基于特征融合的人耳识别

陈春兰 许立志

摘 要:分析Zernike矩人耳特征提取和非负矩阵分解(NMF)人耳特征提取的利弊。将线性判别分析的思想融入到NMF算法中,对传统的NMF方法进行改进。介绍一种融合特征人耳识别方法:将Zernike矩和传统非负矩阵分解融合提取人耳特征,得到一个分类能力更强的人耳特征矩阵,并采用BP神经网络进行分类识别,实验结果表明,应用融合特征方法提取人耳图像特征,可以提高识别效果。

关键词:人耳识别;特征融合;Zernike矩;BP神经网络;非负矩阵分解

中图分类号:TP391

随着科技的发展,社会的进步,身份验证的要求也日益迫切,包括指纹识别、人脸识别、虹膜识别等。人脸识别已经取得了可喜的研究成果,但在实际应用中存在很多的困难:人脸是非刚体,存在表情变化会对人脸识别造成影响。

[JP2]人耳特征与其他的生物特征一样是每个人与生俱来的,为人的内在属性,具有较高的稳定性及个体差异性。而人耳特征与其他生物特征不同的是,他具有普遍性、可采集性和不可伪造性等特点。人耳有着可靠、稳定和丰富的生理特征,并且人耳作为一种生物特征,具有独特的优点:人耳不受表情、化妆的影响;不易受伤,不受耳环、眼镜架等的影响;比人脸具有更一致的颜色分布;人耳表面更小,信息存储和处理量更少[1,2]。人耳识别作为一种新的人体特征识别技术正引起人们的关注。[JP]

Zernike矩方法提取具有旋转不变性的人耳几何特征,具有稳定性强,有利于分类识别,但是当人耳图像受到其他因素如光照的影响时,这种识别率就会降低。改进的非负矩阵分解是将线性判别融入到传统的非负矩阵分解方法中,通过最大化样本类间差异,最小化样本类内差异,提取具有判别能力的低维人耳特征。在此将这两种具有互补性的特征串行融合,得到一个分类能力更强的特征。

1 Zernike矩方法特征提取

Zernike矩是一种正交复数矩,它利用的正交集是一个在单位圆内的正交集

设二维离散图像函数用f(x,y)表示,n+mЫ譠ernike不变矩表示为:

实质上,它是一种映射,将图像函数变换到一组正交基函数上。图像f(x,y)的玓ernike矩是该图像在一组正交多项式V﹏m(x,y)上的投影。所谓的正交是指V﹏m(x,y)在单位圆内x2+y2≤1满足下列条件:

离散形式为:

由于Zermike矩的定义中引入了完全正交基的基函数集,取代了原点矩定义中的非正交基函数集,因此在理论上Zermike矩比原点矩具有更好的数学性质[3,4]。

对人耳图像进行大小调整后,求取Zermike矩的幅值作为特征,具有稳定性强,有利于分类识别。但是当人耳图像受到其他因素,如光照的影响时,这种识别能力就会大大降低。对Carreira[CD*2]Perpinan建立的人耳图像库进行人耳Zernike矩特征提取:

(1) 读入人耳图像,将图像坐标原点移至图像中心;

(2) 将图像像素的坐标映射到单位圆内,落于单位圆外的像素不予考虑;

(3) 调用zernlpol函数,计算Zernike矩值;

(4) 根据步骤(3)提取人耳特征。

其中,玭的变化计算出图像不同阶的Zernike矩,在玭确定的情况下,玬的变化计算出玬阶的各个Zernike矩值。本实验中取玭=6,不考虑玬<0的情况。这些矩值可以看成是具体图像的Zernike矩特征,把计算出的Zernike矩的各阶矩值按玭递增的次序并且在玭确定的情况下按玬递增的次序排列:Z=(z1,z2,…,z璱,…)。求取Zernike矩幅值作为特征,得到一个15维的人耳矩特征向量。

2 改进的NMF特征提取

2.1 改进的NMF方法

利用传统的方法可以得到好的识别效果,但是当图像受外在因素的影响时,NMF的识别率会降低。线性判别分析是一种常用的子空间分析方法,通过最大化样本类间差异,最小化样本类内差异,提取最具有判别能力的低维特征,对光照等都不太敏感。本文介绍了一种改进的NNF算法:将线性判别分析的思想融入到NMF算法中,对NMF进行改进。根据NMF算法计算基图像;将原始的人耳图像向NMF基图像做投影,在投影子空间上进行线性判别分析[5]。

设矩阵[WTHX]V[WTBX]是由n幅人耳图像V1,V1,…,V璶构成的训练集,对其进行玁MF分解,得到由r个基图像构成的子空间[WTHX]W[WTBX]=[W1,W2,…,W璻]。为了提高分类精度,从﹔个Щ图像中选择主要反映类间差异的基图像来构造新的子空间:

令c为所有样本可分的类数;c璳为属于第k类的样本数;[WTHX]μ[WTBX]璳为第k类样本的平均向量;[WTHX]μ[WTBX]为所有样本的平均向量;[WTHX][WTBX]璚为第i个基图像的一维投影子空间所对应的类内散布矩阵;[WTHX][WTBX]瑽为第i个基图像的一维投影子空间所对应的类间散布矩阵。式(6)中的玍ar﹊nter([WTHX]W[WTBX]璱)为第i个基图像[WTHX]W[WTBX]璱所代表的类间差异:

根据式(8)进行基图像选择时,保留了主要反映类间差异的基图像来构造子空间,从而能够压制图像之间的与识别信息无关的差异,能够得到具有判别力的局部特征。

改进的NMF特征提取的算法如下:

(1) 对矩阵玔WTHX]V[WTBX]进行NMF分解,得到玶个基图像。

(2) 根据式(7)和式(8)计算Var﹊nter([WTHX]W[WTBX]璱)和￢ar﹊ntra([WTHX]W[WTBX]璱);

(3) 根据式(6)从玶个基图像中选取玴个主要反映类间差异的基图像来构造子空间[WTHX]W[WTBZ];

(4) 将测试图像向子空间[WTHX]W[WTBZ]投影进行特征提取。

2.2 改进的NMF方法进行人耳特征提取

改进的NMF算法对人耳进行特征提取:

(1) 随机初始化非负矩阵矩阵[WTHX]W[WTBX],[WTHX]H[WTBX];

(2) 更新[WTHX]W[WTBX]和[WTHX]H[WTBX]直到收敛:

(3) 计算人耳子空间玶个基向量:

(4) 根据式(7)和式(8)计算

(5) 根据式(6)从计算r个基图像选取p个主要反应类间差异的基图像来构造子空间[WTHX]W[WTBX];

(6) 将测试图像向子空间[WTHX]W[WTBX]ё鐾队,计算人耳特征。

训练图像和训练子集如图1,图2所示。从表1可以看出,当训练和测试人耳图像的角度差别不大时(子集2),这两种方法均取得了较高的识别率,都达到80%以上;当训练图像和测试图像的角度差别较大时(子┘1),识别率最高的是改进的NMF算法,虽然这两种方法的识别率都有降低,可是改进的NMF算法降低4.8%,传统NMF降低30%。改进的NMF对角度的改变有较好的鲁棒性。

3 实验结果

实验采用了Carreira[CD*2]Perpinan建立的人耳图像库(如图3所示的部分人耳图像),该图像包括17人,每人6幅,共102幅人耳图像,由于该人耳图像库中的所有图像已经经过剪裁和旋转,长宽比例为1∶6(这是由人耳的结构特点决定的,人耳长宽比例均值大致在1∶6附近),[LL]并进行了亮化处理,因此图像较理想,在此不在进行图像的预处理。该实验在Matlab 7.1环境下进行。

将Zernike矩提取具有旋转不变性的人耳几何特征和改进的非负矩阵分解提取具有判别能力的低维人耳特征串性融合,得到一个分类能力更强的特征。采用BP神经网络分类器进行分类,结果如表2所示。实验结果表明利用融合特征方法可以提高人耳识别率。[HJ1][HJ]

4 结 语

本文介绍了一种融合特征方法用于人耳识别,该方法结合Zernike矩和NMF的优缺点,得到一个分类能力更强的人耳特征,提高了分类识别率。

参 考 文 献

[JP2][1]Hanna[CD*2]Kaisa Lammi.Ear Biometrics[EB/OL].http://www.it.lut.fi/kurssit/03[CD*2]04/010970000/seminars/Lammi.pdf.

[2]Burge M J,Burger W.Using Ear Biometrics for Passive ㊣dentification猍A].Proceedings of 14th,International Information Security Conference[C].Vienna,Austria:Kluwer Academic,1998:139[CD*2]148.[JP]

[3]Khotanzad A,Yaw HH.Invariant Image by Zernike Moments[J].IEEE Trans.on PAMI,1990,12(5):489[CD*2]497.

[4]刘茂福,胡慧君,何炎祥.主成分分析在图像Zernike矩特征降维中的应用[J].计算机应用,2007,27(3):696[CD*2]700.

[5]张志伟,夏克文,杨帆,等.一种改进NMF算法及其在人脸识别中的应用[J].光电工程,2007,34(8):121[CD*2]126.

[6]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.

[7]曾黄麟.智能计算[M].重庆:重庆大学出版社,2004.

[8][JP2]Paatero P,Tapper U.Positive Matrix Factorization:A Non[CD*2]negative Factor Model with Optimal Utilization of Error Estimates of Data Values[J].Environmetrics,1994(5):111[CD*2]126.[JP]

[9]Lee D D,Seung H S.Learning the Parts of Objects by Non[CD*2]negative Matrix Factorization[J].Nature,1999,401(6 755):788[CD*2]791.

[10]张兆礼,赵春晖,梅晓丹.现代图像处理技术及Matlab实现[M].北京:人民邮电出版社,2001.

[11]张伟伟,夏利民.基于多特征融合和Bagging神经网络的人耳识别[J].计算机应用,207,26(8):1 870[CD*2]1 872.[HJ0][HJ]

作者简介

陈春兰 女,1983年出生,硕士研究生。主要研究方向为人工神经网络、模式识别。

许立志 男,1980年出生,硕士研究生。主要研究方向为粗集理论、智能信息处理。[LM]

科学计算与信息处理赵 杰等:基于神经网络的两种岩性识别方法的研究