基于EMD的虹膜识别方法研究的任务书.docx

基于EMD的虹膜识别方法研究的任务书
一、课题背景和意义
虹膜识别技术是一种生物特征识别技术，利用人眼虹膜中的纹理特征，对人进行身份识别。与传统的身份识别技术相比，虹膜识别技术具有不可伪造、高精度、快速识别、非接触式等特点，成为当前最为可靠的身份认证技术之一。虹膜识别技术已经被广泛应用于边境安全、金融安全、教育考试等领域。
随着虹膜识别技术的不断发展，如何提高虹膜识别算法的精度，成为了本领域需要破解的难题之一。当前虹膜识别技术面临以下挑战：现有的虹膜识别算法存在误识别、漏识别等问题；虹膜识别算法对光照变化、噪声干扰等外界因素敏感；虹膜识别算法的实时性需要得到进一步提高。
因此，为了提高虹膜识别算法的精度和实时性，本文拟采用基于EMD的虹膜识别方法进行研究。
二、研究内容和方法
1.研究内容
（1）研究及实现虹膜图像的预处理算法。由于虹膜图像受到光照、遮挡等因素的影响，因此预处理是提高虹膜识别准确率的关键。本文将对虹膜图像进行去噪、图像增强等预处理。
（2）研究基于EMD的虹膜特征提取算法。EMD（EmpiricalModeDecomposition）是一种局部时频分析方法，它通过将信号分解为称为固有模态函数（IMF）的局部振动模式的和来进行分析。本文将研究将EMD应用于虹膜图像的特征提取，得到虹膜的纹理信息，作为后续识别算法的输入。
（3）研究虹膜识别算法。本文将研究基于支持向量机（SVM）、随机森林（RandomForest）等机器学习算法以及神经网络等深度学习算法，用于实现基于EMD的虹膜识别算法。
2.研究方法
（1）图像预处理。采用基于图像增强的方法，包括直方图均衡化、自适应直方图均衡化、滤波处理等对虹膜图像进行预处理。
（2）虹膜特征提取。采用EMD方法进行虹膜图像特征提取。
（3）分类器训练与识别。采用SVM、随机森林等机器学习算法以及神经网络等深度学习算法，对虹膜图像进行分类器的训练和识别。
三、预期结果
本文预期将达到以下目标：
（1）通过图像预处理，增加虹膜图像的对比度，减少噪声干扰，提高虹膜图像的清晰度。
（2）通过EMD方法，从虹膜图像中提取纹理特征，得到虹膜特征向量。
（3）通过机器学习算法和深度学习算法，对虹膜图像进行分类器的训练和识别，实现虹膜识别过程。
（4）评估本文提出的基于EMD的虹膜识别算法的性能和效果，与现有的虹膜识别算法进行对比分析。
四、研究意义
本文的研究具有以下意义：
（1）基于EMD进行虹膜识别研究，提高虹膜识别算法的精度和实时性，对于提高虹膜识别技术的安全性和可靠性具有重要意义。
（2）本文采用机器学习算法和深度学习算法进行虹膜识别，探索了虹膜识别算法在不同算法框架下的性能。
（3）本文提出的基于EMD的虹膜识别算法可以应用于各种考试、金融交易、门禁等领域，最终提高社会的安全保障水平。
五、研究进度和计划
本文的研究计划如下：
第一阶段：2019年9月-2019年10月，完成虹膜图像的预处理算法的研究和实现。
第二阶段：2019年11月-2020年3月，完成虹膜特征提取算法的研究和实现。
第三阶段：2020年4月-2020年9月，完成基于机器学习算法和深度学习算法的虹膜识别算法的研究和实现。
第四阶段：2020年10月-2020年12月，进行评估和测试，并撰写毕业论文。
六、参考文献
[1]DaugmanJG.Howirisrecognitionworks[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2004,14(1):21-30.
[2]梁书宇.基于倒卷积神经网络的虹膜识别技术研究[D].青岛大学,2018.
[3]GuptaR,JitMK,SinghKK.IrisRecognitionusingEmpiricalModeDecompositionBasedFeaturesandExtremeLearningMachine[J].ProcediaComputerScience,2018,133:147-155.