·322· 智能系统学报 第3卷 表12D人耳识别方法 姿态变化较大时，识别率将急剧下降 Table 1 2D ear recogn ition methods 基于代数特征的人耳识别方法，从人耳图像的 特征分类 识别方法 代表研究 整体出发，提取反映人耳的特征.PCA1被认为是最 lannarelli人耳识别 12段测量法 成功的线性鉴别分析方法之一，本质上PCA方法的 N-graph曲线邻接关系 Voronoi相邻图 目的是在最小均方意义下寻找最能代表原始数据的 神经网络法 外耳轮廓点和耳形特征 投影.独立分量分析是基于高阶统计特性的分析方 几何特征 力场转换法 势能井和势能通道 法，C4的目标就是利用一种线性变换，分离出独 LABSSFEM 外耳形状和内耳结构 立主元，使得图像中的统计依赖性消失或减到最小 傅立叶方法 入耳轮廓特征 程度.但是当样本点具有非线性性质时，采用线性方 PCA 人耳识别与人脸识别的比较 法无法反映出样本点之间所隐藏的非线性性质.文 不变矩法 高阶不变矩提取特征 献【12表明，当光照、姿态变化时，人脸图像在高维 代数特征 CA 高阶统计特征 观测空间呈现出高度的非线性流形结构.同样，当光 核Fisher 核Fisher KPCA KPCA 照、姿态变化时，人耳图像也具有这种非线性性质 因此，PCA、CA等线性方法存在一定的局限性 1.1基于几何特征的人耳识别 基于核技巧的人耳识别方法的基本思想四是 最具有代表性的早期研究是A.lannarelli提出 通过一个非线性变换把输入数据映射到一个高维特 的基于I2个测量段为特征的lannarelli系统2).这 征空间，使得原本在输入空间无法线性分类的数据 种方法以人耳解剖学点作为测量系统的基础，所有 变换到特征空间来实现线性分类.这种方法虽然可 的测量都取决于原点的精确定位，因此不适用于计 以对非线性数据进行分类识别，但是需要在图像预 算机视觉；Moreno!1等分别提出了基于外耳特征点、 处理阶段对人耳图像进行角度、光照归一化，以消除 基于外耳形态学分析和基于宏观特征的压缩网络的 由于姿态、光照所带来的影响，因而在一定程度上也 识别方法，同时又通过复合分类技术将上述3种方 易受姿态、光照的影响.文献【11的实验结果表明， 法组合进行人耳识别；Burge和Burge首先构造人 当发生角度和光照变化时，在USB图像库2（带角 耳边缘曲线的Voronoil图，然后提取相邻曲线的关 度和光照变化的图像库)上的识别率急剧下降，特 系来构造特征向量进行识别，Hurley,N ixon和Carter 征空间取70维，识别率取得最大值为54% 等56)使用力场转换方法提取人耳图像的势能通道 经过上述分析可以看出，目前人耳识别所采用 和势能井，并将它们的位置作为人耳描述特征进行 的各种方法，在解决人耳姿态问题时都存在其局限 识别：刘炜杰等使用基于傅里叶系数的方法对人 性.流形学习作为一种新的基于拓扑学的非线性方 耳轮廓进行识别；M心等提出了基于外耳轮廓形状 法，从人类认知角度出发1，通过研究高维数据集 特征和内耳结构特征(long axis based shape and 的内在几何结构，发现其内在几何规律，能够更好地 structural feature extraction method,LAB SSFEM) 解决数据的非线性问题，.比起前面的各种方法， 耳识别方法，但是这种方法仅适用于正面人耳图像. 流形学习在解决姿态问题上具有明显的优势，它能 通过以上论述，可以看出，基于几何特征的人耳 够很好地发现高维数据集的结构，提供更好的数据 识别方法首先需要提取外耳边缘和内耳轮廓，这就 理解.作为流形学习谱方法中的一种，近年来提出一 决定了这些方法必定易受光照、姿态等因素的影响， 种称之为局部线性嵌入1的流形学习算法，它通过 特征提取不稳定」 非线性维数约简方式，获得高维数据的有代表性的 12基于代数特征的人耳识别 最佳低维投影 Vico等应用标准主元分析法(PCA)对人耳 2局部线性嵌入 进行识别，并与人脸识别进行比较，实验结果均为人 脸识别结果优于人耳识别：王忠礼9等采用高阶不变 21算法简介 矩方法提取人耳图像特征，并提出基于不变矩的改进 局部线性嵌入(locally linear embedding, 算法，可一定程度上克服人耳图像因为平移、缩放等 LE)167是一种非线性降维算法，其基本思想是保 因素造成的图像失真对识别结果的影响；张海军1、 持原流形中局部邻域间相互关系，将高维数据映射 袁立II等分别采用CA核Fisher与核PCA方法，在 到低维全局坐标系中，即把N个样本的数据集 USB自建人耳库上进行识别，实验结果表明当人耳 X,∈R映射到低维向量Y,1∈R.LE的 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net表 1 2D人耳识别方法 Table 1 2D ear recogn ition m ethods 特征分类 识别方法 代表研究 几何特征 Iannarelli人耳识别 N2graph曲线邻接关系 神经网络法 力场转换法 LABSSFEM 傅立叶方法 12段测量法 Voronoi相邻图 外耳轮廓点和耳形特征 势能井和势能通道 外耳形状和内耳结构 入耳轮廓特征 代数特征 PCA 不变矩法 ICA 核 Fisher KPCA 人耳识别与人脸识别的比较 高阶不变矩提取特征 高阶统计特征 核 Fisher KPCA 1. 1 基于几何特征的人耳识别 最具有代表性的早期研究是 A. Iannarelli提出 的基于 12个测量段为特征的 Iannarelli系统 [ 2 ] . 这 种方法以人耳解剖学点作为测量系统的基础 ,所有 的测量都取决于原点的精确定位 ,因此不适用于计 算机视觉 ;Moreno [ 3 ]等分别提出了基于外耳特征点、 基于外耳形态学分析和基于宏观特征的压缩网络的 识别方法 ,同时又通过复合分类技术将上述 3种方 法组合进行人耳识别 ; Burge和 Burger [ 4 ]首先构造人 耳边缘曲线的 Voronoi图 ,然后提取相邻曲线的关 系来构造特征向量进行识别 ; Hurley、N ixon和 Carter 等 [ 526 ]使用力场转换方法提取人耳图像的势能通道 和势能井 ,并将它们的位置作为人耳描述特征进行 识别 ;刘炜杰等 [ 7 ]使用基于傅里叶系数的方法对人 耳轮廓进行识别 ;Mu [ 1 ]等提出了基于外耳轮廓形状 特征和内耳结构特征 ( long axis based shape and structural feature extraction method, LABSSFEM )的人 耳识别方法 ,但是这种方法仅适用于正面人耳图像. 通过以上论述 ,可以看出 ,基于几何特征的人耳 识别方法首先需要提取外耳边缘和内耳轮廓 ,这就 决定了这些方法必定易受光照、姿态等因素的影响 , 特征提取不稳定. 1. 2 基于代数特征的人耳识别 V ictor等 [ 8 ]应用标准主元分析法 (PCA )对人耳 进行识别 ,并与人脸识别进行比较 ,实验结果均为人 脸识别结果优于人耳识别;王忠礼 [ 9 ]等采用高阶不变 矩方法提取人耳图像特征 ,并提出基于不变矩的改进 算法 ,可一定程度上克服人耳图像因为平移、缩放等 因素造成的图像失真对识别结果的影响;张海军 [ 10 ]、 袁立 [ 11 ]等分别采用 ICA、核 Fisher与核 PCA方法 ,在 USTB自建人耳库上进行识别 ,实验结果表明当人耳 姿态变化较大时 ,识别率将急剧下降. 基于代数特征的人耳识别方法 ,从人耳图像的 整体出发 ,提取反映人耳的特征. PCA [ 8 ]被认为是最 成功的线性鉴别分析方法之一 ,本质上 PCA方法的 目的是在最小均方意义下寻找最能代表原始数据的 投影. 独立分量分析是基于高阶统计特性的分析方 法 , ICA [ 10 ]的目标就是利用一种线性变换 ,分离出独 立主元 ,使得图像中的统计依赖性消失或减到最小 程度. 但是当样本点具有非线性性质时 ,采用线性方 法无法反映出样本点之间所隐藏的非线性性质. 文 献 [ 12 ]表明 ,当光照、姿态变化时 ,人脸图像在高维 观测空间呈现出高度的非线性流形结构. 同样 ,当光 照、姿态变化时 ,人耳图像也具有这种非线性性质. 因此 , PCA、ICA等线性方法存在一定的局限性. 基于核技巧的人耳识别方法的基本思想 [ 11 ]是 通过一个非线性变换把输入数据映射到一个高维特 征空间 ,使得原本在输入空间无法线性分类的数据 变换到特征空间来实现线性分类. 这种方法虽然可 以对非线性数据进行分类识别 ,但是需要在图像预 处理阶段对人耳图像进行角度、光照归一化 ,以消除 由于姿态、光照所带来的影响 ,因而在一定程度上也 易受姿态、光照的影响. 文献 [ 11 ]的实验结果表明 , 当发生角度和光照变化时 ,在 USTB图像库 2 (带角 度和光照变化的图像库 )上的识别率急剧下降 ,特 征空间取 70维 ,识别率取得最大值为 54%. 经过上述分析可以看出 ,目前人耳识别所采用 的各种方法 ,在解决人耳姿态问题时都存在其局限 性. 流形学习作为一种新的基于拓扑学的非线性方 法 ,从人类认知角度出发 [ 13 ] ,通过研究高维数据集 的内在几何结构 ,发现其内在几何规律 ,能够更好地 解决数据的非线性问题 [ 14 ] . 比起前面的各种方法 , 流形学习在解决姿态问题上具有明显的优势 ,它能 够很好地发现高维数据集的结构 ,提供更好的数据 理解. 作为流形学习谱方法中的一种 ,近年来提出一 种称之为局部线性嵌入 [ 15 ]的流形学习算法 ,它通过 非线性维数约简方式 ,获得高维数据的有代表性的 最佳低维投影. 2 局部线性嵌入 2. 1 算法简介 局 部 线 性 嵌 入 ( locally linear embedding, LLE) [ 16217 ]是一种非线性降维算法 ,其基本思想是保 持原流形中局部邻域间相互关系 ,将高维数据映射 到低维全局坐标系中 , 即把 N 个样本的数据集 { Xi } N i = 1 ∈R D 映射到低维向量 { Yi } N i = 1 ∈R d . LLE的 · 223 · 智 能 系 统 学 报 第 3卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net