一种基于２ＤＰＣＡ的人耳识别方法.docVIP

一种基于２ＤＰＣＡ的人耳识别方法 　　摘 要：针对人耳识别问题，提出一种二维主分量分析（2DPCA）的人耳识别方法，该方法不需要预先将图像转换为一维向量，而是基于图像矩阵，直接计算图像协方差矩阵的特征向量作为人耳特征提取，大大加快特征提取的速度，从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明，应用2DPCA方法提取人耳图像特征，可以大大提高识别效果。 　　关键词：人耳识别；主分量分析；二维主分量分析；BP神经网络 　　中图分类号：O235，TP391文献标识码：B文章编号：1004373X(2008)2015102 　　 　　A New Kind of Ear Recognition Based on 2DPCA 　　CHEN Chunlan,ZENG Huanglin 　　(Sichuan University of Scicnce Engineering,Zigong,643000,China) 　　Abstract：Based on ear recognition,2DPCA method is given.This method doesn′t need transform image into ID vector,but image-based matrix,which computs the image covariance matrix directly for image feature extraction,it overcomes time-consuming of traditional PCA in image feature extraction.BP network is used for classification.Simulation shows that using 2DPCA to extract ear image feature can achieve satisfactory results. 　　Keywords：ear recognition;PCA;2-dimensional PCA(2DPCA);BP network 　　 　　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。 　　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。 　　目前人耳识别提取的特征主要分为2类：一类是基于几何特征的方法［2］，这种方法通过寻找人耳轮廓和内部结构上的关键点，形成几何特征；另一类是基于代数特征的方法，如主元分析法［3］。 　　主元分析法（PCA）在处理图像识别问题时是基于向量的，且没有充分利用训练样本的类别信息。本文提出了一种直接基于图像矩阵的2DPCA方法，与传统的PCA相比，不需要预先将图像转换为一维向量，其是基于图像矩阵，直接计算图像协方差矩阵的特征向量，最突出的优点是加快了特征提取的速度，提高了人耳的识别率。 　　 　　1 二维主分量分析（2DPCA） 　　 　　考虑一个大小为m×n的图像A，令投影矩阵X∈Rn×d（n≥d），将图像矩阵A投影到X，将产生一个m×d的矩阵Y=AX。在2DPCA方法中，用投影后向量的总离散度作为准则函数J(X)来衡量投影矩阵X的优劣： 　　J(X)=trace{E［(Y－EY)(Y－EY)T］} 　　=trace{E［(AX－E(AX))(AX－E(AX))T］}(1) 　　=trace{XTE［(A－EA)T(A－EA)］X} 　　定义图像协方差矩阵： 　　G=E［(A－EA)T(A－EA)］ 　　G是一个n×n的非负正定矩阵。假设有M幅m×n的测试样本人耳图像Ak（k=1，2，…,M），其平均图像矩阵为=1M∑Mk=1Ak，则G可以被估计为： 　　G=1M∑Mk=1(Ak－)T(Ak－)(2) 　　所以式（1）可以写成： 　　J(X)=tr(XTGX) 　　可以证明，准则函数J(X)最大的X中每列向量是由协方差矩阵G的r个非零特征值对应的前面最大的d个特征向量组成： 　　X=（X1，X2，…，Xd）