《人耳检测和识别算法综述.doc》由会员分享，可在线阅读，更多相关《人耳检测和识别算法综述.doc（9页珍藏版）》请在三一文库上搜索。
1、关于人耳检测的文献1 基于AdaBoost的侧面人脸、人耳检测现今,人脸检测技术的局限性主要存在于侧面人脸检测这方面,本文主要利用人脸人耳的位置关系,用AdaBoost方法进行分别检测,最后人脸检测与人耳检测融合在一起,以提高人脸检测效率。2 综合肤色模型和多模板匹配增强Adaboost人耳检测为克服传统的Adaboost算法出现的样本训练时间过长、过于依赖样本质量等问题,在训练不足及初始人耳定位不好的情况下,引入YCbCr肤色模型和多模板匹配技术策略对人耳进行精确定位。实验表明,改进后的人耳检测性能得到较大的提高,对动、静态人耳均能达到准确定位和检测的效果,算法的鲁棒性较好。3 基于肤色模型
2、的人耳检测系统人耳检测是人耳识别以及基于内容的图像和视频检索的一项重要任务。本文提出了一种将背景差分和肤色模型相结合的人耳检测算法。算法首先在序列图像中自动提取运动目标并进行人体检测,然后经过肤色分割进行人耳的粗定位,产生人耳候选区域。最后利用人耳检测模块判断候选区域中是否含有人耳,以及获得它们的位置、大小等信息。实验结果表明,该算法是有效的。4 一种基于改进GVF Snake的自动人耳检测方法近几年对人耳这种生物特征的研究大都只能依靠手工定位和分割人耳,这大大减缓人耳识别技术的实用化进程.文中提出一种人耳自动检测方法.该方法首先利用YCbCr肤色模型和Gentle AdaBoost级联分类器
3、检测出人耳块,然后运用改进的GVF Snake方法提取外耳轮廓.该方法通过构造耳形图,提取非常接近于人耳实际边缘的初始轮廓线,不但节省迭代时间,还提高GVF Snake提取人耳边缘的准确率,在USTB人耳库上获得约97.3%的正确检测率.实验结果表明,该方法具有较好的检测效果和鲁棒性.5 一种内外轮廓加权的人耳检测算法为了提高人耳检测中图像匹配的精确性,提出对内外耳轮廓加权,并利用Hausdorff距离进行人耳检测的算法。在传统的Hausdorff距离匹配中,图像如果受噪声干扰或边缘不连续等情况,检测结果不理想。因此为使检测位置更加接近外耳轮廓,需要强调外耳轮廓的作用,这通过对外耳加大权值、对
4、内耳加小权值实现,然后再结合加权Hausdorff距离进行图像匹配计算。仿真实验表明,提出的算法是有效的。相比传统Hausdorff距离和平均Hausdorff距离的匹配,人耳轮廓加权的算法更加精确。6 基于梯度的ROI提取及人耳检测利用人耳区域内梯度幅值较大这一特点,提出基于区域梯度的感兴趣区域(ROI)提取方法,进而利用支持向量机对人耳进行检测。ROI提取方法计算人耳大小区域的梯度均值,通过设定合适的阈值得到较少的候选区域。为降低搜索范围,用肤色模型检测人脸区域,然后设计区域梯度值快速搜索算法提取人耳的候选区域。将提取的候选区域利用主元变换降维后用支持向量机进行分类判别。实验结果表明此方法
5、是有效的。7 基于几何结构关键点的人耳检测人耳识别是目前生物特征识别的一种重要技术,外耳图像上最具区分能力的特征就是外耳的形状特征和外耳的解剖学特征,比如对耳轮、耳垂、三角窝等部分。本文的方法首先将基于灰度识别转化为复杂度比较,从而增强可操作性,然后结合人耳特有的几何特征,进行结构特征基本点的选取,在选取时考虑在局部采用优化算法进行最优化选点,最后抓取选取的最优点进行曲线的拟合,得到人耳轮廓及特征结构。8 利用Hausdorff距离的快速人耳检测为有效解决人耳检测中的遮挡和光照不均等问题,结合Hausdorff距离的模糊匹配的特点和较强的抗干扰能力,提出基于Hausdorff距离的人耳检测算法
6、.算法首先用肤色模型检测出人脸区域,然后用canny算子提取边缘,并进行距离变换,再构造多分辨率金字塔模型,在不同分辨率层上采用不同的匹配策略进行Hausdorff距离匹配.算法采用多分辨率方法显著提高检测速度,采用部分Hausdorff距离提高它的抗干扰能力.仿真实验结果取得95%的正确率,并且对遮挡和光照不均具有较强的鲁棒性.人耳识别一、 基于特征融合的算法：1 基于人脸人耳特征的组合识别人脸受到年龄、表情、化妆品等影响,使人脸识别具有局限性,而人耳正好弥补了人脸的不足,提出了基于正面人脸和人耳相结合的识别方法。利用二维Fisher线性判别方法分别进行了人脸、人耳、人脸人耳组合识别,其中组
7、合识别包括脸耳相互辅助识别、脸耳图像组合识别、脸耳特征按不同权重组合识别。在北京科技大学(USTB)人耳图像库和ORL人脸图像库上进行实验,实验结果表明,人脸人耳组合识别的识别效果好于单一的人脸识别和人耳识别。2 人耳人脸特征融合在身份鉴别中的研究针对单一人耳识别对姿态变化鲁棒性较差的问题,鉴于人脸在图像性质和生理位置上与人耳具有相似性和互补性,使用了多模态特征融合的方法提高姿态变化下的识别率。与传统的独立成分分析首先获得独立的基向量(ICA1)不同,提出了利用ICA直接获得独立的鉴别特征的方法(ICA2)。在USTB图像库上分别将两种ICA特征进行单模态和多模态的融合。实验表明,两种特征的融
8、合提高了单一模态的识别率,并且多模态识别优于单一的人耳或人脸识别。3 基于特征融合的人脸人耳多生物身份鉴别针对人头旋转时单一人脸识别率较差的问题,基于人脸与人耳位置上的关联性,提出人脸人耳多生物特征级融合的身份鉴别方法以克服姿态带来的影响.首先采用传统独立成分分析(ICA)方法及其变形分别提取出图像的局部和全局特征,然后将这2种互补的特征进行多模态加权串联融合,并采用基于非线性核函数的主元分析法(KPCA)降维.在USTB图像库上的实验表明,2种独立成分特征具有很好的互补性,多生物识别大大优于单一生物识别,且提出的核非线性降维方法进一步改善了识别性能.4 基于CCA的人耳和侧面人脸特征融合的身
9、份识别鉴于人耳和人脸特殊的生理位置关系,从非打扰识别的角度出发,提出仅采集侧面人脸图像,利用典型相关分析的思想提取人耳和侧面人脸的关联特征,进行人耳和侧面人脸在特征层的融合。实验结果表明,此方法与单一的人耳或侧面人脸特征识别比较,识别率得到提高。5 人耳和侧面人脸融合的多模态身份识别 首先分别对人耳和侧面人脸建立基于全空间线性判别分析(FSLDA)的分类器;然后采用贝叶斯决策理论中常见的积、和、中值多分类器融合算法,并对投票算法进行了改进。实验结果表明,与单一的人耳或侧面人脸特征识别比较,人耳和侧面人脸融合的多模态识别率得到提高,并扩大了识别范围。6 基于ICA的非线性自适应特征融合的人耳识别
10、针对单一特征的人耳识别对旋转角度鲁棒性差的问题,提出一种非线性自适应特征融合的方法.首先提取人耳的2种具有互补性质的独立成分特征,然后将它们加权串联形成高维融合特征;最后通过核主元分析方法实现非线性降维.实验结果表明,当人耳有姿态旋转时,融合特征较单一特征的识别率有显著提升,且文中方法比传统的串联融合的识别结果更好.7 基于KCCA的特征融合方法及人耳人脸多模态识别针对非打扰识别问题,鉴于人耳人脸特殊的生理位置关系,提出一种基于二者信息融合的多模态生物特征识别方法.该方法首先采集侧面视角人脸图像,然后将核方法引入到典型相关分析(CCA)中,提出基于核CCA的特征融合方法,并应用其提取人耳人脸的
11、关联特征进行个体的分类识别.仿真实验结果证明了基于KCCA的特征融合方法的有效性.与人耳或侧面人脸单一模态的识别相比,基于人耳人脸的多模态识别的性能显著提高,这为非打扰式生物特征识别提供了一条有效途径.8 基于特征融合的人耳识别分析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。9 基于特
12、征融合的人脸人耳多生物身份鉴别针对人头旋转时单一人脸识别率较差的问题,基于人脸与人耳位置上的关联性,提出人脸人耳多生物特征级融合的身份鉴别方法以克服姿态带来的影响.首先采用传统独立成分分析(ICA)方法及其变形分别提取出图像的局部和全局特征,然后将这2种互补的特征进行多模态加权串联融合,并采用基于非线性核函数的主元分析法(KPCA)降维.在USTB图像库上的实验表明,2种独立成分特征具有很好的互补性,多生物识别大大优于单一生物识别,且提出的核非线性降维方法进一步改善了识别性能.二、 基于向量机1 基于粗糙集和支持向量机的人耳识别人耳识别技术是以人耳作为识别媒体来进行身份鉴别的一种新的生物特征识
13、别技术,具有相当的理论研究价值和实际应用前景。传统的人耳识别方法是运用人耳图像的几何特征进行识别的,由于角度等条件的变换使识别的准确性大大降低。为此,提出了运用几何特征比值的方法和纹理特征来进行特征数据的预处理。文中采用粗糙集理论对所得属性数据进行约简,去掉冗余的信息。不仅简化了后继的运算,而且提取出重要的信息。再把得到的信息分为支持向量机的训练集和识别集,用支持向量机进行分类识别。实验及实际应用表明了支持向量机应用于人耳图像识别的优越性,同时也进一步验证了人耳作为一种生物特征用于个体识别的可行性。2 基于LDA/GSVD和支持向量机的人耳识别针对人耳图像自身的特点并通过对现有方法的研究,提出
14、了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.3 基于KDA/GSVD和支持向量机的人耳识别在高维、小样本的情况下使用Fisher线性鉴别分析的特征提取方法存在病态奇异问题,学者们提出了许多解决此问题的方法。针对小样本问题,并通过对现有人耳识别方法的研究,提出了一种利用KD
15、A/GSVD算法对图像数据进行降维,运用SVM分类器对样本进行判别的人耳识别方法。此外,还对线性判别分析、广义奇异值分解和支持向量机的基本理论等内容做了简要介绍。实验证明,KDA/GSVD很好地解决了由于小样本的问题而导致的LDA算法中类内离散度矩阵不可求逆的问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法。三、 基于小波1 基于小波变换和规范型纹理描述子的人耳识别在带有角度的人耳图像上提取有效特征一直是人耳识别的难点.本文提出一种基于Haar小波变换和规范型纹理描述子的人耳识别方法,即先对人耳图像进行Haar小波变换,然后利用更加合理的规范型纹理描述子,同时结合分块与多分
16、辨率思想,共同描述经Haar小波变换后人耳子图像的纹理特征,最后用最近邻分类器进行分类识别.实验结果表明,Haar小波变换可以有效增强图像纹理基元的有效信息;利用规范型纹理描述子提取特征不仅速度快,而且具有很强的鲁棒性,尤其与分块、多分辨率方法相结合时,效果更为显著,明显优于经典的PCA和KPCA方法.2 基于小波变换和LDA/FKT及SVM的人耳识别人耳识别技术是生物特征识别和人工智能领域的一个重要分支。针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像
17、的特征向量,最后采用支持向量机作为分类器对样本向量进行判别。实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法。3 基于Haar小波变换和分块DCT的人耳识别提出一种新的对人耳图像进行降维的方法。先对人耳图像进行二维的离散小波分解,然后再对小波分解后得到的低频信息施行分块离散余弦变换,进而获得图像的特征向量。实验证明,该方法与模式识别领域中广泛应用的PCA-LDA方法相比,在识别率大体相当的前提下,具有计算量小、降维速度快的优点,是对人耳图像进行特征提取的一种有效的手段。4 基于小波变换和正交质心算法的人
18、耳识别研究提出了一种新的快速对人耳图像进行特征提取的方法,先对人耳图像进行二维的离散小波分解,然后使用正交质心算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量。实验证明,该方法与模式识别领域中广泛应用的Fisherfaces方法相比,在识别率大体相当的前提下,具有计算量小、降维速度快的优点,是对人耳图像进行特征提取的一种有效手段。5 结合Gabor小波和监督保局投影的人耳识别针对人耳识别中人耳的角度变化这个难点问题,提出一种结合Gabor小波和监督保局投影的人耳识别算法.由于Gabor特征维数高、冗余大,首先通过统计样本的边缘点再采样的方法对人耳进行稀疏的描述,然后利用类别可分离
19、性判据评价Gabor展开系数的分类能力,选择最有利于识别的Gabor展开系数构造新的Gabor特征.在人耳库中的实验结果表明,采用文中算法提取的Gabor特征维数少、鉴别能力强,结合监督保局投影进行识别取得了很高的识别率,对于人耳角度的变化具有良好的鲁棒性.6 基于Gabor滤波器和RBF网络的人耳识别人耳这种人体生物特征识别技术已受到广泛的关注。提出一种基于2-D Gabor滤波器和径向基函数(RBF)神经网络的人耳识别方法。应用Gabor滤波器对人耳进行多尺度多方向的特征提取,然后采用RBF神经网络优良的自学习能力和非线性分类能力进行人耳图像的训练和识别。与传统的PCA方法相比,该方法对光
20、照和姿态转换具有很好的鲁棒性,并且对不同的数据库具有较好的泛化能力。在USTB人耳图像库的实验结果显示该方法的有效性。四、 基于力场转换1 基于力场转换的人耳特征提取与识别提出一种基于力场转换理论的人耳识别方法。该方法将力场理论分两次运用于人耳图像,分别提取内耳结构特征点和外耳轮廓特征点,并融合形成人耳特征点集。然后利用改进的Hausdorff距离对两个特征点集进行匹配识别。该方法提取的特征点稳定、可靠,具有很强的区分能力。采用力场图像转换可以有效消除光照变化对耳识别的影响,而使用Hausdorff距离进行匹配则可进一步解决由于位移、旋转变化以及姿态变化等带来的识别率低的问题。实验表明本文提出
21、的方法不但能有效提高人耳识别率,而且具有很强的鲁棒性。五、 核的主成分分析法相关算法：1 基于ICA和KPCA人耳识别技术比较人耳识别技术是一种新的生物识别技术,它以人耳作为识别媒介来进行身份鉴别,但人耳识别的相关理论和方法还不太完善。首先介绍了独立成分分析方法(ICA)和基于核的主成分分析方法(KPCA)的基本原理,然后通过实验得到在分别采用ICA和KPCA方法时,在不同人耳库上的特征提取时间以及采用不同分类器时的人耳识别率。最后通过分析比较实验结果得到基于ICA方法的识别技术和基于KPCA方法的识别技术各自的优点和缺点。2 基于核典型相关分析的姿态人耳、人脸多模态识别选用在生理位置上具有一
22、定关联性的人耳和人脸作为研究对象,针对剧烈的姿态变化会造成融合信息大量缺损的问题,提出了一种基于核典型相关分析的多模态识别方法,利用标准化和中心化两种方法对原始数据集进行预处理,并用最近邻方法进行分类识别.实验结果表明,核典型相关分析方法可以有效地克服剧烈的姿态变化对人耳和人脸识别的影响,且与单生物特征相比,识别率显著提高.六、基于二维Fisher线性判别1 基于二维Fisher线性判别的人脸耳组合识别针对人脸易受到年龄、表情等影响,提出了脸和耳相结合的组合识别方法。利用二维Fisher线性判别(2DFLD)方法分别进行了脸、耳图像层和特征层的组合识别。在北京科技大学人耳库和ORL人脸库上进行
23、实验,结果表明,图像层组合和特征层组合的识别率分别为97.5%、95.0%,分别比人脸识别提高了12.5%和10.0%,比人耳识别提高了5.0%和2.5%;与同样应用于组合识别的主成分分析(PCA)、二维PCA(2DPCA)比较,也取得了较好识别效果。这说明,多生物特征组合识别是一种有效的识别方法。2 基于二维Fisher线性判别的人耳识别针对传统二维Fisher线性判别(2DFLD)方法只使用图像矩阵的行向量作子模式的局限性,结合人耳图像的特点,提出了一种基于列向量作子模式的2DFLD的人耳识别方法。首先利用训练样本图像矩阵的列向量作子模式进行训练以提取特征人耳子空间,再将测试图像投影到该子
24、空间上,最后用最近邻欧式距离方法进行匹配。实验结果表明,以列向量作子模式时的识别率达98.333%,比行向量作子模式时提高了3.333%,与同样基于多元统计分析的PCA、2DPCA和PCA+FLD方法相比,识别效果最优,是一种有效的人耳识别方法。七、其他人耳识别算法1 基于人脸和人耳的多模态生物特征识别 单一模式生物特征识别系统由于存在一些固有的局限性,有时难以满足实际应用的需求,本文提出了基于正面人脸和人耳信息融合的多模态生物特征识别方法.针对USTB人耳图像库和ORL人脸图像库,利用核Fisher鉴别分析方法分别进行了人耳识别、人脸识别和人脸人耳融合识别,融合策略包括图像层融合和特征层融合
25、两种.识别结果表明基于人脸人耳信息融合的多模态识别的识别率优于单体的人耳或人脸识别.这说明融合多种生物特征的多模态识别可以提高身份认证的准确率,也为实现非打扰式识别提供了一种新的途径.2 基于改进的局部切空间排列算法的多姿态人耳识别针对局部切空间排列算法用于图像识别存在的问题，对邻域选取策略加以改进，提出了一种基于自适应邻域选取策略的局部切空间排列算法，并用于人耳图像特征的提取。实验结果表明：当姿态发生较大变化时，这种新的人耳识别方法能够取得明显优于传统线性方法的识别结果，是一种有效的多姿态识别方法。更多还原3 低分辨率人耳图像识别方法研究针对人耳识别中存储量和计算速度的要求,同时考虑远距离拍
26、摄时低分辨率人耳识别问题,探讨了低分辨率人耳图像识别性能,给出了分辨率与识别率的关系。首先采用高斯金字塔对人耳图像进行不同层的分解,然后对每一层图像应用广义判别分析方法(GDA)提取特征,最后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,当人耳图像分辨率降低为3624时系统识别性能最好,满足实时生物识别系统的要求。4 用于多姿态人耳识别的局部线性嵌入及其改进算法通过分析目前人耳识别所采用的各种主要方法,将流形学习局部线性嵌入(LLE)算法用于多姿态人耳识别,并针对LLE算法存在的局限提出一种改进LLE算法.改进后的LLE算法依据Hsim距离选择邻域,较好地避免了高维空间中邻域点选取的
27、不稳定性.实验结果表明,利用LLE解决多姿态人耳识别问题是可行的而且具有较明显的优势.用改进LLE算法进行多姿态人耳识别能够获得更高的识别率,验证了算法改进的有效性.5 局部子空间映射在人耳识别中的应用比较了三种用于人耳识别的局部表征方法的识别准确率。通过在USTB2人耳库上的实验,对所采用的空间几何距离及选择的特征数进行了一个系统的比较分析。结果表明,方法的识别性能随所用的空间几何距离公式发生较大变化。八、3D人耳检测算法1 基于SIFT特征的3D人耳识别方法提出一种基于SIFT局部特征的3D人耳识别方法.首先,用模板从人侧脸图像中切割出所需人耳图像,同时得到人耳点云数据;然后由人耳点云数据
28、求得其Shape Index图;接着,分别对仅含z通道的深度图像和Shape Index图求取SIFT特征;最后,将2种图进行SIFT特征匹配得到的匹配数融合,用于人耳识别.在Notre Dame UND人耳数据库上的实验表明,由于SIFT,Shape Index对几何变换、光照以及姿态变化的鲁棒性,识别结果几乎不受这些变化的影响,而且该方法简单、快速、具有较高的识别率.2 快速三维人耳提取与识别针对现有三维人耳提取与识别算法中存在处理时间长、识别率低的问题,提出一种快速三维人耳提取方法和2种三维人耳识别方法.三维人耳提取时,使用不变特征迭代最近点算法使人耳与平均耳对齐,完成位置和姿态的归一化,然后用掩膜提取出三维人耳.第一种三维人耳识别方法结合人耳深度和曲率信息,采用主元分析算法进行降维,然后用最近邻分类完成识别;第二种三维人耳识别方法则使用不变特征迭代最近点算法对齐测试耳与原型耳,利用配准误差完成人耳识别.实验结果表明,第一种人耳识别方法识别率较高、计算速度很快,第二种人耳识别方法可达到很高的识别率.