基于代数方法的人耳识别研究

论文摘要

人耳识别是20世纪90年代末开始兴起的一种新的生物特征识别技术,凭借其高可靠性与稳定性,人耳识别已经得到学术界越来越多的关注。本文在现有人耳识别方法的基础上,分析人耳识别存在的主要问题,利用北京科技大学的人耳图像库,对人耳识别中特征提取和匹配方法有针对性的做了进一步深入研究。本文的主要工作和成果如下：(1)针对深度旋转变化的人耳图像难以识别的问题,研究了基于灰度梯度特征点的人耳识别方法。首先将一幅人耳图像等分为若干个子图像,将每个子图像等分为若干个子区域,利用每个子图像中灰度变化度最大的子区域的位置信息来构筑人耳图像特征矩阵,将特征矩阵在空间上直接对准进行人耳匹配。实验结果证明：提出的算法对旋转失真的人耳图像具有很强的适应性。(2)由于光照和旋转变化的影响,使人耳图像位于非线性的图像空间,常规的识别方法都是将其做线性近似,必然影响识别准确性。本文针对人耳图像的非线性研究了基于广义判别分析的人耳识别方法。与经典的Fisherear的方法相比,识别精度提高了4.2%。同时研究了人耳识别中最优核函数与核参数的选取问题。(3)针对实际应用中存储量和计算速度的要求,研究了一种低分辨率人耳图像识别方法。首先采用高斯金字塔对人耳图像进行不同层的分解,其次,对每一层图像应用广义判别分析方法(GDA)提取特征,再次,计算样本间的余弦距离通过阈值法分类识别。实验结果表明,在人耳识别中,当人耳图像分辨率降低为36×24时系统识别精度达到99.41%,识别时间仅为23.6ms,可以满足实时生物识别系统的要求。(4)研究了人耳人脸图像融合的多模态识别方法。实验结果表明：识别精度比单一人脸识别提高了12.5%,在有效提高人脸系统识别精度的同时,扩展了人脸系统的应用范围和算法的适应性。(5)本文实现了人耳在线识别系统。以AdaBoost算法定位并剪切出耳朵图像,以灰度梯度特征点方法作为核心算法,通过特征点矩阵在空间直接对准,以阈值法分类输出识别结果。在实验室小规模内取得了满意的识别结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 生物特征识别概述
• 1.3 人耳识别技术及其研究现状
• 1.3.1 人耳识别简介
• 1.3.2 人耳解剖学结构
• 1.3.3 人耳识别系统的构成
• 1.3.4 人耳识别技术研究现状
• 1.3.5 人耳识别系统的性能评估
• 1.3.6 人耳识别技术的前景
• 1.4 人耳人脸多模态识别
• 1.4.1 人脸识别的研究现状
• 1.4.2 人脸识别存在的主要问题
• 1.4.3 人耳人脸多模态识别的可行性及意义
• 1.5 本文的主要工作
• 第二章 基于旋转变化的人耳识别
• 2.1 AdaBoost在线人耳检测
• 2.1.1 Haar矩形特征
• 2.1.2 基于离散Adaboost的特征选择
• 2.1.3 级联分类器结构
• 2.1.4 扩展的Haar特征
• 2.2 基于局部信息统计的人耳识别方法
• 2.2.1 局部信息与整体信息
• 2.2.2 本文采用的人耳图像库
• 2.2.3 划分人耳局部子区域
• 2.2.4 人耳图像预处理
• 2.2.5 提取人耳局部特征
• 2.2.6 最近邻分类器分类决策
• 2.2.7 实验与结果分析
• 2.3 不变矩用于旋转变化的人耳识别
• 2.4 基于局部灰度梯度特征点的旋转人耳图像识别
• 2.4.1 模式匹配
• 2.4.2 选取最佳分块参数和匹配的特征点数
• 2.4.3 实验与结果分析
• 2.4.4 错误匹配分析
• 2.5 本章小结
• 第三章 基于GDA子空间的低分辨率人耳识别
• 3.1 低分辨率条件下GDA方法用于人耳识别的可行性
• 3.2 广义判别分析（GDA）原理
• 3.2.1 核映射与核空间
• 3.2.2 GDA算法
• 3.2.3 核函数
• 3.3 基于GDA的人耳图像识别
• 3.4 基于GDA的低分辨率人耳图像识别
• 3.4.1 人耳图像降维
• 3.4.2 实验与结果分析
• 3.5 本章小结
• 第四章 人耳人脸多模态识别
• 4.1 人耳人脸融合识别方法
• 4.1.1 实验采用的人脸库
• 4.1.2 人脸人耳融合识别
• 4.2 本章小结
• 第五章 人耳识别系统实现
• 5.1 人耳识别应用系统需要考虑的几个问题
• 5.1.1 人耳图像获取的相关问题
• 5.1.2 核心算法的选择
• 5.2 人耳识别系统实现
• 5.2.1 系统设计
• 5.2.2 系统演示
• 5.3 本章小结
• 第六章 结论
• 参考文献
• 在学研究成果
• 致谢