（生物医学工程专业论文）基于图像力场转换原理的耳廓特征提取技术研究.pdf

复旦大学硕士学位论文 t h ee a ri m a g ef e a t u r ee x t r a c t i o n t e c h n o l o g yb a s e do nf o r c ef i e l d t r an s f o r m a t i o n a b s t r a c t e a rd e t e c t i o na n de a rf e a t u r ee x t r a c t i o ni sa ne s s e n t i a id a r to fe a r b i o m e t r i ci d e n t i f l c a t i o nt e c h n o l o g y e a rh a v es o m ea d v an t a g e ss u c h a sl o wc a p a c i t yo fd a t e ，e a s yo fd a t a b a s eb u i l d i n g ，c o l o rd i s t r i b u t i o n u n i f o r m i t ya n ds t a b i l i t y t h i sp a p e rd e s c r i b e st h ei m a g eb yf o r c ef i e l d a n d e n e r g y f i e l db a s e do nt h em e t h o do fr e v e r s i b l el i n e a r t r a n s f o r m a t i o n w el o c a t et h ee a ri m a g ef e a t u r ep o i n t sa c c o r d i n gt o t h ec h a r a c t e rt h a t t h ef i e l di i n e sw o u l dc o n v e r g et o w a r dt h ei o c a l m i n i m u mv a l u eo fi m a g ee n e r g y i nt h ep r o c e s so fe x p e r i m e n t s t h e e a ri m a g ei sn o r m a l i z e df i r s t a n dt h e nw ei o c a t ea n de x t r a c tt h e f e a t u r ep o i n tf r o mt h ef o r c ef i e l di m a g e b ya d j u s t i n gt h ef o r c ef i e l d m o d e l ，f o r o e l i n e sa r e c o n v e r g e dt o t h ec l o s e s t p i x e l s t h i s d e r f o r m a n c e r e s o l v e st h ep r o b l e mo ft h ec o n f l i c tb e t w e e n d i s c r e t e n e s so fi m a g es a m p l e sa n dc o n t i n u u mo f f o r c ef i e l d m o r e o v e r , b a s e do nf o r o ef i e l dt r a n s f o r m a t i o n ，t h ei n f o r m a t i o no fc o n v e r g e n c eo f u n i tm a g n i t u d ea r r o w sw a so b t a i n e d ，w er e a c ht h eb e t t e rc o n c l u s i o n f o re x t r a c t i n ge d g eo fd i v e r g e n c ef e a t u r e sf r o mv e c t o rf i e l d k e y w o r d s ： e a rr e c o g n i t i o n ；g r a d sv e c t o rf i e l d ： f o r c ef i e l d t r a n s f o r m ：e n e r g yt r a n s f o r m c l cn u m b l e ：q 81 9 4 复旦大学硕士学位论文 引言 识别过程是被人类时刻履行的过程，众所周知，人类具有很强的模式识别能 力，可以轻易辨认出入脸，识别出声音，它是人类智能的重要组成部分，但是简 单的识别过程背后却是非常复杂的处理机制，要使机器模拟类似人的模式识别能 力非常困难。生物识别技术是模式识别技术中的一个重要内容，它利用人体固有 的生物特征对人身份进行鉴别，早在几千年前，指纹作为最早的身份鉴别工具已 经在古代中国和叙利亚开始应用，到了1 9 世纪，研究犯罪学的学者对生物识别 产生了浓厚兴趣，从此，测定个人身体特征的概念就确定下来。 互连网和全球信息化的飞速发展，使得开放信息系统存在的安全隐患凸现出 来，网络安全成为倍受人们关注的重要社会问题。9 1 1 事件后，传统的身份鉴别 手段受到极大挑战，不法者屡屡以伪造证件、护照等方法通过身份验证，绘社会 秩序和安全带来威胁。随着国际恐怖活动的加剧，生物测定学技术悄然登上历史 舞台，在边检、司法、军事、世界反恐斗争等领域发挥重要作用，被称为生物密 码。 目前已为大众熟知的生物识别技术有d n a 识别、指纹识别、虹膜识别、面 像识别等。耳廓识别作为一种新的生物识别技术逐渐受到人们关注，早在1 0 0 年前，研究犯罪方面的学者就对此产生兴趣并应用于刑事案件的调查和侦破中。 耳廓识别常常被和面像识别进行比较，我们可以通过相貌区别不同的人，耳廓被 证明同样具有特异性而能够为识别提供依据，并且具有空间分辨率低、结构稳定、 不易受表情姿态等影响等优势。 目前，至少有三种方法用于耳廓身份鉴别：基于耳廓图像的方法、基于耳纹 的方法和基于耳廓温谱图的方法，它们分别被应用于不同的实际问题。其中利用 耳纹的方法在犯罪案件侦破中发挥过重要作用，但耳纹信息量不足的局限性使得 其在某些国家不能作为指控证据；温谱图在遮蔽情况下具有定的优势，但是温 度变化带来的不可靠性使其无法作为精确的鉴别依据。随着模式识别、图像处理 和信息传感等技术的飞速发展，图像在生物识别领域发挥了重要作用，指纹识别、 面像识别、虹膜识别等均是在获取特征图像的基础上进行研究的。a l f r e d i a n n a r a l l i 最早利用耳廓图像的1 2 个测量值进行身份识别，为基于耳廓的生物识 别技术研究和发展拉开了序幕。随着通讯和信息技术的发展，适合于计算机视觉 进行自动耳廓识别的方法逐渐发展起来，1 2 个测量值的识别方法被认为不适合 于计算机自动识别，因为它的预处理和初始位置设定过多的依赖人工参与，给广 泛的应用带来障碍。因此，出现了利用主成分分析的方法、利用v o r o n o l 图的方 法和基于形态特征和神经网络结合识别的方法等。p c a 方法借鉴了面像识别的 复旦大学硕士学位论文 方法，但是传统的主成分分析法主要反应图像在光照上的变换，对分类和识别有 一定副作用，必须结合其它方法一起才能取得较好的效果。h u r l e y ，n i x o n 和c a r t e r ( 2 0 0 3 ) 将耳廓图像通过可逆线性变换转换为能量场，能量场保存了原图像的信 息，其可逆性使图像信息可从能量场中予以恢复，和标量的能量场相对应一个矢 量的力场，通过力场转换，弱化了均匀分布像素区域而突出了边缘信息，经论证， 耳廓具有稳定的形状结构，而该变换正是强化图像要表达的耳廓结构。在力场的 基础上运用表达矢量场轨迹的场线提取特征点，进而进行识别的方法具有较好的 鲁棒性和可靠性，具有良好的应用前景。 本文基于图像能量场和力场转换的方法，并在场线生长末期对力场模型进行 修整，取得较好的特征点定位结果。另外，在力场的基础上进步进行方向矢量 的散度分析，得到力场的收敛特征，并获得基于收敛的特征图像，同样获得满意 的特征提取结果。 6 复旦大学硕士学位论文 1 1 生物识别技术简介 1 1 1 生物识别技术概述 第一章绪论 生物识别技术( b i o m e t r i c si d e n t i f i c a t i o nt e c h n o l o g y ) 是通过计算机与光学、 声学、生物传感器和生物统计学原理等高技术手段密切结合，利用人体固有的生 物特征来进行个人身份的鉴定。人体生物特征是唯一的，根据可以测定或可自动 识别和验证的生理特性和行为方式，分为生理特征和行为特征。 生理特征与生俱来，为先天形成，如d n a 、指纹、眼睛虹膜、面像、耳廓 等：行为特征则是习惯使然，多为后天形成，如笔迹、步态等。因此，我们统称 的生物识别包括指纹识别、虹膜识别、面像识别、掌纹识别、声音识别、签名识 别、笔迹识别、手形识别、步态识别及多种生物特征融合识别等诸多种类。生物 特征与人体唯一绑定，具有其它身份鉴定手段无法比拟的优点。 通常的生物识别过程分为四个步骤：1 、生物数据的采集；2 、生成模板；3 、 对比；4 、生成结果。 1 1 2 生物识别与信息安全 圈1 i 、生物识别流程图 社会不断进步，互连网迅速发展，人们对信息的需求越来越大，因此涉及信 息安全的问题愈来愈突出。身份识别是保护信息安全的一个重要方法，如何准确 识别一个人的身份，有效保护信息安全是当今信息化时代必须解决的一个关键社 会问题。 传统的身份识别方法主要分为基于标志的认证和基于知识的认证。基于标志 的认证主要通过检查“你有什么”来达到认证的目的，常见身份标识物品有钥匙、 证件、自动取款机的银行卡等；基于知识的认证主要通过检查“你知道什么”来 确认身份，常见身份标识知识包括用户名、密码等。但标识物品容易丢失或被伪 造，标识知识容易遗忘或记错，更为严重的是传统身份识别系统往往无法区分标 墨呈奎堂堡主兰堡丝苎 识物品真正的拥有者和取得标识物品的冒充者，一旦他人获得标识物品，就可以 拥有相同的权力。 网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，对人类 自身身份识剐的准确性、安全性与实用性提出更高要求。传统的身份识别方法已 经远远不能满足这种要求，人类必须寻求更为安全可靠、使用方便的身份识别新 途径。于是，生物识别悄然兴起，并应运而生为一神新的身份识别技术。 生物识别技术认定的是人本身，生物特征是目前最为方便与安全的识别依 据，每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定 性，很难在个体之间传递，这种独一无二的标志不易伪造和假冒，没有什么能比 这种认证方式更安全、更准确、更可靠了。此外，生物特征识别技术的发展和应 用水平的提高，为身份的认证和识别提供了先进的技术手段。生物识别技术产品 均借助于现代计算机技术实现，很容易配合电脑和安全、监控、管理系统整合， 实现自动化管理。 目前，国外许多高新技术公司正在试图用眼睛虹膜、指纹、面貌特征等取代 人们手中的信用卡或密码，并且已经开始在机场、银行和各种电子器具上迸行了 实际应用。比尔益茨曾做过这样的断言，生物识别技术将成为未来几年i t 产业 的重要革新，它将在未来提供解决方案方面占据重要的地位。 l ，1 ，3 应用分类 生物识别的应用可分为两类：验证( v e r i f i c a t i o n ) 和辨识( i d e n t i f i c a t i o n ) 。 验证就是通过把一个现场采集到的生物特征与一个已经注册的生物特征模板进 行一对一的比对，来确认身份的过程。作为验证的前提条件。被测者的生物特征 模扳必须存在于数据库中，并与其身份代码( p 矾) 联系起来。随后在对比现场 先验证身份代码，然后，利用系统数据库中的模板与现场采集到的特征比对。验 证事实上需要回答的问题是“他是否是这个人”；辨识约过程要将样本与数据库 中的每一个模板分别匹配，从而确定此样本属于哪个人，它是一对多的匹配方式， 回答这样一个问题“他是谁”? 可用于生物识别的生物特征须满足一下条件： 1 ) 、广泛性：每个人都应该具有这种特征； 2 ) 、惟一性：每个人拥有的特征应该各不相同： 3 ) 、稳定性：所选择的特征应该不随时间变化雨发生变化； 4 ) 、可采集性：所选择的特征应该便于测量； 5 ) 、防伪性：这一特征不易被伪造、窃取。 复旦大学硕上学位论文 1 1 4 精确度指标 对于任何一种生物识别技术，系统精度衡量标志是识别率，人们引入了相关 数字指标进行描述：错误拒绝率( f a r ，f a u l t r e j e c t i o n r a t e ) 、错误接受率( f a r ， f a u l t a c c e p t a n c e r a t e ) 和相同错误率( e e r ，e q u a l e r r o r r a t e ) 。 f r r 错误拒绝率又称为拒识率，指相同人的特征误认为是不同的人，而加以 拒绝的出错概率 f r r = 拒识数考察的总数* 1 0 0 f a r 错误接受率又称为认假率，指将不同人的特征认为是相同的，而加以接 收的出错概率 f a r = 错判数考察的总数* 1 0 0 一 计算机在判别时采用的阈值不同， 。 这两个指标也不同。般情况下，错误 。 接受率f a r 随阈值的增大( 放宽条件) m - m 而增大，错误拒绝率f r r 随阚值的增 * 大而减小。因此，可以采用错误率e r r 。 作为性能指标，这是调节阈值，f a r ” 曲线和f r r 曲线交点的错误率称相同 错误率e e r ，它表征了生物识别系统 识别总体误判率的大小。 3 mm t 锄 确蟪 圈1 2 、f a r 与f r r 关系图 测试结果与所运行的分析数据库( 源) 有关，权威机构认为，生物识剐系统 在应用中1 的误判率就可以满足需要 11 5 生物识别的应用与发展 人类利用生物特征识别的历史可追溯到古代埃及人通过测量人体各部位的 尺寸来进行身份鉴别，现代生物识别技术始于7 0 年代中期，可广泛用于政府、 军队、银行、社会福利保璋、电子商务、安全防务等领域。美国9 1 l 事件后， 反恐怖活动已成为各国政府的共识，加强机场的安全防务受到各国的重视，生物 识别技术得到了广泛的应用。生物识别技术与信息技术相结合，是本世纪最有发 展潜力的技术之一。据国际生物集团的统计，到2 0 0 5 年底，全球生物特征认证 技术的市场将达到2 2 亿美元，并以每年超过8 0 的速度增长。业内专家保守估 计，未来5 年，我国也将形成近百亿元的市场。随着生物特征认证技术的不断成 熟以及应用面的扩大，这个数字还将继续增长。 实际的应用给基于生物特征的身份鉴别系统提出了更多的要求： 1 ) 、性能要求，所选择的生物统计特征能够达到多高的识别率； 9 复旦丈学硕士学位论文 2 ) 、对于资源的要求，识别的效率如何： 3 ) 、可接受性，使用者在多大程度上愿意接受所选择的生物统计特征系统； 4 ) 、安全性能，系统是否能够防止被攻击； 5 ) 、是否具有相关的、可信的研究背景作为技术支持： 6 ) 、提取的特征容量、模板是否占用较小的存储空间； 7 ) 、价格是否为用户所接受； 8 ) 、是否具有较高的注册和识别速度； 9 ) 、是否具有非侵犯性。 遗憾的是，到目前为止，还没有任何一种单项生物特征可以满足上述全部要 求。基于各种不同生物特征的身份鉴别系统各有优缺点，分别适用于不同的范围。 数据融合是一种通过集成多知识源的信息和不同专家的意见以产生一个决策的 方法，将数据融合方法用于身份鉴别，结合多种生理和行为特征进行身份鉴别， 提高鉴别系统的精度和可靠性，这无疑是身份鉴别领域发展的必然趋势。 1 2 几种生物识别技术横向比较 生物识别技术可以被分为三类：离级生物识别技术( h i g hb i o m e t r i c s ) ，如视 网膜，虹膜和指纹；次级生物识别技术( l e s sb i o m e t r i c s ) ，如掌形、脸形、耳廓、 语音、签字；“深奥的”生物识别技术( e s o t e r i cb i o m e t r i c s ) ，如血管纹理、人体 气味等。目前，只有三种生物识别技术中的身体特征及行为特点被认为是固有的 和唯一的；视网膜、虹膜和指纹，因此，这三种身体特征在生物识别技术中具有 最高的可信度和准确度。 ( 1 1 虹膜识别技术 虹膜是一种在眼睛中瞳孔内的织物状各色环状物，每一个虹膜都包含一个独 一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特 征的结构，据称，没有任何两个虹膜是一样的。虹膜扫描安全系统可靠性很高， 不易被欺骗。 优点：特征可靠性极高，无需物理接触，便于用户使用。 缺点：没有进行过任何钡4 试是其最为主要的缺点，当前虹膜识别系统只是用 统计学原理进行小规模的实验，没有经过现实世界的唯一认证的实验；设备昂贵； 镜头可能产生图像畸变而使可靠性降低：黑眼睛极难读取：需要较好光源。 ( 2 ) 视网膜识别 视网膜被认为比虹膜更唯一的生物特征通过激光照射眼球的背面以获得视 l o 复县大学硕士学位论文 网膜特征的唯一性。 优点：是一种机器固定的生物特征，不磨损、不老化、不受疾病影响；无需 物理接触；不会被伪造，是最难欺骗的系统。 缺点：未经测试：使用激光照射可能会影响受测者健康：难以降低成本，市 场应用不大。 ( 3 ) 指纹识别 指纹识别技术是最为古老的身份识别技术，公元前7 0 0 0 - - 6 0 0 0 年，古叙利 亚人和中国人就意识到了指纹的特点，并使用其作为身份的象征。现在，指纹识 别仍然是技术最完善、快速、准确的生物识别手段，有着坚实的市场背景。指纹 识别技术通过分析指纹的全局特征和局部特征，特征点如嵴、谷和终点、分叉点 或分歧点，从指纹中抽取的特征值，可以非常详尽以便可靠地通过指纹来确认一 个人的身份。 优点：指纹是人体独一无二的特征，其复杂度足以提供用于鉴别的足够特征； 误判率和拒真率低；指纹采集的方式使其成为读取人体生物特征最可靠的方法： 具有很高的：识别速度快，应用方便：成本低；安全性强，系统扫描对身体无害。 缺点：指纹易磨损，手指太干或太湿不易提取图像；指纹获取需要受测者的 配合，容易使人心理上产生惧怕感。 语音识别 语音识别是一种行为识别技术，主要包含特征提取技术、模式配准技术及模 型训练技术三个方面，最适于通过电话来进行身份识别。 优点：语音识别系统成本低廉：非接触，用户可自然地接受。 缺点：准确性差，声音易因多种因素影响发生变化，难于精确匹配；声音容 易伪造，声音识别系统易受欺骗；高保真麦克风价格昂贵。 ( 5 ) 签字识别 也被称作签名力学辨识( d s v ) ，和语音识别一样，它也是种行为测定学。 签字识剐分析笔的移动，例如加速度、压力、方向以及笔划的长度。签名力学的 关键在于区分出不同的签名部分，有些是习惯性的，而另一些在每次签名时都不 同。 优点：签名作为身份认证的手段已经用了几百年，在公众心里已有所接受， 是一种公认的身份识别技术。 缺点：随着经验的增长，性情和生活方式的变化，签名也会随之而改变，为 处理不可避免的自然改变，必须在安全方面予以妥协：速度慢，无法在i n t e m e t 上使用；用于签名的手写板结构复杂而且价格昂贵，因为和笔记本电脑的触摸板 复旦大学硕士学位论文 的分辨率差异很大，在技术上将两者结合起来较难；难以将它的尺寸小型化。 ( 6 ) 面像识别 面像识别技术包含面像检测、面像跟踪和面像比对等。面像检测是指在动态 的场景与复杂的背景中，判断是否存在面像并分离出面像；面像跟踪指对被检测 到的面像进行动态目标跟踪；面像比对则是对被检测到的面像进行身份确认或在 面像库中进行目标搜索。 面像识别技术通过对面部特征和他们之间的关系来进行识别，识别技术基于 这些唯一的特征时是非常复杂的，这需要人工智能和机器知识学习系统，用于拓 扑面部图像的两项技术为标准视频和热成像技术。面像识别技术的核心技术在于 “局部特征分析( l o c a lf e a t u r ea n a l y s i s ，l f a ) ”和“图形识别算法”，l f a 是基 于以下事实的一种计算方法，即所有的面像( 包括各种复杂的式样) 都可以从由 很多不能再简化的结构单元子集综合而成，这些单元使用了复杂的统计技术而形 成的，它们代表了整个面像，通过这种方式，l f a 将个人的特征对应成复杂的数 学表达式，以此进行对比和识别。该算法速度快，误认低，无需学习。 优点：无需被动配合，可以自动用在某些特定场合；可远距离采集图像；可 充分利用已有的人脸数据库资源，直观、方便，成本低。 缺点：周围光线环境和拍摄姿态都可能影响系统的精确性：面像识别技术的 改进依赖于特征与对比技术的提高，图像采集设备几个昂贵 影响人体面部因素 如发型、饰物、老化等的变化需要通过人工智能来得到补偿，机器学习功能必须 不断地将以前得到的图像和现在得到的进行比对，以改进核心数据和弥补微小的 差别；成本昂贵。 1 2 复旦大学硕士学位论文 e a rf o f i n v o i c e ( t o n e ) d n a o d o r k e y b o a r ds t r o k e s c o m p a r i s o n p a s s w o r d 0 0 0 0 0 0 0 0 0 o 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ：o ；0 9 0 0 0 0 0 0 0 ：。i 二- k ： ? 千 + 表1 1 、几种生物识别技术比较t b r o m b a g m b h ，2 0 0 3 ) ( 较好的方法具有较多的0 标志，反之较少) 复旦大学硕士学位论文 第二章耳廓识别的背景及研究现状 基于生物特征的身份识别，由于受到技术成熟度的影响，几乎每种识别方式 都有其一定的适用范围和要求，单一的生物特征识别系统在实际应用中显现出各 自的局限性，迄今为止，还没有哪一个单项特征能达到完美无缺的要求。每种生 物特征都有自己的适用范围。比如，有些人的指纹无法提取特征，黑眼睛的人利 用虹膜识别会有障碍，面部表情、光照、饰物等的影响，导致面相识别准确率难 以提高等等。 在诸多生物识别技术中，面像识别以其主动、非侵犯和用户友好等优势，成 为当今生物识别研究的热点，但面部特征由于表情、年龄、姿态等外部因素影响， 识别率受到限制，而且，目前侧面人脸识别仍存在很大的困难。耳廓是侧面人脸 图像的重要特征，可在获得面部图像的同时获得耳廓图像，数据采集非常方便。 在对安全性要求较高的应用领域，人们往往需要融合多种生物特征来实现高精度 的识别系统，而数据可同时获取的优点为耳廓和面像的融合识别提供了有利的前 提。耳廓生物识别是新型的生物测定学技术，没有其它如面像识别、指纹识别等 应用广泛，但是基于耳廓特征的身份识别曾经在司法和犯罪案件侦缉中发挥熏要 作用。随着耳廓识别研究的深入，相应的技术和应用也逐渐发展和成熟，在荷兰， 某些加油站失窃的录像记录中，罪犯戴棒球帽将头发、面部遮住以掩饰身份，而 耳廓暴露在外面并通过监视设备被获取，于是警方通过暴露的耳廓图像进行分析 将罪犯识别出来【l 】。设在银行的图像采集设备可以同时获取提款人的面部和耳廓 图像，必要时通过耳廓和面像的联舍识别，可弥补单纯依赖面部图像识别的不足。 k y o n gc h a n g 等人采用面像与耳廓特征相融合的方法，在决策层上进行面像识 别试验，证明可大幅提高身份识别的准确率。 2 1 耳辞的生理结构 耳廓位于头部两侧，上缘齐眉，下缘达鼻翼高度其长轴与鼻梁平行，与颅侧 壁约呈3 0 度角，由弹性软组织和结缔组织构成，表面覆盖着皮肤。耳廓前外侧 凹凸不平，从前方观察，可见耳廓周缘卷曲，耳廓主要由耳轮、对耳轮、三角窝、 耳周、耳甲，耳屏、对耳屏和耳垂组成，有较为固定的生理结构。 人耳产生后4 个月生长基本成形，4 月到8 岁期间增长5 倍，然后就保持稳 定直到7 0 岁左右。 1 4 如图2 1 所示 圈2 1 、耳廓的生理结构 2 2 耳廓识别的可行性分析 早在1 0 0 多年以前，人们就已经开始对通过耳廓特征进行身份鉴别的产生兴 趣，但是许多年来，问题被集中在是否能够证明耳廓具有各异性和稳定性，从而 能够为生物识别提供可靠依据? 2 2 1 耳廓形状的各异性 验证耳廓特征特异性的著名实验由a l f r e di a n n a r e l l i 于1 9 8 9 年完成【2 l 。 a 1 f r e di a n n a r e l l i 是美国著名法律和犯罪研究顾问，他研制的耳廓分类系统被 美国法律执行机构所采用。在1 9 4 9 年末，经过两年多军事安全和法律实施领域 的实践，他对将利用耳廓进行身份鉴别的方法运用于刑事案件研究产生兴趣，并 继而研究开发了耳廓身份鉴别i a n n a r e l l i 系统，接下来的1 4 年里，他对7 0 0 0 多 个从照片中提取的耳廓特征进行分类，第一版关于耳廓分类方法的著作于1 9 6 4 年发表，1 9 8 8 年最终修订版完成。 基于1 2 测度的“i a n n a r e l l i 系统”如图2 2 所示： 复旦大学硕士学位论文 图2 2 、1 2 蝮“j a l l l a r c j j j 系统 将进行标准化的耳廓图像固定于预先定义的画架上，测量每个已编号区域间 的距离，鉴别基于获得的1 2 个测量值并结合性别、种族信息共同完成。 1 9 8 9 年a l f r e di a n n a r e l l i 进行了两项大规模的耳廓身份鉴别研究： 第一：从1 0 0 0 0 多个随机采集的图像样本中提取耳廓进行研究； 第二：对双胞胎和非双胞胎的特征进行研究。 两项实验证明了耳廓各异性的假设，即使是孪生予，其耳廓的生理特征也仅 仅是相似而非完全相同。 2 , 2 2 耳廓形状的稳定性 生物特征的稳定性是指其随着年龄、时间、伤害等的影响保持最小改变的性 质，是基于该特征进行生物识别的重要前提。 2 0 0 3 年，生物测定学专家组织对包括耳廓在内的不同人体特征进行比较，根 据表2 1 所示，随着时间的变化，耳廓拥有和指纹、掌形同等的稳定性3 1 。 b i o m e t r i et r a i t f i n g e r p r i n t ( m i n u t i a ) s i g n a t u r e ( d y n a m i c ) f a c i a ls t r u c t u r e i r i sp a t t e r n 1 6 p e r m a n e n c eo v e rt i m e 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 复旦大学硕士学位论文 表2 1 、不同生物特征随时间变化的稳定性( o r o m b sg m b h 2 0 0 3 ) ( 高稳定性具有较多的o 标志，反之较少) 2 2 3 耳廓识别的优势 ( 1 1 主动性：进行虹膜、指纹、d n a 等特征的识别时，都需要受测者被动配 合，对受测者来说是一种干扰。而耳廓和面像识别无需受测者行为的配合，只需 从一架摄像机前走过，即可快速的采集和检钡，非常方便。 ( 2 ) 不受表情变化影响：对人脸脸部表情的分析通常是在人机交互的情况下 进行的，在作为单个人脸的静态识别中，表情的变化往往影响识别的精确性，也 降低了识别算法的性能。耳廓不易受表情变化的影响，在不同的表情下人耳保持 相对稳定的结构。 ( 3 ) 不受年龄变化影响：人脸随年龄的变化而变化，时间越长，越难辨认， 而人耳从8 岁至7 0 岁均保持不变的结构，可靠性极高。 ( 4 ) 空间分辨率低：人脸是一种三维非刚性目标，随着姿态变化呈现较大的 差异，相对来讲耳廓具有形状较小、色泽分布均匀、空间分辨率低的优势。 2 3 耳廓识别方法 目前，至少有三种方法用于耳廓身份鉴别：基于耳纹的方法、基于耳廓温谱 图的方法和基于耳廓图像的方法，它们分别被应用于不同的实际问题。 2 3 1 基于耳纹的方法 当耳朵压在某些材料( 例如：玻璃) 上时会留下耳纹，耳纹可以被提取用于 身份识别【4 【5 1 。这种方法已经被广泛采用于犯罪案件的侦破当中，在英国， 1 9 9 6 年至1 9 9 8 年间，仅仅通过耳纹已有4 名罪犯被绳之以法。然而，在荷兰，法庭 认为耳纹常常不能提供足够的细节信息以至于影响鉴别的可靠性，因此不能作为 最终审判违法者的证据。 2 32 基于温谱图的方法 我们常常遇到耳朵被头发部分或全部遮盖的现象，此时可通过温谱图提取被 遮蔽的耳廓轮廓。如图2 3 所示： 在温谱图中，不同的颜色和纹理用于表示发现的不同部位。头发温度大约在 2 7 2 至2 9 7 摄氏度之间，外耳廓温度大约在3 0 0 至3 7 2 摄氏度之间，通过温 谱图可以快速进行耳朵的检测和定位【1 2 1 1 3 】【1 4 】。( b u r g ee ta 1 ，2 0 0 0 ) 但该方法是一个倍受争议的方法，因为人体体温由于运动、情绪、身体状况 等影响会发生较大的变化，利用温谱图可以很好的将耳朵定位，但是它提供的信 息不够完整和可靠，很难利用此图像进行准确的身份鉴别，实际应用受到很大限 制。 图2 , 3 、耳廓的温谱图 1 8 复巨大学硕士学位论文 2 3 3 基于图像的方法 基于图像的方法是运用最为广泛也是相比较最为可靠的识别方法，自 i a n n a r e l l i 分类方法实现后，出现了多种不同的、更加科学的基于图像的耳廓鉴别 技术【6 m 。 ( 1 ) a l f r e dl a n n a r e l l i 创建的“i a n n a r e u i 系统”是比较早的基于图像的分类方 法，但是b u r g e 和b u r g e r 评述该方法并不适应于机器视觉，因为计算机自动定 位解剖学意义的点是非常困难的，如果第一个点定义不够准确，那么所有的测量 结果都是没有意义的，该评价也获得了i a n n a r e l l i 本人的认同，他承认该方法的 确存在这样的缺点。 ( 2 ) v i c t o r 、b o w y e r 和s a r k a r 比较面部和耳廓的识别，运用主成分分析法 ( p c a ) ，在低维的特征空间进行分类【8 】【9 】【1 0 1 【l l l 。整个过程包括三个步骤； 预处理 标准化 识别 大致流程如图所示： 图2 4 、p c a 方法实现步骤 预处理过程将耳廓图像从面部图像中提取出来并裁减至4 0 0 * 5 0 0 像素 在三角窝和对耳屏处分别标记两个并列的点，如图2 5 所示。 1 9 复且大学颂j l 学位论文 国2 5 、初始点标记 标准化过程包含几何调整、遮蔽和光度调整，这个阶段所有的图像按比例缩 放为标准的尺寸1 3 0 1 5 0 ，遮蔽如头发、背景等无耳区域，之后进行光度调整。 识别过程分为两部分：训练和测试。在训练阶段，提取训练集的特征值和特 征向量，并保留9 8 的能量：测试阶段，每一个目标样本和库内的样本进行匹 配。子空问分析法可以看作是特征抽取过程，特征抽取和判决两部分没有明显界 限。 该方法图像的灰度数据直接用来学习和识别，无需任何低级或中级处理，并 通过降维有效的对高维数据进行压缩，识别方法较简单。但是它对尺度变化敏感， 在姿态和光照变化时性能下降，且学习时间长，只能离线计算。 ( 2 ) b u r g e 和b u r g e r 研究了运用边缘曲线v o r o n o i 图自动识别耳廓的方法。 v o r o n o i 图是俄国数学家g v o r o r t i 最早发现的，自十七世纪以来，其应用范 围已涉及数学、物理生态环境等多个领域。运用v o r o n o i 图构造骨架是一种描述 图形形状信息的方法【2 】【1 3 1 1 1 4 l 【1 5 】n 6 】【1 7 】。见下图2 6 ： d ，h 恻【id 州 ( f 】n - 1 p h4 1 p h 田2 6 、耳廓生物测定图模型 画画国固 复旦大学硕士学位论文 该方法执行步骤为： 图像获取：使用c c d 照相机获取3 0 0 * 5 0 0 的侧面头部灰度图像； 耳廓定位：运用可变型轮廓线的方法定位耳廓： 边缘提取：通过c a n n y 算子提取分割出来的耳廓边缘； 曲线提取：移除小的曲线段( 长度小于1 0 ) ，保留大的曲线段，使边缘 松散； 建立图模型：建立曲线v o r o n o i 图。 利用v o r o n o i 图的方法由于曲线空间关系的差异导致图模型产生变动，可能 导致较高的拒识率。 ( 3 ) m o r c n o 等人运用基于几何方法和统计方法的分类技术，运用多重识别方 法结合的手段对迸行耳廓识别。 利用检测水平边沿的s o b e l 算子和检测垂直边沿的s o b c l 算子对图像进行 处理，在此基础上提取七个具有解剖意义的特征点，并基于耳廓特征点建立分类 器。 圈2 7 、外耳廓图像的特征点 在h v 的侧面图像进行垂直切割、水平切割和对角线切割，其交叉点经 标准化处理后做为基于耳廓形状和皱褶的结构特征的形态向量，并对这些向量进 行训练建立分类器。 “ 卜一 圈z 8 、耳廓图像切割方案 蠕燃 复旦大学硕士学位论文 根据输入图像建立压缩神经网络，获取压缩向量，并以此作为输入节 点的分类方法。 圈2 9 、建立神经网络 该方法认为获得一个鲁棒的高性能的识别系统的核心思想是对给定的识别 目标运用多种相补充的技术，这种复合的分类器利用每一个单独分类器的结果， 通过多种分类的组合可以获得比只依赖单独分类器更优异的识别结果。目前已有 的融合技术有贝叶斯网络、线性加权或神经网络。 ( 4 ) h u r l e y ，n i x o n 和c a r t e r 等提出利用图像能量场转换的方法提取耳廓 特征，该方法具有与图像分辨率和初始值设置无关，抗噪声和鲁棒的特性，十分 适应于耳廓这种没有明确特征点的生物特征的识别 2 2 】 2 3 】 2 4 】【2 5 1 。 本实验主要运用图像至场转换提取特征的思想，并结合实际问题对该方法进 行调整，主要开展的工作如下，详细内容在后面的章节将进行进一步分析： l 、图像预处理； 2 、图像的能量场转换： 3 、图像的力场转换； 4 、基于力场场线的特征点定位： 5 、基于力场单位方向向量的散度分析； 6 、力场收敛特征图像的边缘提取。 复旦大学硕士学位论文 第三章耳廓图像的力场和能量场转换 3 1 图像预处理 耳廓的识别主要依赖于耳廓的结构特征，即依赖不同个体之间差异较大而对 同一个人则相对稳定的度量。由于耳廓结构本身的复杂性和图像采集过程的不确 定性，图像的预处理过程对于耳廓图像的特征提取的精度显得尤为重要。 3 1 ，1 图像来源 本实验采用s o n yd s c - f t l 7 数码相机图像尺寸为2 5 6 0x1 9 2 0 拍摄的彩色数 码照片为实验样本，静态b m p 图像，拍摄光照条件为自然环境光，较好体现耳 廓区域的灰度分布特征。 3 1 2 彩色图像到灰度图像的转换 原始图像为r g b 彩色图像，纹理信息由l r 、l 6 、h 描述，由式( 1 ) 知。图像能 量函数与像素点灰度值成正比，因此，须进行r g b 至灰度值的转换，根据彩色解 码方程，把一幅彩色图像转化为灰度图像的转换方程为： p = 0 3 kd - o 5 9 l o + o 1 1 l b ( 1 ) 3 1 3 图像大小归一化处理 通过数码相机直接获取的耳廓图像包含较多的信息量，但过多的信息量会增 加计算的复杂性，导致算法执行时间过长。我们希望运算过程中数据量足够小。 并同时保证结果不失真，所以首先对图像进行缩小的预处理，通过线性变换使其 保留既满足实际分析需要的信息完整性，又兼顾运算量合理的像素矩阵，使整体 性能最优化。 图像放大和缩小方法实质上是对源图像建立连续的数学模型，然后按缩放要 求再进行重采样，得到目的的图像。大致有如下方法：几何变换、最近邻域法、 双线性内插法、三次内插法、基于b 6 z i e r 曲面的放大方法、将数字图像格点上 的颜色值插值成b - 样条，再根据缩放要求重采样新的格点，构筑成新的数字输 出图像的方法、和将数字图像格点上的颜色值插值成b 样条曲面，再从原始和 目标两种图像按某种误差最小构造新的多项式样条方法等等。本文主要进行对原 始图像的缩小操作，因此采用了最近邻域插值的方法，该方法运算量小，计算速 复旦大学硕t 学位论文 本实验经缩放获得的目标图像大小限定为2 6 0 1 7 0 ，因此x 轴方向缩放比率 为1 0 ，即f x = 1 0 ，y 轴方向缩放比率是1 1 ，即f y = 1 1 。因此源图像点( x o ，y o ) 斟 x 。1 = 1 0 0 耽 。上。 痧 ool 即x l = f x + x o ，y l = 妒y o 。缩小后的图像( 0 ，0 ) 像素点对应源图像的( o ，0 ) 像素点，( o ，1 ) 像素点对应源图像的( o ，1 0 ) 像素点，( 1 ，0 ) 像素点对应源 图像的( 1 l ，o ) 像素点，并依此类推。 3 1 3 灰度归一化处理 图像采集过程中光照条件的不确定性给图像质量造成一定的干扰，为了减少 光照等因素对灰度分布的影响，须进行图像灰度分布的标准化，通常的标准化过 程包括直方图均衡化、梯度照度修正和均方差标准化。 ( 1 ) 直方图均衡化： 图像直方图是指一幅图像灰度分布的概率图，由直方图可看出图像总的亮度 和对比度情况以及图像象素值的动态范围等一系列该图像的特征信息。为提高图 像对比度，常需要改变原图像灰度分布的概率图，即图像直方图均衡化。直方图 均衡化实质上是对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围 内的像素数量大致相同。这样，原来直方图中间的峰顶部分对比度得到增强，而 两侧的谷底部分对比度降低，一幅灰度级不均匀的图像通过直方图均衡可以变 换产生一幅灰度级具有均匀密度的图像。在增强的意义上，这意味着象素灰度级 动态范围的增加。 对于离散图像，灰度均衡的转换公式为： nd a 巩= f ( d a ) = 竽e ( 4 ) n 0 i f 0 式中d m 。为最大灰度值( 对于灰度图就是2 5 5 ) ，a o 为图像的面积，h i 为第 复旦大学硕士学位论文 i 级灰度的像素个数。 ( 2 ) 梯度照度修正： 为减小非正面光照对图像质量的影响，须对样本图像进行梯度照度修正。修 正过程为通过图像的灰度值拟合出一个校正平面，然后再减去这个平面。 图像大小为m x n ，( 本实验图像大小为2 6 0 x1 7 0 ) ，像素灰度为p ( x 。，y i ) ， ( i _ o ，l ，2 ，( m n 一1 ) ) ，拟合的平面为在：= a l x + q 2 y + g 3 ，此平面应使p ( x ， y i ) 与z 的均方差最小： h 2 ( q ，q ，吗) = n l i n ( ( q + 吩咒+ a s p ( ，卫) ) ) ( 5 ) i = o 可由最小二乘法求解得： x = ( a 7 a ) “a 7 b ( 6 ) 鼽x 埘a = 五m x 2y 2 x qy n f p ( ，y 01 b ：ip ( x 2 , y 2 ) i i 户( 矗，乩) j 梯度照度修正消除了图像的一阶变化量，部分的削减了图像的阴影，不能完全消 除图像阴影，但在一定程度上降低了光照对图像质量的干扰。 ( 3 ) 均方差标准化： 均方差标准化使对原始图像上每个像素点的一种操作，目的是降低灰度偏 差，使图像中结构轮廓线灰度均值和方差接近于给定的期望值和期望方差。 令大小为m x n 像素的图像灰度矩阵为i ( x ，y ) ，( 0 - - x m ，o = y n ) ，那么该 图像的灰度均值和方差分别为： 胪志荟萎跑棚 一 一im 一1 z 盯2 = i ； 百( p ( x ，y ) 一互) 肘+ 岔盘、7 。 ( 8 ) 并通过变换将图像的灰度均值和方差调整到给定的值硒和，变换公式如下： p ( 石，y ) = 里( p ( z ，y ) 一五) + ，乇 仃 中( 0 - - x m ，o = y n ) 。 ( 9 ) 复县大学硕士学位论文 3 2 力场转换 图像经过能量场转换和力场转换后，被用于进行边缘提取和特征点定位等图 像处理的实际应用中 2 6 】【2 7 】 2 8 】，本文通过能量场转换和力场转换变换耳廓图像至 向量场，并进一步提取耳廓图像特征【2 9 】 3 0 1 。 3 , 2 1 场的一般概念 对于空间或其部分空间的每一点，如果都对应着某个物理量的一个确定的 值，我们称在该空间定义了关于该物理量的一个场【1 9 】【2 0 】【2 l 】。 可以用每一点所对应的量是数量还是向量来将场分为数量场和向量场。 数量场：空间中每一点，都有一个确定的数量与之对应。 向量场：空间中每点，都有一个确定的向量与之对应。 一个数量场有两个重要的性质：等值面与梯度。 等值面的定义为：对于数量场“；“佛) 砂，对任意常数c ，所有使u 的值为c 的点的集合，也即m c = ( x , y , z ) l u 似力= o 称为该数量场的等值面。 对于数量场，梯度是另