人耳識別

人耳識別

人耳識別是近年來新興起的一種生物特徵識別技術,然而姿態問題一直是其難點問題之一,針對此問題提出了一種基於基空間轉換的新方法.首先,利用主元分析和核主元分析方法得到姿態人耳圖像和正側面人耳圖像的基空間,通過計算兩種基空間之間的線性轉換關係求出姿態轉換矩陣,然後將待測的姿態人耳圖像特徵集利用基空間姿態轉換矩陣轉變成正側面人耳圖像特徵集,最後用支持向量機進行分類識別.實驗結果表明,該方法與沒有經過姿態轉換的方法相比,識別率顯著提高。

簡介

人耳識別人耳識別
人耳識別作為一種新的生物特徵識別技術,其理論與套用研究在近兩年受到了國內外學者更多的關注。基於靜態圖像的人耳識別問題根據輸入圖像的不同可分為三類:基於二維圖像的人耳識別、基於3D的人耳識別和耳紋識別。

研究

最具有代表性的早期研究是Alfred Iannarelli提出的基於12個測量段為特徵的“Iannarelli系統”。Moreno等使用人工神經網路方法提取人耳的複合特徵:即提取外耳特徵點,人耳圖像的耳形和褶皺信息以及人耳圖像的巨觀特徵。Burge和Burger使用分形輪廓進行人耳定位,使用CANNY運算元提取邊緣,並構造邊緣曲線的Voronoi圖,然後提取相鄰曲線的關係來構造特徵向量。Hurley, Nixon和Carter使用力場轉換方法進行識別。利用勢能通道和勢能井的位置,就可以描述人耳的特徵。王忠禮使用高階不變矩陣提取人耳圖像的特徵進行識別。
加利福尼亞大學的Bir Bhanu和Hui Chen使用range感測器獲取的range人耳圖像帶有三維幾何形狀信息,使用local surface patches(LSP)來描述人耳,提出了基於3D圖像的人耳識別方法。當人耳擠壓在某種材料(如玻璃)上時會留下耳紋。同樣,耳紋也可以作為一種生物特徵。其套用主要集中在犯罪調查中。耳紋特徵通常在耳輪、對耳輪、耳屏、對耳屏處提取得到。文獻中探討了耳紋與耳朵擠壓到硬質材料時所施加壓力的關係以及該壓力的各種影響因素,並建立極坐標來提取由關鍵點和角度構成的特徵向量。但是,耳紋圖像的獲取相對困難,多適用於刑偵方面。

試驗

本實驗室在自然科學基金(編號60375002)的資助下,進行了一年左右的人耳識別技術研究。在早期研究中,對隨機採集的243隻人耳圖像,僅以外耳輪廓曲線的傅立葉係數為特徵進行的識別處理,就可以達到80%以上的正確識別率。2003年初首先拍攝了60人(每人3幅圖像)的人耳圖像庫,研究人耳識別的可行性,使用標準的主元分析法就能達到94%的識別率。2004年初建立了77人(每人4幅圖像,拍攝條件為角度變化和光照變化)的人耳圖像庫,旨在進行姿態和光照變化情況下的人耳識別。在該圖像庫上,我們首先採用基於局部特徵的方法進行識別[24],即提取外耳形狀特徵和內耳結構特徵,利用神經網路進行識別,識別率為85%。其次採用主元分析法提取“特徵耳”,利用神經網路進行識別。
人耳檢測是人耳識別的第一環節,也是我們建立人耳和人臉融合的多模態識別原型系統的重要部分。在已有人耳檢測方法的基礎上,我們提出了基於改進AdaBoost算法的人耳檢測與跟蹤:將機器學習引入到人耳檢測系統中,通過使用擴展的haar-like特徵來表達人耳的點線特徵,並參照已有的實驗數據對比結果選擇Gentle AdaBoost算法訓練出一組強分類器,以級聯的方式將它們整合起來,構造出多層人耳檢測器。為了加快檢測速度,一方面實驗通過調整分類器的閾值,令分類器前兩層實現排除大量疑似非人耳子視窗,僅留下疑似人耳子視窗參與後續分類的功能,另一方面採用固定被檢圖像大小,縮放檢測子視窗的方法對圖像遍歷,得到檢測目標。最終檢測器在CAS-peal人臉庫上測試,檢測率達到98%以上;在PⅣ 1.7GHz的PC上對普通CMOS攝像頭輸入的320*240 dpi視頻進行人耳跟蹤,速度可達6~7fps。實驗結果表明,此人耳檢測方法具有較好的實時性和一定的魯棒性。
針對人耳識別中的特徵提取和分類問題,我們將獨立分量分析(ICA)套用於人耳圖像的特徵提取,並分別套用最近鄰、RBF神經網路和SVM分類器進行分類識別。試驗結果表明基於獨立分量分析的方法優於傳統的主分量分析方法。 針對遮擋情況下的人耳識別的問題,我們提出了一種改進的帶有稀疏性限制的非負矩陣因子方法,給出了求解該新目標函式的疊代規則,並證明了疊代規則的收斂性。然後對人耳圖像進行子區域劃分,計算各子區域相似度,最後融合各子區域相似度得到整體相似度。通過融合,識別效果有了明顯的提高。

相關搜尋

熱門詞條

聯絡我們