本文關(guān)鍵詞：基于Gabor濾波的虹膜多特征提取及融合識(shí)別方法研究

  更多相關(guān)文章： 虹膜識(shí)別 Gabor濾波 多特征提取 多特征融合 多模態(tài)融合 深度學(xué)習(xí) 仿生識(shí)別

【摘要】：在虹膜特征提取和匹配領(lǐng)域的研究中,Gabor濾波器是應(yīng)用最廣泛且實(shí)驗(yàn)證明其濾波響應(yīng)與人類視覺區(qū)響應(yīng)波形一致,被視為最具仿生意義的圖形濾波器。本文主要從以下幾個(gè)著手點(diǎn)研究基于Gabor濾波器的虹膜特征表達(dá)和匹配。 1.提出了一種自適應(yīng)Gabor濾波器選取方法。這種方法結(jié)合PSO和BPSO優(yōu)化原則進(jìn)行Gabor濾波器參數(shù)尋優(yōu),利用注冊(cè)圖像來訓(xùn)練一組合理的Gabor變換核。這樣的Gabor濾波器選取過程完全由訓(xùn)練數(shù)據(jù)驅(qū)動(dòng),無需先驗(yàn)知識(shí)進(jìn)行預(yù)先選取和人為設(shè)定,更能準(zhǔn)確導(dǎo)向虹膜紋理信息量最集中的濾波頻帶進(jìn)行虹膜特征提取。實(shí)驗(yàn)證明本方法可針對(duì)不同的采集設(shè)備、不同采集環(huán)境和不同數(shù)據(jù)集,優(yōu)化得到更適合虹膜特征提取的Gabor濾波器,且相應(yīng)的Gabor濾波器可比經(jīng)驗(yàn)設(shè)定的Gabor濾波器提取更有區(qū)分度的特征描述。 2.提出對(duì)Gabor濾波的幅值和相位進(jìn)行改進(jìn)的局部化特征表示,生成虹膜紋理的多Gabor特征描述。本文提出的改進(jìn)的局部化特征生成方法,可避免直接對(duì)圖像進(jìn)行柵格化造成的邊緣效應(yīng)。局部化的幅值特征描述虹膜紋理的能量細(xì)節(jié),刻畫了紋理的疏密強(qiáng)弱,具有旋轉(zhuǎn)平移不變性；同時(shí),局部化后的相位特征描述虹膜紋理的方向特性,反映紋理的分布趨勢(shì),它具有對(duì)光照變化不敏感的特點(diǎn)。 3.提出一種對(duì)虹膜多種特征進(jìn)行融合的方法。對(duì)多特征用相應(yīng)距離函數(shù)求得的相似度進(jìn)行融合,求取多種特征共同作用下的融合相似度來判定虹膜的分類結(jié)果。在求取多特征融合相似度時(shí),我們訓(xùn)練基于SVR模型的估計(jì)函數(shù)。通過該估計(jì)函數(shù),即可將各個(gè)特征形成的相似度度量映射到融合相似度,并據(jù)此進(jìn)行虹膜匹配判定。實(shí)驗(yàn)證明SVR融合技術(shù)充分利用特征的可區(qū)分性以提高識(shí)別的準(zhǔn)確性和穩(wěn)定性,比其他的虹膜單一特征的識(shí)別系統(tǒng)效果更優(yōu)。 4.提出了一種基于SIFT關(guān)鍵點(diǎn)的篩選策略,根據(jù)去除相鄰像素中能量較低的冗余SIFT關(guān)鍵點(diǎn),提高SIFT關(guān)鍵點(diǎn)的匹配準(zhǔn)確度。同時(shí)將Gabor變換域下的局部幅值特征、局部相位特征和該幾何域下的SIFT關(guān)鍵點(diǎn)特征,用基于SVR融合方法進(jìn)行特征融合分類,進(jìn)一步提高了虹膜識(shí)別的魯棒性。 5.建立了使用人臉-虹膜-指紋三種生物特征進(jìn)行融合識(shí)別的框架。我們首先利用結(jié)合PSO和BPSO優(yōu)化算法分別對(duì)人臉訓(xùn)練集、虹膜訓(xùn)練集和指紋訓(xùn)練集的樣本進(jìn)行Gabor核參數(shù)尋優(yōu),獲得提取人臉特征的Gabor濾波器組、提取虹膜特征的Gabor濾波器組以及提取紋指紋特征的Gabor濾波器,它們根據(jù)不同的生物模態(tài)可自適應(yīng)確定提取的紋理信息頻帶。對(duì)這些Gabor濾波器提取到的局部化幅值特征和局部化相位特征,用基于SVR融合方法進(jìn)行特征融合分類,即可實(shí)現(xiàn)多種生物特征進(jìn)行融合識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文方法可以綜合人臉-虹膜-指紋三種生物特征的Gabor局部特征進(jìn)行個(gè)體的分類判別,因此識(shí)別效果優(yōu)于單一生物特征的方法和其他融合策略 6.提出了使用深度學(xué)習(xí)中的DBN,通過大樣本訓(xùn)練Gabor特征向量的生成模式。在進(jìn)行虹膜特征提取時(shí),首先使用PSO和BPSO優(yōu)化算法進(jìn)行優(yōu)化后的Gabor濾波器對(duì)虹膜圖像進(jìn)行濾波,并對(duì)Gabor濾波結(jié)果進(jìn)行相位編碼后,將其輸入多層全連接的DBN網(wǎng)絡(luò)中。在經(jīng)過一定次數(shù)的迭代后,將獲得相對(duì)現(xiàn)有預(yù)定義的統(tǒng)計(jì)方法獲得的Gabor特征向量更復(fù)雜模式的自學(xué)習(xí)特征。在這些復(fù)雜模式的虹膜特征中,保留了更豐富的特征表達(dá)形式和信息量,因此能更好地獲得穩(wěn)定的虹膜識(shí)別效果。對(duì)比實(shí)驗(yàn)證明,本文提出的最優(yōu)Gabor濾波器能夠產(chǎn)生更為獨(dú)特的Gabor系數(shù)并且其學(xué)習(xí)特征更具鑒別能力和魯棒性。此外,本文還探討了深度學(xué)習(xí)架構(gòu)的深度與規(guī)模。 7.提出通過仿生識(shí)別方法進(jìn)行虹膜識(shí)別,這種方法從同類樣本的連續(xù)性出發(fā),在高維特征空間建立每一類虹膜圖像的連續(xù)、封閉的最佳幾何超體,用來表示每一類虹膜的特征分布。在對(duì)待識(shí)別圖像進(jìn)行分類時(shí),只需觀察其在特征空間中被哪一類的超體所覆蓋。這種方法的出發(fā)點(diǎn)是對(duì)虹膜特征的認(rèn)知,而不是對(duì)虹膜特征的劃分,更貼近人類識(shí)別新事物的方式,因此被稱為仿生識(shí)別方法。在自主研發(fā)的含視頻序列JLUBR-IRIS虹膜數(shù)據(jù)庫(kù)上進(jìn)行了驗(yàn)證實(shí)驗(yàn),展示了本算法在基于虹膜視頻序列的虹膜識(shí)別系統(tǒng)上的有效性和可靠性。此外,在公共CASIA-I和CASIA-V4數(shù)據(jù)集的比較實(shí)驗(yàn)結(jié)果表明,如果提供足夠多的樣本參與幾何超體的訓(xùn)練,本方法還能改善基于靜態(tài)圖像的虹膜識(shí)別系統(tǒng)的性能。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41

【引證文獻(xiàn)】

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 霍光;基于二維Gabor濾波的虹膜特征表達(dá)及識(shí)別方法研究[D];吉林大學(xué);2016年

2 劉懷鵬;基于WorldView-2數(shù)據(jù)的城市典型綠化樹種分類[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 董宏興;基于自適應(yīng)Gabor濾波的虹膜特征提取與識(shí)別方法研究[D];吉林大學(xué);2016年

2 于麗姣;虹膜定位算法研究[D];吉林大學(xué);2016年

3 劉博;一種多特征提取及融合的虹膜識(shí)別方法[D];鄭州大學(xué);2016年

4 劉婷;基于虹膜身份識(shí)別算法的研究[D];西安工程大學(xué);2016年

，

本文編號(hào)：1223862