针对传统 AdaBoost算法检测速度快准确率低的问题，本文提出了一种改进的 AdaBoost算法以提高人脸的正确检测率，该算法首先利用快速积分图提取人脸的 Haar特征，然后使用阈值设定的方法对传统的 AdaBoost算法进行改进，并将每次检测的最优弱分类器级联形成最终的强分类器，通过强弱分类器对 Haar特征判别，从而检测图像中的人脸部分。采用本方法对多种实验图像集进行人脸检测实验， FERET彩色图像库的正确检测率为96.07%，视频图像的正确检测率为 96%。实验结果表明，本文所设计的人脸检测算法能够对静态图像以及视频图像中的人脸进行有效检测，为人脸的正确识别打下了基础，该算法也为计算机视觉领域的研究提供一种有效方法。

针对2D-Gabor滤波器设计的问题,提出了一种单频2D-Gabor滤波器设计方法。该方法在详细分析了2D-Gabor滤波器中各个参数意义的基础上,通过二分法的思想确定适合虹膜纹理的单一频率ω,再根据其它参数与其关系确定出各个参数取值,从而获得单一频率下的2D-Gabor滤波器。实验结果表明使用设计的单频2D-Gabor滤波器对虹膜图像进行特征提取可以使虹膜识别的识别率达到98.61%以上。使用单频2D-Gabor滤波器不仅可以提高特征提取速度,降低存储空间,同时也利于硬件实现。

提出一种具有信息丰富、稳定性强、低分辨率可采集等特征的掌纹纹理识别方法。该方法首先从6个方向计算掌纹图像每点的相位一致性,把该点相位一致性最大值对应的方向作为对数Gabor滤波器的方向,在此方向上用对数Gabor滤波器提取相位信息,并利用实部和虚部进行量化和编码掌纹相位象限码,码长为256字节。对100个手掌类,共1000幅掌纹图像的数据库进行实验,在给定阈值的情况下,识别率能达到99.95%左右。把实验结果与典型的基于掌纹纹理特征的识别算法进行比较,表明该方法正确识别率高。

传统的Boles小波过零点方法在进行特征匹配时需将不等长编码化为等长,由于造成编码不等长的原因十分复杂,将不等长编码强行化为等长编码十分困难,从而影响识别效果。针对此问题,提出了一种基于小波过零点位置不等长编码匹配的虹膜识别方法。首先,在小波变换第4~8分解级的每级分别计算出小波过零点的位置,并以此作为编码;然后,使用一种移位匹配方法直接对不等长编码求取距离,即将待匹配的两样本数据每进行一次相对移位就计算一次距离;最后,取最小距离作为两样本距离。在包含800张图片的虹膜图库上进行了实验,识别率可达到97.70％,与Boles的小波过零点方法相比识别率提高了5.16％,一次完整的特征提取及匹配时间＜0.2 s,能够很好地满足虹膜识别系统对实时应用的要求。

手指宽度是手形识别的有效特征之一,而选取的测量点个数影响识别的准确率和时间。本文研究了选取手指宽度的个数与识别率、匹配时间的对应关系,以用于根据不同的识别率要求估计不同人手选取的宽度个数。实验论证了在定位准确、每个手指选取的宽度个数不少于3个的条件下,识别率可以达到90％以上。提出了自动识别算法,利用曲率法定位特征点,根据特征点计算手指的绝对宽度,应用绝对宽度之间的相对宽度构成特征向量,计算特征向量之间的欧式距离,实现身份识别。实验获得了手指宽度个数与匹配时间的对应关系以及手指宽度个数与识别率的对应关系曲线。结果表明,每个手指选取6个宽度时,就可以获得区分个体的特征量,识别率达到94.03%。

为了更加完备地描述虹膜的纹理特征，利用虹膜图像灰度信息提取局部特征点、局部纹理方向和局部纹理的亮暗变化三种特征共同构成纹理的特征空间，克服了之前的多数虹膜识别算法提取单一特征易受干扰影响的局限性。然后，通过设计的模糊推理规则进行模式的分类，这种分段线性分类器的设计提高了算法线性分类的能力。分别在两个图库上进行了实验，识别率分别达到99.41%和99.67%，实验数据表明：结合多种特征能较好的反映虹膜的纹理变化特征，提高了虹膜识别的正确率，使算法具有非常优越的识别性能。

针对传统二维Fisher 线性判别(2DFLD)方法只使用图像矩阵的行向量作子模式的局限性，结合人耳图像的特点，提出了一种基于列向量作子模式的2DFLD 的人耳识别方法。首先利用训练样本图像矩阵的列向量作子模式进行训练以提取特征人耳子空间，再将测试图像投影到该子空间上，最后用最近邻欧式距离方法进行匹配。实验结果表明，以列向量作子模式时的识别率达98.333%，比行向量作子模式时提高了3.333%，与同样基于多元统计分析的PCA、2DPCA 和PCA+FLD 方法相比，识别效果最优，是一种有效的人耳识别方法。

Gabor变换实现的难点是Gabor滤波器组的参数选择。本文提出了一种适用于虹膜纹理特征提取的Gabor滤波器组参数选择方法。该方法根据图像分块确定Gabor滤波器的位置因子取值;借助海明距离均值曲线确定滤波器尺度因子;通过建立尺度因子与频率调制因子的关系,最终确定频率因子的取值。实验证明,依据该方法设计的滤波器,能有效提取虹膜纹理特征,得到较高识别准确率达到虹膜识别的目的。

主成分分析(PCA)法在掌纹识别方面可以取得较好的效果。但是随着掌纹图像库的扩大,PCA转换矩阵训练时间迅速增长; 注册新掌纹时,需要重新训练PCA转换矩阵,添加注册掌纹的代价随着掌纹库的增大迅速增加。如何能够在保持PCA识别效果的情况下提高使用的便捷性成为PCA广泛应用的主要障碍。提出了一种以PCA重建误差为分类依据的PCA重建误差掌纹识别方法。该方法与PCA法基于相同的原理,在采用最近邻分类器时可以取得与PCA法相等的性能; 同时可以有效减少掌纹图像库的识别时间,可以以极少的代价扩展掌纹库。

设计了基于维纳滤波和对比度增强的OCT图像处理方法.对OCT图像的噪声进行了分析,通过多尺度维纳滤波器对图像进行滤波处理来去除噪声干扰,然后根据区域特性采用对比度增强方法提高图像对比度.实验结果表明:经该方法处理后图像的背景方差(BV)较原始图像降低了2～6倍,细节方差和背景方差之比(DV/BV)提高了2～5倍.该方法不仅有效地去除了OCT图像的噪声,而且视觉效果良好,是一种有效的图像后处理方法.