（控制理论与控制工程专业论文）多特征人耳识别.pdf

摘要 入耳识别是模式识别领域一个新兴的研究方向，对模式识别的发 展和应用有着重要意义。本文主要对人耳特征提取；人耳特征融合和 选取；人耳分类识别三个环节进行了研究工作，主要体现在以下几个 方面： ( 1 ) 采用了一种基于改进的蹦嘶k ew a v e l e t 矩特征快速提取算 法。多种特征一起提取是非常耗时的，为了提高系统的反应速度，本 文对z e m i k e 矩和w a v e l e t 矩特征提取算法进行了比较改进，简化了算 法步骤，提高了翻m i k ew a v e l e t 矩特征提取算法的速度。 ( 2 ) 采用了一种基于改进的p o s v d 特征提取方法。为了提取更 能反映人耳图像纹理分布特点的特征，本文采用了提取图像极坐标变 换矩阵的s v d 特征的p o s v d 方法，这种方法对图像拍摄角度因素的 影响有很好的适应性。 ( 3 ) 在特征融合选取中，采用了特征层串行融合的方法，将 z e m i k ew a v e | e t 矩特征和p o s v d 特征的互补融合。提出了基于p i d f 动态规划算法的特征选取方法呻i d f d p 方法，降低了融合特征的 维度、去除了特征冗余性的同时保持特征的分类能力，该方法对p i d c 方法进行了改进后用于特征选取，具有很强的监督选取能力。 ( 4 ) 在人耳识别中，提出了一种有指导组合双权值神经网络分 类器( c 确哺t ) ，该分类器是一种能够对识别目标进行高维空间几 何体覆盖的仿生模式识别分类器，克服了基于划分的传统分类器误差 大的缺点，该方法使用k - 均值聚类来对样本划分区块的方法指导双 权值神经网络分类器训练组合，提高了神经网络高维空间几何体覆盖 的精度，提高了分类器的识别率。 采用本文的人耳特征提取，融合选取和识别分类方法，可以实现 快速准确的静态人耳图像识别，并且可以得到很好的识别结果。 关键词：人耳识别，z e m i | w a v e l e t 矩，p o s v d ，p i d f d p ，仿生模 式识别，c t w n n m e a rr e c o g n i t i o ni sa na c t i v er e s e a r c ha r e ai np a t t e r nr e c o g n i t i o n i th a s v e r yi m p o r t a n ts i g n i f i c a n c et ot h ep a t t e r nr e c o g n i t i o nd e v e l o p m e n ta n d t h ea p p l i c a t i o n w em a k er e s e a r c hi nt h et h r e es t e p so fe a rr e c o g n i t i o n q u e s t i o n , s u c h 舔：e a rf e a t u r ee x t r a c t i o n ；e a tf e a t u r ef u s i o na n df e a t u r e s e l e c t i o n ；e a rr e c o g n i t i o na tl a s t o u rr e s e a r c hw o r kf o c u so nt h e f o l l o w i n ga s p e c t ： ( 1 ) w ea d o p tae a rf e a t u r ef a s te x t r a c t i o no nf a s tz e m i k ew a v e l e t m o m e n t sa l g o r i t h m t h em a n yk i n d so fe a rf e a t u r e se x t r a c t i o na t o g e t h e re x t r e m e l yc o n s u m et h et i m e ，i no r d e rt oe n h a n c et h ea c t i o nr a t e o f t h ee a rr e c o g n i t i o ns y s t e m , w ec o m p a r et h ez e m i k em o m e n t a l g o r i t h m a n dt h ew a v e l e tm o m e n ta l g o r i t h m , b ya d o p t i n gt h et w oa l g o r i t h m s ， s i m p l i f i e dt h ea l g o r i t h ms t e p ，w ee n h a n c et h es p e e do fz e m i k ew a v e l e t m o m e n t s a l g o r i t h ma tl a s t ( 2 ) am e t h o do ff e a t u r ee x t r a c t i o nb a s e do np o s v di sp r o p o s e di n t h ep a p e r i no r d e rt oe x t r a c tak i n do ff e a t u r et h a tc a nr e f l e c tt h ee a r p i c t u r et e x t u r ed i s t r i b u t i o nc h a r a c t e r i s t i cb e t t e r , aa d o p t e dp o s v dm e t h o d w h i c hi se x t r a c t i n gs v df e a t u r ef r o mp o l a rt r a n s f o r m a t i o nm a t r i xo f p i c t u r ei sp r o p o s e d t h i sm e t h o da l s eh a st h ev e r yg o o dc o m p a t i b i l i t yt o t h e p i c t u r es h o o t i n ga n g l ef a c t o ri n f l u e n c e ( 3 ) i nt h es t e po f e a rf e a t u r ef u s i o na n df e a t u r es e l e c t i o n ，w eh a s u s e dt h ef e a t u r el e v e ls e r i a lf u s i o nm e t h o dt of u s et h ez e r n i k ew a v e l e t m o m e n tf e a t u r ea n dp o s v df e a t u r ec o m p l e t e l y s ot h a tt h ev a l i d i n f o r m a t i o no ft h ef e a t u r e si sk e p ta n dt h er e d u n d a n ti n f o r m a t i o ni s e l i m i n a t e d i no r d e rt or e d u c et h ed i m e n s i o no ft h ef u s i o nf e a t u r e ，a m e t h o do ff e a t u r es e l e c t i o nb a s e do np i d fd y n a m i cp l a nw h i c hi sc a l l e d p i d f d pi nt h i sp a p e ri sp r o p o s e d t h i sm e t h o db l a d et h ei m p r o v e m e n t a f t e rt h ep i d cm e t h o dt ou s ei nt h ef e a t u r es e l e c t i o n , h a sv e r ys t r o n g s u r v e i l l a n c ea b i l i t yf o rf e a t u r es e l e c t i o n ( 4 ) i nt h es t e p o fe a rr e c o g n i t i o n , ac l a s s i f i c a t i o nb a s e d0 1 1 b i o m i r n e t i cp a t t e r nr e c o g n i t i o nw h i c hc a nc l a s s i f yt a r g e tb yh i g l l d i m e n s i o n a ls p a c eg e o m e t r yc o v e r i n gi su s e d t h i sm e t h o do v e r c o m e t h a tt h e 灯a d i t i o n a ln m t t e rc l a s s i f i c a t i o ni s h i g h i ne r r o r 1 no r d e rt o i m p r o v et h ep r e c i s i o no ft h en e u r a ln e t w o r k b a s e do nh i g hd i m e n s i o n a l s p a c eg e o m e t r yc o v e r i n g ，au n s u p e r v i s e dc o m b i n a t i o nt w o - w e i g h t n e u r a ln e t w o r kc l a s s i f i e ri s p r o p o s e d t h i sm e t h o d u s ek - m e a n s c l u s t e r i n gt ob l o c kt h eb r e a k d o w no ft h es a m p l e , t h e nu s et h eb l o c k s a m p l et og u i d et on e u r a l - n e t w o r kc l a s s i f i e rt r a i n i n ga n dc o m b i n a t i n g i t i m p r o v et h er e c o g n i t i o nr a t eo fc l a s s i f i c a t i o n u s i n gt h em e t h o d so fe a rf e a t u r ee x t r a c t i o n , e a tf e a t u r ef u s i o na n d f e a t u r es e l e c t i o n e a rr e c o g n i t i o ni nt h i sp a p e r , i tc a na c h i e v er a p i da n d a c c u r a t ee a rr e c o g n i t i o nb a s e do np a s s i v ee a ri m a g e s , a n dc a nb eav e r y g o o d r e s u l t k e yw o r d s ：e a rr e c o g n i t i o n , z e m i k ew a v e l e tm o m e n t ，p o s v d , p i d f d p , b i o m i m e t i cp a t t e r nr e c o g n i t i o n ，c t w n n v 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名：准伟伟 日期：型z 年圭月韭日 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文，允许学位论文被查阅和借阅：学校可以公布学位 论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论 文；学校可根据国家或湖南省有关部门规定送交学位论文。 作者签名：缝垡垒导师签名堡塑垦已日期：丝年月旦日 第一章绪论 1 1 人耳识别研究目的及意义 二十一世纪，人们生活在一个高度信息化的社会。在这个信息时代，大量依 赖数字信息的电子设备不断地进入我们的日常生活中。同时，随着i n t e m e t 的迅 猛发展，信息共享的程度进一步提高，数字信息越来越深入的影响着社会生活的各 个方面，因而，随之而来的信息安全问题也日益突出。 进入二十一世纪后，一种更加便捷、先进的信息安全技术将全球带进了电子 商务时代，它就是集光学、传感技术、超声波扫描和计算机技术于一身的第三代 身份验证技术一生物识别技术【l 】。生物识别技术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科技手段密切结合，利用人体固有的生理特 性，( 如指纹、脸像、虹膜等) 和行为特征( 如笔迹、声音、步态等) 来进行个 人身份的鉴定。生物识别技术可广泛用于政府、军队、银行、社会福利保障、电 子商务、安全防务。b i l lg a g e s 曾做过这样的断言，生物识别技术，利用人的生 理特征，例如像指纹等来识别个人的身份，将成为今后几年1 1 r 产业的重要革新。 g a l e s 的这段言论是因为有越来越多的个人、消费者、公司和政府机关都承认现 有的基于智能卡、身份证号码和密码的身份识别系统是远远的不够的。生物特征 识别技术将在未来提供安全解决方案方面占据重要的地位。 人耳识别【2 】是以人耳作为识别媒介来进行身份鉴别的一种新的生物识别技 术。与人脸识别、虹膜识别和指纹识别等技术相比，人耳识别受到较少关注但 是，多年来耳朵在犯罪侦破方面起到了重要作用，尤其是在荷兰，通过耳纹量刑 了2 5 0 多起犯罪事件。在美国，a l f r e di a a n a r e l l i o 开发了一套人耳识别系统，并 应用了4 0 多年。人耳识别作为一种新的个体特征识别技术，具有其自身的独特 优势，是对生物特征识别领域的一种拓广。人耳具有独特的生理特征和观测角度 的优势，使人耳识别技术具有相当的理论研究价值和实际应用前景。 人耳的结构并非完全没有规律可循，而是像人脸那样具有一定的标准特征。 通常，一只标准的耳朵由以下部分构成：外耳轮廓、对耳轮( 处于外耳轮内侧， 并与其平行) 、耳垂以及独特的u 形凹口( 位于耳洞和耳垂之间) 图l - l 中指出了 各个部分的相对位置。 图1 - 1 人耳结构图 人耳作为人体一种特有的生物特征，与人脸、虹膜、指纹一样具有普遍性、 唯一性、稳定性和可采集性这四种人体特征识别所需的基本性质； 1 普遍性人人都具有这种生物特征。 2 唯一性美国犯罪学专家a l f r e di a n n a r e l l i 进行了两组试验，第一组比较 c a l i f o r n i a 随机抽取的1 0 0 0 0 只人耳样本，第二组比较兄弟和双胞胎的耳型，研 究发现所有被测人耳都是唯一的尽管双胞胎长相相似，但是耳朵的结构尤其是 外耳和耳垂部分是不同的。该研究结果表明利用人耳生物特征进行个体识别具有 很大的可能性。 3 稳定性据医学研究的结果表明：人耳在婴儿出生4 个月之后，是成比 例生长的，整体结构比率基本保持不变。唯有耳垂在4 个月到8 岁之间较之耳朵 的整体生长有较大的拉伸，大约是其整体生长速度的4 倍，但是从8 岁到7 0 岁 耳垂的拉伸速度同入耳整体结构生长速度基本保持一致，7 0 岁以后耳垂的拉伸 速度才继续加快。由此可见在8 岁到7 0 岁之间，每个人耳朵的结构特征是独一 无二的。 4 可采集性采集人耳图像不涉及接触式指纹扫描中存在的卫生问题，也 不会像测量虹膜和视网膜那样给人们带来紧张情绪。虽然不如人脸或姿态容易捕 获，但相对虹膜、视网膜和指纹，入耳面积较大，所以容易捕获，并且可以在不 打扰个体正常活动的情况下进行采集，用户容易接受。 人耳识别作为一种新的生物识别方法，具有和其他生物特征一样的必备条 件，因此，人耳像虹膜、指纹、掌纹等其他生物特征一样，可以用于身份鉴别。 2 1 2 人耳识别的特点 人耳识别在一百年以前就引起了人们的兴趣。早在1 8 9 0 年，法国刑事学家、 人体测量学创始人a b e r t i l l o n 4 就发现了人耳识别的潜力然而，在人体生物特 征识别方面，人耳识别一直没有得到很好的重视。人耳识别技术是2 0 世纪9 0 年代末才开始兴起的一种生物特征识别技术，与其它生物特征识别技术比较具有 以下几个特点： ( 1 ) 与人脸识别 5 1 方法比较，人耳识别方法不受面部表情、化妆品和胡须 变化的影响，也不易损伤，经过处理后耳环、眼镜等影响也可消除；入耳图像具 有更一致的颜色分配，在转化为灰度图像时信息丢失少，而对人脸图像进行同样 的操作，眼睛的颜色信息几乎全部丢失；人耳识别方法保留了面部识别图象采集 方便的优点，此外人耳图像表面更小( 大约为人脸的1 2 0 到l ，2 5 ) ，信息处理 量更少；人耳正表面与人脸正表面互成9 0 度，依据f r v t 2 0 0 2 评估报告的阐述， 对人脸识别在2 5 度范围内识别率相对稳定，而在大子4 0 度之后，识别准确率急 剧下降，一般认为人脸有效识别范围为3 0 度；前期研究结果表明一只人耳的有 效识别范围为3 0 度内，考虑到两只人耳可以达到6 0 度的识别范围，要大于人脸 识别的有效范围。 ( 2 ) 与指纹识别嘲方法比较，人耳图像的获取是一种被动方式，即通过非 接触方式获取人耳图像，不存在通过接触传染疾病的机会，因此，其信息获取方 式具有容易被人接受的优点。 ( 3 ) 与虹膜识别【7 】嘲方法比较，首先，由于人脸和头发的存在，需要在人耳 识别过程中增加一个人耳区域定位步骤，这并不影响人耳特征的提取，而眼毛对 虹膜的遮挡将直接影响虹膜特征的提取。头发对于耳的遮挡可以容易地避免，而 眼毛对于虹膜的遮挡是生理结构决定的，也是难以避免的。其次，就目前的技术 而言，虹膜采集需要测试者与采集装置之间的位置在机器发出的语言提示下进行 不断地调整，同时要瞪大眼睛，使虹膜尽可能暴露，初试者通常要反复多次调整 才能够达到要求，而人耳采集方式与人脸采集方式基本相同，测试者很容易达到 拍摄图象的要求条件。最后，虹膜采集装置的成本要高于耳采集装置。 1 3 人耳识别研究现状 目前，在国内和国际上这方面的研究尚处于起步阶段，一些基础性问题还没 有得到解决。人耳识别作为一种新的生物特征识别技术，其理论与应用研究在近 3 两年受到了国内外学者更多的关注。目前，人耳识别的主要方法都是基于静态人 耳图像的，是在特定的人耳图像库上实现的。一般通过摄像机或数码相机采集一 定数量的入耳图像，建立人耳图像库【9 】，动态的人耳图像检测与获取尚未实现。 基于静态图像的人耳识别问题根据输入图像的不同可分为四类： 1 、基于二维图像的人耳识别：这是使用最多的一种方法，目前有许多院校 的研究小组利用耳廓图像对人耳识别进行了深入的研究。基于二维静态图像的人 耳识别方法可以分为基于特征分析的识别方法和基于整体的识别方法。基于特征 分析方法包括几何结构法【1 4 】【1 5 】【1 6 1 、神经网络法【切、力场转换方法【1 跏1 9 】踟等；基 于整体方法有主元分析法【2 1 】和不变矩法瞄l 等。 2 、基于人耳压痕( 耳纹) 的识别【1 川：当人耳挤压在某种材料( 如玻璃) 上 时会留下耳纹；长期以来这种方法一直被用于犯罪调查。在英格兰至少有四人因 耳痕证据被判刑，其中一人被判终身监禁。但最近的科学研究发现耳痕通常没有 足够的细节来进行可靠的识别，改变了以往人们对耳痕证据的看法。 3 、基于人耳温谱图【l l 】的识别：人的头发部分温谱一般在摄氏2 7 2 至2 9 7 度之间，而耳朵部分在3 0 0 至3 7 2 摄氏度之间，通过搜索高温区域很容易将耳 朵检测及定位出来。由于人耳与头发的温度范围不同，可以很容易地将两者分离 出来，以解决耳廓被头发遮盖的问题。同时也可以利用温谱图( 如图1 - 2 ) 中不同 的颜色及结构来找出耳朵的不同部分。 图l - 2 人耳温谱图 4 、基于3 d 的人耳识别【1 2 】【1 3 l ：加利福尼亚大学的b i rb h a n u 和h u ic h e n 使 用r a n g e 传感器获取的r a l l g e 人耳图像带有三维几何形状信息，使用l o c a ls u r f a c e p a t c h e s ( l s p ) 来描述人耳，提出了基于3 d 图像的人耳识别方法。 一套完整的人耳自动识别系统一般包括以下几个过程：人耳图像采集、图像 的预处理、特征提取、人耳图像的识别。系统结构如图1 3 所示： 图1 3 人耳识别系统结构 最具有代表性的早期研究是a l f r e di a n n a r e l l i l 3 提出的基于1 2 个测量段为 特征的“i a n n a r e l l i 系统”他是一位犯罪学研究专家，他在1 9 4 6 年发表了 的最早的有记载的人耳识别方法，在1 9 8 8 年修正过一次。他的i a n n a 把l l i 人耳分 类系统已经被美国法律执行机构采用，并应用了4 0 多年。 i a a m r e u i 系统是通 过在一张放大的耳朵图像上放置一个有8 根轮辐的透明罗盘，在耳朵周围确定 1 2 个测量点，如图l - 4 所示： 图1 - 4l a a n a m l l i 系统的人耳测量 该系统识别人耳的方法如下：首先，将人耳图像校准到标准位置，并进行归 一化，具体做法是将图像投影到标准“i a n n a r e l l ii n s c r i b e d ”内接放大画板上。画板 可以水平或垂直移动，直到人耳图像投影到画板上指定的区域，从而确保参考线 通过上部的对耳轮与耳轮脚的交叉点，底部通过耳珠最里面的一个点；第二步是 通过调整放大设备，直到第二根参考线准确地从顶端到底部跨越外耳。该系统要 求人耳图像的精确校准和归一化。经过这些过程后，可以在图像中直接提取测量 段，每个测量段的长度为整数值，这些测量段加上性别、种族等信息综合后可以 进行识别不同的人耳。 b u r g e 和b u r g e r 1 1 】【l 叼使用分形轮廓进行人耳定位，使用c a n n y 算子提取边 缘，并构造边缘曲线的v o r o n o i 图，然后提取相邻曲线的关系来构造特征向量进 行人耳识别。他们使用c c i ) 摄像机采集个体头部灰度图像( 图像大小为3 0 0 x 5 0 0 像素) ，对图像梯度的g a u s s i a n 金字塔使用可变形轮廓( d e f o r m a b l ec o n t o u r ) 方 法进行人耳的定位，再使用c a n n y 算子进行边缘检测，阀值上下限为4 6 和2 0 ，如 图1 - 5 ( a ) 所示；对较大的曲线段使用e d g er e l a x a t i o n 形成，去除较小的曲线 段，形成v o r o n o i 图表，如图i - 5 ( b ) 所示，识别在此阶段完成，即将提取的曲 线与模板进行比对；光照和位置的变化使得这种方法非常不可靠，为了克服这种 影响，他们将问题转化为描述曲线之间的相邻关系，构建曲线的v o r o n o i 相邻图， 如图卜5 ( c ) 所示，而这种关系不受几何变换和光照的影响，这种方法还考虑了 误差校正的问题，对由油脂和耳垢的堆积而产生的虚假阴影形成的错误的曲线进 行去除处理，并对由此可能会折断的剩余的曲线，进行合并处理。 “人耳边缘定位 b v o r o n o i 图c v o r o n o i 相邻图表 图1 - 5 分形轮廓人耳定位 m o r c n o 1 刀等使用人工神经网络方法提取人耳的复合特征：即提取外耳特征 点，人耳图像的耳形和褶皱信息以及人耳图像的宏观特征来进行识别。m o r e n o 等考虑了人脸识别中未得到很好解决的由于姿势、角度、光照等原因造成的变化 的问题。一般对此问题的解决方法有两类：基于器官的检测与分析的方法；对整 体人脸图像进行处理的方法( 如：神经网络、主元分析法、直方图分析等) 。 m o r c n o 等考虑了这两种方法，并应用到了外耳图像的识别中。针对第一种方法 设计了两个分类器：第一个进行外耳特征点的提取，第二个对耳朵进行形态学分 析，提取耳形和褶皱信息；针对第二种方法，该文使用压缩网络设计分类器，用 以得到宏观特征。这两个分类器分别输出相应的特征向量，然后通过复合分类技 6 术将其进行组合 英国的南安普敦大学的h u r l e y ，n i x o n 和c 眦d 啊 1 9 1 2 0 l 使用力场转换方法进 行识别。利用势能通道和势阱的位置，就可以描述人耳的特征。如果把图像中的 每一个像素都看作是一个具有高斯引力场的粒子的话，图像中的各个像素之间就 会产生相互作用力，整幅图像就可以看作是一个力场空问。高斯力场作用普遍存 在予重力场、电场、磁场中，作用力总是与力源能量大小成正比，与力源间的距 离的平方成反比。可以假设像素间的作用力与像素的灰度成正比，与像素之间的 距离的平方成反比。每个像素都产生一个球状的力场。于是单个像素在二维图像 中受到其他像素的合力f ( r 。) 可以由其受力像素矢量坐标r ，、图像中施力像素的矢 量坐标茸、施力像素的灰度p 缸) 共同决定： 嘶) = 州爵v i r - r j 町 盹) * ， i1 0 v i = j 如图1 6 ，用箭头来描绘力场中力的方向变化，可以发现由力箭头的汇聚收 敛而成的势能通道( p o t e n t i a le n e r g yc h a n n e l ) 和势阱( p o t e n t i a lw e l l ) 。在没有势能通 道和势阱的地方，力的箭头呈现统一平行的指示方向。联想到微分散度算予同势 能通道和势阱的关联性，再由箭头发散和收敛的特性可知，可以用微分散度算子 来描述这一现像。 矢量场的散度是微分算子，由它变换到得到的是力场的梯度场，此梯度场代 表各个点向外的流量密度，定义力场f ( r ) 的散度如下： divf(r)=竺丁cff(r)ds(1-0 2 ) v _ 4 ” d s 是包围着体积为_ v 的外表面积s 的增量。在二维笛卡尔坐标系中表达式 可以写成如下形式： d i v f ( r ) = v f ( r ) = ( 豢+ 嘉) ( 1 - 3 ) 乓和只是笛卡尔分量。 h u r l e y 等人于是又提出了收敛度的概念：收敛度是对势能通道和势阱的一种 数学描述，它更清楚的表征了势能通道和势阱的特性。势能通道和势阱是由势能 场中的山峰和山脊经过图像翻转相应得到的。把力场作为输入通过收敛度转换变 成梯度图，就可以更充分的提取势能通道和势阱的特征，如图1 - 6 。收敛度c ( o 定 义如下： 7 c 忙= 一忘。警川僻一陋刳 1 4 本文主要研究内容 图l - 6收敛度场的由来 本文主要研究了基于静态人耳图像库的多特征人耳识别方法。基于静态人耳 图像库的入耳识别主要研究人耳特征的提取和分类器的训练。其中，本文提取出 多种人耳特征来进行人耳识别，并对提取出来的多种特征进行融合和选取。本文 主要研究了多种人耳特征提取方法、多特征融合选取和人耳识别分类器。 在特征提取方面，本文研究了z e m i k e 矩、w a v e l e t 矩、s v d 等特征提取方 法，比较了这些特征的优缺点，阐述了这几种特征之间的互补性。我们将z c m i k c 矩和w a v e l e t 矩特征提取算法进行比较，使用了一种z e r n i k ew a v e l e t 矩特征快速 提取算法，这种算法简化了矩特征提取的步骤，提高了特征提取的速度。我们对 s v d 方法进行改进，提出了一种适合提取人耳纹理特征的p o s v d 特征提取方法， 这种方法对光照影响不敏感，具有旋转不变性等好的性质。 在特征融合选取方面，本文阐述了特征层融合的方法，将提取的多种特征互 补融合；本文研究了p i d c 方法在监督提取特征和压缩信息方面的作用，通过将 p i d c 方法改进，将这种方法应用到特征选取方面，提出了一种基于p i d f 动态 规划算法的特征选取方法_ p i d f d p 方法，这种方法有效的去除了高维融合特 征的冗余性，降低了特征维度，有利于降低分类器的训练难度和提高分类器识剐 准确率。 在人耳分类器训练方面，本文首先阐述了仿生模式识别理论和方法，然后根 据仿生模式识别理论提出了一种有指导组合双权值神经网络分类器( c t w n n ) ， 这种方法训练得到了一种具有很好分类能力的人耳仿生模式识别分类器。 8 我们通过整理几个人耳图像库建立了一个综合入耳图像库。在图像库中进行 了人耳识别算法和方法的实验，取得了一些实验参数和结果。本文进行人耳识别 的流程图简要描述如图1 7 所示。 1 5 章节安排 图1 - 7 人耳识别过程 论文章节安排如下； 第一章绪论，主要介绍了人耳识别问题的研究目的、意义和特点，相关领 域的研究现状和方法，以及本论文的主要研究内容和章节安捧。 第二章人耳z e , r n i k ew a v e l e t 矩特征快速提取，首先介绍了z e m i k e 矩和 w a v e l e t 矩特征各自的特点，阐述了两种特征的优缺点和互补性，然后比较这两 种特征提取算法的相似性，重点介绍了人耳趵m i k e w a v e l e t 矩特征快速提取算法。 第三章人耳p o s v d 特征提取，首先介绍了奇异值分解方法及其性质，阐述 了奇异值特征的特点及其与矩特征的互补性，然后介绍了本文根据人耳纹理分布 的特点对s v d 方法改进后提出的p o s v d 特征提取方法。 第四章人耳多特征融合选取，首先介绍了特征层融合的方法和人耳多特征 融合，然后介绍了p i d c 方法，阐述了p i d c 在监督提取特征和压缩信息方面的 作用，然后介绍了基于p i d c 改进的评判准则函数p i d f ，最后重点介绍了基于 p i d f 动态规划算法的特征选取方法p d f d p 方法。 第五章基于仿生模式识别的人耳识别，首先阐述了仿生模式识别的原理、 数学模型、和多权值神经网络实现高维空间几何体覆盖的方法，然后介绍了本文 基于仿生模式识别理论提出的一种有指导组合双权值神经网络分类器 ( c 确n n ) 训练方法。 第六章结论与展望，主要是对本文的研究工作进行了全面的总结，并对进 一步的研究工作进行了展望。 9 第二章人耳z e r n i k ew a v e l e t 矩特征快速提取 2 。1 概述 在采集的人耳图像中，待识别的图像总是处于复杂情况下，通常由于角度和 光照等问题引起的干扰；为了提高人耳识别的适应性，我们希望提取的图像特征 具有某些不变性和较高的抗干扰性，例如：平移、旋转和尺度不变性等。矩特征 是一种具有不变性的全局不变量，它是以图像分布的各阶矩来描述灰度的统计特 性的矩描述方法，能很好描述模式特征，已在图像处理、目标识别中得到了广泛 的应用。因此我们对矩特征提取人耳特征加以研究。 1 9 6 2 年，m k h u 田】首次提出利用矩不变量作为特征的想法，理论上找到了 7 个旋转不变量，掀起了研究矩的热潮。自此在h u 矩的基础上派生出许多具有 各种不同性质的矩，在二维物体识别和位置估计中建立起很多基于矩的描述方 法。在几何中心矩的基础上，h u 在低阶矩中找到了具有平移，缩放和旋转不变 性的7 个组合不变量，它们的推导相当的繁琐，按照这样的思路很难向高阶推广 在结合了f o u r i e r - m e ll i n 变换后，l i 刚给出了h u 矩的高阶表示，即l i 矩但是 它的形式还是很复杂，不便使用。复数矩【2 5 】的出现，使得高阶旋转不变矩的获 得变得容易和直观，它可以直接产生旋转不变的描述子，从复数矩很容易得到 h u 矩的7 个旋转不变量。但是，这些矩描述子之间还存在着信息冗余，这一点 j f l u s 鲫，2 叼在中已经详细论述。为了突破这些弱点，1 切毋l e 鲫提出了在正交多项 式的基础上建立正交矩的思想，受这个思想的启发，出现了l e g e n d r e 矩【2 8 】， z e m i k e 矩【2 卅和f o u r i e r - m e l l i n 矩p 川等无冗余的正交矩，而将z e r n i k e 矩和f o u r i e r 描述子相结合，d z h a n g 提出了种混合矩描述子，在二维物体表达和识别上取得 了比较好的结果。但是这些矩和描述子的计算复杂度随着阶数的升高越来越不可 控制，抗噪性很差。j f l u s s e r 提出了对卷积噪声比较有效的算法，但是在处理相 似性比较大的物体时，不可避免的仍然要采用高阶几何矩的计算，计算的复杂性 比较大。所以现有算法的应用仅限于低阶形式。c h o 和r o l a n d l 3 1 】比较了几何矩、 l e g e n d r e 矩、z e r l l i k c 矩、p e s u d o - z e m i k e 矩、f o u r i e r - m e l l i n 矩、旋转矩以及复 数矩对噪声的敏感性，信息冗余，描述图形的能力，结果是z e m j k e 矩具有最全 面的性能。 z e m i k e 矩嘲是一种正交矩，与h u 矩相比，其能够构造任意的高阶矩，能 够比较容易地从矩特征中构造原图；使用z e m i k e 矩可以很容易地计算任意高阶 1 0 矩不变量，由于7 _ & 譬1 3 i k f 矩计算是一种积分计算，对噪声敏感度较小，主要体现 图像的形状和大小的稳定性特征。因此，z e m i k e 矩在目标识别中得到了广泛的 应用。z e r l l i k e 矩特征虽然包含的冗余信息很少。但它与h u 矩特征一样，都是在 整个图像空问中计算的，褥到的是图像的全局特征，因此，容易受到光照等因素 的干扰。不同目标的同类特征往往具有类似的分布，即特征矢量问的欧氏距离比 较近，虽然以上提到的矩特征能反映目标的不变性特征，然而这些特征矢量不足 以达到很好的分类效果。 d s h e n 和h h s l p 3 2 提出利用小波变换来构造的目标旋转不变性特征一小 波矩，小波矩既具有矩特征的旋转不变性，还有小波的正交性和抗噪性强的特性， 同时又包含了小波的多分辨率的特征，很好地避免了高阶几何矩的计算，同时大 大加强了矩特征对图像结构精细特征的把握能力。它在相似图像的识别中表现出 很好的特性，不仅可以得到图像的全局特征，也可以得到图像的局部特征，因而 在识别相似形状的物体时有更高的识别率；小波函数是正交的或近似正交的，且 具有多尺度分析的特性，小波矩包含的冗余信息较少。 z & , r l l i k e 矩反映图像全局特征，抗噪性强，但是受光照因素影响较大；w a v e l e t 矩特征反映图像的局部细节信息，这两种矩具有很好的互补性，因此我们选择同 时提取这两种矩特征来增加人耳识别特征信息。为了提高特征提取的效率，我们 对这两种矩特征提取算法进行比较和改进，得到一种能够快速提取z e m i k e 和 w a v e l e t 矩特征的算法z e m i k ew a v e l e t 矩特征快速提取算法。这种算法简化 了提取出图像的z e m i k e 特征和w a v e l e t 矩特征的步骤，提高了特征提取的速度。 2 2 人耳图像预处理 图像预处理的方法很多，主要是用来除去原始图像中对特征提取和识别不利 的因素，做好准备条件。如本章小波矩只具有旋转不变性，而不具有平移和比例 不变性，我们需要先对图像进行归一化等预处理，使其具有平移、旋转和比例不 变性，然后再将图像映射到极坐标下，快速提取人耳z e m i k ew a v e l e t 矩特征。 下一章介绍的特征提取方法同样需要首先对样本图片进行大小和灰度归一化等 预处理。图像预处理是图像识别的基础环节，也是影响最大的环节，因此我们需 要对图像进行有针对性的一些预处理。目前入耳识别主要是基于静态图像的识 别，消除图像噪声和图像归一化等处理是进行人耳识别的基础，对入耳识别效果 起着关键的作用。 i l 生直太堂亟堂僮j 幺塞 筮三童厶互翌i 虹塑翌! 鲢缒挂延拯速显驱 2 2 1 去噪处理 采集图像一般都存在不同程度的噪声，这些噪声对于人耳特征的提取以及人 耳的识别都有较大的影响。所以，在人耳特征提取之前应对图像进行处理来消除 部分噪声。 首先采用邻域平均法平滑原始图像以消除大部分噪声。其大致思想是：设从 高为h ( 以像素为单位) ，宽为w 的图像g ( x ，y x x s 0 w , o j ， 彬中以o ，d 点 为中心，取出一个栉疗的窗口( 邻域) ，经平均后输出的该中心像素灰度值 g ( x ，力，则加权领域平均表示为： i + ki + k g + 力2 志；，；，g ( x ，力肘( f 力 ( 2 _ 1 ) l = l - - l c j = j - - g 通常一为奇数，式( 2 - 1 ) 中k = ( 行一1 ) 2 。通常h 越大平滑效果越好，但计算 量也越大，考虑这两方面的原因，本论文采用3 x 3 的窗口。处理结果表明，经 这样的平滑后，人耳图像中的大多数噪声就被消除了。但是随着领域的加大，图 像的模糊程度也愈加严重。为克服这一缺点，可以采用阈值法减少由于领域平均 所产生的模糊效应。其基本方法由下式决定： 如咖 磊_ 三n l 矗i + k 未j + k 如小讹。卜”一去兰差如咖懈十r ( 2 - 2 ) 【g “ 其他 式中丁就是规定的非负阈值。这个表达式的物理概念是；当一些点和它的领 域内的点的灰度的平均值的差不超过规定的阈值r 时，就仍然保留其原灰度值不 变，如果大于阈值z 时就用它们的平均值来代替该点的灰度值。这样就可以大大 减少模糊的程度。 经过平滑处理后，图像中仍存在少许孤立噪声，为了进一步去除这些噪声， 本论文采用了中值滤波处理。中值滤波是一种去除噪声的非线性处理方法，它是 由图基( t u r k e y ) 在1 9 7 1 年提出的。最初，中值滤波是用于时间序列分析，后 来被用于图像处理，在去噪复原中得到了较好的效果。人耳图像去噪处理结果见 图2 - 1 。 2 2 2 归一化处理 ( a ) 待处理图像( b ) 处理后图像 图2 - i 去噪声处理效果 ( 1 ) 灰度归一化 矩特征提取方法本质上依赖于图像灰度在空间分布上的相关性。因此，我们 必须进行图像的灰度分布标准化，从而在一定程度上消除光照因素的影响。 在灰度归一化的过程中，我们考虑了表征图像灰度分布的两个参量一灰度 的平均值和方差，将它们调整到给定值，以消除由于采集时光照等因素对人耳图 像的影响，灰度归一化方法将均值和方差这两个因素一致化了，可以消除光照亮 度等的影响。灰度标准化方法如下： 将图像看作一个二维矩阵d 【矿】 日】，其中形和日为图像的宽和高，则该图 像的灰度平均值可表示为： 1 w - i h - ! 胪南善毛刚阴 q 书 而灰度分布的方差可表示为： 一 1 w - i 圩- i 口2 。e ，。( d t , l u l 一刃2 ( 2 - 4 ) 对于输入的每个样本图，为了将其灰度平均值和方差变换到事先设定的灰度 平均值鳓和方差c r d ，对样本中的每个象素点的灰度值进行如下的变换： b i l d l = 罢当( d 【订l ，卜刃+ ，b o i l 或a o 0 ，以使对不同的m 值吵( ( r b ) a ) 能覆盖全部的 领域。因此，a = ，m 是整数；b = 哦霹，n 是整数。 由于图像的大小总是限制在 ，s 1 ) 的区域内，所以我们就可以把参数和 设置为0 5 ，m 和n 的取值为： j 扣o 5 。( 2 _ 2 4 ) 【b = 0 5 一0 5 。 其中m = 0 , i ，2 3 ，”= 0 , i ，2 ”1 。 。 于是，小波函数基定义为： 。( ，) = 2 “2 妒( 2 8 r - o 5 n ) ( 2 2 5 ) 选择不同的m 和n 值，我们可以提取出图像的全局信息和局部信息。注意， 6 0 = 0 5 会引起过采样，但我们提取的基于小波的特征是用于目标分类，而不是 用于图像重构中；经过特征提取的后，所有的冗余量和敏感特征可以被筛选掉。 现在我们引入一组小波矩不变量用于目标分类，它们的定义如下： l 聪。心( ，) ，( r ) r d r i ( 2 2 6 ) 这里，用，( ，) 取代了( 2 - 2 1 ) 式中的岛( ，) ，m = 0 , 1 ，2 ，3 ，n = 0 , 1 ，2 ， q = o , l ，2 ，3 一由上式的定义可以看出，叮实际上是& ( ，) ，的小波变换，既 然，叮接近于( ，) ，的一阶矩的推广形式，那么瞄。就可以看作是& ( ，) ，在第 m 尺度上平移因子为n 时的一阶矩，