HHT在虹膜识别中的应用：一种新型分析方法

"基于希尔伯特-黄变换的虹膜识别技术是一种先进的生物识别方法，通过利用Hilbert-Huang变换进行虹膜特征提取。这种方法能够有效地处理虹膜图像的各种变化，如平移、缩放、旋转、光照变化以及对高频噪声的抵抗。在CASIA虹膜数据库上的实验结果证明了其性能优越，与现有的最佳虹膜识别算法相媲美。" 虹膜识别是生物识别领域的重要组成部分，因其独特性和稳定性而备受关注。传统的虹膜识别方法通常依赖于特定的预处理步骤和特征提取策略，如模板匹配或局部二值模式(LBP)。然而，这些方法可能在面对真实世界中的复杂变化时表现不佳。 本文引入了Hilbert-Huang变换(HHT)，这是一种自适应的数据分析方法，特别适合处理非线性和非平稳信号，如生物信号。HHT由经验模态分解(EMD)和希尔伯特变换两部分组成。EMD可以将复杂的信号分解为一系列简化的分量，称为内在模态函数(IMF)，每个IMF代表信号的一个特定频率成分。希尔伯特变换则对这些IMF进行分析，提供它们的时间-频率表示，即瞬时频率。 在虹膜识别中，首先对虹膜图像进行标准化处理，然后将其划分为多个子区域。对于每个子区域，应用HHT来确定其主要频率中心，这些频率中心信息反映了虹膜的独特纹理和结构。这些主要频率中心构成特征向量，用于区分不同的虹膜。由于HHT的特性，这种方法在处理图像变形和噪声时具有较高的鲁棒性。 实验结果是在CASIA虹膜数据库上进行的，该数据库是目前最大的公开虹膜图像集合，包含了大量的虹膜样本和各种挑战情况。研究表明，基于HHT的虹膜识别方法在保持识别精度的同时，能够有效地应对实际应用中的各种图像变化。这表明HHT在虹膜识别领域的应用具有很大的潜力，可能在未来推动虹膜识别技术的发展，提高其在安全、身份验证等领域的实用性。 基于HHT的虹膜识别方法提供了一个强大的工具，用于从虹膜图像中提取稳定的、鲁棒的特征，这不仅有助于提高识别准确性，还有助于增强系统的可靠性。这种技术的未来研究可能会集中在优化HHT过程，减少计算复杂性，以及进一步提高在各种环境下的性能。