机器学习：二维EMD分解提高PCA掌纹识别率

第8卷第4期 智能系统学报 Vol.8 No.4 2013年8月 CAAI Transactions on Intelligent Systems Aug.2013 D0I:10.3969/i.issn.1673-4785.201211002 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20130326.0906.001.html 二维EMD分解提高PCA掌纹识别率 颜廷秦12，周昌雄 (1.苏州市职业大学电子信息工程系，江苏苏州215104：2.苏州市职业大学苏州市云计算智能信息处理高技术研 究重点实验室，江苏苏州215104) 摘要：为了提高常用于在线掌纹识别的PCA方法的识别率，提出融合BEMD技术的PCA掌纹识别方法.二维EMD 技术能够在频率域内实现图像的多层分解，在不同频段内对图像进行处理.掌纹图像的低频部分容易受到背景等因 素的影响，所以实验中提取、利用掌纹高频信息，去除低频信息，充分利用掌纹中的个人特征信息，抑制干扰，提高识 别率.基于香港理工大学掌纹数据库的仿真结果显示，这种方法的识别率远高于传统PCA方法，体现了一定的理论 研究意义和实用价值 关键词：二维经验模态分解：本征模式函数：主元分析：掌纹：生物特征识别 中图分类号：TP391文献标志码：A文章编号：1673-4785(2013)04-0377-04 中文引用格式：颜廷秦，周昌雄.二维EMD分解提高PC4掌纹识别率[J].智能系统学报，2013,8(4)：377-380. 英文引用格式：AN Tingqin,ZHOU Changxiong.The research of improving PCA recognition rate of palmprints with BEMD[J] CAAI Transactions on Intelligent Systems,2013,8(4):377-380. The research of improving PCA recognition rate of palmprints with BEMD YAN Tingqin 1,ZHOU Changxiong (1.Department of Electronic and Informational Engineering,Suzhou Vocational University,Suzhou 215104.China;2.Suzhou High- tech Key Laboratory of Cloud Computing Intelligent Information Processing,Suzhou Vocational University,Suzhou 215104,China) Abstract:For improving the recognition rate of principal component analysis(PCA)which often used in palmprint online recognition system,a new palmprint recognition method with PCA and bi_dimensional emperical mode de- composition(BEMD)is proposed in this article.An image can be decomposed with BEMD in frequency domain,so it can be processed in different frequency domains.Because the low frequency part of palmprints sis often influenced by the background,the high frequency information is used in our experiment to highlight the personal characristics, and as the result,the recognition rate is improved and the speed is faster.The result of experiments with the palm- print database of Hong Kong Polytechnic University shows the recognition rate of BEMD and PCA is more higher than traditional PCA,and the results also indicate that this method plays an important role in both theoretical re- search and practical application. Keywords:BEMD;IMF;PCA;palmprints;Biometric identification 随着信息化社会的发展，生物特征识别在很多 收稿日期：2012-10-26.网络出版日期：2013-03-26. 应用领域得到广泛应用14)，掌纹识别是其中一个 基金项目：国家自然科学基金资助项目(60970058)：江苏省自然科学 基金资助项目(BK2009131):苏州市科技基础设施建设计 重要分支[56.掌纹包含乳突、纹理、纹线、脊末梢、分 划资助项目(SZS201009):苏州市职业大学创新团队建设 叉点以及几何特征等，信息丰富，其中纹线特征健壮 资助项目(3100125)：苏州市职业大学校级课题资助项目 (2012 SZDYY04):苏州市云计算智能信息处理高技术研究 稳定，即使在低分辨率和低质量的图像中也能够清 重点实验室开放基金项目(SXZ201304). 通信作者：颜廷秦.E-mail:ytqmax(@gmail.com 晰地辨认.掌纹信息具有稳定性，形态由遗传基因控 制，被破坏后，新生的掌纹纹线仍保持着原来的结

第 ８ 卷第 ４ 期 智 能 系 统 学 报 Ｖｏｌ．８ №．４ ２０１３ 年 ８ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｕｇ． ２０１３ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１２１１００２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１３０３２６．０９０６．００１．ｈｔｍｌ 二维 ＥＭＤ 分解提高 ＰＣＡ 掌纹识别率 颜廷秦１，２ ，周昌雄１ （１．苏州市职业大学 电子信息工程系，江苏 苏州 ２１５１０４； ２． 苏州市职业大学 苏州市云计算智能信息处理高技术研 究重点实验室，江苏 苏州 ２１５１０４） 摘 要：为了提高常用于在线掌纹识别的 ＰＣＡ 方法的识别率，提出融合 ＢＥＭＤ 技术的 ＰＣＡ 掌纹识别方法．二维 ＥＭＤ 技术能够在频率域内实现图像的多层分解，在不同频段内对图像进行处理．掌纹图像的低频部分容易受到背景等因 素的影响，所以实验中提取、利用掌纹高频信息，去除低频信息，充分利用掌纹中的个人特征信息，抑制干扰，提高识 别率．基于香港理工大学掌纹数据库的仿真结果显示，这种方法的识别率远高于传统 ＰＣＡ 方法，体现了一定的理论 研究意义和实用价值． 关键词：二维经验模态分解；本征模式函数；主元分析；掌纹；生物特征识别 中图分类号： ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１３）０４⁃０３７７⁃０４ 中文引用格式：颜廷秦，周昌雄． 二维 ＥＭＤ 分解提高 ＰＣＡ 掌纹识别率［Ｊ］． 智能系统学报，２０１３， ８（４）： ３７７⁃３８０． 英文引用格式：ＡＮ Ｔｉｎｇｑｉｎ ，ＺＨＯＵ Ｃｈａｎｇｘｉｏｎｇ． Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｉｍｐｒｏｖｉｎｇ ＰＣＡ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐａｌｍｐｒｉｎｔｓ ｗｉｔｈ ＢＥＭＤ［ Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１３， ８（４）： ３７７⁃３８０． Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｉｍｐｒｏｖｉｎｇ ＰＣＡ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐａｌｍｐｒｉｎｔｓ ｗｉｔｈ ＢＥＭＤ ＹＡＮ Ｔｉｎｇｑｉｎ １，２ ， ＺＨＯＵ Ｃｈａｎｇｘｉｏｎｇ １ （１． Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｓｕｚｈｏｕ Ｖｏｃａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｕｚｈｏｕ ２１５１０４，Ｃｈｉｎａ； ２． Ｓｕｚｈｏｕ Ｈｉｇｈ－ ｔｅｃｈ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ＆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ， Ｓｕｚｈｏｕ Ｖｏｃａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｕｚｈｏｕ ２１５１０４ ， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｏｒ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ） ｗｈｉｃｈ ｏｆｔｅｎ ｕｓｅｄ ｉｎ ｐａｌｍｐｒｉｎｔ ｏｎｌｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ， ａ ｎｅｗ ｐａｌｍｐｒｉｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ＰＣＡ ａｎｄ ｂｉ＿ｄｉｍｅｎｓｉｏｎａｌ ｅｍｐｅｒｉｃａｌ ｍｏｄｅ ｄｅ⁃ ｃｏｍｐｏｓｉｔｉｏｎ（ＢＥＭＤ） ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ａｒｔｉｃｌｅ． Ａｎ ｉｍａｇｅ ｃａｎ ｂｅ ｄｅｃｏｍｐｏｓｅｄ ｗｉｔｈ ＢＥＭＤ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ， ｓｏ ｉｔ ｃａｎ ｂｅ ｐｒｏｃｅｓｓｅｄ ｉｎ ｄｉｆｆｅｒｅｎｔ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎｓ． Ｂｅｃａｕｓｅ ｔｈｅ ｌｏｗ ｆｒｅｑｕｅｎｃｙ ｐａｒｔ ｏｆ ｐａｌｍｐｒｉｎｔｓ ｓｉｓ ｏｆｔｅｎ ｉｎｆｌｕｅｎｃｅｄ ｂｙ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ， ｔｈｅ ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ｉｎｆｏｒｍａｔｉｏｎ ｉｓ ｕｓｅｄ ｉｎ ｏｕｒ ｅｘｐｅｒｉｍｅｎｔ ｔｏ ｈｉｇｈｌｉｇｈｔ ｔｈｅ ｐｅｒｓｏｎａｌ ｃｈａｒａｃｒｉｓｔｉｃｓ， ａｎｄ ａｓ ｔｈｅ ｒｅｓｕｌｔ， ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｉｓ ｉｍｐｒｏｖｅｄ ａｎｄ ｔｈｅ ｓｐｅｅｄ ｉｓ ｆａｓｔｅｒ． Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ ｗｉｔｈ ｔｈｅ ｐａｌｍ⁃ ｐｒｉｎｔ ｄａｔａｂａｓｅ ｏｆ Ｈｏｎｇ Ｋｏｎｇ Ｐｏｌｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ ｓｈｏｗｓ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ＢＥＭＤ ａｎｄ ＰＣＡ ｉｓ ｍｏｒｅ ｈｉｇｈｅｒ ｔｈａｎ ｔｒａｄｉｔｉｏｎａｌ ＰＣＡ， ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ａｌｓｏ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｂｏｔｈ ｔｈｅｏｒｅｔｉｃａｌ ｒｅ⁃ ｓｅａｒｃｈ ａｎｄ ｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：ＢＥＭＤ； ＩＭＦ； ＰＣＡ； ｐａｌｍｐｒｉｎｔｓ； Ｂｉｏｍｅｔｒｉｃ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ 收稿日期：２０１２⁃１０⁃２６． 网络出版日期：２０１３⁃０３⁃２６． 基金项目：国家自然科学基金资助项目（６０９７００５８）；江苏省自然科学 基金资助项目（ＢＫ２００９１３１）；苏州市科技基础设施建设计 划资助项目（ＳＺＳ２０１００９）；苏州市职业大学创新团队建设 资助项目（３１００１２５）； 苏州市职业大学校级课题资助项目 （２０１２ＳＺＤＹＹ０４）；苏州市云计算智能信息处理高技术研究 重点实验室开放基金项目（ＳＸＺ２０１３０４）． 通信作者：颜廷秦． Ｅ⁃ｍａｉｌ：ｙｔｑｍａｘ＠ ｇｍａｉｌ．ｃｏｍ． 随着信息化社会的发展，生物特征识别在很多 应用领域得到广泛应用［１⁃４］ ，掌纹识别是其中一个 重要分支［５⁃６］ ．掌纹包含乳突、纹理、纹线、脊末梢、分 叉点以及几何特征等，信息丰富，其中纹线特征健壮 稳定，即使在低分辨率和低质量的图像中也能够清 晰地辨认．掌纹信息具有稳定性，形态由遗传基因控 制，被破坏后，新生的掌纹纹线仍保持着原来的结

·378· 智能系统学报 第8卷 构：掌纹信息具有惟一性，即使是孪生同胞也不会完 的多个MF分量，从而实现图像按频率分层处理.具 全一样：掌纹信息采集具有非侵犯性，用户比较容易 体实现过程可以描述如下： 接受，对采集设备要求不高所以掌纹识别广泛应用 假定f(x,y)表示原始二维图像 在保安系统、犯罪识别及身份证明等方面，同时也是 1)进行初始化，提取MF分量后剩余图像为 模式识别理论中比较典型的多类型判别问题， r(x,y)=f(x,y). 由于掌纹在识别领域的良好特性，很多学者在 2)如果达到分解层数，迭代终止，否则h(x,y)= 这一领域进行了大量的研究工作)众多的识别方 r(x,y）),进行迭代 法大致可以分为2类：1)基于掌纹结构特征的提取 3)找出h(x,y)中的极大值和极小值点，拟合包 与识别[劉，由于掌纹信息丰富、差异性大，所以这类 络曲面ux(x,y)和un(x,y),求包络曲面均值 方法难度较大：2)基于子空间投影的方法[，对原 m(x,y）=[umr(x,y）+uin(x,y）)]/2 始掌纹进行映射变换或矩阵运算，使掌纹转换到特 4)计算本征模式函数(IMF)分量： 征子空间，然后进行识别.独立组件分析(independ- h(x,y)=h(x,y)-m(x,y). ent component analysis,ICA)和主元分析(principal 如果h(x,y)满足要求，停止迭代：否则返回步骤3) component analysis,PCA)识别属于后者，ICA虽然 5)计算MF分量IMF(x,y)=h(x,y). 识别率高于PCA,但运算量大，无法实现在线识别， 6)求剩余图像： PCA识别速度快，在很多应用中识别率能够满足要 r(x,y)=r(x,y)-IMF(x,y). 求，常用于在线识别为了提高在线识别率，本文将 转到2) 二维经验模态分解(bi_dimensional emperical mode 结束迭代后，得到的分解结果为 decomposition,BEMD)[o]引入PCA的识别方法中， 提出融合BEMD技术的PCA掌纹识别方法. f(x,y)= ∑IMF(x,y）+.(x,y) =1 BEMD利用形态学方法拟合图像的上下包络曲 掌纹识别实验中，取n=4,去除残余分量，用全部 面，从原图像中提取不同频率分量.去除容易受到背 MF分量重构掌纹.图1给出了一幅掌纹的原始图像 景影响的低频信息，综合高频分量重构掌纹，用于识 和重构图像的对比，可以看出重构掌纹消除了背景影 别PCA又称K-L变换，目的是在最小误差下寻找原 响，突出了掌纹的个人细节特征，本文在这种重构掌 始数据的最简表示，从而达到对特征空间进行降维的 纹集上进行训练，提取PCA特征并实现识别 目的它可以有效地找出数据中最“主要”成分，去除 噪音和冗余，将复杂数据降维，揭示隐藏在复杂数据 背后的简单本质，是一种优秀的线性分析方法.本文 采用BEMD方法处理掌纹图像，掌纹中的个人特征信 息集中于高频部分，实验中用BED高频信息重构特 征掌纹，并利用PCA方法投影识别. (a)原始掌纹 )重构掌纹 1 BEMD 图1原始掌纹和BEMD高频重构图像 EMD能够把信号分解为频率从高到低的多个 Fig.1 A palmprint image and its reconstruction with high frequency BEMD information 本征模式函数(intrinsic mode functions,IMF)分量， 作为优秀的信号处理工具，在各个领域里得到了广 2 融合BEMD的PCA识别算法 泛应用 二维经验模态分解(BEMD)是把EMD扩展到 主元分析(PCA)简称K-L变换，是一种常用的 二维的情况，由于不需要选择基函数，在二维信号处 正交变换它通过建立一个新的坐标系，解除原有数 据向量的各个分量之间相关性，达到降维的目的，是 理中比小波变换更为灵活这种技术一经出现，就被 生物特征识别中常用的空间转换方法 成功地应用在图像处理中.图像的BEMD分解实质 上是先找出图像的区域极值点，分别用极大值点集 在BEMD_PCA方法中，首先用BEMD处理掌 和极小值点集拟合图像的包络曲面，原图像减去2 纹图像，得到600幅111×111大小的BEMD特征掌 个包络曲面的均值，得到一个本征模式函数(MF) 纹，凸显掌纹信息特征取每一种掌纹的前3幅，共 300幅掌纹形成300x12321的训练矩阵 分量.这个过程迭代下去就可以得到频率从高到低 取均值，根据式(1)计算中心化掌纹

构；掌纹信息具有惟一性，即使是孪生同胞也不会完 全一样；掌纹信息采集具有非侵犯性，用户比较容易 接受，对采集设备要求不高．所以掌纹识别广泛应用 在保安系统、犯罪识别及身份证明等方面，同时也是 模式识别理论中比较典型的多类型判别问题． 由于掌纹在识别领域的良好特性，很多学者在 这一领域进行了大量的研究工作［７］ ．众多的识别方 法大致可以分为 ２ 类：１）基于掌纹结构特征的提取 与识别［８］ ，由于掌纹信息丰富、差异性大，所以这类 方法难度较大；２） 基于子空间投影的方法［９］ ，对原 始掌纹进行映射变换或矩阵运算，使掌纹转换到特 征子空间，然后进行识别．独立组件分析（ ｉｎｄｅｐｅｎｄ⁃ ｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ＩＣＡ） 和主元分析（ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ＰＣＡ） 识别属于后者，ＩＣＡ 虽然 识别率高于 ＰＣＡ，但运算量大，无法实现在线识别， ＰＣＡ 识别速度快，在很多应用中识别率能够满足要 求，常用于在线识别．为了提高在线识别率，本文将 二维经验模态分解（ ｂｉ＿ｄｉｍｅｎｓｉｏｎａｌ ｅｍｐｅｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ， ＢＥＭＤ） ［１０］引入 ＰＣＡ 的识别方法中， 提出融合 ＢＥＭＤ 技术的 ＰＣＡ 掌纹识别方法． ＢＥＭＤ 利用形态学方法拟合图像的上下包络曲 面，从原图像中提取不同频率分量．去除容易受到背 景影响的低频信息，综合高频分量重构掌纹，用于识 别．ＰＣＡ 又称 Ｋ⁃Ｌ 变换，目的是在最小误差下寻找原 始数据的最简表示，从而达到对特征空间进行降维的 目的．它可以有效地找出数据中最“主要”成分，去除 噪音和冗余，将复杂数据降维，揭示隐藏在复杂数据 背后的简单本质，是一种优秀的线性分析方法．本文 采用 ＢＥＭＤ 方法处理掌纹图像，掌纹中的个人特征信 息集中于高频部分，实验中用 ＢＥＭＤ 高频信息重构特 征掌纹，并利用 ＰＣＡ 方法投影识别． １ ＢＥＭＤ ＥＭＤ 能够把信号分解为频率从高到低的多个 本征模式函数（ ｉｎｔｒｉｎｓｉｃ ｍｏｄｅ ｆｕｎｃｔｉｏｎｓ， ＩＭＦ）分量， 作为优秀的信号处理工具，在各个领域里得到了广 泛应用． 二维经验模态分解（ＢＥＭＤ）是把 ＥＭＤ 扩展到 二维的情况，由于不需要选择基函数，在二维信号处 理中比小波变换更为灵活．这种技术一经出现，就被 成功地应用在图像处理中．图像的 ＢＥＭＤ 分解实质 上是先找出图像的区域极值点，分别用极大值点集 和极小值点集拟合图像的包络曲面，原图像减去 ２ 个包络曲面的均值，得到一个本征模式函数（ ＩＭＦ） 分量．这个过程迭代下去就可以得到频率从高到低 的多个 ＩＭＦ 分量，从而实现图像按频率分层处理．具 体实现过程可以描述如下： 假定 ｆ（ｘ，ｙ）表示原始二维图像． １） 进行初始化，提取 ＩＭＦ 分量后剩余图像为 ｒ（ｘ，ｙ）＝ ｆ（ｘ，ｙ）． ２）如果达到分解层数，迭代终止，否则ｈ（ｘ，ｙ）＝ ｒ（ｘ，ｙ），进行迭代． ３）找出 ｈ（ｘ，ｙ）中的极大值和极小值点，拟合包 络曲面 ｕｍａｘ（ｘ，ｙ）和 ｕｍｉｎ（ｘ，ｙ），求包络曲面均值． ｍ（ｘ，ｙ） ＝ ［ｕｍａｘ（ｘ，ｙ） ＋ ｕｍｉｎ（ｘ，ｙ）］ ／ ２． ４）计算本征模式函数（ＩＭＦ）分量： ｈ（ｘ，ｙ） ＝ ｈ（ｘ，ｙ） － ｍ（ｘ，ｙ）． 如果 ｈ（ｘ，ｙ） 满足要求，停止迭代；否则返回步骤 ３）． ５）计算 ＩＭＦ 分量 ＩＭＦ（ｘ，ｙ）＝ ｈ（ｘ，ｙ）． ６）求剩余图像： ｒ（ｘ，ｙ） ＝ ｒ（ｘ，ｙ） － ＩＭＦ（ｘ，ｙ）． 转到 ２）． 结束迭代后，得到的分解结果为 ｆ（ｘ，ｙ） ＝ ∑ ｎ ｊ ＝ １ ＩＭＦｊ（ｘ，ｙ） ＋ ｒｎ（ｘ，ｙ）． 掌纹识别实验中，取 ｎ ＝ ４，去除残余分量，用全部 ＩＭＦ 分量重构掌纹．图 １ 给出了一幅掌纹的原始图像 和重构图像的对比，可以看出重构掌纹消除了背景影 响，突出了掌纹的个人细节特征，本文在这种重构掌 纹集上进行训练，提取 ＰＣＡ 特征并实现识别． 图 １ 原始掌纹和 ＢＥＭＤ 高频重构图像 Ｆｉｇ．１ Ａ ｐａｌｍｐｒｉｎｔ ｉｍａｇｅ ａｎｄ ｉｔｓ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｗｉｔｈ ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ＢＥＭＤ ｉｎｆｏｒｍａｔｉｏｎ ２ 融合 ＢＥＭＤ 的 ＰＣＡ 识别算法 主元分析（ＰＣＡ）简称 Ｋ⁃Ｌ 变换，是一种常用的 正交变换．它通过建立一个新的坐标系，解除原有数 据向量的各个分量之间相关性，达到降维的目的，是 生物特征识别中常用的空间转换方法． 在 ＢＥＭＤ＿ＰＣＡ 方法中，首先用 ＢＥＭＤ 处理掌 纹图像，得到 ６００ 幅 １１１×１１１ 大小的 ＢＥＭＤ 特征掌 纹，凸显掌纹信息特征．取每一种掌纹的前 ３ 幅，共 ３００ 幅掌纹形成 ３００×１２ ３２１的训练矩阵． 取均值，根据式（１）计算中心化掌纹． ·３７８· 智 能 系 统 学 报 第 ８ 卷

第4期 颜廷秦，等：二维EMD分解提高PCA掌纹识别率 ·379· 中=30之 实验数据采用香港理工大学数据库中的掌纹 (1) 每种掌纹6幅图像，数据库中共有100种掌纹的 式中：x为每一幅掌纹对应的向量，中为中心化 600幅图像，图3显示了其中的一种掌纹.对全部掌 向量 纹图像进行BEMD分解，用高频BEMD分量重构掌 计算中心化向量中，形成训练样本的特征值和 纹图像取每种掌纹的前3幅图像进行训练，后3幅 特征向量，根据特征值大小，选取m个主要的特征 图像进行测试 向量形成12321×m维的特征向量子空间B.图2显 图4显示了BEMD_PCA和PCA2种方法的识 示了对应的8个最大特征值的特征向量. 别率.可以看出，BEMD_PCA方法在基向量数量m< 20时，识别率随m增加快速上升，维数m≥20时， 识别率基本稳定.本文方法最大识别率为92.000%. 平均识别率为86.670%，PCA方法最大识别率为 65.000%,平均识别率为59.390%：因此本文方法的 平均识别率比PCA方法高45.930% (a)PCA 1.0 0.8 0.6 0.4 --=-.PCA -BEMD-PCA 50100150200250300 基向量个数 (b)BEMD PCA 图2PCA和BEMD PCA的前8个最大特征图像 图4 BEMD PCA和PCA的识别率 Fig.2 The first 8 feature images generated with PCA Fig.4 The recognition rate of BEMD PCA and PCA and BEMD PCA 表1给出了BEMD_PCA和PCA的部分识别 把300个训练样本分别投影到特征向量子空 率.对特征向量维数从5取值到最大值300做连续 间，计算其PCA系数，得到300xm的系数矩阵，即 仿真，可以发现识别率并不是随着维数增加而单调 300个训练掌纹对应的PCA系数.把测试掌纹投影 增加，而是有一个最佳值.对BEMD_PCA方法，维数 到特征子空间B,获得相应的PCA系数.把这个系 为60时，识别率最大，为92.000%；对PCA方法，维 数与训练掌纹的PCA系数比较，实现掌纹数据的识 数为100时，识别率最大，为65.000%. 别 表1 BEMD PCA和PCA的部分识别率 Table 1 Partial recognition rate of BEMD_PCA and PCA 3实验结果与分析 基数量m BEMD PCA PCA 实验采用AMD athlon双核CPU、主频 0.91667 0.57333 60 0.92000 0.62333 2.21GHz、960MB内存的工作平台，对PCA和EMD 80 0.88333 0.63333 重构掌纹的PCA识别方法(BEMD_PCA)分别进行 100 0.89000 0.65000 仿真测试 120 0.88667 0.64000 最大值 0.92000 0.65000 平均值 0.86670 0.59390 X 结束语 本文提出了融合BEMD技术的PCA掌纹识别 方法，是一种新的掌纹识别算法.用香港理工大学掌 图3一种掌纹的6幅图像（前3幅和后3幅的拍摄时 纹数据库中的掌纹样本图像进行实验，本文算法的 间间隔为3个月) 平均识别率比PCA方法高45.930%；另外，PCA方 Fig.3 Six images of a palmprint(the time interval be- 法训练识别速度快，而BEMD分解重构可以在图像 tween the first 3 images and the last 3 images is 3 months)

ϕｉ ＝ ｘｉ － １ ３００∑ ３００ ｊ ＝ １ ｘｉ ． （１） 式中：ｘｉ 为每一幅掌纹对应的向量，ϕｉ 为中心化 向量． 计算中心化向量 ϕｉ 形成训练样本的特征值和 特征向量，根据特征值大小，选取 ｍ 个主要的特征 向量形成１２ ３２１×ｍ 维的特征向量子空间 Ｂ．图 ２ 显 示了对应的 ８ 个最大特征值的特征向量． （ａ）ＰＣＡ （ｂ）ＢＥＭＤ＿ＰＣＡ 图 ２ ＰＣＡ 和 ＢＥＭＤ＿ＰＣＡ 的前 ８ 个最大特征图像 Ｆｉｇ．２ Ｔｈｅ ｆｉｒｓｔ ８ ｆｅａｔｕｒｅ ｉｍａｇｅｓ ｇｅｎｅｒａｔｅｄ ｗｉｔｈ ＰＣＡ ａｎｄ ＢＥＭＤ＿ＰＣＡ 把 ３００ 个训练样本分别投影到特征向量子空 间，计算其 ＰＣＡ 系数，得到 ３００×ｍ 的系数矩阵，即 ３００ 个训练掌纹对应的 ＰＣＡ 系数．把测试掌纹投影 到特征子空间 Ｂ，获得相应的 ＰＣＡ 系数．把这个系 数与训练掌纹的 ＰＣＡ 系数比较，实现掌纹数据的识 别． ３ 实验结果与分析 实 验 采 用 ＡＭＤ ａｔｈｌｏｎ 双 核 ＣＰＵ、 主 频 ２．２１ ＧＨｚ、９６０ ＭＢ内存的工作平台，对 ＰＣＡ 和 ＥＭＤ 重构掌纹的 ＰＣＡ 识别方法（ＢＥＭＤ＿ＰＣＡ）分别进行 仿真测试． 图 ３ 一种掌纹的 ６ 幅图像（前 ３ 幅和后 ３ 幅的拍摄时 间间隔为 ３ 个月） Ｆｉｇ．３ Ｓｉｘ ｉｍａｇｅｓ ｏｆ ａ ｐａｌｍｐｒｉｎｔ（ ｔｈｅ ｔｉｍｅ ｉｎｔｅｒｖａｌ ｂｅ⁃ ｔｗｅｅｎ ｔｈｅ ｆｉｒｓｔ ３ ｉｍａｇｅｓ ａｎｄ ｔｈｅ ｌａｓｔ ３ ｉｍａｇｅｓ ｉｓ ３ ｍｏｎｔｈｓ） 实验数据采用香港理工大学数据库中的掌纹， 每种掌纹 ６ 幅图像，数据库中共有 １００ 种掌纹的 ６００ 幅图像，图 ３ 显示了其中的一种掌纹．对全部掌 纹图像进行 ＢＥＭＤ 分解，用高频 ＢＥＭＤ 分量重构掌 纹．图像取每种掌纹的前 ３ 幅图像进行训练，后 ３ 幅 图像进行测试． 图 ４ 显示了 ＢＥＭＤ＿ＰＣＡ 和 ＰＣＡ ２ 种方法的识 别率．可以看出，ＢＥＭＤ＿ＰＣＡ 方法在基向量数量 ｍ＜ ２０ 时，识别率随 ｍ 增加快速上升，维数 ｍ≥２０ 时， 识别率基本稳定．本文方法最大识别率为 ９２．０００％， 平均识别率为 ８６． ６７０％，ＰＣＡ 方法最大识别率为 ６５．０００％，平均识别率为 ５９．３９０％；因此本文方法的 平均识别率比 ＰＣＡ 方法高 ４５．９３０％． 图 ４ ＢＥＭＤ＿ＰＣＡ 和 ＰＣＡ 的识别率 Ｆｉｇ．４ Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ＢＥＭＤ＿ＰＣＡ ａｎｄ ＰＣＡ 表 １ 给出了 ＢＥＭＤ＿ＰＣＡ 和 ＰＣＡ 的部分识别 率．对特征向量维数从 ５ 取值到最大值 ３００ 做连续 仿真，可以发现识别率并不是随着维数增加而单调 增加，而是有一个最佳值．对 ＢＥＭＤ＿ＰＣＡ 方法，维数 为 ６０ 时，识别率最大，为 ９２．０００％；对 ＰＣＡ 方法，维 数为 １００ 时，识别率最大，为 ６５．０００％． 表 １ ＢＥＭＤ＿ＰＣＡ 和 ＰＣＡ 的部分识别率 Ｔａｂｌｅ １ Ｐａｒｔｉａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ＢＥＭＤ＿ＰＣＡ ａｎｄ ＰＣＡ 基数量 ｍ ＢＥＭＤ＿ＰＣＡ ＰＣＡ ４０ ０．９１６ ６７ ０．５７３ ３３ ６０ ０．９２０ ００ ０．６２３ ３３ ８０ ０．８８３ ３３ ０．６３３ ３３ １００ ０．８９０ ００ ０．６５０ ００ １２０ ０．８８６ ６７ ０．６４０ ００ 最大值 ０．９２０ ００ ０．６５０ ００ 平均值 ０．８６６ ７０ ０．５９３９０ ４ 结束语 本文提出了融合 ＢＥＭＤ 技术的 ＰＣＡ 掌纹识别 方法，是一种新的掌纹识别算法．用香港理工大学掌 纹数据库中的掌纹样本图像进行实验，本文算法的 平均识别率比 ＰＣＡ 方法高 ４５．９３０％；另外，ＰＣＡ 方 法训练识别速度快，而 ＢＥＭＤ 分解重构可以在图像 第 ４ 期 颜廷秦，等：二维 ＥＭＤ 分解提高 ＰＣＡ 掌纹识别率 ·３７９·

·380· 智能系统学报 第8卷 预处理中进行，所以这种方法能够满足在线掌纹识 palmprint recognition algorithms[].Acta Automatica Sini- 别应用，具有一定的实用价值. ca.2010.36(3):353-365. [8]GUO Zhenhua,ZUO Wangmeng,ZHANG Lei,et al.A u- 参考文献： nified distance measurement for orientation coding in palm- [1]CHANG C P,LEE J C,SU Yu,et al.Using empirical print verification[J].Neurocomputing,2010,73(4/5/6): 944-950. mode decomposition for iris recognition [J].Computer Standards Interfaces,2009,31(4):729-739 [9]薛玉利，彭玉华，周新虹.基于实值Gabor变换的掌纹 识别[J].计算机工程与应用，2007,43(6)：216-219. [2]CHEN Jian,SMITH R T,TIAN Jie,et al.A novel registra- XUE Yuli,PENG Yuhua,ZHOU Xinhong.Palmprint rec tion method for retinal images based on local features[C]// 30th Annual International Conference of the IEEE.Vancou- ognition based on real discrete Gabor transform[J].Com- ver,Canada,2008:2242-2245. puter Engineering and Applications,2007,43(6):216- 219 [3]韩民，彭玉华，张顺利，等.基于经验模态分解的虹膜识 别[J].光学学报，2010,30(2)：364-368. [10]YANG Zhihua,YANG Lihua.A new two-dimensional em- HAN Min,PENG Yuhua,ZHANG Shunli,et al.Iris recog- pirical mode decomposition based on classical empirical nition based on empirical mode decomposition[J].Acta Op- mode decomposition and radon transform[C]//Proceedings tica Sinica,2010,30(2):364-368. of the International MultiConference of Engineers and Com- [4]FAZEKAS A J,BURGESS K S,KESANAKURTI P R,et puter Scientists.Hong Kong,China,2009:471-476. al.Multiple multilocus DNA barcodes from the plastid ge- 作者简介： 颜廷秦，男，1971年生，副教授，主 nome discriminate plant species equally well [J].PLoS 0NE,2008,105(8):2923-2928. 要研究方向为人工智能和数字图像处 [5]LI Wei,ZHANG Lei,ZHANG D,et al.Efficient joint 2D 理，发表学术论文15篇，其中被检 索2篇. and 3D palmprint matching with alignment refinement[C]// 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco,USA,2010:1-7. [6]ZHANG D,GUO Zhenhua,LU Guangming,et al.An on- line system of multi-spectral palmprint verification [J]. 周昌雄，男，1965年生，教授，博士， 主要研究方向为图像处理，发表学术论 IEEE Transactions on Instrumentation and Measurement, 文30篇，其中被EI检索8篇. 2010,59(2):480-490. [7]岳峰，左旺孟，张大鹏.掌纹识别算法综述[J].自动化 学报，2010,36(3)：353-365. YUE Feng,ZUO Wangmeng,ZHANG Dapeng.Survey of

预处理中进行，所以这种方法能够满足在线掌纹识 别应用，具有一定的实用价值． 参考文献： ［１］ ＣＨＡＮＧ Ｃ Ｐ， ＬＥＥ Ｊ Ｃ， ＳＵ Ｙｕ， ｅｔ ａｌ． Ｕｓｉｎｇ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｆｏｒ ｉｒｉｓ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｊ ］． Ｃｏｍｐｕｔｅｒ Ｓｔａｎｄａｒｄｓ ＆ Ｉｎｔｅｒｆａｃｅｓ， ２００９， ３１（４） ： ７２９⁃７３９． ［２］ＣＨＥＮ Ｊｉａｎ， ＳＭＩＴＨ Ｒ Ｔ， ＴＩＡＮ Ｊｉｅ， ｅｔ ａｌ． Ａ ｎｏｖｅｌ ｒｅｇｉｓｔｒａ⁃ ｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｒｅｔｉｎａｌ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｌｏｃａｌ ｆｅａｔｕｒｅｓ［Ｃ］ ／ ／ ３０ｔｈ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ ＩＥＥＥ． Ｖａｎｃｏｕ⁃ ｖｅｒ， Ｃａｎａｄａ， ２００８： ２２４２⁃２２４５． ［３］韩民， 彭玉华， 张顺利，等． 基于经验模态分解的虹膜识 别［Ｊ］． 光学学报， ２０１０， ３０（２）： ３６４⁃３６８． ＨＡＮ Ｍｉｎ， ＰＥＮＧ Ｙｕｈｕａ， ＺＨＡＮＧ Ｓｈｕｎｌｉ， ｅｔ ａｌ． Ｉｒｉｓ ｒｅｃｏｇ⁃ ｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］． Ａｃｔａ Ｏｐ⁃ ｔｉｃａ Ｓｉｎｉｃａ， ２０１０， ３０（２）： ３６４⁃３６８． ［４］ＦＡＺＥＫＡＳ Ａ Ｊ， ＢＵＲＧＥＳＳ Ｋ Ｓ， ＫＥＳＡＮＡＫＵＲＴＩ Ｐ Ｒ， ｅｔ ａｌ． Ｍｕｌｔｉｐｌｅ ｍｕｌｔｉｌｏｃｕｓ ＤＮＡ ｂａｒｃｏｄｅｓ ｆｒｏｍ ｔｈｅ ｐｌａｓｔｉｄ ｇｅ⁃ ｎｏｍｅ ｄｉｓｃｒｉｍｉｎａｔｅ ｐｌａｎｔ ｓｐｅｃｉｅｓ ｅｑｕａｌｌｙ ｗｅｌｌ ［ Ｊ ］． ＰＬｏＳ ＯＮＥ， ２００８， １０５（８）： ２９２３⁃２９２８． ［５］ＬＩ Ｗｅｉ， ＺＨＡＮＧ Ｌｅｉ， ＺＨＡＮＧ Ｄ， ｅｔ ａｌ． Ｅｆｆｉｃｉｅｎｔ ｊｏｉｎｔ ２Ｄ ａｎｄ ３Ｄ ｐａｌｍｐｒｉｎｔ ｍａｔｃｈｉｎｇ ｗｉｔｈ ａｌｉｇｎｍｅｎｔ ｒｅｆｉｎｅｍｅｎｔ［Ｃ］ ／ ／ ２０１０ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｎ Ｆｒａｎｃｉｓｃｏ， ＵＳＡ， ２０１０： １⁃７． ［６］ＺＨＡＮＧ Ｄ， ＧＵＯ Ｚｈｅｎｈｕａ， ＬＵ Ｇｕａｎｇｍｉｎｇ， ｅｔ ａｌ． Ａｎ ｏｎ⁃ ｌｉｎｅ ｓｙｓｔｅｍ ｏｆ ｍｕｌｔｉ⁃ｓｐｅｃｔｒａｌ ｐａｌｍｐｒｉｎｔ ｖｅｒｉｆｉｃａｔｉｏｎ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ， ２０１０， ５９（２）： ４８０⁃４９０． ［７］岳峰， 左旺孟， 张大鹏． 掌纹识别算法综述［ Ｊ］．自动化 学报， ２０１０， ３６（３）： ３５３⁃３６５． ＹＵＥ Ｆｅｎｇ， ＺＵＯ Ｗａｎｇｍｅｎｇ， ＺＨＡＮＧ Ｄａｐｅｎｇ． Ｓｕｒｖｅｙ ｏｆ ｐａｌｍｐｒｉｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ［ Ｊ］． Ａｃｔａ Ａｕｔｏｍａｔｉｃａ Ｓｉｎｉ⁃ ｃａ， ２０１０， ３６（３）： ３５３⁃３６５． ［８］ＧＵＯ Ｚｈｅｎｈｕａ， ＺＵＯ Ｗａｎｇｍｅｎｇ， ＺＨＡＮＧ Ｌｅｉ， ｅｔ ａｌ． Ａ ｕ⁃ ｎｉｆｉｅｄ ｄｉｓｔａｎｃｅ ｍｅａｓｕｒｅｍｅｎｔ ｆｏｒ ｏｒｉｅｎｔａｔｉｏｎ ｃｏｄｉｎｇ ｉｎ ｐａｌｍ⁃ ｐｒｉｎｔ ｖｅｒｉｆｉｃａｔｉｏｎ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０１０， ７３（４ ／ ５ ／ ６）： ９４４⁃９５０． ［９］薛玉利， 彭玉华， 周新虹． 基于实值 Ｇａｂｏｒ 变换的掌纹 识别［Ｊ］．计算机工程与应用， ２００７， ４３（６）： ２１６⁃２１９． ＸＵＥ Ｙｕｌｉ， ＰＥＮＧ Ｙｕｈｕａ， ＺＨＯＵ Ｘｉｎｈｏｎｇ． Ｐａｌｍｐｒｉｎｔ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｅａｌ ｄｉｓｃｒｅｔｅ Ｇａｂｏｒ ｔｒａｎｓｆｏｒｍ［ Ｊ］． Ｃｏｍ⁃ ｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００７， ４３ （ ６）： ２１６⁃ ２１９． ［１０］ＹＡＮＧ Ｚｈｉｈｕａ， ＹＡＮＧ Ｌｉｈｕａ． Ａ ｎｅｗ ｔｗｏ⁃ｄｉｍｅｎｓｉｏｎａｌ ｅｍ⁃ ｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｌａｓｓｉｃａｌ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｒａｄｏｎ ｔｒａｎｓｆｏｒｍ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＭｕｌｔｉＣｏｎｆｅｒｅｎｃｅ ｏｆ Ｅｎｇｉｎｅｅｒｓ ａｎｄ Ｃｏｍ⁃ ｐｕｔｅｒ Ｓｃｉｅｎｔｉｓｔｓ． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ， ２００９： ４７１⁃４７６． 作者简介： 颜廷秦，男，１９７１ 年生，副教授，主 要研究方向为人工智能和数字图像处 理，发表学术论文 １５ 篇，其中被 ＥＩ 检 索 ２ 篇． 周昌雄，男，１９６５ 年生，教授，博士， 主要研究方向为图像处理，发表学术论 文 ３０ 篇，其中被 ＥＩ 检索 ８ 篇． ·３８０· 智 能 系 统 学 报 第 ８ 卷