虹膜识别新方法：Haar小波与Log-Gabor变换结合

"基于Haar小波和Log-Gabor变换的虹膜识别方法，通过预处理、特征提取、编码和匹配四个步骤实现高准确率的虹膜识别。首先，使用阈值法、数学形态学运算及Hough变换定位虹膜内外边缘。接着，应用Haar小波变换进行特征提取，并通过K-means聚类减少样本集大小。然后，利用Log-Gabor滤波器提取虹膜的局部纹理特征，并进行量化编码形成特征模板。最后，在小样本集内运用汉明距离计算特征模板相似度完成识别。这种方法有效降低了计算复杂性和时间，提高了识别准确性。与现有方法比较，本文提出的识别方法在准确性和稳定性上表现出优越性。" 虹膜识别是一种生物特征识别技术，用于个人身份验证，其核心在于精确地提取并比较虹膜图像的特征。本文章提出了一种结合Haar小波变换和Log-Gabor变换的虹膜识别方法，旨在提高识别准确率并减少计算需求。 在预处理阶段，虹膜内外边缘的定位至关重要。通过Canny算子和Hough变换，可以有效地定位虹膜的边界，其中Hough变换对内边缘定位更为精确，而外边缘定位则需要考虑到灰度差较小的挑战，采用预先设定半径范围的策略来优化。 特征提取阶段，Haar小波变换被用来从预处理后的虹膜图像中提取特征。Haar小波因其简单快速的计算特性，常用于图像分析中的特征抽取。K-means聚类进一步对这些特征数据进行粗分类，生成小样本集，降低了后续计算的复杂性。 Log-Gabor变换则用于提取虹膜的局部纹理特征，它能较好地捕捉到虹膜图像的周期性和方向性信息。通过量化编码，这些特征被转化为虹膜特征模板，为后续的匹配阶段准备。 匹配阶段，采用汉明距离计算特征模板之间的相似度。在小样本集内进行计算，大大减少了计算时间和提高了效率。实验结果显示，该方法在处理大量虹膜数据库时，能够有效地避免计算量大、时间长的问题，同时显著提升了识别准确率。 与文献中提及的其他虹膜识别方法对比，如二维Gabor变换、多通道Gabor滤波器、二维小波变换等，本文提出的方案在识别精度和系统稳定性上均有提升，显示出了其优势。因此，这种方法对于虹膜识别领域的发展具有积极的推动作用，尤其是在需要高效和精确识别的场景中。