（计算机软件与理论专业论文）基于emd的虹膜识别方法研究.pdfVIP

摘要 以信息化、数字化、网络化为特点的社会的发展对国家以及社会生活安全性 提出了全新的要求，在这种环境下，传统的安全技术遭到了巨大的挑战。而生物 特征认证技术是解决信息化、数字化、网络化社会安全问题的最好的办法之一。 作为最可靠的生物特征之一的虹膜识别技术，因其唯一性、稳定性、高可靠性和 非侵犯性等特点而备受关注。虹膜纹理特征的表示和提取是虹膜识别技术的关键 点和难点之一。经验模式分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ，e m d ) 由h u a n g 等 人在1 9 9 8 年首次提出，该方法能够自适应的将原始信号分解为频率由高到低的 一系列内蕴模态函数( i n t r i n s i cm o d ef u n c t i o n ，i m f ) 及残差的和。作为一种完全的 数据驱动方法，它从信号本身的尺度特征出发对信号进行分解，具有良好的局部 适应性，近年来在信号去噪、故障诊断等方面得到广泛应用。n u n e s 等人将经验 模式分解从一维推广到二维，并将其应用到纹理分析。本文侧重于研探的是应用 e m d 技术到虹膜纹理分析中，并结合实验进行分析。 首先简要介绍了e m d 分解算法、二维e m d 框架及分解关键问题。接着介 绍虹膜预处理过程，对其关键步骤虹膜定位、去噪、归一化和增强进行了研究， 并对c a n n y 算子和h o u g h 变换进行了改进，以降低内存消耗和节省时间。在特 征提取和分类识别上做了如下工作：( 1 ) 采用一维经验模式分解虹膜纹理，把第 一个内蕴模态函数认为是噪声，仅在第一余量上进行特征分析。通过多种距离量 度进行匹配验证。实验结果表明，经验模式分解能有效的提取和表达虹膜丰富的 纹理特征。( 2 ) 从分解的多尺度特征出发，提出了基于i m f 奇异值分解的虹膜识 别方法，降低了编码长度。( 3 ) 把经验模式分解从一维推广到二维，结合局部二 值模式，提出了基于二维经验模式分解和局部二值模式的虹膜识别算法，通过在 第一余量中提取局部二值模式特性，采用局部二值模式直方图匹配来进行分类识 别。实验结果表明，该法鲁棒性强、精度速度指标俱佳且有旋转不变性。 本文实验主要在m a t l a b7 0 环境下进行，并在v i s u a ls t u d i o 开发环境实现了 相关虹膜算法识别的系统平台。实验结果表明，e m d 应用于虹膜纹理分析中有 着不俗的表现，本文相关算法能有效应用到实际需求中。 关键词：虹膜识别；经验模式分解：内蕴模态函数：特征提取：局部二值模式 a b s t r a c t w i t ht h ed e v e l o p m e n to ft h ei n f o r m a t i o n a l ，d i g i t a la n dn e t w o r k e ds o c i e t y , t h e d e m a n d so nt h es e c u r i t yi nt h ew o r l da n ds o c i a ll i f ea r ep u tf o r w a r d f o rt h a tr e a s o n s ， t h et r a d i t i o n a ls e c u r i t yt e c h n i q u es h o w st h e u n r e s o l v e da n ds e v e r el i m i t a t i o n h o w e v e r ，t h eb i o m e t r i cr e c o g n i t i o nt e c h n i q u ei so n eo ft h eb e s tm e t h o d st oi m p r o v e t h es e c u r i t yo ft h ei n f o r m a t i o n a l ，d i g i t a la n dn e t w o r ks o c i e t y s i n c es u c hf e a t u r e sa s t h eu n i q u e n e s s ，s t a b i l i t y , h i g hr e l i a b i l i t ya n dn o n i n v a s i o n ，t h e i r i sr e c o g n i t i o n a t t r a c t st h em o r ea n dm o r ea t t e n t i o n t h er e p r e s e n t a t i o na n d e x t r a c t i o no ft h ei r i s s t e x t u r ef e a t u r ea r et h ek e ya n dd i f f i c u l tp o i n t e m p i r i c a lm o d ed e c o m p o s i t i o n ( e m d ) ， f i r s t l yi n t r o d u c e db yh u a n ge t a 1 i n19 9 8 ，c a na d a p t i v e l yd e c o m p o s eas i g n a li n t o s e v e r a li n t r i n s i cm o d ef u n c t i o n s ( i m f ) w i t ht h ef r e q u e n c yf o r mt h eh i g ht ot h el o w a sad a t ad r i v e rm e t h o d ，w h i c ha n a l y z e st h es i g n a lf r o mi t so w ns c a l ef e a t u r e ，l s l o c a l l ya d a p t i v e i ti sw i d e l ya p p l i e di n t h es i g n a ld e n o i s i n ga n df a u l td i a g n o s e s r e c e n ty e a r s n u n e se ta 1 a n d o t h e rs c h o l a r sh a v ee x t e n d e dt h i sm e t h o dt o b i d i m e n s i o n ，a n da p p l i e di ti nt h et e x t u r ea n a l y s i s t h i sp a p e rd i s c u s s e sh o w t o a p p l ye m d t ot h ei r i st e x t u r ea n a l y s i sw i t ht h ee x p e r i m e n ta st h ei l l u s t r a t i o n f i r s to fa l l ，t h ep a p e rb r i e f l yi n t r o d u c e se m dd e c o m p o s i t i o na l g o r i t h ma n d b i d i m e n s i o n a le m df r a m e w o r ka n ds o m ek e yi s s u e s t h e n i td i s c u s s e st h e p r e p r o c e s so ft h ei r i s ，f o c u s e so nt h ei r i sl o c a t i o n ，d e n o i s i n g ，n o r m a l i z a t i o na n d e n h a n c e m e n t ，a n di m p r o v e sc a n n yo p e r a t o ra n dt h eh o u g ht r a n s f o r m s oa st o r e d u c et h em e m o r yc o n s u m p t i o na n ds a v et h et i m e t h i sp a p e rc e n t e r e do nt h e a n a l v s i sa n dt h ef e a t u r ee x t r a c t i o nu s i n ge m d ：( 1 ) a d o p t o n e d i m e n s i o n a le m p i r i c a l m o d et od e c o m p o s et h ei r i st e x t u r e ，r e g a r dt h ef i r s ti n t r i n s i cm o d ef u n c t i o na s t h e n o i s e m a k et h ef e a t u r ea n a l y s i so nt h ef i r s tr e s i d u a l ，a n dm a k et h em a t c he x p e r i m e n t b vt h em e a n so fv a r i o u sd i s t a n c em e a s u r e s t h er e s u l t sf r o mt h ee x p e r i m e n ts h o w t h a te x p e r i e n c em o d ed e c o m p o s i t i o nc a l lb ee f f e c t i v e l ye x t r a c t e da n de x p r e s s e d t h e i r i st e x t u r ef e a t u r e ( 2 ) f r o mt h em u l t i s c a l ec h a r a c t e r i s t i c so fd e c o m p o s i t i o n ，t h e i r i sr e c o g n i t i o nm e t h o db a s e do ni m fi sp r o p o s e di no r d e rt or e d u c et h el e n g t ho f t h e e n c o d i n g ( 3 ) t h ee m p i r i c a lm o d ed e c o m p o s i t i o ni se x t e n d e df r o mo n e d i m e n s i o n a l t ob i d i m e n s i o n a l 。b a s e do nb i d i m e n s i o n a le m p i r i c a lm o d ed e c o m p o s i t i o na n d l o c a l b i n a r yp a t t e r n s ，a ni r i sr e c o g n i t i o na l g o r i t h m i sp r o p o s e d i te x t r a c t sl o c a lb i n a r y f e a t u r ef r o mt h ef i s tr e s i d u a l ，a n du s e st h el o c a lb i n a r yp a t t e r nh i s t o g r a mm a t c h i n g f o rc l a s s i f i c a t i o na n di d e n t i f i c a t i o n e x p e r i m e n t a lr e s u l t ss h o wt h a tt h em e t h o dl s n r o b u s t ，p r e c i s e ，s u p e r i o ri nt h es p e e da n ds t a b l ei nt h er o t a t i o n m o s to ft h ee x p e r i m e n t sa r ec a r r i e do u to ns o f t w a r ep l a t f o r mo fm a t l a b7 0 a n de x p e r i m e n tr e s u l t sa r ea n a l y z e da n ds u m m a r i z e da tl a s t i nt h ev i s u a ls t u d i o d e v e l o p m e n te n v i r o n m e n t ，s o m eo ft h er e l e v a n ta l g o r i t h mw a si m p l e m e n t e da n d c o m p a r e d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a te m d u s e di nt h ei r i st e x t u r ea n a l y s i s h a sag o o dp e r f o r m a n c e a n dt h ea l g o r i t h mp r o p o s e dc a nb ee f f e c t i v e l ya p p l i e dt o p r a c t i c a ld e m a n d s k e y w o r d s ：i r i sr e c o g n i t i o n ；e m p i r i c a lm o d ed e c o m p o s i t i o n ；i n t r i n s i cm o d e f u n c t i o n ；f e a t u r ee x t r a c t i o n ；l o c a lb i n a r yp a t t e r n i i i 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果e t 本人承担。 名：易1 佛彳吼节y 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存 和汇编本学位论文。同时授权中国科学技术信息研究所将本论文收录到中 国学位论文全文数据库，并通过网络向社会公众提供信息服务。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“) 作者虢孑f 铭彳吼呼瑚舢 导师签名： 才碍 1 日期：年月日 11 虹膜识别技术 第一章绪论 随着信息技术的发展和电子业务的广泛应用，信息安全日渐成为人们面临的 一个重要而迫切的问题。因此可用于身份鉴别、保护信息安全的生物特征识别技 术因此越束越受到人们的重视。在需求的驱动f ，基于指纹、人脸、虹膜和手型 等生物特征的身份鉴别方法应运而生。 用于身份识别的生物特征，一般要求其具有普遍性、唯一性、稳定性和可测 性等特点。生理特征与生俱米，多为先天性的，如指纹、虹膜、人脸等：行为特 征则是习惯使然，多为后天形成，如笔迹、步态等。研究表明，每个人的指纹、 掌纹、骨架、视网膜、虹膜等都与众不同，这些特征不随年龄、地点、环境的变 换而变换。世界上某两个人指纹相同的概率极为微小，而两个人的眼睛虹膜 模 样的情况也几乎没有。人的虹膜在两到三岁之后就不再发生变化，眼睛瞳孔周 围的虹膜具有复杂的结构，能够成为独一无二的标识。与生活中的钥匙和密码相 比，人的指纹或虹膜不易被修改、盗用或冒用，而且髓时随地都可以使用。 图1 人眼外观图 生物识别包括人脸识别、指纹识别、掌纹识别、签名识别、虹膜识别、语音 识别、笔迹识别、视网膜识别、步态识别及多种生物特征融合以别等诸多种类。 虹膜识别是9 0 年代成熟起来的一种利用瞳孔和巩膜之间的环状区域纹理进 行身份鉴别的生物特征识别技术。虹膜位于眼角膜之后，水晶体之前，是眼球前 部包含色素的环形薄膜，由结缔组织细胞、肌纤维组成。图1 - 1 是人眼的外观图。 它由眼白、虹膜、瞳孔三部分构成。眼球外倒白色的部分是眼白；被跟白包围着 颜色稍深的部分是虹膜，它是一个圆环形的形状；最里面颜色呈黑色的部分即为 誓 瞳孔【1 1 。虹膜表面有许多条纹、沟壑和小坑，使得虹膜含有极其丰富的纹理信息 和结构信息。这些信息在人的胚胎期己经形成并稳定下来，一般虹膜的结构在一 生中保持稳定( 随着年龄老化，会出现轻微的色素沉积和瞳孔扩张范围减小，这 些对虹膜特征的影响较小) 。对于不同的眼睛，其虹膜特征不相同。虹膜的内部 组织被水样液和角膜所包围，与外界环境隔离开来，不易受损；由于眼睛是人体 中最为敏感的部位，要通过手术修改虹膜结构极为困难，危险程度高，几乎不可 能复制；虹膜具有活体组织的特点，由于虹膜肌肉间复杂的相互作用，瞳孔直径 一直在小的范围内有规律地震颤，且随光线强度变换而伸缩，使得虹膜具有高度 的防伪性。虹膜的这些特点使其成为最有效的生物特征识别手段之一。据统计， 到目前为止，虹膜识别的错误率是各种生物特征识别中最低的。 在所有生物特征中，指纹相对稳定但提取指纹不是非侵犯性的。面像特征具 有很多优点( 如主动性、非侵犯性和用户友好等) ，但面像随年龄变化，而且容易 被伪装。声音特征具有与面像特征相似的优点，但它随年龄、健康状况和环境等 因素变化，而且说话人识别系统也容易被录音所欺骗，容易被伪造。虹膜特征识 别解决了这些问题而且同时还具有上述其他生物特征所不具有的一些优点。近年 来，虹膜识别技术被广泛认为是最有前途的生物识别技术之一。 对于我们这样一个人口众多的国家，身份识别有着广泛的应用前景和重要的 战略意义，金融、安全、网络、电子商务等无一不需要可靠的身份识别，虹膜身 份识别系统的研究和开发必将为我国的发展做出巨大的贡献。 另外随着电子技术的发展，虹膜图像采集不断改进，越来越方便，虹膜识别 具备了实用的条件。这些特点使虹膜识别技术具有非常广阔的应用前景。 1 2 研究现状 基于虹膜的身份鉴别思想最早可以追溯到19 世纪8 0 年代，但是直到最近 10 多年，虹膜识别才有了飞速的发展。在19 9 3 年，英国剑桥大学的j o h nd a u g m a n 博士实现了一个高性能的虹膜识别原型系统【2 1 。开辟了虹膜识别技术研究的实用 道路。目前，大部分自动虹膜识别系统使用d a u g m a n 的核心识别算法。r i c h a r d w i l d e s 在19 9 6 年成功研制出基于虹膜的身份认证系统【3 】。同时，北美和欧洲也 有一些科学工作者致力于虹膜识别方面的研究。 二十世纪9 0 年代末期，越来越多的科研工作者、研究机构和公司( 如i r i d i a n t e c h n o l o g i e s ，l g ，松下，o k i 等) 也投入到虹膜识别的研究中来，加速了该技 术的发展和产品研发。在国外，虹膜识别系统已经初步在金融、公安刑侦和国防 等领域中应用。国内从事虹膜识别的研究相对较晚，主要的研究单位有中科院自 2 动化所、华中科技大学、哈尔滨工业大学、浙江大学等。中科院自动化所模式识 别国家重点实验室是国内最早从事虹膜识别研究的单位之一。从19 9 8 年起，该 实验室生物特征识别研究小组就开始了这方面的相关研究，而且于2 0 0 0 年成功 开发出具有我国自主知识产权的虹膜识别系统。同时在国内，虹膜识别也从研究 阶段走向了实用。如中科院自动化所控股的中科虹霸研发的虹膜识别产品已经成 功运用于国内部分煤矿行业。 近十多年来，虹膜识别技术迅速发展，取得了丰硕的研究与应用成果。虹膜 识别的研究主要涉及到：图像获取、图像预处理和识别算法。本文重点研究识别 算法，先对该领域的研究算法现状做简单介绍。 迄今为止，已经有很多虹膜识别方法，比较有代表性的经典算法有，d a u g m a n 的基于二维g a b o r 变换的相位纹理分析方法，w i l d e s 的基于拉普拉斯金字塔技 术的方法以及b o l e s 的一维小波过零点检测方法【4 】 d a u g m a n 认为，g a b o r 小波具有与人类简单视觉细胞相似的视觉特性【5 】，提 出采用多尺度g a b o r 滤波器编码虹膜的相位特征，得到2 0 4 8 位的虹膜码。预处 理过程中利用积分微分算子进行虹膜内外边缘定位，同时为了排除睫毛、眼睑等 干扰，虹膜有效区域只选择卜1 4 n 3 4 z r 和 1 4 z r 3 4 x 】之间的部分，并进行 归一化处理。虹膜编码的模式匹配采用统计理论：虹膜码间进行按位异或，计算 归一化后的海明距离。概括地说，d a u g m a n 是利用2 d g a b o r 小波对虹膜纹理进 行一种简单的粗量化和相位编码。优点是取得很高的识别率；缺点是对图像质量 要求较高，要求参与认证者严格配合。 w i l d e 使用图像注册技术，利用高斯一拉普拉斯算子对虹膜图像进行各向同 性的频带分解，形成拉普拉斯金字塔。然后对分解后的图像进行登记，使用f i s h e r 线性进行分类判定；w i l d e s 的系统表示和匹配虹膜图像的方法包括注册捕获到 的图像，按照存储的模板图像归一化；采用各向同性的带通滤波器进行滤波，然 后进行相关性匹配。具体地说，可分为四个部分：1 ) 表示虹膜图像；2 ) 建立虹 膜库中的模板图像和待识别图像之间关系；3 ) 计算相应的模板图像和待识别虹 膜图像的相似度；4 ) 做出判定，二者是否来自同一虹膜。其算法本质仍是图像 匹配法。缺点：计算复杂性较高，且只关注认证模块。 b o l e s 采用光滑函数的二阶导数作为小波，对信号进行一维小波分解，对沿 虹膜中心同心圆的一条采样曲线进行过零点检测，通过自定义的度量函数进行分 类。它建立了虹膜图像关于灰度等级轮廓的一维表达式，小波变换的过零点表示 法通常用来从灰度虹膜图像中提取特征点。该算法的实现分为两个部分，第一部 分建立一维的虹膜特征过零点表示；第二部分是虹膜编码匹配分类。该法优点是： 对漂移、旋转、光照和比例放缩有较好的鲁棒性，其缺点是：只在很小规模的数 据库上进行过测试。 3 另外，中科院自动化所的研发人员，用不同的方法进行虹膜识别的研究。如 t a n 等人2 0 0 2 年提出的特征提取方法【6 】是采用传统的g a b o r 滤波器，提取虹膜 在不同频率和方向下的纹理信息，分类器是基于加权欧氏距离的最近中心分类 器。2 0 0 4 年提出的基于关键局部点的虹膜识别方法【j ”，该算法计算速度快，能 应用与实际系统中。2 0 0 6 年提出的基于局部二值模式特征和图匹配的虹膜识别 方法【8 】，该算法成功应用于某省大型矿井工人安全管理系统中。上海交大电子工 程系的徐国治【9 】等人也在虹膜识别方法中尝试了d a u g m a n 和b o l e s 的方法，并提 出能量编码和相位编码，采用了基于加权海明距离的识别方法以及有限变形相似 度的算法。 1 3 经验模式分解 近年来利用g a b o r 滤波器方向滤波进行纹理特征提取是一个研究热点，尽管 g a b o r 能量谱可以捕获纹理中的大量有用信息，但是很难获得纹理在频率和方向 上的微小变化信息。g a b o r 滤波具有较好的方向性，不同方向的g a b o r 滤波器能 够有效地区分不同纹理，因此可以利用不同频段不同方向的滤波器对图像进行滤 波，以提取滤波后各个图像不同的特征；但是g a b o r 函数系是非正交的，g a b o r 滤 波器所提取的特征中存在大量冗余信息。 而小波理论的出现为空间频率多尺度分析提供了一个精确而统一的框架， 它克服了g a b o r 方向滤波对高频信号的分析缺乏足够分辨率的缺陷。小波变换是 上世纪8 0 年代后期发展起来的一门新兴的应用数学分支。在工程应用领域，特 别在信号处理、图像处理、语音分析、模式识别和量子物理等领域，小波变换被 认为是工具及方法上的一大突破。小波变换具有多分辨特性，也叫多尺度特性， 可以由粗及细地逐步观察信号，也可以看成是组带通滤波器对信号作滤波。通过 适当地选择尺度因子和平移因子，可得到一个伸缩窗，只要适当的选择基本小波， 就可以使小波变换在时、频两域都具有表征信号局部特征的能力。基于多分辨分 析与滤波器组相结合，丰富了小波变换的理论基础，拓宽了它的应用范围，对小 波滤波器组的设计提出了更系统的方法，降低了小波变换的计算工作量。基于小 波分析的纹理特征提取方法受到广泛关注，采用小波变换进行特征提取中的新算 法不断涌现，目前关于小波分析的研究仍然十分活跃。然而，至今对纹理特征特 征的选择及分析方法还在进一步的研究中，实际应用中仍然需要根据实际情况来 做选择。新理论、新技术的不断提出为纹理分析的进一步完善提供了广阔的前景。 1 9 9 8 年美国国家宇航局( n a s a ) 的h u a n g 等人首次提出对- - n 时间序列数 据先进行经验模式分解，然后对各个分量作h i l b e r t 变换，这种变换被称为 h i l b e r t h u a n g 变换【1 0 1 1 1 】【12 1 。这种信号处理方法被认为是近年来对以傅立叶变换 4 为基础的线性和稳态谱分析的一个重大突破。该方法从本质上讲是对一个复杂的 信号进行平稳化处理，其结果是将信号中不同尺度的波动或趋势逐级分解开来， 产生一系列具有不同特征尺度的数据序列，每一个序列称为一个内蕴模函数。从 而提取一个数据序列的趋势、去掉该数据序列的均值或去除数据序列中的高频噪 声。由于这种分解是基于局部特征尺度，因此，该方法既能对线性、平稳信号进 行分析，又能对非线性、非平稳信号进行分析；既包含小波变换的多分辨的优势， 同时又克服了小波变换中需要人为选取小波基的困难，从信号本身的尺度特征出 发对信号进行分解。作为一种完全的数据驱动方法，它具有良好的局部适应性， 短短几年来，它已被成功地应用于地震、地质、海洋、生化、医学、语音、石油 勘探等诸多方面【1 3 】【1 4 儿15 1 。 经验模式分解方法在一维信号处理方面已经获得巨大的成功，不少学者已经 将一维经验模式分解方法推广到二维情况。与金字塔表示、基于小波相比，二维 经验模式分解方法在纹理图像分析方面有独特的性质。首先，极值点之间的距离 被作为局部尺度计算引入。其次，在提取分量时迭代计算直到达到某个满足条件 才停止。而且，不同的曲面插值技术可以被用于计算二维经验模式分解中的平均 包络。并且二维经验模式分解方法完全数据驱动的特性，将其应用于纹理图像的 分析中比傅里叶变换、小波变换和其它图像分析技术的效果要好。最近几年关于 将二维经验模式分解应用到纹理分析的新方法不断的出现。如n u n e s 等人提出 使用数学形态学的方法来搜索极值、利用径向基函数插值构造二维包络的二维经 验模式分解方法来分解图像，分析得到的内蕴模函数中极值数量及间距【l 引。 人类视觉研究表明【l9 】：空间一频率的多分辨分析克服了频谱方法缺乏空间 域的多分辨性，能同时在空间域和频率域中达到最大的局部性，且与人的视觉特 性相一致。由于经验模式分解方法具有很好的局部性和自适应性，因此可以将其 应用于纹理的多尺度分解。 虹膜识别技术也正是是伴随着信号处理的发展而成熟起来的，因为特征提取 与分类识别关系到整个系统的识别率与速度，是整个系统的核心。目前常用的虹 膜系统采用的纹理特征提取方法主要利用g a b o r 滤波器方向滤波进行特征提取， 或利用小波进行空间频率多尺度多分辨分析提取虹膜纹理特征。 本文的主要工作，正是应用经验模式分解对虹膜进行纹理特征提取。 1 4 本文主要研究内容及各章节安排 1 本论文的主要研究内容 本文的工作重心是应用e m d 分解技术到虹膜特征提取上。先了采用一维 e m d 对展开的虹膜信号进行分解提取虹膜特征，然后用各种距离方法进行匹配。 5 另一个算法是对分解后的多个i m f 进行分析，提出了基于i m f 奇异值分解和 s v m 的虹膜识别方法。并把一维应用推广至二维，结合l b p 算子，提出了基于 二维e m d 和l p b 算子的虹膜识别新方法。对于每个提出的方法，通过算法验证 其有效性，实验证明，e m d 能有效提出虹膜纹理特征。本文的提出的基于二维 e m d 和l p b 的虹膜识别方法识别精度和速度都有不错的表现，并有旋转不变性 的优良特性，能应用到实际系统中。 2 各章节内容安排 本论文第一章绪论介绍了本文的研究背景，对虹膜识别技术的发展状况和经 验模式分解技术进行了简要的概括。 第二章的主要内容是简要阐述经验模式分解，包括一维e m d 分解算法及其 基本概念，二维e m d 分解框架及其要考虑的关键问题。并结合实际情况提出了 相关的改进措施。 第三章，虹膜图像预处理。对预处理其过程进行了分析，包括定位、去噪、 归一化和图像增强。改进了传统的c a n n y 算子和h o u g h 变换。 第四章，应用一维e m d 分解技术虹膜纹理分析。提出了基于一维e m d 第 一余量的虹膜识别方法和基于i m f 和s v m 的虹膜识别方法。通过实验验证了 e m d 特征提取方法的有效性。 第五章，将一维e m d 推广至二维，提出了基于二维e m d 和l b p 的虹膜识 别方法，最后通过实验及与传统的g a b o r 小波方法进行比较，验证了方法的优越 性。 第六章，总结与展望，对本文的工作做了一个全面的总结。及给出下一步研 究方向。 论文的最后是致谢词和本文所引用的参考文献。 6 第二章经验模式分解 f o u r i e r 频谱分析给检测全局能量频率分布提供了一种重要方法，但傅立叶 分析只适用于分析线性系统，且要求数据具有周期性或平稳性。当前应用比较的 多的小波变换具有良好的多分辨特性，也叫多尺度特性，能由粗及细地逐步分解 观察信号，也可以认为是组带通滤波器对信号作滤波。应用时通过适当地选择尺 度和平移因子，这样就可以得到一系列变换窗，通过选择适当的小波基，因而使 使小波变换在时域和频域都具有表征信号局部特征的能力。但是，小波变换进行 信号分析时，人为的选取合适小波基是较为困难的。 h u a n g 等人提出的经验模式分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ，e m d ) 方法 【1 0 】可以自适应的将原始信号分解为频率由高到低的、局部窄带的一系列内蕴模 态函数( i n t r i n s i cm o d ef u n c t i o n ，i m f ) 和残差的和。该方法适合处理非线性、非平 稳过程的信号。本章主要介绍的是经验模式分解的相关理论与知识。 2 1 一维e m d 理论与算法 2 2 1 瞬时频率的定义 对于任意一个信号序列x ( f ) ，对它做h i l b e r t 变换】，( f ) ，如式( 2 1 ) 聃= 1 ，。pj=：。x一(t。)dtt ( 2 1 ) ， 其中p 为柯西原理值。所有级函数都有这个变换。通过这一定义，x ( t ) 和】，( f ) 为复共轭对，得到解析信号z ( t ) 如式( 2 2 ) ： z ( f ) = x ( t ) + i y ( t ) = a ( t ) e 措”( 2 2 ) 其中瞬时幅度口( f ) 和瞬时相位p ( f ) 分别定义为 a ( t ) = i x 2 ( f ) + y 2 】l 2 即胁c t a l l ( 等) h i l b e r t 变换给出了一个独特的定义虚部的方法，使结果为一解析函数，尽管理 论上有很多种虚部定义方法。式( 2 1 ) 定义了x ( t ) 和l t 卷积的h i l b e r t 变换，强调 了x ( t ) 的局部特性，式( 2 2 ) 中，极坐标的表达形式更深一步的阐明了其局部特性： 对x ( t ) 的振幅和相位变化的三角函数的最佳局部近似。针对h i l b e r t 变换，解析 信号z ( t ) 的瞬时频率f ( t ) 定义为： 几) = 石1 百d o ( t ) ( 2 3 ) 7 式( 2 3 ) 是即把瞬时频率定义为解析信号相位么w 求导，其物理意义也明显， 若解析信号么表示为复平面的一个向量，式( 2 3 ) 就表示为向量辐角的转速。 2 1 2 固有模态函数im f 需要注意的是，式( 2 3 ) 定义的瞬时频率会出现负频率问题。引入固有模态函 数i m f 的概念使得可以定义一个有意义的瞬时频率。 在物理意义上定义一个瞬时频率的必要条件是：函数相对于局部零均值是对 称的，并且具有相等的过零点数和极值点数。基于此，h u a n g 提出了i m f 的定 义： i m f 是满足以下两个条件的函数：( 1 ) 在整个数据集中，极值和过零点数目 必须相等或相差不能超过i ；( 2 ) 在任意一点，由局部极大值点形成的包络和局部 极小值形成的包络的均值为零。 第一个条件很明显，这和传统的高斯过程的窄带条件很相似，第二个条件是 一个新思想，它将传统的全局条件改变为局部条件，这对瞬时频率不会含有由非 对称波形引起的不想要的波动。另外用由极大值和极小值分别构成的包络的均值 来代替局部对称，避免了设计到局部平均时间尺度的定义。使用这种定义，由过 零点定义的每一个圆中的i m f 只含有一种振荡模式并且不允许复杂的骑波。用 这种定义，i m f 不仅仅限于窄带信号，它也可以是振幅或频率调制。实际上，它 可以是非平稳的。图2 1 给出了一个典型的i m f 。 l l i n e s ， 图2 1 一个典型的i m f 例子 在实际的信号处理中，大多数信号或者数据并不满足内蕴模函数的要求。数 据可能包含不止一个振荡模式，因此，需要将数据分解成为基本模式分量。这就 是下节要讲述的经验模式分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ) 。 2 1 3 一维e m d 算法 在给定的时间，大多数的数据可以包含几个振动模式，并不符合i m f 的条 件。这使得h i l b e r t 变换不能够直接对一般的数据提供完全频率内容的表示。因 此，必须首先将数据分解为i m f 分量。在经验模式分解方法中，信号被分解成 r 为i m f ，以便讨论分解所得i m f 的物理意义。这种方法的特点是：直接的、后 验的和自适应的，完全由数据驱动。每个分解过程称为筛分过程。 任何信号由不同的固有振动模态组成，每一个模态不论是线性或者是非线性 的，其极值点数和零交叉点数相同，在相邻的零交叉点之间只有一个极值点，模 态和模态之间是相互独立的，这样任何一个信号都可以分解为有限个i m f 之和； 筛分过程基于下列三个假设： ( 1 ) 信号数据至少有两个极值：一个极大值点和一个极小值点；( 2 ) 连续极 值的时间间隔决定时间特征尺度；( 3 ) 如果全部信号数据无极值点而仅含有拐 点，那么可以经过一阶或多阶微分得极值，最后的将获得分量的积分。 筛选过程主要有两个作用：消除骑行波和平滑波形。可以得到一系列的i m f 。 i m f 的两个特征，也就是e m d 过程结束的收敛准则。 设时间信号为厂( f ) ，它的上、下包络线分别为“( f ) 和1 ，( f ) ，则上、下包络的平 均曲线m ( t ) 按照式( 2 4 ) 计算： 1 r e ( t ) = 陬( f ) + v ( f ) 】 ( 2 4 ) 么 通过移动过程，用f ( t ) 减去m ( t ) 后剩余部分h ，( t ) ，即： h l ( f ) = ( f ) 一r e ( t )( 2 5 ) 根据以上的定义，理论上h 。( t ) 应该满足：( 1 ) 极值点( 极大值或极小值) 数目 与过零点数目相等或最多相差1 ；( 2 ) 由局部极大值构成的上包络和由局部极小值 构成的下包络的平均值为零；即h 。( f ) 应为i m f 。而实际上，由于包络样条逼近的 过冲和俯冲作用，会产生新的极值影响原来极值的位置和大小，因此，分解得到 的( f ) 并不完全满足i m f 条件。用h i ( f ) 来代替f ( t ) ，与h i ( f ) 相应的上、下包络线 为u 。( t ) 和v ，( t ) ，重复移动过程k 次直至( f ) 满足i m f 条件为止。这样就分解得 第一个i m fc l ( f ) = h k ( f ) ，和信号的剩余部分1 ( f ) 。将1 ( f ) 继续进行上面的分解， 直至所得的剩余部分为一单调信号或其值小于预先给定的值时，分解完毕。最终 分解得到所有的i m f 及残差，那么信号聊就表示为所有i m f 及残差的和。 e m d 的具体分解过程有如下描述： 1 ) 初始化j = l ，心) = 饨) ，朋为原始信号； 2 ) f = l ，对r 。j ( t ) 的确定其极大值点和极小值点，然后分别对极大值点和极小值 点插值得到极值点的上下包络及包络均值m ，m ) ； 3 ) r o ( t ) = r , j ( t ) 一m 打( f ) ； 4 ) i = i + l ，重复步骤2 4 ，直至( f ) 满足终止条件s d 。此时可得c ) = r o ( t ) ， 厂，o ) = f ( t ) 一f ) ； 5 ) j 可+ j ，( f ) = 厂( f ) 一c ( 一) ( f ) ； 9 6 ) 重复步骤2 5 ，可将信号分解为： ( f ) = c j ( t ) + r k ( t ) ( 2 6 ) 式( 2 6 ) 中，c ! 似为分解出的第j 个i m f ，r k ( t ) 为单调的残差函数。 为了保证i m f 分量返回由充分物理意义的振幅和频率，我们必须确定以各 准则用于筛分过程的终止，这个条件由限制标准差来完成。终止条件s d 一般采 用如下定义： 肋= 粪砉 血瓮悉业旗所取参数 ( 2 7 ) 式( 2 7 ) e e 通常s d 的值设置为o 2 o 3 。 2 2 二维e m d 分解技术 将一维e m d 推广至二维，可用于纹理分析且得到不错的效果。现在已经有 不少研究者进行了推广，也提出了针对图像的二维e m d 算法。e m d 推广至二 维后，经实验验证，在纹理图像分析方面有独特的优势。这主要由两个原因决定： ( 1 ) 引入极值点距离来进行局部尺度的确定从而使分解具有自适应和完全数据 驱动的特性：( 2 ) 每一成分的提取都使用迭代计算，并使用某种准则确定迭代的 终止。所以这个技术似一个框架，不同的曲面插值技术被用于计算二维经验模式 分解过程中的平均包络。由于二维经验模式分解完全有数据驱动的特性，它在进 行纹理图像分析和图像降噪方面与傅立叶变换、小波变换和其它图像分析技术相 比，效果要好。另外，二维经验模式分解具有两个优点：( 1 ) 能较好提取全局结 构；( 2 ) 能够处理较不完整的信号。因此，二维经验模式分解在自适应的提取图 像符合视觉感知的成分上有其独特的优势。 目前对图像进行分解的二维e m d 方法主要有以下三种： ( 1 ) 按先行后列的顺序展开用一维e m d 的方法对图像进行分解【z 6 1 。这二维 e m d 方法本质上还是一维e m d ，仅仅把信号展开了。所以其适用的图像种类也 只限于有显著的方向性纹理图像，不具有纹理分析的通用性； ( 2 ) 考虑方向e m d 分解【1 7 】。这种二维e m d 方法是也是在一维e m d 的基础 上进行的，在分解图像时考虑到了图像固有的方向性在二维e m d 分解中的作用， 提取出对应不同方向角的i m f 以对图像进行分析； ( 3 ) n u n e s 等人提出的二维e m d 方法【l 引。这种方法通过在二维平面上进行极 值搜索，然后利用适用于二维离散数据点插值的径向基函数插值方法来分别对极 大值和极小值构造上下包络，最终通过筛选提取出图像二维i m f 。这是是真正意 义上的二维e m d 方法。实验证明，这个方法对一般图像还是纹理图像，都能有 比较好的分解效果。 1 0 2 2 1 二维e m d 分解框架 与一维的情况类似，在对二维图像数据进行二维e m d 分解时，也基于以下 两个假设： ( 1 ) 至少包含一个极大值点和一个极小值点在二维数据平面内，或者整个二 维平面没有极值点单在进行一阶或多阶求导运算后能够出现一个极大值点和一 个极小值点； ( 2 ) 用极值点之间距离定义特征尺度； 依据一维e m d 方法，二维e m d 方法对图像j 的筛分过程可定义如下： 1 ) 初始化j = l ，1 = i ： 2 ) i = l ，对吒，的确定其极大值点和极小值点，使用合适的插值算法求出极值点 的上下包络及包络均值矩阵m 3 ) 相减：吃= 白一m 玎； 4 ) i = i + 1 ，重复步骤2 4 ，直至r n 玎满足终止条件s d 。此时可得i m l ( x ，j ，) = r , j ， r e s i d u e j 2i 一飞； 5 ) j 可+ 1 ，吒，= ，一i m f j l ，i = i i m f j 一1 ； 6 ) 重复步骤2