张雪锋,吕冰姿

(西安邮电大学 通信与信息工程学院， 陕西 西安 710061)

生物特征识别技术已经成为当前身份识别领域的主要技术之一[1]。常用的生物特征有语音、指纹、掌纹、虹膜、人脸、DNA等[2]。其中，由于掌纹具有采集方便、纹理特征丰富、易于识别等特性，已经被应用于身份识别的众多领域[3]。

掌纹识别的关键技术是特征提取。目前，主要的掌纹特征提取技术包括：基于掌纹结构的特征提取，如点特征、线特征[4]；基于掌纹纹理的特征提取，如灰度共生矩阵、Gabor变换[5-6]；基于空域-频域分析的特征提取，如傅里叶变换、小波变换等[7-8]；基于子空间的掌纹特征提取，如主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)、独立成分分析(independent component analysis,ICA)[3]

二维经验模式分解(bidemensional empirical mode decomposition,BEMD)是一种具有自适应性的时频局部化多尺度分析算法[9]，被广泛应用于图像处理中，如图像压缩、图像去噪、图像轮廓提取[10-11]等。基于BEMD的掌纹处理算法将掌纹图像分解成从高频到低频、具有不同特征尺度的固有模态分量(intrinsic mode function,IMF)和一个残余分量。传统的BEMD算法存在着边界效应、曲面插值、筛分停止条件[12]等不足，后续学者对算法进行了改进，文献[13]提出了一种新的筛分停止条件，文献[14]针对分解过程中的边界效应提出了改进方案。文献[15]提出利用前4个IMF分量重构掌纹图像并用于掌纹识别。

主成分分析(principal component analysis,PCA)是一种线性降维的多元统计分析法，现已广泛应用于人脸、指纹、掌纹、虹膜的特征提取和识别中[16]。将二维的掌纹图像矩阵转化成一维的图像向量，然后进行PCA分析，计算量大，识别率不高。……