜单人样本数量不同,构建了分别以度量学习和分类为主的2种基于卷积神经网络的虹膜分类模型;（4）引入了Radam和Lookahead的组合优化器、多种损失函数、Patch训练,从而增强虹膜分类模型的表征能力。
李佳泽[9]（2020）在《基于目标检测的虹膜定位研究》文中提出当今21世纪,是科技迅猛发展和数据爆炸的年代,同时现代科学技术高速发展也推动着互联网科技时代的到来。人们每天都要面临着大量的数据化信息,这些信息已经融入了每个人的生活。但是,这些信息有很大一部分是需要受到人们的高度重视,尤其是一些和个人信息有关的生物信息数据与密码和身份证相比更是每个人独一无二的标志,是一个人身份的象征,同时与传统的密码技术相比生物信息技术具有着更高的稳定性和唯一性。所以如生物信息数据更需要我们谨慎对待。这其中虹膜识别技术更是因为它技术的独特性收到广泛的关注。这也就让科研工作者直接面临着一个问题就是虹膜信息的准确提取和识别。在虹膜识别系统的整体流程中,虹膜的定位算法占据着至关重要的位置,只有准确并快速的定位出来虹膜的内外圆才能在后续的特征提取和识别的过程中得到高准确率的结果,虹膜定位部分是整个虹膜识别系统中最耗费时间的部分,传统的定位算法只能单张处理图片,并由于计算量庞大复杂从而使得定位时间缓慢,从而使得虹膜识别系统的整体性能降低。本文将基于深度学习的目标检测观念引入了虹膜定位系统中。根据神经网络的高速运算能力,不仅可以将单张图片处理的时间大幅度降低,同时也可以进行批处理操作,这样更减少了虹膜系统定位整体图像的时间。随着近几年深度学习技术的不断深入发展,神经网络引起了广泛的关注。目标检测算法也从传统手工提取特征的算法转向了使用基于深度神经网络模型的检测技术。目标检测算法主要的目的是在图片中将我们所需要的部分和图片中其他的干扰部分能分辨开来,再去关注是否有我们需要的物体,如果有就进行标注监测框并且注明标注的物体类别。由于目标检测算法在开源数据集上有着出色的性能和监测效果,所以本文结合了深度学习提出了一种改进后的yolo（You Only Look Once）目标检测算法应用虹膜定位上。本文中Yolo模型使用一个卷积神经网络就能直接预测不同的目标类别及该目标物体的位置信息,具有着速度快准确率高的特点。因为yolo目标检测算法的自身评价标准置信度与目标检测算法中的交并比成正比例关系,所以能很好地反映出该网络结构的定位性能效果。所以本文系统中的kmeans算法使用一种新的计算方法通过计算质心框和当前训练集中标定框的交并比IOU距离去代替欧式距离得到质心框和标定框的距离,聚类出固定长度的先验框,在此基础上分类器网络进行对预测框的预测。并且根据虹膜数据集的图像中虹膜必须大而清晰、基本大小固定的特点,本文在yolo网络的基础上对网络结构进行了改良,提出了一种单尺度网络结构去训练图像。同时改进了原来模型的非极大值抑制算法NMS,将硬阈值标准替换成了使重叠检测框置信度衰减的软阈值标准,避免出现漏检问题,并且本文模型的平均准确率和mAP基本和原yolo模型相差不大,但是定位时间提升很多。与传统的虹膜识别定位算法相比,本文系统的虹膜定位时间大幅度减少,具有实时定位能力和批处理能力,能更好的应用到虹膜实时定位系统中。改进后的yolo模型应用于虹膜的识别系统mAP达到了98%,和基于迁移学习的yolo模型以及SSD模型相比,在基本不损失平均准确率的情况下,速度更快。
董德华[10]（2020）在《基于决策推理的约束态序列虹膜质量评价算法的研究》文中指出随着网络信息技术的快速发展,如何保护用户信息安全,成为了一个热点话题,用户身份安全认证技术应用越来越广泛,并且被广泛应用到各行各业。身份认证系统是一个用来保护用户信息安全的综合系统,目前身份认证系统中有三类认证方式,有关于信任物体的认证、关于生物特征识别的认证、关于信息秘密的认证。其中基于生物特征的身份认证技术越来越受到广大科研学者的重视,在众多生物特征中,虹膜识别身份认证技术由于虹膜自身的唯一性、稳定性、可靠性以及高防伪性等方面的优点深受广大科研工作者的青睐,因此采用虹膜识别技术的身份认证产品被应用在门禁、安保系统以及机密防伪等领域。虹膜质量评价是虹膜识别系统中的重要模块,通过对虹膜图像进行质量评价可以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、识别性能预测以及自适应虹膜识别算法设计等模块中,发挥了越来越重要的作用。近年来,随着虹膜识别系统的不断研究发展,虹膜质量评价也被广泛研究,特别是随着大数据时代的到来,大规模人群的虹膜识别将会成为研究热点,因此虹膜图像质量评价的研究对于提升虹膜识别系统的处理能力具有重要意义。虹膜图像质量评价作为虹膜识别前处理的关键步骤之一,该算法的效能对之后的识别十分重要。由于虹膜图像的采集环境复杂多变,因此我们将在理想环境下采集的图像称为约束态虹膜;反之为非约束态虹膜。此外在实际采集虹膜图像时,采集到的不是一张图像而是一段虹膜视频流,也称为序列虹膜。为了在大量的虹膜图像中选择出质量好可以识别的虹膜图像,本文以约束理想状态拍摄的虹膜为研究对象,提出了一种基于决策推理的约束态序列虹膜质量评价算法,提高了虹膜质量评价的效率。在其他指标设置理想化的情况下,对于红外摄像头采集到的约束态虹膜图像,从清晰度、有效虹膜区域、偏移程度等角度设置多种虹膜质量评价指标,基于特征统计的方式,根据各个指标反馈的评价结果,自主选择评价效果好的指标,并调整好指标大小,达到静态指标选择的目的。根据质量指标之间的因果关系,调整指标评价的顺序,形成质量决策推理过程。虹膜的特征提取与识别,采用二维Gabor滤波提取特征纹理信息,Hamming距离判断识别虹膜中测试虹膜的所属类别。实验数据来自于吉林大学生物识别与信息安全技术实验室自主采集的虹膜库,采用正确识别率（CRR）,等错率（EER）和ROC曲线为实验评价指标,并与其他方法对比分析算法的效率。实验结果表明,该算法可以有效提高序列虹膜中可用虹膜的存活率,对提高虹膜识别精度起到积极的作用。
二、虹膜定位算法的研究（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、虹膜定位算法的研究（论文提纲范文）
（1）基于YOLOV3改进的虹膜定位算法研究（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 虹膜识别问题的研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 1.5 本章总结 |
| 第2章 虹膜识别系统的理论基础与实现 |
| 2.1 虹膜的生理学研究基础 |
| 2.2 虹膜识别系统的工作流程 |
| 2.2.1 采集阶段 |
| 2.2.2 预处理阶段 |
| 2.2.3 识别阶段 |
| 2.2.4 质量评价 |
| 2.3 虹膜数据集 |
| 2.4 虹膜定位算法评价标准 |
| 2.5 相关理论知识 |
| 2.5.1 现有定位算法存在的问题 |
| 2.5.2 目标检测算法 |
| 2.5.3 YOLO简述 |
| 2.5.4 Dense Net-121 模型 |
| 2.6 本章小结 |
| 第3章 改进的YOLOV3 虹膜定位算法 |
| 3.1 基于Dense Net-121的YOLOV3 虹膜检测 |
| 3.2 Non-local注意力机制 |
| 3.3 特征金字塔 |
| 3.4 辅助网络 |
| 3.5 Dropblock正则化 |
| 3.6 本章小结 |
| 第4章 实验设计与结果分析 |
| 4.1 实验设计 |
| 4.1.1 虹膜图像数据集预处理 |
| 4.1.2 实验过程 |
| 4.2 对比模型介绍 |
| 4.2.1 Darknet模型 |
| 4.2.2 Daugman模型 |
| 4.2.3 Wilde模型 |
| 4.3 模型实验结果分析对比 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）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 |
（3）基于人脸关键点定位的虹膜定位算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 本文研究内容和章节安排 |
| 1.3 本论文主要工作和创新点 |
| 2 本文涉及的研究项目及方案设计 |
| 2.1 本文涉及的研究项目 |
| 2.2 本文的方案设计 |
| 2.2.1 项目分析 |
| 2.2.2 技术方案设计 |
| 3 人脸关键点定位算法和传统虹膜定位算法综述 |
| 3.1 引言 |
| 3.2 人脸关键点算法概述 |
| 3.2.1 人脸关键点定位的发展历史和国内外研究现状 |
| 3.2.2 人脸关键点定位系统框架 |
| 3.2.3 公共数据集介绍 |
| 3.2.4 主要评价指标 |
| 3.2.5 人脸关键点定位前沿算法概述 |
| 3.3 虹膜定位算法概述 |
| 3.3.1 虹膜定位的发展历史及国内外研究现状 |
| 3.3.2 虹膜定位算法系统框架 |
| 3.3.3 虹膜定位评价指标 |
| 3.4 本章小结 |
| 4 实验数据集的建立及基于级联网络的关键点定位算法 |
| 4.1 引言 |
| 4.2 实验数据集的构建 |
| 4.2.1 数据集构建思路 |
| 4.2.2 数据集组成 |
| 4.2.3 数据集标注 |
| 4.3 基本思路和整体框架 |
| 4.4 不同基础网络的对比 |
| 4.4.1 Resnet |
| 4.4.2 Inception |
| 4.4.3 Mobilenet |
| 4.5 网络及损失函数设计 |
| 4.5.1 网络细节 |
| 4.5.2 损失函数设计 |
| 4.6 网络的训练细节 |
| 4.6.1 硬件与软件 |
| 4.6.2 训练细节 |
| 4.7 实验结果分析 |
| 4.7.1 精度指标 |
| 4.7.2 级联结构分析 |
| 4.7.3 其他指标 |
| 4.8 本章小结 |
| 5 基于人脸姿态和属性标签的人脸关键点定位算法 |
| 5.1 引言 |
| 5.2 关键点热图的优化 |
| 5.2.1 关键点热图的缺陷分析 |
| 5.2.2 关键点热图的缺陷改进 |
| 5.3 网络结构 |
| 5.4 损失函数设计 |
| 5.5 实验结果与分析 |
| 5.5.1 训练细节 |
| 5.5.2 性能分析 |
| 5.5.3 与现有人脸关键点定位算法的比较 |
| 5.6 本章小结 |
| 6 基于改进Daugman算法的虹膜定位算法 |
| 6.1 引言 |
| 6.2 虹膜定位相关算法概述 |
| 6.2.1 Wilde虹膜定位算法 |
| 6.2.2 基于几何方法的虹膜定位算法 |
| 6.2.3 基于弹性线条的虹膜定位算法 |
| 6.2.4 基于梯度值分割的虹膜定位算法 |
| 6.2.5 基于深度反卷积网络的虹膜定位算法 |
| 6.2.6 基于粗糙熵和循环扇区分析的虹膜定位算法 |
| 6.2.7 基于共形几何代数的虹膜定位算法 |
| 6.3 Daugman算法概述 |
| 6.4 Daugman算法的缺陷分析 |
| 6.5 Daugman算法的改进与实现 |
| 6.6 实验结果与分析 |
| 6.6.1 与相关算法对比 |
| 6.6.2 与关键点定位网络的结果比较 |
| 6.6.3 实验结果总结 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间主要科研成果 |
（4）视线跟踪系统关键技术研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 视线跟踪系统研究背景、意义及应用 |
| 1.2 视线跟踪方法概述 |
| 1.2.1 非视频的眼动跟踪方法 |
| 1.2.2 基于视频的视线跟踪方法 |
| 1.2.3 VOG视线跟踪产品 |
| 1.3 VOG视线跟踪系统面临的挑战 |
| 1.3.1 现有VOG视线跟踪系统的问题 |
| 1.3.2 鲁棒性防攻击高精度特征提取 |
| 1.3.3 用户免标定问题 |
| 1.3.4 眼动行为识别 |
| 1.4 论文的主要贡献及结构安排 |
| 第二章 高鲁棒性防攻击的眼特征提取算法 |
| 2.1 引言 |
| 2.2 眼图数据库 |
| 2.2.1 公开数据库CASIA-Iris-V4.0 |
| 2.2.2 公开伪虹膜数据库CASIA-Iris-Fake |
| 2.2.3 IPITRT数据库 |
| 2.3 基于轻量化网络高鲁棒性防攻击虹膜定位算法 |
| 2.3.1 深度学习网络轻量化趋势 |
| 2.3.2 轻量化高鲁棒性防攻击虹膜定位算法的网络架构 |
| 2.3.3 网络的训练 |
| 2.4 鲁棒性瞳孔和反射光斑特征提取 |
| 2.4.1 鲁棒性瞳孔和反射光斑提取算法总体设计 |
| 2.4.2 自适应阈值方法 |
| 2.4.3 瞳孔遮挡剔除方法 |
| 2.4.4 基于RANSAC的椭圆拟合算法 |
| 2.5 实验结果和分析 |
| 2.5.1 测试数据集 |
| 2.5.2 LAILNet算法性能 |
| 2.5.3 LAILNet-PD和LAILNet-GD算法的性能 |
| 2.6 本章总结 |
| 第三章 基于3D双眼模型的免标定视线估计方法 |
| 3.1 引言 |
| 3.2 双眼模型建模 |
| 3.2.1 眼球模型 |
| 3.2.2 双眼建模 |
| 3.2.3 角膜曲率中心求解 |
| 3.2.4 瞳孔中心的求解 |
| 3.2.5 视线点求解 |
| 3.3 双眼模型标定 |
| 3.3.1 参数R的标定 |
| 3.3.2 参数K的标定 |
| 3.3.3 参数Kappa角度的标定 |
| 3.4 仿真模型数据和视线估计结果 |
| 3.4.1 仿真模型数据 |
| 3.4.2 用户标定计算结果 |
| 3.4.3 视线估计结果 |
| 3.5 本章总结 |
| 第四章 眼动形式识别算法 |
| 4.1 引言 |
| 4.2 基于分割和聚类的眼动形式三分类识别算法 |
| 4.2.1 预处理 |
| 4.2.2 初步分割眼跳段 |
| 4.2.3 分割剩余眼动数据 |
| 4.2.4 段聚类 |
| 4.3 眼动数据库 |
| 4.4 实验结果与分析 |
| 4.4.1 实验结果 |
| 4.4.2 实验分析 |
| 4.5 本章小结 |
| 第五章 视线跟踪系统的设计与实现 |
| 5.1 系统的总体设计 |
| 5.2 系统硬件设计 |
| 5.2.1 器件选型 |
| 5.2.2 FPGA逻辑设计 |
| 5.2.3 USB3.0接口芯片的设计 |
| 5.3 系统软件设计 |
| 5.3.1 视频采集接口设计 |
| 5.3.2 采集处理线程设计 |
| 5.3.3 视线跟踪算法实现 |
| 5.4 系统测试、应用与IPITRT数据库 |
| 5.4.1 系统建立与标定 |
| 5.4.2 视线跟踪系统的硬件测试 |
| 5.4.3 视线跟踪系统的鲁棒性眼特征提取算法结果 |
| 5.4.4 视线跟踪系统性能测试结果 |
| 5.4.5 视线跟踪系统应用和IPITRT数据库 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究工作 |
| 6.2 研究的创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）动态虹膜图像特征提取关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 虹膜识别系统组成 |
| 1.3 国内外研究现状 |
| 1.4 虹膜识别技术存在的问题 |
| 1.5 本文研究内容与章节安排 |
| 第2章 虹膜生理特性及虹膜图像采集 |
| 2.1 虹膜生理特性 |
| 2.2 虹膜图像采集与虹膜库 |
| 2.2.1 本文动态虹膜库的建立 |
| 2.2.2 虹膜库简介 |
| 2.3 本章小结 |
| 第3章 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.1 基于梯度的虹膜图像清晰度评价方法 |
| 3.1.1 基于梯度的图像清晰度评价方法 |
| 3.1.2 实验与分析 |
| 3.2 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.2.1 基于梯度的无参考图像清晰度评价方法 |
| 3.2.2 基于梯度的无参考动态虹膜图像清晰度评价方法 |
| 3.2.3 实验与分析 |
| 3.3 本章小结 |
| 第4章 基于几何特性-正则化水平集演化的动态虹膜定位方法 |
| 4.1 传统虹膜定位算法 |
| 4.1.1 微积分算子定位法 |
| 4.1.2 边缘检测+霍夫变换定位法 |
| 4.1.3 一种非理想成像条件下的虹膜定位方法 |
| 4.1.4 三种算法的特点 |
| 4.2 基于几何特征-距离正则化水平集的虹膜内边缘定位方法 |
| 4.2.1 距离正则化水平集演化理论 |
| 4.2.2 基于几何特征-距离正则化水平集的动态虹膜内边缘定位方法 |
| 4.2.3 实验与分析 |
| 4.3 Canny边缘检测+霍夫变换的动态虹膜外边缘定位方法 |
| 4.3.1 Canny边缘检测+霍夫变换定位方法 |
| 4.3.2 实验与分析 |
| 4.4 虹膜图像归一化及增强 |
| 4.4.1 虹膜图像归一化 |
| 4.4.2 虹膜图像直方图增强 |
| 4.5 本章小结 |
| 第5章 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.1 传统特征提取方法 |
| 5.1.1 二维Gabor滤波特征提取法 |
| 5.1.2 Haar特征提取法 |
| 5.1.3 HOG特征提取法 |
| 5.1.4 三种特征提取方法的特点 |
| 5.2 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.2.1 传统LBP特征提取算法 |
| 5.2.2 基于Sn-LBP的动态虹膜图像特征提取方法 |
| 5.2.3 实验与分析 |
| 5.3 动态虹膜特征匹配 |
| 5.3.1 虹膜特征相似度与匹配指标 |
| 5.3.2 实验与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结与创新 |
| 6.2 有待进一步解决的问题 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（6）泛虹膜检测与定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 虹膜识别研究背景及国内外研究现状 |
| 1.2 虹膜识别面临的问题和挑战 |
| 1.3 本文主要研究工作 |
| 第2章 虹膜识别及泛虹膜检测的相关研究 |
| 2.1 引言 |
| 2.2 虹膜图像采集 |
| 2.3 虹膜图像预处理 |
| 2.3.1 虹膜定位 |
| 2.3.2 虹膜图像归一化 |
| 2.3.3 虹膜图像增强 |
| 2.4 虹膜特征提取 |
| 2.4.1 基于相位的特征提取 |
| 2.4.2 基于纹理的特征提取 |
| 2.4.3 基于小波过零检测的特征提取 |
| 2.5 虹膜特征匹配 |
| 2.6 泛虹膜检测 |
| 2.7 本章小结 |
| 第3章 眼睑检测算法研究 |
| 3.1 引言 |
| 3.2 现有的眼睑检测算法 |
| 3.2.1 基于抛物线模型的积分差分法定位眼睑 |
| 3.2.2 基于边缘检测与Hough变换的眼睑检测算法 |
| 3.2.3 基于最短路径法定位眼睑 |
| 3.2.4 基于灰度形态学与最小二乘法抛物线拟合定位眼睑 |
| 3.3 强方向加权高斯边缘检测及R_(NL)拟合优度的快速眼睑检测算法 |
| 3.3.1 强方向抑制的高斯滤波预处理 |
| 3.3.2 强方向选择的加权高斯边缘检测 |
| 3.3.3 R_(NL)拟合优度的最小二乘眼睑拟合 |
| 3.3.4 强方向高斯边缘检测及R_(NL)拟合优度快速眼睑检测算法 |
| 3.4 仿真实验与分析 |
| 3.5 本章小结 |
| 第4章 睫毛检测算法研究 |
| 4.1 引言 |
| 4.2 现有的睫毛检测算法 |
| 4.2.1 基于阈值分割的检测算法 |
| 4.2.2 基于Gabor滤波和区域灰度方差的睫毛检测算法 |
| 4.2.3 基于眼睑轮廓和局部灰度极小值的睫毛检测算法 |
| 4.3 基于变异系数及梯度加权方向滤波的睫毛检测 |
| 4.3.1 变异系数 |
| 4.3.2 睫毛区域预判 |
| 4.3.3 睫毛根部阈值分割 |
| 4.3.4 睫毛尾部精检测 |
| 4.4 仿真实验与分析 |
| 4.4.1 主观准确率及耗时比较 |
| 4.4.2 睫毛的检测效果及客观数据比较 |
| 4.4.3 对虹膜识别性能的影响 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）基于深度学习的虹膜识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 虹膜基本介绍 |
| 1.3 虹膜识别技术的国内外应用及研究现状 |
| 1.3.1 虹膜识别应用现状 |
| 1.3.2 国外研究现状 |
| 1.3.3 国内研究现状 |
| 1.4 本文主要研究内容及章节安排 |
| 1.5 本章小结 |
| 2 虹膜识别技术概述 |
| 2.1 虹膜主流数据库介绍 |
| 2.2 虹膜识别系统流程 |
| 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 |
| 2.2.4 虹膜特征匹配 |
| 2.3 虹膜识别评价指标 |
| 2.4 本章小结 |
| 3 基于深度学习的虹膜特征提取及分类 |
| 3.1 深度学习概述 |
| 3.1.1 深度学习的发展 |
| 3.1.2 深度学习的图像分类模型介绍 |
| 3.1.3 卷积神经网络 |
| 3.1.4 Tensor Flow框架 |
| 3.2 基于深度学习的虹膜识别流程概述 |
| 3.2.1 虹膜定位 |
| 3.2.2 虹膜归一化 |
| 3.2.3 虹膜特征提取分类 |
| 3.3 实验环境及虹膜数据集介绍 |
| 3.3.1 实验环境构建 |
| 3.3.2 实验虹膜图像数据集介绍 |
| 3.4 特征提取及分类网络模型 |
| 3.4.1 Inception模块介绍 |
| 3.4.2 Inception V3 网络 |
| 3.5 实验分析 |
| 3.5.1 归一化后虹膜数据集构建 |
| 3.5.2 虹膜特征提取及分类网络主要参数 |
| 3.5.3 实验参数设置 |
| 3.5.4 实验结果分析 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的眼周特征提取及分类 |
| 4.1 眼周识别概述 |
| 4.2 实验分析 |
| 4.2.1 眼周图像数据集构建 |
| 4.2.2 实验参数设置 |
| 4.3 本章小结 |
| 5 基于轻量化模型的眼周特征提取及分类 |
| 5.1 轻量化卷积神经网络模型概述 |
| 5.1.1 轻量化模型发展背景 |
| 5.1.2 Mobile Net V2 模型介绍 |
| 5.2 实验分析 |
| 5.2.1 轻量化模型和传统模型实验对比 |
| 5.2.2 复杂虹膜样本的检测效果 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（8）基于深度学习的虹膜识别算法研究（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 国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 论文的组织结构 |
| 第2章相关技术介绍 |
| 2.1 基于卷积神经网络的分类模型 |
| 2.1.1 LeNet-5 |
| 2.1.2 AlexNet |
| 2.1.3 VGGNet |
| 2.1.4 ResNet |
| 2.1.5 ResNeXt |
| 2.1.6 SENet |
| 2.2 目标检测模型 |
| 2.2.1 FPN |
| 2.2.2 Faster R-CNN |
| 2.2.3 Cascade R-CNN |
| 第3章 基于Cascade R-CNN的虹膜定位算法 |
| 3.1 传统虹膜定位方法面临的问题 |
| 3.2 原理 |
| 3.3 数据标注获取方法 |
| 3.4 模型介绍 |
| 3.4.1 主干网络 |
| 3.4.2 FPN实现结构 |
| 3.4.3 参数设置 |
| 3.5 数据集与评测指标 |
| 3.5.1 数据集介绍 |
| 3.5.2 数据集选取 |
| 3.5.3 评测指标 |
| 3.6 实验与讨论 |
| 3.6.1 CASIA-Iris-Lamp实验结果与讨论 |
| 3.6.2 CASIA-Iris-Thousand实验结果与讨论 |
| 3.7 本章小结 |
| 第4章 基于深度学习的虹膜图像分类算法 |
| 4.1 原理 |
| 4.1.1 优化器 |
| 4.1.2 损失函数 |
| 4.1.3 数据处理 |
| 4.2 模型介绍 |
| 4.2.1 基于多策略的卷积神经网络分类模型 |
| 4.2.2 参数配置 |
| 4.3 数据集与评测指标 |
| 4.3.1 数据集选取 |
| 4.3.2 评测指标 |
| 4.4 实验与讨论 |
| 4.4.1 CASIA-Iris-Lamp实验结果与讨论 |
| 4.4.2 CASIA-Iris-Thousand实验结果与讨论 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（9）基于目标检测的虹膜定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 虹膜识别技术概述 |
| 1.2.1 虹膜生理特征简述 |
| 1.2.2 虹膜识别的国内外现状发展历程 |
| 1.2.3 虹膜识别的关键问题 |
| 1.3 论文的结构 |
| 1.4 本章总结 |
| 第二章 虹膜识别系统流程概述 |
| 2.1 虹膜采集过程 |
| 2.1.1 现有的虹膜图像采集设备 |
| 2.1.2 实验室研发虹膜图像采集设备 |
| 2.1.3 几种常见的虹膜数据库 |
| 2.2 虹膜识别系统原理 |
| 2.2.1 虹膜识别流程 |
| 2.2.2 虹膜质量评价 |
| 2.2.3 虹膜定位算法 |
| 2.3 本文的解决方案 |
| 2.4 本章总结 |
| 第三章 目标检测算法及Yolov3 算法简介 |
| 3.1 神经网络介绍 |
| 3.1.1 人工神经网络 |
| 3.1.2 卷积神经网络 |
| 3.2 目标检测算法简介 |
| 3.2.1 Yolo网络细节介绍 |
| 3.2.2 Yolo检测流程概述 |
| 3.2.3 Yolo损失函数 |
| 3.3 Yolo网络效果评定标准 |
| 3.4 本章总结 |
| 第四章 改进的模型算法及实验设计 |
| 4.1 虹膜图像预处理 |
| 4.2 改进的yolo网络模型 |
| 4.3 改进的非极大值抑制算法 |
| 4.3.1 传统非极大值抑制算法 |
| 4.3.2 改进的NMS算法 |
| 4.4 对比实验设计 |
| 4.4.1 基于迁移学习的Yolo模型 |
| 4.4.2 SSD模型 |
| 4.5 本章总结 |
| 第五章 实验结果与分析 |
| 5.1 实验结果分析 |
| 5.2 本章总结 |
| 第六章 工作总结与未来展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及在读期间参加的科研项目 |
| 致谢 |
（10）基于决策推理的约束态序列虹膜质量评价算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与国内外研究现状 |
| 1.2 虹膜生理特征 |
| 1.3 论文研究内容与组织结构 |
| 1.3.1 论文研究内容简介 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第2章 虹膜识别系统概述 |
| 2.1 虹膜识别系统 |
| 2.2 硬件模块 |
| 2.2.1 虹膜图像采集 |
| 2.2.2 常见的虹膜库介绍 |
| 2.3 软件模块 |
| 2.3.1 虹膜质量评价 |
| 2.3.2 虹膜定位、归一与增强 |
| 2.3.3 虹膜特征提取与识别 |
| 2.4 虹膜识别评价指标 |
| 2.5 本章小结 |
| 第3章 质量评价算法 |
| 3.1 傅立叶评价法 |
| 3.2 SVM评价法 |
| 3.2.1 图像质量粗评价 |
| 3.2.2 图像质量精评价 |
| 3.2.3 基于SVM的虹膜图像综合质量评价 |
| 3.3 神经网络评价法 |
| 3.3.1 虹膜活体检测 |
| 3.3.2 图像质量粗评价 |
| 3.3.3 图像质量精评价 |
| 3.3.4 基于BP神经网络的虹膜质量评价 |
| 3.4 现有方法的缺陷 |
| 3.5 本章小结 |
| 第4章 基于决策推理的约束态序列虹膜质量评价 |
| 4.1 算法及基本概念介绍 |
| 4.2 评价指标与决策推理 |
| 4.2.1 清晰度 |
| 4.2.2 有效虹膜区域 |
| 4.2.3 偏移程度 |
| 4.2.4 阈值设置 |
| 4.2.5 因果关系与决策推理 |
| 4.3 本章小结 |
| 第5章 实验设置与结论分析 |
| 5.1 实验设置思路说明 |
| 5.2 算法筛选性能 |
| 5.3 算法实际应用性能 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
四、虹膜定位算法的研究（论文参考文献）
- [1]基于YOLOV3改进的虹膜定位算法研究[D]. 刘岩. 吉林大学, 2021(01)
- [2]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)
- [3]基于人脸关键点定位的虹膜定位算法研究[D]. 丁洋凯. 浙江大学, 2020(02)
- [4]视线跟踪系统关键技术研究与实现[D]. 彭弘铭. 西安电子科技大学, 2020
- [5]动态虹膜图像特征提取关键技术研究[D]. 张晖东. 桂林理工大学, 2020(01)
- [6]泛虹膜检测与定位研究[D]. 陈妍婷. 杭州电子科技大学, 2020(02)
- [7]基于深度学习的虹膜识别技术研究[D]. 张博星. 西安工业大学, 2020(04)
- [8]基于深度学习的虹膜识别算法研究[D]. 曾标. 吉林大学, 2020(08)
- [9]基于目标检测的虹膜定位研究[D]. 李佳泽. 吉林大学, 2020(08)
- [10]基于决策推理的约束态序列虹膜质量评价算法的研究[D]. 董德华. 吉林大学, 2020(08)