Vol.28 No.9 袁立等：基于核主元分析法和支持向量机的人耳识别 ·891。 另一种是基于外耳轮廓的两点标记法，也就是利 的背景信息：通过实验发现带有较少背景信息的 用外耳轮廓的起点和终点即三角窝和耳屏间肌切 图像能够取得更高的识别率.所以采用后者进行 迹如图2（所示.将这两点连线的长度及其方 分割.根据统计得到此方法分割后的人耳长宽比 向作为人耳的大小和方向进行归一化.通过比较 均值为1.97，所以归一化后的图像大小取为50X 可以看出，基于外耳长轴分割出的人耳图像比基 98像素，如图2(d)所示. 于外耳轮廓起点终点分割出的人耳图像带有更多 h4 A h/4 0.77h (a (b) (d) 图2人耳图像中标记点的选择方法.(a三角窝，对耳屏两点标记法：(b)外耳轮南长轴标记法：(c)外耳轮廓起始点标记法：()归 一化后的人耳图像示例 Fig.2 Landmark location on ear images:(a)using triangu ar fossa and antitrags;(b)using the long axis of outer ear contour:(c) using the start point and end point of outer ear contour;(d)example of normal ized ear images 2 基于核主元分析法的人耳特征提 用主元分析(PCA)对人脸和人耳图像进行特征提 取，在包含有人脸和人耳图像的Human ID图像 取 库上进行实验，得到结论为人脸识别率和人耳识 2.1人耳识别研究现状 别率没有较大差别，前者为70.5%，后者为 目前国内外己有的基于二维图像的人耳识别 71.6%.但PCA方法提取的特征向量为正交基， 方法主要有以下几种：Alfred Iannarellil刂提出 所以只考虑了图像数据中的二阶统计信息，而未 “米”字型坐标系统由12个测量段长度构成特征 能利用数据中的高阶统计信息，忽略了图像边缘 向量进行识别，这种方法以人耳解剖学点作为测 或曲线的多个像素间的非线性关系8，而核主元 量系统的基础，所有的测量都取决于原点的精确 分析法(KPCA)则是基于输入数据的高阶统计， 定位，所以不适用于计算机视觉处理；Moreno 它描述了多个像素间的相关性，所以能够捕捉这 等提取外耳轮廓特征点和人耳形状和褶皱信息， 些重要的信息，从而取得更好的识别效果.同时 利用人工神经网络进行识别：Burge和Buge) 其另一个优点是可以把在输入空间不可线性分类 提出的方法首先进行人耳定位以及边缘提取，然 的问题变换到特征空间实现线性分类9，从而使 后建立边缘曲线的Voronoi图，最后使用邻接图 分类器的设计得以简化.KPCA的基本思想是利 描述曲线之间的邻接关系，从而构造特征向量进 用核函数的技巧，通过一个非线性变换把输入数 行识别：Hurley,Nixon和Carter将图像看作由 据映射到一个高维的特征空间中，以求数据在该 高斯吸引子组成的阵列，利用力场转换(force 特征空间中线性可分，然后在特征空间中利用标 field transformation)方法提取人耳图像的势能通 准的主元分析法来提取主元作为特征向量. 道和势能阱，并以势能阱的位置作为人耳特征；王 传统的基于数据二阶统计矩的主元分析法是 忠礼等)采用高阶不变矩方法对人耳图像进行 一种有效的数据特征提取方法，是基于原始特征 信息变换和特征提取.Mu等提出的LABSSFE 的一种线性变换，通过选择样本点分布方差大的 方法在提取外耳轮廓和内耳边缘的基础上，寻找 坐标轴进行投影来降低维数而使信息量损失最 基于外耳轮廓的形状特征和基于长轴短轴线段比 少，从而将问题转化为样本数据协方差矩阵的特 例的结构特征，但这种方法适用于正面人耳图像， 征值问题. 而难于扩展到人耳角度变化的情况中，且受光照 22核主元分析法理论简介 的影响较大 给定一个样本=(x,x2,x),xk∈ Chang等7)提出使用经典的特征脸方法利另一种是基于外耳轮廓的两点标记法, 也就是利 用外耳轮廓的起点和终点即三角窝和耳屏间肌切 迹, 如图 2( c) 所示.将这两点连线的长度及其方 向作为人耳的大小和方向进行归一化.通过比较 可以看出, 基于外耳长轴分割出的人耳图像比基 于外耳轮廓起点终点分割出的人耳图像带有更多 的背景信息;通过实验发现, 带有较少背景信息的 图像能够取得更高的识别率.所以采用后者进行 分割 .根据统计得到此方法分割后的人耳长宽比 均值为 1.97, 所以归一化后的图像大小取为 50 × 98 像素, 如图 2( d)所示. 图2 人耳图像中标记点的选择方法.( a) 三角窝、对耳屏两点标记法;( b) 外耳轮廓长轴标记法;( c) 外耳轮廓起始点标记法;(d) 归 一化后的人耳图像示例 Fig.2 Landmark location on ear images:( a) using triangular fossa and antitragus;( b) using the long axis of outer ear contour;( c) using the start point and end point of outer ear contour ;( d) example of normalized ear images 2 基于核主元分析法的人耳特征提 取 2.1 人耳识别研究现状 目前国内外已有的基于二维图像的人耳识别 方法主要有以下几种 :Alfred Iannarelli [ 1] 提出 “米”字型坐标系统, 由 12 个测量段长度构成特征 向量进行识别, 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, 所以不适用于计算机视觉处理;Mo reno [ 2] 等提取外耳轮廓特征点和人耳形状和褶皱信息, 利用人工神经网络进行识别;Burge 和 Burger [ 3] 提出的方法首先进行人耳定位以及边缘提取, 然 后建立边缘曲线的 Voronoi 图, 最后使用邻接图 描述曲线之间的邻接关系, 从而构造特征向量进 行识别;Hurley, Nixon 和 Carter [ 4] 将图像看作由 高斯吸引子组成的阵列, 利用力场转换( force field transformation) 方法提取人耳图像的势能通 道和势能阱, 并以势能阱的位置作为人耳特征 ;王 忠礼等[ 5] 采用高阶不变矩方法对人耳图像进行 信息变换和特征提取 .Mu 等 [ 6] 提出的 LABSSFE 方法在提取外耳轮廓和内耳边缘的基础上, 寻找 基于外耳轮廓的形状特征和基于长轴短轴线段比 例的结构特征, 但这种方法适用于正面人耳图像, 而难于扩展到人耳角度变化的情况中, 且受光照 的影响较大. Chang 等[ 7] 提出使用经典的特征脸方法, 利 用主元分析( PCA) 对人脸和人耳图像进行特征提 取, 在包含有人脸和人耳图像的 Human ID 图像 库上进行实验, 得到结论为人脸识别率和人耳识 别率没 有较大 差别, 前 者为 70.5 %, 后 者为 71.6 %.但 PCA 方法提取的特征向量为正交基, 所以只考虑了图像数据中的二阶统计信息, 而未 能利用数据中的高阶统计信息, 忽略了图像边缘 或曲线的多个像素间的非线性关系 [ 8] .而核主元 分析法( KPCA) 则是基于输入数据的高阶统计, 它描述了多个像素间的相关性, 所以能够捕捉这 些重要的信息, 从而取得更好的识别效果.同时 其另一个优点是可以把在输入空间不可线性分类 的问题变换到特征空间实现线性分类[ 9] , 从而使 分类器的设计得以简化 .KPCA 的基本思想是利 用核函数的技巧, 通过一个非线性变换把输入数 据映射到一个高维的特征空间中, 以求数据在该 特征空间中线性可分, 然后在特征空间中利用标 准的主元分析法来提取主元作为特征向量. 传统的基于数据二阶统计矩的主元分析法是 一种有效的数据特征提取方法, 是基于原始特征 的一种线性变换, 通过选择样本点分布方差大的 坐标轴进行投影来降低维数而使信息量损失最 少, 从而将问题转化为样本数据协方差矩阵的特 征值问题 . 2.2 核主元分析法理论简介 给定一个样本 xk =( xk 1, xk 2, …, xkn ) T , xk ∈ Vol.28 No.9 袁 立等:基于核主元分析法和支持向量机的人耳识别 · 891 ·