Vol.28 No.5 穆志纯等：外耳形状特征和内耳结构特征结合的人耳特征提取 ·499 A'(ricos(a+B),risin(a +B)),B'(r2cos(a B)) B),r2sin(a +B)),C'(r3cos(a+B),r3sin(a 图像特征变量变为： O'CAB()rscos(a++(rosin(+B)rasin( (ricos(a+B)-r2cos(a+B))2+(risin(a+B)-r2sin(a +B))2 co(a+B)(2ro3sin ((rrral= cos2(a+B)(ri+r2-2rir2)+sin2(a+B)(ri+r2-2rir2) I OC/ABI. 可以看出人耳图像旋转不会改变内耳特征变 于在实际的图像获取过程中，人耳平面与摄像头 量 间的相对角度变化引起的.但从实验结果看，这 2 特征提取的鲁棒性实验 些微小变化不会影响识别结果 对于人耳图像存在缩放、平移、旋转的情况 (如图4所示)，用前面提出的方法进行了特征提 取的实验，实验结果数据如表1所示.可以看出， 图像的变化对各特征向量的值影响很小，在分类 (a) (b) () 允许的阈值范围之内，因此分类结果不会发生变 图4耳朵的缩放、平移、旋转围像 化.可以注意到，表1中的同一个耳朵在不同情 Fig.4 Original image,scaled image,parallel moving image 况下提取的特征变量是存在微小变化的.这是由 and eddy image of an ear 表1同一个人耳样本不同图像中提取的特征向量 Table 1 Feature vector of an ear in different conditions 图4 外耳特征向量 内耳特征向量 (a) 【-0.00060.1386-14.7975713.0572].[0.0001-0.03885.442343.6722][0.3697.0.1929,0.1683,0.6185,0.3756] (b) [-0.00060.1386-14.7973713.0569].[0.0000-0.03875.442343.6715][0.3697,0.1931,0.1682,0.6184,0.3754] (c)【-0.00000.1385-14.7967713.0570],[0.0000-0.03785.441843.6723][0.3698.0.1927,0.1683.0.6185.0.3753] (d)[-0.00060.1385-14.7966713.0551].【0.0000-0.03885.440343.6732]【0.3696.0.1931,0.1685,0.6123.0.3754] 3 分类及识别实验结果 用于分类识别，得到的组合特征识别率89%， 利用目前用于特征提取的标准PCA方法在 目前，国内外还没有标准的人耳图像库.笔 笔者建立的人耳图像库上进行实验，同样第一幅 者在2003年1月至2004年2月构建了一个由77 图像用来训练，第四幅用来测试，得到67%的识 个人耳组成的人耳图像库.每个个体拍摄图像的 别率.可以看出，本文方法提取的特征变量用于 条件包括光照变化、角度变化.每人4幅图像：第 识别的识别率要高于标准PCA的方法，更值得 一幅和第四幅为人耳的正面图像，这两幅图反映 注意的是，标准PCA的方法对于缩放、旋转的图 光照变化；第二幅和第三幅分别为人耳+30°和 像无法适用，因此可以认为本文提出的方法用在 -30°旋转后的图像，这两幅图反映角度变化 人耳识别上具有一定的优势 本实验中将第一幅图像用来训练，第四幅用 4 来测试，然后使用BP神经网络进行分类.利用表 结论 1中提取到的上下两段外耳曲线的特征量组成一 提出了一种结合外耳形状特征和内耳结构特 个八维的外耳特征向量，单独用于分类识别，得到 征变量用于人耳识别的局部特征提取方法，此方 的识别率是78%；利用表1中提取到的内耳特征 法提取的特征变址具有缩放不变性、平移不变性 量组成一个五维的内耳特征向量，单独用于分类 和旋转不变性，因此人耳图像的缩放、平移和旋转 识别，得到82%的识别率；把外耳特征向量和内 变化不会影响特征变址和识别结果. 耳特征向量组合起来，组成-一个13维的特征向量 从目前的实验方法和识别结果来看，人耳识穆志纯等 外耳形状特征和内耳结构特征结合的人耳特征提取 · · ‘ 。 。 月 ， 尹 ， ‘ 月 ， 月 ， ’ 月 ， 尹 图像特征变量变为 ， 醚一州 。 ，’ “ “ ‘ ” 一 黑 尹 一 。 口 夕 一 夕 犷 月 一 月 一 了 月 吕 盖 一 。 卢 吕 盖 。 。 月 二 子 圣 一 ， 。 月 子 圣 。 一 一 卜 一︸二一 才、、、、尹 可以看出人耳 图像旋转不会改变内耳特征变 量 特征提取 的鲁棒性实验 对于 人 耳 图像 存在 缩 放 、 平 移 、 旋转 的情 况 如图 所示 ， 用前 面提 出 的方 法进 行 了特征提 取的实验 ， 实验结果 数据如表 所示 可 以看出 ， 图像的变化对 各特征 向量 的值影 响很 小 ， 在分类 允许的闭值范 围之 内 ， 因此 分类结果 不 会发 生变 化 可以注 意 到 ， 表 中的 同一 个耳 朵 在不 同情 况 下提取的特征变量是存在微小变化的 这是 由 于在实际 的图像获取过 程 中 ， 人耳 平面 与摄 像头 间的相对 角度变 化引起 的 但 从 实验结果看 ， 这 些微小变化不会影 响识别结果 图 耳朵的编放 、 平移 、 旋转圈像 …攀 ， 助 皿沙 ， 曰 攀 曰 呢 衰 同一个人耳样本不同图像中提取的特征向 ’ 砚 口 代 因 图 外耳特征向量 内耳特征向量 一 一 一 一 一 一 一 一 【 【 〕 ， 【 ， 加 一 一 一 一 」 」 」 【 ， ， 」 【 ， ， ， 」 【 ， ， ， ， 】 【 ， ， 分类及识别实验结果 目前 ， 国 内外还 没 有标准 的人耳 图像库 笔 者在 年 月至 年 月构建了一个 由 个 人耳组成的人耳 图像库 每个个体拍摄 图像 的 条件包括光 照变化 、 角度变化 每人 幅图像 第 一幅和 第四 幅为人 耳 的正 面 图像 ， 这 两 幅 图反 映 光照 变 化 第二 幅 和 第三 幅分 别 为 人 耳 ’ 和 一 旋转后 的图像 ， 这 两幅图反映角度变化 本实验 中将 第一 幅 图像用 来训 练 ， 第四 幅 用 来测试 ， 然后 使用 神经 网络进行分类 利用表 中提取到 的上 下两段 外耳 曲线的特征量组 成 一 个八维的外耳特征 向量 ， 单独 用于分类识别 ， 得到 的识别率是 利用表 中提取到 的 内耳 特 征 量组成 一 个五 维 的 内耳 特 征 向量 ， 单 独 用 于 分类 识别 ， 得到 的 识 别 率 把 外 耳 特征 向量 和 内 耳特征 向量组 合起来 ， 组成一个 维 的特征 向量 用于分类识别 ， 得到 的组 合特征识别率 利用 目前用 于 特征 提 取 的标准 方 法 在 笔者建立 的人耳 图像库上 进 行 实验 ， 同样 第一 幅 图像 用来训 练 ， 第四 幅 用 来测 试 ， 得 到 的识 别率 可 以看 出 ， 本 文 方 法提 取 的特征变 量 用 于 识别的识别率要 高 于 标准 的方 法 更值得 注意 的是 ， 标准 的方 法 对 于 缩 放 、 旋转 的 图 像无法适 用 ， 因此 可 以 认 为本文 提 出的方 法 用在 人耳识别上 具有一 定的优势 结论 提 出 了一种结合外耳形状特征和 内耳结构特 征变量用于 人耳识别的局 部特 征提取方法 此 方 法提取的特征 变量具 有缩 放 不 变性 、 平 移不 变性 和旋转不变性 ， 因此 人耳 图像的缩 放 、 平移和旋转 变化不会影 响特征变量和识别结果 从 目前的实验 方 法 和 识 别结果 来看 ， 人耳 识