基于EMD的虹膜识别算法研究.docx

基于EMD的虹膜识别算法研究
摘要：
虹膜识别技术是一种成熟的生物计量学技术，在安全控制领域得到广泛应用。本文研究了一种基于EMD（经验模态分解）的虹膜识别算法。该算法利用EMD将虹膜图像分解成多个独立的子图像，并分别提取其特征向量，采用LBP算法作为特征描述符。实验结果表明，该算法具有准确度高、抗干扰性强、计算时间短等优点。
关键词：虹膜识别；EMD；特征提取；LBP
Abstract:
Irisrecognitiontechnologyisanadvancedbiometrictechnology,whichhasbeenwidelyusedinsecuritycontrol.Inthispaper,westudyanirisrecognitionalgorithmbasedonEMD(EmpiricalModeDecomposition).ThisalgorithmusesEMDtodecomposeirisimagesintomultipleindependentsub-images,andextracttheirfeaturesrespectively,usingLBPalgorithmasfeaturedescriptor.Theexperimentalresultsshowthatthealgorithmhashighaccuracy,stronganti-interference,shortcomputingtimeandotheradvantages.
Keywords:irisrecognition;EMD;featureextraction;LBP
引言：
虹膜识别技术是一种独特而且非常可靠的生物特征识别技术，该技术基于虹膜纹理、膜颜色、虹膜直径大小及瞳孔灵敏度等特征识别个人身份。虹膜识别技术广泛应用于金融、医疗、安全等领域中，成为了当前安全控制领域的最佳选择之一。
虹膜识别技术的核心是特征提取和匹配算法，其中特征提取的质量和效率对整个识别系统的性能影响很大。近年来，随着计算机视觉和模式识别技术的快速发展，各种虹膜识别算法相继出现。基于EMD的虹膜识别算法应运而生。EMD是一种基于局部特征分解的信号分析方法，将信号分解成多个不同模态的局部振动模态函数（IMF），从而提取其特征信息。
本文旨在研究一种基于EMD的虹膜识别算法，并对算法进行实验验证。该算法首先使用EMD将虹膜图像分解成多个独立的子图像，并分别提取其特征向量，采用LBP算法作为特征描述符，最终进行虹膜匹配，得到识别结果。实验结果表明，该算法具有准确度高、抗干扰性强、计算时间短等优点。
一、虹膜识别技术的现状
目前，虹膜识别技术已经成熟，基本的虹膜识别流程包括图像采集、预处理、虹膜定位、虹膜特征提取和虹膜匹配五个步骤。
图像采集：虹膜识别技术的第一步是采集被识别人的虹膜图像，通常使用高清晰度、低照度、近红外光源等设备进行采集，以获取清晰而准确的虹膜图像。
预处理：为了提高虹膜识别的准确度和速度，需要对采集到的虹膜图像进行预处理，主要包括图像去噪、灰度化和图像增强等操作。
虹膜定位：虹膜定位是虹膜识别的一个关键步骤。虹膜定位算法主要是在虹膜图像中找到虹膜边缘，以获取虹膜的区域。目前，常用的虹膜定位算法有拐角检测法和投影法等。
虹膜特征提取：特征提取是虹膜识别的最关键部分，提取出的特征需要具备明显的个体差异和稳定性。目前流行的虹膜特征提取算法包括DCT、SIFT、SURF、LBP等算法。
虹膜匹配：在获取到虹膜的特征向量之后，需要对它们进行比较，以判断是否为同一个人，从而实现虹膜识别。虹膜匹配算法主要包括欧氏距离、余弦相似度和SVM等算法。
二、EMD虹膜识别算法的原理
EMD是一种非线性局部信号分析方法，集合时间和空间分析的优点，具有良好的适应性和局部特征表示性能。EMD算法采用迭代的方式将原始信号分解成若干个IMF，每个IMF都是具有自主局部频率的振荡模态。IMF生成的基本思路是：首先在原始的虹膜图像中找到局部极值，然后通过一系列变换，如平滑、差分、极值链接等，得到IMF，IMF的数量从1到N，满足信号分解的迭代终止条件。
本方法主要分为以下三部分：虹膜图像分解、LBP特征提取和虹膜匹配。
1.虹膜图像分解
虹膜图像是复杂的图像，包含了大量的细节信息。因此，EMD方法首先采用局部特征分解的原理将虹膜图像分解成若干个独立的子图像。分解后的子图像中包含了更加丰富的局部特征信息，对于虹膜识别具有更好的性能。
2.LBP特征提取
在虹膜图像分解后，需要对每个子图像进行特征提取。在本文中，我们使用LBP算法作为特征描述符。LBP是一种局部二值模式算法，通过比较像素点的灰度值得到局部模式，然后计算这些局部模式的直方图，即可得到LBP特征向量。
3.虹膜匹配