当前位置：文档之家 › 第10章 应用实例(1-虹膜识别) 数字图像处理课件

第10章 应用实例(1-虹膜识别) 数字图像处理课件

  • 格式：ppt
  • 大小：2.64 MB
  • 文档页数：54

下载文档原格式

  / 54

合集下载

数字图像处理ppt课件

数字图像处理ppt课件

基于特征分类的辨认
总结词
通过提取图像中的特征，利用分类器对特征 进行分类，从而辨认图像的类别。
详细描写
基于特征分类的图像辨认方法是一种常用的 图像辨认方法。它通过提取图像中的特征， 如边缘、角点、纹理等，利用分类器如支持 向量机、神经网络等对特征进行分类，从而 辨认图像的类别。这种方法能够有效地提取 图像中的本质特征，并具有较强的鲁棒性，
纹理特征提取
灰度共生矩阵
通过分析图像中像素灰度值的空间依赖关系，形成共生矩阵，并从中提取出统 计特征，如对照度、能量和相关性等。该方法适用于描写图像的粗糙程度和方 向性。
小波变换
将图像分解成不同频率和方向的小波分量，通过分析小波系数的统计特性来提 取纹理特征。该方法能够有效地表示图像的细节信息和全局结构。
但特征提取和分类器的设计是关键。
基于深度学习的辨认
总结词
利用深度学习算法自动提取图像特征， 并进行分类辨认。
VS
详细描写
基于深度学习的图像辨认方法是目前研究 的热点。它利用深度学习算法如卷积神经 网络（CNN）等自动提取图像的特征， 并进行分类辨认。这种方法能够有效地从 原始图像中提取复杂的特征，并具有较高 的辨认准确率。但需要大量的标注数据进 行训练，且计算复杂度较高。
04
CATALOGUE
特征提取
颜色特征提取
颜色直方图
通过统计图像中不同颜色像素的数量 ，形成颜色直方图作为图像的颜色特 征。该方法简单、有效，适用于不同 光照和视角变化的场景。
颜色矩
利用图像颜色的散布信息，通过计算 一阶矩（均值）、二阶矩（方差）和 三阶矩（偏度）来表示颜色特征。该 方法对颜色突变和噪声不敏锐。
图像辨认
基于模板匹配的辨认

人工智能控制技术课件：图像处理案例

人工智能控制技术课件：图像处理案例
之为目标或前景，而图像当中的其他部分则被称为背景，例如人脸识别中的人
脸、矿石分拣中矿石等都是目标或前景。目标通常对应于图像中特定的、具有
独特性质的区域。为了更好识别和分析目标，我们就需要将与目标有关的区域
分离出来，排除背景区域的干扰，以便在此基础上对目标进行特征提取或测量
等。
图像边缘能够反映图像的结构特征信息，并将图像分成不同区域，因此图像边
《人工智能控制技术》
图像优化处理实例
图像处理概述
图像处理技术属于模式识别和优化控制的交叉，许多图像处理算法都用到优化
算法，特别是处理对象特征对比不明显图像，对优化控制的要求更加提高。本
章以图像分割为例，采用遗传算法和粒子群算法对图像进行优化处理，给出了
完成的处理过程，说明进化算法在优化控制中的应用。
原始图
灰度直方图
基于阈值的分割方法
利用灰度直方图当中 [width,height]=size(I);
谷点的灰度值作为全 for i=1:width
局阈值，对图像进行 for j=1:height
分割，就可以实现分
if (I(i,j)>140)
效地改善了分割效果。图像分割是图像处理、模式识别和人工智能等多个领域中一个十
分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割
结果的好坏直接影响对计算机视觉中的图像理解。
图像分割技术介绍
阈值分割技术是最经典和流行的图像
分割方法之一，也是最简单的一种图
像分割方法。此方法的关键在于寻找
法。
基于阈值的分割方法
基于阈值的图像分割方法，其思路在于提取物体与
背景在灰度上的差异，把图像分为具有不同灰度级

虹膜识别 模式识别PPT课件

虹膜识别 模式识别PPT课件
研究意义
利用虹膜识别的高度安全性及准确性，一方面不但能极大地减轻 这些领域的职工的劳动强度，而且还可以简化企业的结构，降低劳 动成本。另一方面能推动IT产业的革命，确保国家和个人的利益免 受侵害。同时它具有广阔的市场潜力。因此，虹膜识别技术对国民 经济和国家安全都具有重要意义。
Your company slogan
虹膜识别理论依据——虹膜
虹膜中间有一
直径2.5～4mm的 圆孔，这就是我们 熟悉的瞳孔。
眼球前部含色 素的环形薄膜，由 结缔组织细胞、肌 纤维等构成，当中 是瞳孔。眼球的颜 色是由虹膜所含色 素的多少决定的。 旧称虹彩。
Your company slogan
虹膜识别理论依据——虹膜识别系统
虹膜识别通过对比虹膜图像特征之间的相似性来确定人们的身份,其核 心是使用模式识别、图像处理等方法对人眼睛的虹膜特征进行描述和 匹配,从而实现自动的个人身份认证。 这种技术在生物测定行业已经被广泛认为是目前精确度、稳定性、可 升级性最高的身份识别系统（human authentication）。
进行安检的机场。
日本东京在某些住宅公寓 中使用了虹膜识别仪， 居民只有通过了虹膜识别 系统的检测才能进入该公寓， 而且电梯会自动到达并 带人们去他们居住的楼层。
2006年，美国新泽西州 在校园里安装了虹膜识别的 装置，系统安装以后，校园内 的各种违反校规以及侵犯、 犯罪活动大大减少，极大的
减轻了校园管理难度。

虹膜特征模板
虹膜特征分析
模式匹配
识别结果
Your company slogan
虹膜识别实现方法——识别方法
当今社会虹膜识别技术高速发展，一下列举了一些识别方法：
基于局部二值模式特征和图匹配的虹膜识别方法 一种基于灰度信息的虹膜识别预处理方法 基于多分辨率分析的虹膜识别方法 基于小波变换和极大值检测的虹膜识别方法 基于图像分割和二维小波变换的虹膜识别方法 基于人眼结构特征的虹膜识别方法 …… ……

数字图像处理课件ppt

数字图像处理课件ppt

06 数字图像处理的应用案例
人脸识别系统
总结词
人脸识别系统是数字图像处理技术的重要应 用之一，它利用计算机视觉和图像处理技术 识别人的面部特征，实现身份认证和安全监 控等功能。
详细描述
人脸识别系统通过采集输入的人脸图像，提 取出面部的各种特征，如眼睛、鼻子、嘴巴 等部位的形状、大小、位置等信息，并与预 先存储的人脸特征进行比对，从而判断出人 的身份。该系统广泛应用于门禁系统、安全
分类器设计
总结词
分类器设计是图像识别技术的核心，它通过训练分类器，使其能够根据提取的特征对图 像进行分类和识别。
详细描述
分类器设计通常采用机器学习算法，如支持向量机、神经网络和决策树等。这些算法通 过训练数据集进行学习，并生成分类器模型，用于对新的未知图像进行分类和识别。
模式识别
总结词
模式识别是图像识别技术的最终目标，它通 过分类器对提取的特征进行分类和识别，实 现对图像的智能理解和处理。
源调查和环境监测。
计算机视觉
为机器人和自动化系统提供视 觉感知能力，用于工业自动化
、自主导航等。
数字图像处理的基本流程
特征提取
从图像中提取感兴趣的区域、 边缘、纹理等特征，为后续分 类或识别提供依据。
图像表示与压缩
将图像转换为易于处理和分析 的表示形式，同时进行数据压 缩，减少存储和传输成本。
预处理
详细描述
模式识别在许多领域都有广泛应用，如人脸 识别、物体识别、车牌识别等。通过模式识 别技术，可以实现自动化监控、智能安防、 智能驾驶等应用。随着深度学习技术的发展 ，模式识别的准确率和鲁棒性得到了显著提 高。
05 数字图像处理中的常用算 法
傅里叶变换算法
傅里叶变换

最新第10章 应用实例(2-掌纹识别 数字图像处理课件课件ppt

最新第10章 应用实例(2-掌纹识别 数字图像处理课件课件ppt
图3.2 (a)经典Sobel边缘提取效果图 (b)改进Sobel边缘提取效果图
• 3.2拐点的提取 • 3.2.1形态学算法原理
(a)
(b)
(c)
(d)
(e)
(f)
(g)
图3.3 (a)采样图像 (b)二值图像 (c)轮廓边缘图像 (d)膨胀图像 (e)腐蚀图像 (f) 拐点区域图像 (g)拐点图像
度，避免像素的损失。考虑到掌纹图像旋转是可顺可逆
的，所以实际上图像的最大旋转角度为180度。如果旋
转角度小于135度，则分为3次45度之内的旋转完成;如
果旋转角度超过135度，则只需要逆向旋转其补角的角
度即可。
• 3.4掌纹图像的分割
• 3.4.1基于手掌最大内接正方形的分割算法原理 直接搜索掌面最大内切
对手指的张合加以限定。
图3.10 手掌图像采集定位示意图
• 3.3掌纹图像的旋转
• 3.3.1“错切”原理简介
传统的图像旋转方法是根据图像旋转的角度，构
造旋转矩阵，正值为逆时针旋转，负值为顺时针旋
转。“错切”原理旋转时可以将原来的二维图像旋
转变换成三次一维“移切”运算，并且“移切”过
程中变换系数为1，有效的克服了二维旋转的“放大
本文掌纹识别的主要处理过程有定位、分割、特征 图像预处理、特征提取和匹配。掌纹识别预处理的关 键处理步骤见图2.1。
图2.1掌纹图像预处理关键步骤示意图
• 2.1.2软件系统框架
本文软件系统
设计主要分两大块，
一是“算法实现模块”，
一是“系统应用模块”。
“算法实现模块”主
要实现掌纹的预处理、
第10章 应用实例（2-掌纹识别） 数字图像处理课件

精品课件-数字图像处理-第10章

精品课件-数字图像处理-第10章

17 图10.1.3 灰度变换效果图及其直方图
18
3．伪彩色增强 伪彩色图像是将一幅亮度图像按照特定的彩色编码进行 彩色变换后得到的图像。因为人眼对色彩变化的敏感程度远 大于亮度的变化，这样就可以看到图像更加精细的结构。本 系统采用一种简单的变换函数，其变换关系如图10.1.4所示， 图10.1.5所示为相应的火焰图像伪彩色显示效果。
像素点j的灰度值，它可以通过调用相应的图像卡功能函数
获得。
24
(2)温度场的二维分布：反映炉内火焰温度场梯度；反 映三个区面积的大小以判断燃烧阶段；帮助判断火焰中心区 域是否偏斜等。
(3)火焰有效区域面积。火焰着火，就一定有火焰有效 区面积；火焰熄火，有效区面积就为0。因此，火焰有效区 域面积是火焰检测的一个重要判据，其计算公式如下：
37
2)炉膛火焰检测的判据 根据现场情况设定了火焰正常燃烧时的有效火焰灰度作 为判定阈值。Sgi为大于灰度阈值g0的火焰像素点的面积，gi 为当前炉膛火焰平均灰度。 当gi>g0，即Sgi>0时，火焰安全燃烧； 当gi>g0，且gi在一定时间内持续下降，即Sgi>0且Sgi下 降时，熄火预警； 当gi<g0并持续数秒，且gi持续下降，即Sgi<0时，熄火警 报。
42
设GⅠ、GⅡ、GⅢ分别为三个区域的平均灰度值，当满足 GⅠ－GⅡ≥GⅠ，GⅡ－GⅢ≥GⅡ时，火焰燃烧正常，其中判断阈 值GⅠ、GⅡ在安装调试时再设定；在燃烧区停止投粉后，三个 区域内的亮度几乎相等，GⅠ＝GⅡ＝GⅢ＝炉膛背景火焰亮度； 当“黑龙”存在时，GⅠ＝GⅡ＝GⅢ＝煤粉灰度，这是判断火 焰燃烧情况的另一个判据。
12 图10.1.2 火焰检测系统结构图
13
10.1.2 火焰温度场的测量 高温火焰的温度分布直接反映了煤粉炉的燃烧状况，对

数字图像处理ppt课件


between 64 to 128 (using function
imagesc).
>>clims=[64,128]
>>imagesc(a,clims)
f. Make a movie from a 4-D image (load mri, make the movie by immovie, then show movie by function movie).
二、实验内容：
使用Photoshop观察数字图像增强的效果； 练习和掌握图像增强的Matlab编程。。 熟悉下列模块函数
Image enhancement. histeq - Read image file. imadust - Adust imae intensity values or colormap.
imshow - Display image.
subimage - Display multiple images in single figure.
truesize - Adjust display size of image.
warp - Display image as texture-mapped surface.
processing.
f. Compare the qualities of two images and
makes a discussion about them.
g. Add noises, such as gaussian, salt&pepper,
speckle noise into the image respectively.
10)选图像Blood、噪声类型Salt & Pepper、滤波器类型Median、邻域3x3，比较原始图像、

数字图像处理_课件_11


33
距离与角度标记图
数第 字十 图一 像章 处表 理示
和 描 述
r θ
A r(θ)
A
0 3 π 5 3 7 2 4 2 4 θ 42 4
(a) r(θ)为常量；
r(θ) 2A
A
0 4
3 24
r θ A
π 5 3 7 2 θ 42 4
(b) 标记图由重复出现的模式r(θ)＝Asecθ, 0≤θ≤π/4
描
储b0和b1的位置，以便在步骤5中使用。
述
2. 令b＝b1和c＝c1 [见图 (c)]。
7
数 第 3. 从c开始按顺时针方向行进，令b的8个邻点为
字十 图一
n1, n2, …, n8。找到标为1的第一个nk。
像章 处表
4.
令b＝nk和c＝nk－1。
理示 和
5.
重复步骤3和步骤4，直到b＝b0且找到的下一
10
数第 字十 图一 像章 处表 理示
和 描 述
➢ 如果给定一个区域而非其边界，那么边界追踪 算法会工作得很好。也就是说，该过程提取一 个二值区域的外边界。
➢ 如果目的是找到一个区域中的孔洞的边界（这 种边界称为该区域的内边界），一种简单的方 法是提取这些孔洞（见9.5.9节），并将它们当 做0值背景上的1值区域来处理。对这些区域应 用边界追踪算法将得到原始区域的内边界。
和r(θ)＝Acscθ, π/4<θ≤π/2构成。
34
两个二值区域的标记图
1. 根据其外部特征（其边界）来表示区域；
2. 根据其内部特征（如组成该区域的像素）表 示它。
3
数 第 ➢ 选择用来作为描绘子的特征都应尽可能
字十 图一

《数字图像处》课件


06
数字图像处理展望与未来 发展
人工智能与深度学习在数字图像处理中的应用
深度学习在图像识别和分类中的应用
利用深度学习算法，如卷积神经网络（CNN），对图像进行自动识别和分类，提高图 像处理的准确性和效率。
生成对抗网络（GAN）在图像生成和修复中的应用
通过GAN技术，可以实现高分辨率图像的生成、图像修复和超分辨率等任务，为图像 处理提供更多可能性。
Canny算子
Canny算子是一种多阶段的边 缘检测算法，它通过非极大值 抑制和双阈值检测来准确地检 测边缘。
轮廓提取
轮廓提取是从边缘检测结果中 提取出连续的边缘像素点，形
成完整的轮廓。
图像分割与分类
图像分割
图像分割是将图像划分为多个区域或对 象的过程，以便于后续的处理和分析。
区域分割
区域分割是一种基于像素邻域的分割 方法，它将像素划分为具有相似性质
的区域。
阈值分割
阈值分割是一种简单而有效的图像分 割方法，它通过设置一个或多个阈值 将像素划分为不同的类别。
分类器
分类器是一种将图像分割为不同类别 的算法或模型，常见的分类器有支持 向量机、神经网络等。
04
数字图像处理高级技术
图像增强技术
直方图均衡化
通过拉伸图像的灰度直方图，增强图像的对 比度，使暗部细节更清晰可见。
图像滤波与平滑
图像滤波
通过滤波器对图像进行平滑处理，减少噪声和细节，提高图像质量。
平滑滤波器
常用的平滑滤波器有均值滤波器、高斯滤波器等，它们通过将像素邻 域的灰度值进行加权平均来达到平滑效果。
中值滤波器
中值滤波器是一种非线性滤波器，它将像素邻域内的所有像素值按大 小排序，并将中值作为输出，能够有效地去除椒盐噪声。

《虹膜识别技术》课件

01 19世纪初
虹膜识别技术的概念被提出，但当时技术尚未成 熟。
02 20世纪末
随着计算机技术和图像处理技术的发展，虹膜识 别技术开始受到关注。
03 21世纪初
虹膜识别技术逐渐进入商业化应用阶段。
现代虹膜识别技术的突破
01
02
03
高精度算法
现代虹膜识别技术采用了 高精度算法，提高了识别 准确率。
多模态融合
数据采集
采集设备
高分辨率的摄像头、红外线传感器等设备用于捕 捉虹膜图像。
采集环境
采集环境应保持稳定、无干扰的光线和背景，以 确保图像质量。
采集过程
用户需要将眼睛对准采集设备，保持稳定，以便 设备能够清晰地捕捉到虹膜图像。
数据处理
去噪消除采集ຫໍສະໝຸດ 的图像中的噪声和干扰，提高图像质量。
增强
通过对比度增强、锐化等技术，使虹膜特征更加突出。
数据使用限制
仅收集必要的数据字段，不收集 无关的个人信息，减少数据泄露 风险。
明确数据使用目的和范围，限制 对用户数据的二次利用和共享， 确保数据不被滥用。
06
案例分析
成功应用案例一：银行安全系统
总结词：高效安全
详细描述：银行安全系统通过虹膜识别技术，实现了高度准确和不可复制的生物识别，有效防 止了身份盗窃和欺诈行为，提高了银行交易的安全性。
门禁系统
用于企业、政府机构、金 融机构等重要场所的身份 验证。
移动支付
提高移动支付的安全性， 通过虹膜识别技术进行身 份验证。
智能终端
智能手机、平板电脑等设 备可集成虹膜识别技术， 提高设备的安全性。
公共安全
用于公安、司法等领域的 身份验证和追踪犯罪嫌疑 人。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019/1/30 8
10.1.2 虹膜定位


1、瞳孔内一点定位
2、虹膜内边缘定位


3、虹膜外边缘定位
4、定位结果及分析
2019/1/30
9
1、瞳孔内一点定位
算法首先定位瞳孔内任意一点，观察眼睛图像可以 发现瞳孔具有以下特点： （1）瞳孔近似圆形，其灰度分布比较均匀。与巩 膜、虹膜区域相比，它的灰度值整体偏小。 （2）瞳孔在整个图像上仅占较小一部分面积。 根据以上特点，算法使用求灰度最小的方法来定位 瞳孔内一点。设为虹膜图像的灰度函数I(x, y)，图像 大小为M*N，则有：
2019/1/3方 向找边缘点A、C，再求得这2点中点 Middle _ AC 的x轴坐标，此坐标值 x AC 也即为内圆圆心的x轴坐标。然后 分别沿该中点的上、下方向找到内边 缘的另2个边缘点D、E，算出D、E中 点 Middle _ DE 的y轴坐标 y DE ，就 能确定出内圆圆心坐标，再计算出半 径就定位出了虹膜的内边缘。 如右图 3所示。
2019/1/30
pc
图 2 瞳孔内一点
11
2、虹膜内边缘定位
在内边缘具体定位时，利用虹膜与瞳孔交界处的灰 度突变（即边缘强度），结合边界检测模板，沿所找到 点的左、右及向下的3个不同方向出发，可以找到边缘 上的3个点，再用“非共线三点”来定圆的参数。 但考虑到可能定位到瞳孔的偏上或偏下部分，从而 导致找到的3点的左下、右下（或左上、右上）的距离 太近，其连线的斜率相应会产生数学上的奇异值，使得 圆的参数计算不准确。利用A、C、D、E四点来确定内 圆的参数。
2019/1/30 3
10.1.1 绪 论

1、虹膜识别技术的研究目的和意义 2、虹膜识别的流程 3、虹膜识别技术的国内外研究和应用现 状
2019/1/30
4
1、虹膜识别技术的研究目的和意义
现代社会的发展对人类自身身份识别的准确性、安 全性与实用性提出了更高的要求。 由于生物特征的独 特优点，使得生物识别技术开始兴起。 与其他生物特征相比，虹膜具有以下几方面的优势： （1）虹膜具有随机的细节特征和纹理图像，具有 唯一性。 （2）虹膜具有内在的隔离和保护能力。 （3）虹膜纹理具有稳定性和不变性。 （4）虹膜图像可以通过相隔一定距离的摄像机捕 获，不需对人体进行侵犯。
pxy
x 0
2019/1/30
M 1 N 1 y 0
I ( x, y)
10
在定位过程中，采 用灰度求和算子的方法， 在虹膜图像上移动，直 到求得的最小值，此最 小值就位于瞳孔内一点。 综合考虑定位速度和定 位准确度，本文算法所 选取模板大小为35*35， 这样可以找到瞳孔内一 点，记为：pc。 定位结果如右图2。
第10章 应用实例
10.1 虹膜定位和识别算法研究 10.2 基于DSP的掌纹识别 10.3 变电站红外图象的预处理及识别
2019/1/30
1
10.1虹膜定位和识别算法研究
原始虹膜图像
2019/1/30 2

1、绪 论 2、虹膜定位 3、虹膜图像归一化及增强处理 4、基于曲面匹配的虹膜识别算法 5、虹膜纹理的相位编码及匹配 6、实验结果及分析 7、结论及展望
2019/1/30 14
在计算圆心y 的坐标时，选用 哪组点用这样的 准则： | D D3 | 比较 1 与 | D2 D4 |的值， 取值较小的那组 计算圆心y坐标。 最后计算外圆半 径。
2019/1/30
3.1Rin
P 1
1.8 Rin
D1
1.8 Rin
3.1Rin
D2
Oin
PMid 1
2019/1/30 5
2、虹膜识别的流程
一个通用的 虹膜识别系统一 般由以下四个部 分组成即， 虹膜图像获取， 虹膜图像预处理、 虹膜特征提取、 匹配与识别。 其流程图如右图 1所示。
2019/1/30
图像预处理
虹 膜 识 别 特 征 提 取 虹 膜 鉴 别
虹 膜 图 像 获 取
虹 膜 定 位
归 一 化 处 理
图 像 增 强
图 1 虹膜识别系统的流程
6
3、虹膜识别技术的国内外研究和应用现状
（1）研究现状
虹膜识别的研究可追溯到1936年，眼科专家Frank Burch，MD提出虹膜识别概念。现在虹膜识别算法研 究都是基于1994年Daugman申请的专利基础上 。 国外研究比较多的还有澳大利亚、韩国、法国等。 国内的虹膜识别技术起步较晚，一些科研院所和高 校投入了精力和人力进行虹膜识别的研究，如：中科 院自动化所、上海交大、电子科技大学、浙江大学等 已取得一定成效。
2019/1/30 7
3、虹膜识别技术的国内外研究和应用现状
（2）应用现状
美国的Iridian Technology公司是当前技术领先的 虹膜识别技术厂商，它的主要技术即来源于英国剑桥大 学Daugman教授的专利。目前，该公司和世界一些著 名的电子设备商如LG，Panasonic等公司合作，开发 出了多款产品，已在北美及欧洲得到实际应用。 在国内，中科院自动化所已经完成了虹膜识别的实 验室阶段的研究，并且申请了虹膜采集装置的专利，其 成果处于国内领先地位。
2019/1/30
Rinside
Middle_DE Middle_AC D
pc
A
C B
图 3 内圆定位示意图
13
3、虹膜外边缘定位
在计算出内圆参数后，从内圆圆心Oin 沿左、右水平 方向出发，利用边缘检测模板检测出左、右两个边界 点 P1 、 P2 。在找到第一组边界点后，我们再沿内圆底部 边缘点 P 沿左、右水平方向搜寻第二组边界点 P3 bottom 和 P4。 计算每组的x坐标与内圆圆心x坐标的偏差、每组点 到内圆圆心距离之差（即 | D1 D2 |与 | D3 D4 |）。然后 比较这2组参数和，取较小的那组值作为圆心的x轴坐 标。
P2
Pbottom
P3
D3
PMid 2
P4
D4
图 4 外圆定位示意图
15
定位结果示意图
图 6 定 位 不 准 确 例 图
图 5 准 确 定 位 例 图
2019/1/30
16
4、定位结果及分析
算法对中科院自动化 算法 所提供的CASIA（v 1.0）基于Hough变换的 虹膜图库进行了定位，有 方法 741幅图像定位准确，准 改进的RANSAC方 确定位率为98.15%。比 法 一次定位要准确很多（准 非线性最小二乘法 确定位率为93.51%）。 三点一次性定位法 为方便比较，将 几种算 本文方法 法正确率列于右表。