一、基于灰度梯度的虹膜定位方法研究（论文文献综述）
李晓宇,孟令军,王佳军,薛志凌[1]（2021）在《可见光虹膜采集质量评估与精确定位系统设计》文中进行了进一步梳理针对虹膜采集设备昂贵和可见光虹膜采集易受光照不均、光斑、镜面反射、睫毛遮挡等干扰导致图像质量差、虹膜定位困难的问题,设计出一种可见光下采集虹膜图像并质量评估与虹膜定位系统。该系统以Raspberry Pi 3B+（RPi 3B+）为核心,驱动IMX477R图像传感器采集多张眼部图像。首先采用MSRCR算法对图像增强对比度和拉格朗日插值法去除光斑,然后采用Tenegrad函数评估图像清晰度质量,最后采用灰度特性阈值化和Daugman圆梯度算法定位虹膜内边缘以及采用微小区域搜索法和混合测地线区域曲线演化法定位虹膜外边缘。测试结果表明,虹膜采集系统运行稳定,性价比高,图像质量评估合格率达84%,虹膜定位准确率达91%。
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》文中研究表明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》文中进行了进一步梳理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。
张晖东[4]（2020）在《动态虹膜图像特征提取关键技术研究》文中研究说明当前社会,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。
张琪[5]（2020）在《多源异质虹膜识别方法研究》文中提出身份鉴别是目前安防、信息安全领域普遍而重要的研究热点,与人们的生活息息相关,虹膜作为人身份的表示物,在稳定性、唯一性和安全性等方面具有重要应用价值。目前绝大多数的虹膜图像采集和识别过程均在同一个采集设备上完成,这种方式对使用场景和应用设备要求较高,具有一定的局限性。因此,由于采集设备不同,导致虹膜的类内相似度较低的问题,即多源异质虹膜识别问题,成为一项具有挑战性的研究,本文主要研究了多源异质虹膜识别方法,实现了对多源异质虹膜图像的有效特征提取和准确识别,主要研究内容有以下三方面:（1）针对多源异质虹膜图像的预处理。首先采用多指标融合的质量评价方法筛选出合格的虹膜图像;然后采用二次定位方法分别对虹膜的内边界和外边界定位;最后对虹膜归一化增强,并截取虹膜感兴趣区域。（2）针对虹膜特征提取中逐特征点提取和匹配方式进行改进,提出以流形学习为框架的局部保持投影的多源异质虹膜识别算法,逐区域的提取虹膜局部纹理特征结构。对原始特征空间相似度较大的特征点建立局部近邻结构,形成流形,通过特征映射,保留相似度较大的近邻结构,同时特征点的相对位置得以保持。实验结果表明,在JLU-MultiDev数据集上,局部保持投影算法有效的提取了虹膜纹理结构,降低了计算复杂度,同时具有较高的多源异质虹膜识别正确率。（3）针对逐区域特征提取方式做进一步改进,提出基于堆叠式CDBNs-DBN的多源异质虹膜识别算法。通过隐藏单元的位移量寻找有效特征点的位置,通过卷积层提取局部纹理特征结构,并通过池化层进行特征降维,同时模型通过层间全连接的方式建立局部特征结构之间的匹配关系,最后通过DBN对多源异质虹膜图像分类识别。实验结果表明,在IIT Delhi数据库上,堆叠式CDBNs-DBN模型具有较高的识别性能和较强的鲁棒性,可以完成多源异质虹膜图像的识别任务。
陈妍婷[6]（2020）在《泛虹膜检测与定位研究》文中进行了进一步梳理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。
田子林[7]（2019）在《虹膜识别中若干关键算法研究》文中研究指明虹膜识别技术作为重要的生物特征识别技术之一,相比于其他生物识别拥有唯一性、防伪性、稳定性等优势,但在现实运用中虹膜识别技术依然存在很多不足:获取的虹膜图像尺寸小、有效像素少、采集虹膜图像时易出现斜视、遮挡、模糊等情况,这些因素的影响虹膜图像的质量、虹膜定位时的速度和准确度、虹膜特征的提取与匹配准确性从而影响虹膜识别的速度与可信度。本文针对上述问题,从研究虹膜图像质量评价入手,研究了虹膜定位算法和特征提取算法,以期在前人工作的基础上,对虹膜识别效率有所提高。本文首先对国内外虹膜识别技术进行了细致研究,对目前主流虹膜识别算法进行了比较分析,详细陈述了在虹膜图像质量评价、虹膜定位和特征提取与匹配中的所做的相关工作,并以中科院CASIA＿V1.0数据库为基础对改进的算法验证分析。本文的主要研究内容如下:1.虹膜质量评价。为解决低质量虹膜图像对虹膜识别性能的影响,本文提出一种基于形态学与灰度差异的虹膜质量评价方法,除去采集时低质量虹膜图像的,提高虹膜识别系统的准确率。2.虹膜定位。针对虹膜内外边缘轮廓信息不足导致定位效率低的问题,本文提出了一种结合最小二乘法和分块算子的定位算法,首先对虹膜外边缘使用最小二乘法拟合定位,然后使用霍夫变换对虹膜内边缘粗定位,最后使用分块算子精定位,提高了虹膜定位的精度与速度。3.虹膜特征提取。本文综合分析现在有的几种特征提取算法,提出了一种基于改进的2D-Gabor滤波器与小波变换两种算法的虹膜特征提取算法。本文所提供的算法,在CASIA＿V1.0数据库上用Matlab进行了实验验证,将本文的算法与其他算法进行了对比分析,取得了较为理想的实验结果,证明了所提供的相关算法的有效性和可行性。
杨争威[8]（2019）在《移动虹膜识别中虹膜定位算法研究》文中进行了进一步梳理经过多年的发展,虹膜识别技术已渐趋成熟,而在智能移动终端搭载虹膜识别系统仍是一个较为热门的研究课题。随着微电子技术的快速发展,目前智能移动设备满足虹膜识别系统所需的运算能力,但现在还缺乏能够应对移动端虹膜识别应用条件的实用化的图像处理与识别算法。在虹膜识别系统中,虹膜定位一直是研究的重点内容,因此,课题主要研究适用于受干扰可见光虹膜图像的移动端虹膜识别系统的虹膜定位算法。虹膜定位是虹膜识别系统的重要步骤,它通过图像处理方法获得虹膜的内外边缘信息。定位不准确会引入大量非虹膜区域的干扰,导致虹膜匹配过程失败。因而,提高虹膜定位的准确性是提升识别系统性能的重要研究内容。现有的方法多将虹膜的结构特征用于定位,纹理特征用于虹膜匹配。然而,在可见光移动端虹膜识别中,采集条件约束弱,虹膜的结构特征易受自然光照所产生的多种干扰因素影响,造成定位不准确。为解决上述问题,本文提出一种基于混合测地线区域曲线演化的虹膜定位方法。该方法在图像预处理过程中采用拉格朗日方法去除光斑并修复图像。然后建立HOG特征+级联分类器的虹膜检测模型在整幅图像中检测出虹膜的区域范围,初步定位虹膜。之后采用线性灰度变换法增强图像对比度。最后利用拟合圆法确定虹膜内边缘,采用混合测地线法定位虹膜外边缘,并提出一种可以量化地客观评价边缘准确性的方法。为了简化算法运行过程、提高移动端虹膜识别系统的效率,本文还提出一种基于改进GrowCut的虹膜定位方法,以适应移动端虹膜识别需求。本文采用MICHE-I图库中的iPhone5库对算法进行测试,该图库是由iPhone5手机在可见光下采集,采集过程并不对被采集对象进行任何约束。该图库包含了移动端虹膜识别系统实际应用中可能遇到的各种干扰,可以全面地测试定位方法的适用性。本文利用图库中的754张图像用于算法测试,实验结果表明,本文采用的基于混合测地线演化法的虹膜定位能够克服自然光照对虹膜图像的影响,准确定位虹膜外边缘,其定位准确率达到了93.1%。改进GrowCut的方法优化了分割目标轮廓的标签图,定位准确率达到了92%。与混合测地线演化方法相比,改进后的方法运行时间分别缩短了68%（前置镜头）和64%（后置镜头）,更适用于智能移动设备采集的图像。
宋亚丽[9]（2019）在《基于多视角的可见光虹膜识别研究》文中指出基于近红外光下的虹膜识别是一种具有高识别率与鲁棒性的身份识别方法。随着智能手机的广泛应用,在智能手机上支持基于虹膜的身份识别具有较大需求。由于大多数智能手机没有配置近红外摄像设备,因此研究可见光下的虹膜识别,具有重要的理论意义和实际意义。由于智能手机的可见光虹膜成像分辨率低,纹理特征不清晰,特别是亚洲人种,他们虹膜可见光的透光度更低,因此在智能手机上实现基于可见光的虹膜识别存在识别率低、鲁棒性差、虹膜质量低下等难点。针对这些问题,本文提出了基于多视角的虹膜纹理与斑点加权融合的虹膜识别方法,利用多视角下虹膜图像呈现出的多种精细结构,结合K-Median聚类算法和SVM分类算法,明显提高了识别精度,降低了误识率。本文的主要工作和贡献如下。（1）在虹膜预处理环节,针对测试时摄像头的视角未知,不同视角的虹膜特征不同,同一虹膜不同视角之间差异可能大于不同虹膜的差异从而影响识别精度这一问题,提出基于不同视角下可见光虹膜的颜色与形状信息,采用HSV颜色空间下色调饱和度通道的灰度分布结合Hough变换及Canny边缘检测实现虹膜边界定位和基于方向码的角度定位的方法,并分别在我们采集的数据集与UBIRIS数据集上进行了测试,证明该方法的鲁棒性。（2）在特征提取环节,提取多视角虹膜的纹理及斑点特征。针对多个角度下虹膜纹理结构的异质性,分别采用K-Median聚类及LGBP两种算法提取多视角下的虹膜纹理特征。利用虹膜斑点信息映射在Lab颜色空间下像素值的区别,采用形态学算法结合Regionprops函数提取不同视角下的虹膜斑点特征。（3）在虹膜模型训练和识别阶段,提出了基于多视角虹膜纹理特征和斑点特征融合的识别方法。针对待识别虹膜样本的视角与训练样本中虹膜视角不一致问题,采用近邻图像插值方法扩充训练样本。基于虹膜的角度定位,将测试样本和角度嵌入特征向量,使用支持向量机方法进行分类训练和识别。基于多视角纹理与多视角斑点识别权重,融合纹理与斑点特征,实现虹膜特征融合识别。为了验证本文方法的有效性,在11个不同虹膜摄像视角下,采集了 30位志愿者每人88张,共2640张虹膜图像作为训练集,采用其中5个志愿者,5个视角共400张虹膜图像作为测试集。根据实验结果,单独采用多视角虹膜纹理识别率为76.65%,单独采用虹膜斑点的识别率为58.85%,将两种特征融合后识别率提升至84.43%,与传统方法相比有明显的提高。
刘笑楠,杨争威,张海珊[10]（2018）在《基于混合测地线区域曲线演化的虹膜定位方法》文中研究表明由于可见光移动端虹膜识别中图像受光照不均、镜面反射等因素干扰,可能损失部分虹膜的结构信息和边缘信息,造成难以准确定位虹膜区域。为解决上述问题,提出一种基于混合测地线区域曲线演化的虹膜定位方法。该方法首先在图像预处理中采用拉格朗日插值法消除光斑;然后采用基于HOG特征和级联分类器的虹膜检测模型初步定位虹膜区域;再根据灰度梯度信息和拟合圆的方法确定虹膜内边缘;最后采用混合测地线区域曲线演化法定位虹膜外边缘。为测试算法的有效性,采用MICHE-I虹膜图库中由iPhone5采集的754张虹膜图像进行测试,并且提出一种虹膜外边缘定位准确度的定量评价方式。测试结果表明,方法在包含干扰的图像中虹膜定位成功率达到93.3%,虹膜边缘定位错误率为0.08,满足移动端虹膜识别的实用需求。
二、基于灰度梯度的虹膜定位方法研究（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、基于灰度梯度的虹膜定位方法研究（论文提纲范文）
（1）可见光虹膜采集质量评估与精确定位系统设计（论文提纲范文）
| 0 引 言 |
| 1 总体方案设计 |
| 2 硬件设计 |
| 2.1 电源稳压检测模块设计 |
| 2.2 树莓派设计 |
| 2.3 高清摄像头设计 |
| 3 软件程序设计 |
| 3.1 图像增强与光斑消除 |
| 3.2 图像质量评估 |
| 3.3 虹膜边缘定位 |
| 4 实验与结果分析 |
| 5 结 论 |
（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）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 |
（5）多源异质虹膜识别方法研究（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 虹膜识别技术概述 |
| 1.2.1 虹膜生理结构及特征 |
| 1.2.2 虹膜识别系统的工作流程 |
| 1.3 虹膜识别技术的发展现状 |
| 1.3.1 图像质量评价 |
| 1.3.2 虹膜定位 |
| 1.3.3 图像增强 |
| 1.3.4 特征提取和识别 |
| 1.4 存在的问题 |
| 1.5 虹膜库介绍及实验评价指标 |
| 1.5.1 JLU-MultiDev虹膜库 |
| 1.5.2 IIT Delhi虹膜库 |
| 1.5.3 实验评价指标 |
| 1.6 本文研究内容及章节安排 |
| 1.6.1 本文研究内容 |
| 1.6.2 章节安排 |
| 第二章 多源异质虹膜图像预处理 |
| 2.1 引言 |
| 2.2 部分采集设备描述 |
| 2.3 基于改进灰度梯度变化的虹膜图像质量评价方法 |
| 2.3.1 活体检测 |
| 2.3.2 图像清晰度评价 |
| 2.3.3 虹膜有效面积评价 |
| 2.4 虹膜定位 |
| 2.4.1 虹膜内边界定位 |
| 2.4.2 虹膜外边界定位 |
| 2.5 归一化和图像增强 |
| 2.5.1 归一化 |
| 2.5.2 图像增强 |
| 2.6 本章小结 |
| 第三章 基于局部保持投影的多源异质虹膜识别方法 |
| 3.1 引言 |
| 3.2 二维GABOR滤波函数的特征编码 |
| 3.3 基于局部保持投影的多源异质虹膜识别方法 |
| 3.3.1 局部保持投影算法 |
| 3.3.2 支持向量机分类器 |
| 3.4 实验设计 |
| 3.4.1 多源异质虹膜的实验验证方式 |
| 3.4.2 最优训练样本数目 |
| 3.4.3 交叉识别验证实验 |
| 3.5 本章小结 |
| 第四章 基于堆叠式CDBNS-DBN的多源异质虹膜识别方法 |
| 4.1 引言 |
| 4.2 受限玻尔兹曼机 |
| 4.3 基于堆叠式CDBNs-DBN的多源异质虹膜识别方法 |
| 4.3.1 CDBNs模型 |
| 4.3.2 DBN模型 |
| 4.4 实验设计 |
| 4.4.1 数据增强实验 |
| 4.4.2 不同算法对比实验 |
| 4.4.3 鲁棒性实验 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 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）虹膜识别中若干关键算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 生物特征识别技术简介 |
| 1.2.1 生物识别技术分类 |
| 1.2.2 生物识别技术现状 |
| 1.3 虹膜识别技术概述 |
| 1.3.1 虹膜的生理结构 |
| 1.3.2 虹膜识别技术的特点 |
| 1.4 国内外虹膜识别技术的发展与应用 |
| 1.4.1 虹膜识别技术的发展 |
| 1.4.2 虹膜识别技术的应用 |
| 1.5 本文研究的主要内容安排 |
| 1.5.1 主要研究内容 |
| 1.5.2 本文结构安排 |
| 1.6 本章小结 |
| 第2章 虹膜识别系统概述 |
| 2.1 模式识别类型 |
| 2.2 虹膜识别系统的结构 |
| 2.3 虹膜图像采集 |
| 2.3.1 虹膜图像采集的标准 |
| 2.3.2 虹膜图像采集的硬件原理 |
| 2.4 虹膜图像质量评价 |
| 2.5 虹膜图像定位 |
| 2.6 虹膜图像归一化 |
| 2.7 虹膜特征提取与匹配 |
| 2.8 虹膜识别系统的性能判定 |
| 2.9 本章小结 |
| 第3章 虹膜图像质量评价 |
| 3.1 引言 |
| 3.2 质量评估方法分类 |
| 3.3 单因子虹膜图像质量评价 |
| 3.4 基于形态学与灰度差异的虹膜质量评价 |
| 3.4.1 活体检测与扩张系数 |
| 3.4.2 清晰度判断 |
| 3.4.3 遮挡区域检测 |
| 3.4.4 美瞳检测及斜视判定 |
| 3.4.5 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 虹膜图像定位 |
| 4.1 引言 |
| 4.2 经典定位算法介绍 |
| 4.2.1 Daugman虹膜定位算法 |
| 4.2.2 Wildes两步走算法 |
| 4.2.3 最小平均灰度算法 |
| 4.2.4 圆拟合算法 |
| 4.2.5 粗定位算法 |
| 4.3 现有算法分析及存在的问题 |
| 4.3.1 算法之间的差异与关联 |
| 4.3.2 现有定位算法面临的问题 |
| 4.4 本文改进的虹膜内外边缘定位算法 |
| 4.4.1 算法简介 |
| 4.4.2 定位预处理 |
| 4.4.3 最小二乘法拟合外圆 |
| 4.4.4 内外边缘定位方法的选择 |
| 4.4.5 霍夫变换对内边缘粗定位 |
| 4.4.6 分块算子对内边缘精定位 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第5章 虹膜特征提取与匹配 |
| 5.1 引言 |
| 5.2 相关的虹膜特征提取算法 |
| 5.2.1 小波变换 |
| 5.2.2 基于相位编码的Daugman算法 |
| 5.2.3 基于高斯-拉普拉斯滤波算法 |
| 5.3 本文提出的虹膜特征提取算法 |
| 5.3.1 虹膜定位 |
| 5.3.2 虹膜图像归一化 |
| 5.3.3 有效虹膜区域选取 |
| 5.3.4 改进2D-Gabor滤波器 |
| 5.3.5 改进的小波变换 |
| 5.3.6 虹膜纹理特征提取 |
| 5.4 虹膜特征匹配 |
| 5.4.1 欧式距离 |
| 5.4.2 Hamming距离 |
| 5.4.3 曼哈顿距离 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）移动虹膜识别中虹膜定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 生物特征识别技术 |
| 1.2 虹膜的生理结构与虹膜定位 |
| 1.3 移动端虹膜识别研究现状及意义 |
| 1.4 本文采用的虹膜图库简介 |
| 1.5 论文主要研究内容 |
| 第2章 虹膜图像预处理 |
| 2.1 去除光斑 |
| 2.1.1 光斑定位 |
| 2.1.2 基于拉格朗日插值的光斑区域恢复算法 |
| 2.2 虹膜图像增强 |
| 2.2.1 线性和非线性变换增强方法 |
| 2.2.2 直方图均衡化增强方法 |
| 2.2.3 Retinex增强方法 |
| 2.3 本章小结 |
| 第3章 基于混合测地线演化的虹膜定位方法 |
| 3.1 虹膜结构特征提取 |
| 3.1.1 Harr特征描述虹膜结构 |
| 3.1.2 LBP特征描述虹膜结构 |
| 3.1.3 HOG特征描述虹膜结构 |
| 3.2 虹膜区域检测模型 |
| 3.2.1 基于支持向量机的检测模型 |
| 3.2.2 基于级联分类器的检测模型 |
| 3.2.3 本文提出的级联分类器检测模型 |
| 3.3 虹膜边缘定位 |
| 3.3.1 虹膜内边缘定位 |
| 3.3.2 虹膜外边缘定位 |
| 3.4 虹膜定位算法流程及实验结果分析 |
| 3.4.1 算法流程 |
| 3.4.2 实验结果分析 |
| 3.5 客观评价虹膜边缘的方法 |
| 3.6 本章小结 |
| 第4章 基于改进Grow Cut的虹膜定位方法 |
| 4.1 基于GrowCut的目标边缘检测方法 |
| 4.2 基于改进GrowCut的目标边缘检测方法 |
| 4.3 虹膜定位算法流程与实验结果分析 |
| 4.3.1 算法流程 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）基于多视角的可见光虹膜识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 研究内容 |
| 1.3 主要贡献及创新 |
| 1.4 论文结构安排 |
| 2 国内外研究现状 |
| 2.1 虹膜图像采集 |
| 2.2 虹膜图像定位 |
| 2.3 虹膜特征提取 |
| 2.4 多视角学习 |
| 2.5 本章小结 |
| 3 基于多视角的虹膜采集及预处理 |
| 3.1 虹膜简介 |
| 3.2 多视角虹膜图像采集 |
| 3.3 噪声处理 |
| 3.3.1 光斑噪声处理 |
| 3.3.2 眼睑噪声处理 |
| 3.4 虹膜定位 |
| 3.4.1 虹膜内边界定位 |
| 3.4.2 虹膜外边界定位 |
| 3.4.3 视角定位 |
| 3.5 虹膜图像归一化 |
| 3.6 实验结果及分析 |
| 3.6.1 眼睑定位实验分析 |
| 3.6.2 虹膜定位实验分析 |
| 3.7 本章小结 |
| 4 基于多视角的虹膜特征提取及识别 |
| 4.1 虹膜纹理特征提取及识别 |
| 4.1.1 基于K-Median聚类的特征提取及识别 |
| 4.1.2 基于LGBP的特征提取及识别 |
| 4.2 虹膜斑点特征提取及识别 |
| 4.3 实验结果及分析 |
| 4.3.1 实验评价指标 |
| 4.3.2 虹膜纹理识别实验分析 |
| 4.3.3 虹膜斑点识别实验分析 |
| 4.4 本章小结 |
| 5 基于多视角的虹膜识别的实验与分析 |
| 5.1 模型训练 |
| 5.2 实验结果及分析 |
| 5.3 本章小结 |
| 6 结论 |
| 6.1 全文总结 |
| 6.2 未来研究方向 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于混合测地线区域曲线演化的虹膜定位方法（论文提纲范文）
| 0 引 言 |
| 1 混合测地线区域曲线演化法 |
| 2 本文的虹膜定位方法 |
| 2.1 虹膜图像预处理 |
| 2.2 虹膜区域初定位 |
| 2.3 虹膜内边缘定位 |
| 2.4 虹膜外边缘定位 |
| 3 实验与结果分析 |
| 3.1 各步骤的实验结果 |
| 3.2 不同定位方法对比分析 |
| 3.3 虹膜定位结果评价 |
| 4 结 论 |
四、基于灰度梯度的虹膜定位方法研究（论文参考文献）
- [1]可见光虹膜采集质量评估与精确定位系统设计[J]. 李晓宇,孟令军,王佳军,薛志凌. 电子测量技术, 2021(11)
- [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]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)
- [5]多源异质虹膜识别方法研究[D]. 张琪. 东北电力大学, 2020(02)
- [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]虹膜识别中若干关键算法研究[D]. 田子林. 河南科技大学, 2019(06)
- [8]移动虹膜识别中虹膜定位算法研究[D]. 杨争威. 沈阳工业大学, 2019(08)
- [9]基于多视角的可见光虹膜识别研究[D]. 宋亚丽. 北京交通大学, 2019(01)
- [10]基于混合测地线区域曲线演化的虹膜定位方法[J]. 刘笑楠,杨争威,张海珊. 电子测量与仪器学报, 2018(10)