基于小波变换的虹膜识别方法研究及DSP实现

论文摘要

生物特征识别技术在现代生活中应用得越来越广泛,与其它人体生物特征(人脸,指纹,步态等)相比,虹膜特征具有非侵犯性和高度的稳定性和唯一性,随着研究的进一步的加深,虹膜识别的潜在价值愈来愈得到发掘,因而得到愈来愈多的科技研究者关注。虹膜识别的整个过程包括图像采集,虹膜图像预处理,特征提取和匹配识别,本文着重针对虹膜的特征提取阶段和匹配识别阶段进行了深入的研究,实现了基于一维小波变换和二维小波变换的虹膜特征提取,并运用加权海明距离分类器进行虹膜的匹配。最后本文还对matlab仿真下的虹膜识别算法进行了DSP实现,使其能在DSP开发环境CCS下运行。在虹膜识别的关键算法方面,本文着重研究了小波变换的理论与小波提取虹膜特征的实现方法。通过matlab仿真工具,找出最能反应虹膜纹理特征的小波分解级数和小波基,并给出了有效的虹膜去噪的方法和解决虹膜旋转不变性问题的算法,在分类器实现方面,摒弃了传统的最小海明距离分类器,而采用加权海明距离分类器。在虹膜识别的DSP实现方面,本文重点分析了matlab语法与C语言语法的差异以及硬件平台环境下与PC机环境下程序运行的特点,完成了matlab仿真下的算法在DSP硬件环境下的实现。在虹膜识别算法的优化内容中,本文详细介绍了DM6437的C语言代码优化策略和方法,并联系实际举例说明循环优化的具体实施步骤。并在最后给出了优化结果以及部分算法的优化前与优化后消耗时间的比较。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 生物特征识别和虹膜识别
• 1.1.1 生物特征识别
• 1.1.2 虹膜识别概述
• 1.2 虹膜识别技术的发展和现状
• 1.2.1 国外虹膜识别技术的发展
• 1.2.2 国内虹膜识别技术的发展
• 1.3 虹膜识别技术的实际应用
• 1.4 虹膜库简介
• 1.5 论文的主要研究内容和结构安排
• 第2章 虹膜图像的预处理
• 2.1 虹膜图像质量评估算法
• 2.2 虹膜外边缘定位
• 2.2.1 Hough变换检测圆
• 2.2.2 基于Hough变换的虹膜外边缘检测
• 2.3 虹膜内边缘定位
• 2.4 虹膜归一化
• 2.5 虹膜图像增强
• 2.6 本章小结
• 第3章 基于小波变换的特征提取及匹配
• 3.1 预备知识
• 3.1.1 小波变换概况
• 3.1.2 小波变换的数学定义
• 3.1.3 多分辨率分析
• 3.1.4 小波函数
• 3.1.4.1 Haar小波函数
• 3.1.4.2 Shannon小波函数
• 3.1.4.3 高斯小波函数
• 3.1.4.4 墨西哥小帽小波函数
• 3.1.4.5 Morlet小波函数
• 3.1.5 一维小波变换的Mallat算法
• 3.1.6 二维小波变换的Mallat算法
• 3.2 一维小波变换的特征提取
• 3.2.1 小波分解级数的选取
• 3.2.2 小波基的选取
• 3.2.3 虹膜识别中对噪声去除
• 3.2.4 解决旋转不变性的问题
• 3.2.5 虹膜编码及匹配
• 3.2.6 实验与结果分析
• 3.2.6.1 实验数据库简介
• 3.2.6.2 实验指标
• 3.2.6.3 实验数据分析
• 3.3 二维小波变换的特征提取
• 3.3.1 图像的二维小波分解
• 3.3.2 虹膜的特征表示
• 3.3.3 分类器的设计
• 3.3.4 实验与结果分析
• 3.3.4.1 分解级数及小波基的选取
• 3.3.4.2 总体测试结果
• 3.4 本章小结
• 第4章 虹膜识别算法在DSP系统上的实现
• 4.1 DSP硬件平台简介
• 4.2 从matlab到CCS的移植过程
• 4.2.1 matlab平台到VC平台需要注意的几点
• 4.2.1.1 matlab语法与C语言语法
• 4.2.2 标准C语言移植到CCS中需要注意的几点
• 4.2.2.1 C语言移植过程中编译器平台相关的数据类型之间的差别
• 4.2.2.2 编译器平台相关的序的问题
• 4.2.2.3 系统性能分析
• 4.2.2.4 存储器的配置
• 4.3 CCS环境下的程序优化
• 4.3.1 CCS3.3简介及CCS的优化选项
• 4.3.1.1 CCS3.3简介
• 4.3.1.2 CCS的优化选项
• 4.3.2 虹膜识别算法优化
• 4.3.2.1 存储器相关性的分析
• 4.3.2.2 C语言优化
• 4.3.2.3 线性汇编
• 4.3.3 优化结果及性能分析
• 4.3.3.1 定位性能测试
• 4.3.3.2 识别率的测试
• 4.3.3.3 部分虹膜识别函数优化对比
• 4.4 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢