用于虹膜识别的轮廓波特征提取

doi:10.3969/j.issn.1007130X.2011.

J4 ›› 2011, Vol. 33 ›› Issue (1): 77-81.doi: 10.3969/j.issn.1007130X.2011.

用于虹膜识别的轮廓波特征提取

罗忠亮1,2 ，林土胜1，李碧1,3 ，杨军1，张地2

(1.华南理工大学电子与信息学院，广东广州 510640;2.韶关学院计算机系，广东韶关 512005;
3.广东外语外贸大学信息学院，广东广州 510420）

收稿日期:2010-02-25 修回日期:2010-06-02 出版日期:2011-01-25 发布日期:2011-01-25
通讯作者: 罗忠亮 E-mail:luozl66@yahoo.com.cn
作者简介:罗忠亮(1973),男，湖南桂阳人，博士生，讲师，研究方向为数字图像处理及生物特征识别。林土胜(1945),男，广东化州人，博士，教授，研究方向为信号与信息处理、生物特征识别。李碧(1973),男，湖南涟源人，博士，副教授，研究方向为进化计算、数字图像处理、生物特征识别。杨军(1976),男，湖北天门人，硕士生，讲师，研究方向为图像处理与模式识别、视觉跟踪。
基金资助:
国家自然科学基金资助项目（60472006,60772117,60972136）;广州市科技计划项目（2009J1C401）

LUO Zhongliang1,2,LIN Tusheng1,LI Bi1,3,YANG Jun1，ZHANG Di2

(1.School of Electronics and Information,South China University of Technology,Guangzhou 510640;
2.Department of Computer Science,Shaoguan University,Shaoguan 512005;
3.School of Informatics,Guangdong University of Foreign Studies,Guangzhou 510420,China)

Received:2010-02-25 Revised:2010-06-02 Online:2011-01-25 Published:2011-01-25

摘要/Abstract

摘要：

为获得高品质的虹膜纹理特征，针对小波变换方向选择性差的局限和虹膜图像纹理丰富的特点，本文提出了一种基于轮廓波(Contourlet)变换的虹膜特征提取方法。首先对预处理后的虹膜图像进行Contourlet分解，然后根据高低频子带所表征的信息，采用不同特征提取策略，提取其低频分量的均值及标准差和不同尺度、不同方向上高频子带变换系数矩阵的能量作为特征值，最后利用支持向量机和汉明距离的方法对CASIA Ver1.0和MMU两类虹膜库中的图像进行测试。实验结果表明，同基于Harr小波和离散余弦变换等特征提取方法相比，该方法可获得较好的识别性能。

关键词: 特征提取, 轮廓波变换, 虹膜识别, 子带能量

Abstract:

In view of the limitation of poor direction selectivity about wavelet transform and iris image having rich texture features, an iris feature extraction method based on contourlet transform for obtaining high quality features is proposed in the paper. First of all, the preprocessed iris image is decomposed by contourlet, then, according to the information that high and low frequency subbands represent, it adopts different extraction ways, both the mean and variance of low frequency subband coefficients and the energy of high frequency subband coefficients are extracted to be the feature vectors. Finally, it carries the test on CASIA Ver1.0 and MMU iris databases with SVMs and Hamming distances. Compared with the feature extraction method based on the Harr wavelet and discrete cosine transform, the proposed method can achieve better performance.

Key words: feature extraction;contourlet transform;iris recognition;subband energy

罗忠亮1,2 ，林土胜1，李碧1,3 ，杨军1，张地2. 用于虹膜识别的轮廓波特征提取[J]. J4, 2011, 33(1): 77-81.

LUO Zhongliang1,2,LIN Tusheng1,LI Bi1,3,YANG Jun1，ZHANG Di2. [J]. J4, 2011, 33(1): 77-81.

[1]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[2]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[3]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[4]	陈巩, 李占利, 朱莉. 多尺度深度特征融合的个人信用风险预测[J]. 计算机工程与科学, 2023, 45(12): 2265-2273.
[5]	周成江, 贾云华, 张雨宽, 禄俊. 基于FCEEMD复合筛选的故障特征提取方法[J]. 计算机工程与科学, 2023, 45(11): 2070-2077.
[6]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[7]	张建伟, 周亚同, 史宝军, 何昊, 王文. 基于SSD算法的轻量化仪器表盘检测算法[J]. 计算机工程与科学, 2022, 44(08): 1418-1425.
[8]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[9]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[10]	姬子恒, 王斌. 基于深度学习的草图检索方法研究进展[J]. 计算机工程与科学, 2021, 43(12): 2190-2205.
[11]	王鑫, 廖祎玮, 赵国生, 王健, 谢宝文. 一种面向任务需求的群智感知任务分配模型[J]. 计算机工程与科学, 2021, 43(08): 1512-1520.
[12]	张永梅, 滑瑞敏, 马健喆, 胡蕾. 基于深度学习与超分辨率重建的遥感高时空融合方法[J]. 计算机工程与科学, 2020, 42(09): 1578-1586.
[13]	王思齐, 胡婧韬, 余广, 祝恩, 蔡志平. 智能视频异常事件检测方法综述[J]. 计算机工程与科学, 2020, 42(08): 1393-1405.
[14]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[15]	盛明伟，唐松奇，万磊，秦洪德，李俊. 基于改进CNN-RANSAC的水下图像特征配准方法[J]. 计算机工程与科学, 2020, 42(05): 859-868.

用于虹膜识别的轮廓波特征提取

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价