基于非线性自适应特征融合的人耳识别.docxVIP

基于非线性自适应特征融合的人耳识别 作为一种新型的身份识别技术，人耳识别越来越受到重视。除了耳的普遍性、可见度和不可伪造性外，耳的结构特征丰富、稳定，不受耳面变化的影响，颜色分布均匀等优点。现在，国内外研究人员提出了几种有效的人耳识别方法，代表了基于几何特征的voronio曲线图法、基于外耳形状特征和内耳结构特征的人耳识别方法、基于外耳轮廓边缘信息的人耳识别方法等。基于代际特征的方法包括基于废物特征的主源分析法（kpca）、基于可变矩阵的融合方法、独立成分分析的方法（ica）和基于非负矩阵因素的方法。在人耳形状变化小、图像质量好的情况下，这些方法获得了令人满意的结果。然而，如果人们的旋转角度发生改变，二维图像就会变形，这将完全丢失。在这种情况下，基于单一特征的人耳识别率急剧下降，无法满足实际应用需求。因此，结合几个相互补充的特点，提高穿角度变化的人耳识别率是解决这一问题的新思路。 ICA是一种基于信号的高阶统计特性的分析方法,它去除了数据间的高阶统计相关性,能更加全面地揭示图像的本质结构.文献首先采用ICA提取一组统计独立的基图像向量,然后将待识别的人耳图像向量投影到这些基向量张成的空间中,得到图像的鉴别特征向量,最后使用SVM分类.由于ICA特征主要描述图像的局部信息,能很好地表示人耳的边缘和沟回特征,因此取得了较好的识别效果.与上述方法的思想不同,本文将通过降维后的样本数据直