基于经验模态分解的虹膜识别

基于经验模态分解的虹膜识别 Vol . 30 , No . 2 第 30 卷 第 2 期 光 学学报 2010 年 2 月 Fe br ua r y , 2010 AC TA O P TI CA S IN I CA () 文章编号 : 025322239 20100220364205 基于经验模态分解的虹膜识别 韩 民张顺利 孙伟峰彭玉华 () 山东大学信息科学与工程学院 , 山东 济南 250100 ( ) 摘要 虹膜识别是一种有效的生物特征识别方法 。经验模态分解 EMD是一种可自适应的对非线性 、非平稳信号进行多分辨率分解的信号 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 算法 。将虹膜图像进行 EMD 分解 ,找出有利于虹膜识别的敏感频带 ,使用选择后的 固有模态分量对虹膜图像进行特征提取 。仿真实验结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明 ,该方法正确识别率达到 99 . 44 % ,并且由于其在特征 提取的同时消除了高频噪声和背景光影响 ,简化了预处理过程 ,降低了算法的复杂度 。 关键词 生物光学 ;生物特征识别 ;虹膜识别 ;经验模态分解 ;固有模态函数 ;特征提取 d oi : 10 . 3788/ AOS20103002 . 0364 中图分类号 T P391文献标识码 A I r i s R e c o g n i t i o n B a s e d o n E m p i r i c a l M o d e D e c o m p os i t i o n Pe n g Yu h uaHa n Mi n Zha n g S h u nli S u n Weif e n g ( S c hool of I n f o r m a t i o n Scie n ce a n d E n gi n ee r i n g , )S h a n do n g U n i ve r s i t y , J i n a n , S h a n do n g 250100 , Ch i n a ( ) A bs t r a c t I ris r e cog ni tion is a n eff ec ti ve me t hod of biome t rics r e cog ni tion . Empi rical mode de comp osi ti on EMD, a m ul ti2r es ol ution de comp osi tion t ec h ni que , is a dap ti ve a nd app ea rs t o be s ui t a ble f or nonli ne a r , non2s t a tiona r y da t a a nal ysis . We adop t t he EMD app r oac h t o de comp os e t he i ris i ma ges a nd s ele c t t he i nt ri nsic mode f unc tions wi t h p r op e r f r e que nc y r a nge f or i ris r ecog ni t ion . The e xp e ri me nt al r es ul ts i ndica t e t ha t t he r ecogni ti on r a t e ca n ac hie ve 99 . 44 % ; me a nw hile , t he comp le xi t y of t he al gori t h m ca n be r e duce d be ca us e t he eff e ct of hi gh f r e que nc y nois e a nd ill umi nat ion ca n be eli mi na t e d duri ng our f e a t u r e e xt r acti on p r ocess . Ke y w o r ds bi ol ogical op tics ; biome t rics r e cog ni tion ; i ris r ecogni t ion ; e mp i rical mode de comp osi t ion ; i nt ri nsic mode f unc tions ; f e a t ur e e xt r ac tion 器提取虹膜图像的相位信息 , 用 Ha mmi ng 距离作 1 引言[ 4 ] 为测度进行匹配 ;Bole s提出基于小波的过零检测 随着信息技术的飞速发展 ,生物特征识别技术 方法 ,采用相同数目的过零点 , 根据相关性进行匹 在众多领域得到广泛的应用。生物特征识别是通过 [ 5 ] 配 ; Wil d s采用拉普拉斯金字塔分解算法 , 并利用人体所固有的生理特征或行为特征对个人身份进行 [ 6 ,7 ] [ 1 ] 图像间 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化的相关性进行分类 ; L . Ma采用一 鉴定的技术。常见的生物特征有指纹 、掌纹、虹[ 2 ] 膜、视网膜、脸形、声音 、笔迹 、DN A 、人耳、人体气 种基于 Ga u ssia n2Her mit e 矩的方法 ,使用虹膜的局 味等。与其他生物特征识别技术相比 ,虹膜具有天 , 使用最小中心矩进行匹配 。部强度变化作为特征 然的唯一性、稳定性和受保护性等优点 ,近年来得到 以上方法都取得了不错的效果 ,特别是 Da ugma n 算学术界和企业界越来越多的关注 。 法 ,获得了很高的识别率。然而 ,这些算法对虹膜图 到目前为止 ,国内外相关学者在虹膜识别技术 像的质量要求很高 ,需要高端的图像采集设备和严 领域作出了很多有益的探索 ,一些虹膜识别技术已 格的采集条件。 [ 3 ] 经应用于商业领域 。Da ugma n利用 Ga bo r 滤波 [ 8 ] ( ) 经验模态分解 EMD是近年来由 H ua ng提 收稿日期 : 2009202223 ; 收到修改稿日期 : 2009204209 () 基金项目 : 国家自然科学基金 30870666资助课题 。 () 作者简介 : 韩 民 1973 —,男 ,博士研究生 ,讲师 ,主要从事生物特征识别方面的研究 。E2mail : ha nmin @sdu. edu. cn () 导师简介 : 彭玉华 1966 —2009,女 ,博士 ,教授 ,主要从事信号与信息处理等方面的研究 。 出的一种新的分析非线性 、非平稳信号的方法 。它 利用信号的局部特征时间尺度 ,自适应地从原信号 ( ) 中提取出若干个固有模态函数 IM F和一个残余 量 ,各个 IM F 分量突出了数据的局部特征 ,对应着 不同的频带 ,残余分量体现了信号中的缓慢变化量 , 对它们进行分析 ,可以更准确有效地把握原数据的 [ 9 ] 特征。J e n2Ch un L ee 等将 EMD 方法引入到虹膜 识别技术领域 ,但本质上 ,他仅仅将 EMD 作为一个 低通滤波器对虹膜图像进行高频去噪 ,没有充分发 挥 EMD 分解的优势。本文进一步利用 EMD 的特 () 图 1 虹膜图像的定位及归一化 。a原始图 ;性 ,对大量虹膜图像进行分解 、合并 ,以互信息为评 ( ) () b定位后图像 ; c归一化后图像 判依据 ,通过实验分析 ,找出了有利于虹膜图象识别 () Fig. 1 Iris image localization and no rmalization. aOriginal 的频带 ,并据此进行特征提取。实验结果表明 ,本文 ( ) () image ; blocalized image ; cnormalized image 提出的方法不仅简化了识别处理过程 ,而且取得了 很好的识别效果。 式中 I 代表归一化图像中第 i 行的灰度值向量。i 3 . 1 EMD 算法 EMD 算法的目的在于将性能不好的信号分解为 一组性能较好的 IMF ,这里 IMF 须满足两个性质 : 2 虹膜图像预处理) ( ) 1信号的极值点 极大值或极小值数目和过 2 . 1 虹膜定位零点数目相等或最多相差一个 ; () () 虹膜是位于瞳孔 内边界和巩膜 外边界之间 ) 2由局部极大值构成的上包络线和由局部极 的环形区域 ,内边界和外边界都近似于圆 ,然而这两 小值构成的下包络线的平均值为零 。 个圆往往不同心。先对原始图像 I 的虹膜区域进行 若信号为 z ,则 EMD 算法的计算步骤如下 :粗略的定位 , 首先定位瞳孔的中心 , 由 步骤 1 :令 r= z , 计算出信号 r所有的局部极 0 0 ( )I x , y X = a r g mi np ?x 值点。 y ( ), 1 步骤 2 :求所有的极大值点构成的上包络线和 ( )I x , y Y = a r g mi np ?y x 所有的极小值点构成的下包络线 ,分别记为 m和max ( m。 可以得到瞳孔的中心位置 。然后利用边缘检测 这min ( ) 步骤 3 :记上、下包络线的均值为 m = m+里采用 Ca nny 算子和 Ho ugh 变换来精确计算确 max ) m/ 2 , 并记信号与上、下包络线的均值的差为 :min 定内外圆的轮廓参数 。 h = z - m 。 2 . 2 虹膜归一化 步骤 4 : 判断 h 是否满足 IM F 的上述两条性 将环形虹膜逆时针展开 ,将虹膜区域从直角坐标 质。若满足 ,则 h 为一个 IM F 。否则 ,记 h 为 z 重复 ( ) ( θ) 系 x , y映射到极坐标系下 r ,, 使其归一化为一 步骤 1 至步骤 3 ;直至得到一个 IM F ,记为 F。IM1 个 64 pixel ×360 pixel 的矩形图像。如图 1 所示。步骤 5 :记 r= z - F。r为新的待分析信号 1 IM1 1 3 特征提取重复步骤 1 至步骤 4 , 以得到第二个 IM F , 记为 靠近巩膜的虹膜外圈部分所含纹理较少 ,且容易 [ 10 ] 被眼睑和睫毛遮挡 ,只提取靠近瞳孔的 50 %部分。 F, 此时余项 rF。重复上述步骤 , 直至rIM2 2= - IM2 1 因此 ,从归一化后的图像中得到我们感兴趣的图像 I 得到的余项 r是一个单调信号或 r 的值小于预先n n () 大小为 K ×L 实验中为 32 pixel ×360 pixel。用数 给定的阈值 , 分解结束。学表达为 FIM n ,余项如此 ,最终可得到 n 个 F IM1 , FIM2 ,I1 为 r,这样原始信号可以表示为n n ( )z = FIM i + rn .3 ?T T T T i = 1 = I , I , I = I ,( )I1 i K 2 i 3 . 2 特征提取 在得到的归一化图像中 ,水平方向对应原图像 366 光学学报 30 卷 中的角度方向 ;垂直方向对应原图像中的径向方向 。,得到它的所有 IM F 。由于 EMD 固有的缺陷分解 而虹膜图像中的角度方向信息更为密集。径向方向 即端点效应的存在 ,会导致随着分解的继续 ,后面的 也就是垂直方向信息有很大的冗余。提取归一化图 IM F 分量受到污染。为了解决这个问题 ,采取了 2 ) 种方法 ,1在分解前采用镜像对称的方法 ,抑制端点 像中沿水平方向上的局部突变来表征一个虹膜的特 ) 效应 ; 2 对应于原图像中的 1 , 32 行数据 , 只取 征是比较充分的。基于这一点 ,把得到的二维图像 EMD 分解后的 3,30 行数据 ,而放弃受到污染的靠 按行连接转化为一维信号 ,构成一个一维矢量 近端点的数据。信号的 IM F 反映了丰富的频率和 ( )v, 4 V = III = v, v, v n 1iK 1 2 j幅值信息 ,图 2 是由每个 IM F 分别还原而成的 2D 式中 I 表示图像 I 的第 i 行的灰度值 , v 表示在一维图像。从图 2 中可以看出 ,高频分量包含了较多的 i j 噪声 ,而低频部分反映了背景光的影响 。 矢量 V 中位置 j 点的灰度值 , n 表示所构成的一维向 量的维数 。 对于得到的一维信号矢量 V , 对其进行 EMD 图 2 各 IM F 还原而成的 2D 虹膜图像 Fig. 2 2D Iri s image reco nst r ucted by individual IM Fs resp ectively 3 3 44 55 66 ( ) V = v, v, v , v, v v, v 6 利用互信息测度作为评判准则 ,分析比较各个1 n 1 n 1 n 1 v. n IM F 分量对虹膜识别的贡献。将得到的各 IM F 分 EMD 产生的 IM F 分量不但反映了丰富的频率别移位 1 ,3 和 5 ,新得到的矢量 V和原矢量 V之 new o rig 与幅度信息 ,而且是基于位置信息的。对相同位置 间的互信息 I为M 的 IM F 进行叠加 ,就可以实现特征融合 ,达到减少 () () () () H V,V,IV,VH V+ H Vnew orig M new orig new orig 特征向量个数的目的 。通过叠加 ,得到降维后的特= - ()征矢量5 s s () ) ( ( )H V分别是 V和 V的独立= v, 和 式中H Vnew V1 v, 7 o rg new o rig 0n ) ( 熵 , H V,V为二者的联合熵 , I可以作为 V,不同虹膜的信息分布区域差在实验中还发现 new o rig M new ( ) 和 Vo rig 之间非线性依赖的测度。别很大 ,如图 4 所示 ,图 4 a的信息分布区域比较 对图 2 和图 3 进行分析可以看出 ,最有利于对 ( ) 大 ,图 4 b的信息分布区域只是集中在靠近瞳孔的 虹膜图像进行正确分类的信息存在于 F, F这 IM3 IM6 狭窄区域 。因此 ,对已得到的特征矢量进行进一步 (几个频带中 ,其他频带分量包含了过多的噪声 高频 的处理 ,一是为了降低特征矢量的维数 ;二是使特征 ) 噪声和光照不均,不利于进行正确识别 ,因此选取 矢量更能体现虹膜的特征信息。 这四个分量作为特征矢量 () 图 4 特征信息分布区域不同的虹膜比较 。a纹理分布 ( ) 分散的虹膜 ; b纹理分布集中的虹膜 Fig. 4 Iri s co mp a ri so n wit h diff erent f eat ure di st ributio n. () ( ) a Iri s wit h sp reading text ure ; b iri s wit h co ncent rating text ure 图 3 IM F 筛选判别 () 对于图 4 a,对归一化图像 3,30 行进行隔行Fig. 3 IM F Selectio n criterio n 抽取 ,以消除径向方向的信息冗余素的值大于零 ,则编为 1 ; 否则 ,编为 0 。这样 ,就将 s s s ( ) ( ( ( v) , v) ,v) , 8 特征矢量变为二进制序列 ,然后通过计算特征矢量 Si - 13 L +1 i - 13 L +2 i - 13 L + L i = 式中 i = 3 ,5 ,7 29 ; L = 360 ;间的汉明距离来衡量虹膜间的相似程度。 )( 9 汉明距离测度V= SSS29. 1 3 , 5 , M ( ) 对于图 4 b, 提取归一化图像中信息密集的1 ( )pσ q ,12 = D i i H ? M 3,15行 ,构成特征矢量i = 1 s s s 式中 σ 表示异或运算 ; pi 和 q i 分别为两个特征矢量T= v, v,v) ) ) , 10 j ( j - 13 L +1 ( j - 13 L +2 ( j - 13 L + L ( ) 的元素 , M 为特征矢量元素的个数 。 式中 j = 3 ,4 , 15 ; L = 360 实验过程设计如下 : ( )V, T, T T = . 11 23 4 15 ) 1对两幅的特征矢量 V计算汉明距离 , 并通 1 ( ) ( ) 由于虹膜图像属于图 4 a类还是图 4 b类是 过 10 次移位 ,取其中的最小值 mi n1 未知的 ,所以 ,在实验中 , 对每一个图像都取了 V,1 ) 2对两幅的特征矢量 V计算汉明距离 , 并通 2 V两个特征矢量。2 过 10 次移位 ,取其中的最小值 mi n2 3 . 3 不变性 在虹膜识别中 ,重要的是要实现平移不变性 、尺 ) 3取两个最小值中的较大值作为汉明距离判度不变性和旋转不变性。通过虹膜的准确定位 ,可 别的依据 D 。H 以实现平移不变性 ; 对于图像采集的距离远近产生 的尺度变化 ,可以通过归一化实现。对于旋转不变 5 实验结果性的处理 ,充分利用了归一化图像中垂直方向的冗 采用中国科学院自动化所提供的 CA SIA 虹膜 余信息和相关性 ,通过对特征矢量的移位 ,来实现对 [ 11 ] 图像数据库,从中选取受睫毛遮挡影响较小便于 角度旋转图像的匹配 。因为已经把二维的归一化图 识别的 70 只眼 ,每只眼选取不同时间和条件下的 5 像转化成了一维信号 ,而相邻的两行之间具有极大 幅图像 ,共 350 幅图像进行实验。将虹膜的识别问 的相关性 ,角度的旋转就可以表现为一维信号的移 题看成是模式比对结果进行两类问题的分类 : 来自 位。在实验中 ,分别采取了移位 1 ,2 ,3 ,5 ,8 和 - 1 , 相同虹膜的比对和来自不同虹膜的比对 。在实验 - 2 , - 3 , - 5 , - 8 ,分别对应角度旋转的 1?, 2?, 3?,中 ,共进行了 61075 次比对 ,其中 ,来自相同虹膜的 比对 700 次 ,来自不同虹膜的比对 60375 次。 5?,8?, - 1?, - 2?, - 3?, - 5?, - 8?。之所以采取这些 移位数值是因为实验发现 , 即使角度只有 1?的旋 转 ,识别结果也会变差 ; 而采集图像时 ,图像的旋转 图 5 显示了利用汉明距离进行匹配的统计分布。也很少会超过 8?。而且这种对角度旋转性的处理 , 从图 5 中可以看出 ,相同虹膜的比对和不同虹膜的比并没有采用建立 11 个模版库的方法 ,而是在匹配时 对 ,汉明距离差别非常明显。同一虹膜的汉明距离在通过移位来实现 ,大大减少了存储空间 。 0. 15,0. 40 之间 ,不同虹膜的汉明距离集中在0. 39, 0. 61 之间。选取阈值为 0. 395 进行判别。 图 6 显示了分别采用本文提出的方法与 J e n2 Ch un L ee 的方法对相同样本进行识别的 RO C 曲线 4 特征匹配 比较结果 ,其中 Az 是 RO C 曲线下的面积 。 首先对得到的特征矢量进行 021 编码 , 如果元 () ( ) 图 5 虹膜特征矢量匹配汉明距离分布统计 。a类内比较 ; b类间比较 () ( )Fig. 5 Di st ributio n of ha mming di sta nce bet ween t he sa me Iri s aa nd diff erent Iri s b 368 光学学报 30 卷 影响 ,大大简化了图像预处理过程。用特征矢量移 位的方法实现旋转不变性 , 节省了大量存储空间 。 实验结果表明 ,该方法简单 ,易于实现 ,并且可以取 得很高的识别率具有较好的应用价值。 参 考 文 献 1 Guo J i nyu , Yua n Weiqi . Pal mp ri nt reco gnitio n ba sed o n localit y ( ) p re ser vi ng p rojectio n [ J ] . Act a O p t ica S i ni ca , 2008 , 28 10 : 1920,1924 郭金玉 , 苑玮琦. 基于局部保持投影的掌纹识别[ J ] . 光学学报 , ( ) 2008 , 28 10: 1920,1924 图 6 ROC 曲线比较2 Tian Yi ng , Yua n Weiqi . Ea r reco gnitio n ba sed o n f u sio n of scale Fig. 6 ROC curve co mpa ri so n i nva ria nt f eat ure t ra n sfo r m a nd geo met ric f eat ure [ J ] . Act a ( ) O p t ica S i nica , 2008 , 28 8: 1485,1491 将实验结果与其他几种比较经典的算法进行比 田 莹 , 苑玮琦. 尺度不变特征与几何特征融合的人耳识别方法较 ,从表 1 中可以看出 ,本文提出方法的识别效果略 ( ) [J ] . 光学学报 , 2008 , 28 8: 1485,1491 3 J . Da ugma n . Hi gh co nfidence vi sual reco gnitio n of p er so n s by a 次于 Da ugma n 提出的方法 ,高于其他方法。但简化 t e st of st ati stical i ndependence I E E E T rans act i ons on [ J ] . 了预处理过程 ,降低了算法的复杂度 。 ( ) Pat t e rn A nal y sis an d M ac hi ne I ntel l i gence , 1993 , 15 11 : 1148,1161 表 1 与其他方法结果比较4 W. W. Boles , B . Boa sha sh . A hu ma n identificatio n t echnique Table 1 Result co mpa ri so n wit h o t her met ho ds u si ng i mages of t he i ri s a nd wavelet t ra nsfo r m [ J ] . I E E E (Co r rect Az area Equal ( ) T rans act i ons on S i g nal P rocessi n g , 1998 , 46 4: 1185,1188 5 R. Wil de s , J . A smut h , G. Green et al . . A machi ne2vi sio n Met ho ds reco gnitio n under t he er ro r syst e m fo r i ri s reco gnitio n [J ] . Mac hi ne V isi on an d A p p l icat i ons , ) rat e / % RO C cur verat e / % ( ) 1996 , 9 1: 1,8 Da ugman 100 0 . 9999 0 . 08 6 L . Ma , T. Ta n , Y. Wa ng et al . . Local Int en sit y va riatio n a nal ysi s fo r i ri s reco gnitio n [ J ] . Pat te rn Reco g ni t i on , 2004 , Boles 92 . 64 0 . 9452 8 . 13 ( ) 37 6: 1287,1298 Wilde s - 0 . 9975 1 . 76 7 L . Ma , T. Ta n , Y. Wa ng et al . . Efficient i ri s reco gnitio n by 98 . 95 0 . 9953 2 . 23 J en2Chun L ee cha ract erizi ng key local va riatio n s [ J ] . I E E E T rans act i ons on Propo sed 99 . 44 0 . 9997 0 . 48 ( ) I m a ge P rocessi n g , 2004 , 13 6: 739,750 8 N . H ua ng , Z. Shen , S. Lo ng et al . . The e mpi rical mo de 在进行虹膜识别时 ,还可以进一步减少运算量 。deco mpo sitio n a nd hil bert spect r u m fo r no nli nea r a nd no nst atio na r y ti me series a nal ysi s[J ] . Proc . of t he R oy al S ociet y ( ) 由于虹膜图像类似于图 4 a类的占大部分 ,所以可 ( ) of L on don , 1998 , 454 1971: 903,995 以先只用特征矢量 V来进行识别; 当识别结果小于1 9 J en2Chun L ee , Pi ng S. H ua ng , Chung2Shi Chia ng et al . . A n e mpi rical mo de deco mpo sitio n app roach fo r i ri s reco gnitio n [ C ] . 阈值时 , 再用特征矢量 V进一步来判别; 若仍然小 2 I EE E Int er natio nal Co nf erence o n Image Proce ssi ng , 2006 , 于阈值 ,则说明是同类图像 ,若结果大于阈值 ,则可 289,292( ) 能就是图 4 b类图像的影响。这样 ,在保证准确率 10 Yua n Wei qi , Bai Yun , Ke Li . A nal ysi s of relatio n ship bet ween regio n of i ri s a nd t he accuracy rat e [ J ] . Act a O p t ica S i nica , 不变的同时 ,可以进一步提高运算识别速度。 ( ) 2008 , 28 5: 937,942 苑玮琦 , 白 云 , 柯 丽. 虹膜区域选取与识别率对应关系分析 ( ) [J ] . 光学学报 , 2008 , 28 5: 937,942 6 结论11 Instit ute of Automation , Chinese Academy of Science. CASIA Iris Image Datebases V1. 0 [ DB/ OL ] . 2006 , http :/ / www. sinobiomet rics. 通过对虹膜归一化图像进行 EMD 分解 , 通过com/ english/ Iris Date base. asp 互信息测度选取有利于分类识别的 IM F 进行特征 编码 ,同时去除高频噪声和背景光照不均对识别的