正在加载图片...
第4期 袁立等：基于局部特征的部分遮挡人耳识别 ,531. 特征，Chang等提出使用经典的特征脸法，利用 式中，o为与小波频率带宽有关的常数；uv为Gbor 主元分析法对人脸和人耳图像进行识别，在Hman 滤波器的方向和尺度，某个方向和波形尺度上的波 D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，Xie和M利用改进的局 形向量为k=kem(南入k一为采样尺度：◆。 部线性嵌入方法解决姿态变化下的人耳识别，Dum 为采样方向；k为频率最大值；为频域中的内核 和M利用独立成分分析法进行基于人耳和人脸 间隔因子，由于人耳图像的边缘形状信息主要分布 信息融合的多模态识别， 在Q元Ax么3πA四个方向，取中.-平所以参 以上研究工作对于训练和测试人耳图像的控制 条件是比较严格的，如人耳部分是不能被遮挡的 数为∈10,12，长{0,1,23，。=2π，=2 实际上，遮挡问题是不可回避的，即耳部被头发或者 人耳图像I(x)的Gabor变换为其与Gabor内核 其他饰物遮挡的情况.根据统计⑧)，除去季节性因 的卷积： 素（帽子围巾）和偶然性因素（耳机）以外，女性中 G..（x)=(*9.,)(x) (2) 比较固定的遮挡率为51.7%.所以有必要研究人耳 图1(b)所示为12个Gabor滤波器的实部， 被部分遮挡情况下的人耳识别方法 图1(c)所示为图1(a)中的人耳图像经滤波后的幅 从本质上讲，目前的多数人耳识别方法都直接 值.人耳图像都归一化为30×54像素.这里采用双 利用了2D图像表观（像素的灰度值）作为人耳表 重卷积，将人耳图像与对应尺度和方向的奇偶对称 示，其缺点是受光照、视角、饰物和遮挡等外界变化 Gabor滤波器分别进行卷积，把两个卷积后图像的 条件的影响比较大，人耳表示的另一思路是对图像 和取平方根，得到对应某个尺度和方向的输出图像， 表观作某种变换，如从空域表示变换到频域表示， 从图1(c)中可见，滤波后的图像中在人耳边缘呈现 Gabor分解可以看作一个对方向和尺度敏感的有方 较多的四个方向上具有较大的系数（表现为灰度值 向性的显微镜.2 D Gaborg函数也类似于增强边缘以 较大) 及峰、谷和脊轮廓等底层图像特征，这相当于增强了 被认为是耳部关键部位如外耳轮廓、内耳沟回等信 息，同时也增强了诸于耳垂、耳屏、对耳屏和三角窝 等位置的局部特征，从而使得在保留总体人耳信息 的同时增强局部特性成为可能.因此本文利用 Gabo小波与人耳图像进行卷积运算提取不同尺度 和方向的特征，由于所得特征的维数往往较高，通 常的降维方法是线性子空间投影法，但线性降维方 b (c) 法不适用于由角度、光照等引起的非线性人耳图像 图1人耳图像Gabor滤波结果.(a)人耳图像示例：(b)Gabor 空间情况下的人耳识别，因此本文采用基于核的 滤波器在三个尺度和四个方向上的实部；(b)Gaho特征的幅值 Fisher鉴别分析来实现非线性识别. Fig 1 Gabor feature of an ear mage (a)ear inage example (b) 当人耳被部分遮挡时，是否可以利用未遮挡部 the real part of the Gabor filter on three scales and in four directions 分来进行有效识别？本文将人耳图像进行分块，利 (c)the magnitde spectnm of the Gabor feature 用Gabor特征提取和核Fishers鉴别分析降维的组合 利用式(2)得到的Gabora系数包括图像不同位 方法（以下简称GaKFDA方法）研究了各子区域对 置、不同尺度和不同空间频率的滤波系数，图像的 识别率的影响，提出了基于概率模型的人耳识别 特征向量由如下方法产生：将某个尺度和方向下的 方法 G.,(x)系数进行采样，采样因数为r×s采样方法 1 Gabor特征提取 是将×邻域内的系数值进行平均.，再将系数归一 化为零均值和单位方差，最后将各个尺度和方向得 2 D Gabor/小波的定义为 到的系数向量X进行连接得到特征向量x: 9.(x)= ‖k2了‖k‖2‖x 2 exp 22 x=((xi0),（xi1),…,(3)T)r (3) 这样若取=330×54像素大小的人耳图像得到的 ep(ikx)一exp2 (1) 特征向量为180维，12幅Gabor?变换图像的特征级第 4期 袁 立等： 基于局部特征的部分遮挡人耳识别 特征．Ｃｈａｎｇ等 ［5］提出使用经典的特征脸法利用 主元分析法对人脸和人耳图像进行识别在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．Ｘｉｅ和 Ｍｕ ［6］利用改进的局 部线性嵌入方法解决姿态变化下的人耳识别．Ｄｕｎ 和 Ｍｕ ［7］利用独立成分分析法进行基于人耳和人脸 信息融合的多模态识别． 以上研究工作对于训练和测试人耳图像的控制 条件是比较严格的如人耳部分是不能被遮挡的． 实际上遮挡问题是不可回避的即耳部被头发或者 其他饰物遮挡的情况．根据统计 ［8］除去季节性因 素 （帽子／围巾 ）和偶然性因素 （耳机 ）以外女性中 比较固定的遮挡率为 51∙7％．所以有必要研究人耳 被部分遮挡情况下的人耳识别方法． 从本质上讲目前的多数人耳识别方法都直接 利用了 2Ｄ图像表观 （像素的灰度值 ）作为人耳表 示其缺点是受光照、视角、饰物和遮挡等外界变化 条件的影响比较大．人耳表示的另一思路是对图像 表观作某种变换如从空域表示变换到频域表示． Ｇａｂｏｒ分解可以看作一个对方向和尺度敏感的有方 向性的显微镜．2ＤＧａｂｏｒ函数也类似于增强边缘以 及峰、谷和脊轮廓等底层图像特征这相当于增强了 被认为是耳部关键部位如外耳轮廓、内耳沟回等信 息同时也增强了诸于耳垂、耳屏、对耳屏和三角窝 等位置的局部特征从而使得在保留总体人耳信息 的同时增强局部特性成为可能．因此本文利用 Ｇａｂｏｒ小波与人耳图像进行卷积运算提取不同尺度 和方向的特征．由于所得特征的维数往往较高通 常的降维方法是线性子空间投影法但线性降维方 法不适用于由角度、光照等引起的非线性人耳图像 空间情况下的人耳识别因此本文采用基于核的 Ｆｉｓｈｅｒ鉴别分析来实现非线性识别． 当人耳被部分遮挡时是否可以利用未遮挡部 分来进行有效识别？本文将人耳图像进行分块利 用 Ｇａｂｏｒ特征提取和核 Ｆｉｓｈｅｒ鉴别分析降维的组合 方法 （以下简称 ＧａＫＦＤＡ方法 ）研究了各子区域对 识别率的影响提出了基于概率模型的人耳识别 方法． 1 Ｇａｂｏｒ特征提取 2ＤＧａｂｏｒ小波的定义为 ［9］ φｕｖ（ｘ）＝ ‖ｋｕｖ‖ 2 σ 2 ｅｘｐ ‖ｋｕｖ‖ 2‖ｘ‖ 2 2σ 2 · ｅｘｐ（ｉｋｕｖ·ｘ）—ｅｘｐ — σ 2 2 （1） 式中σ为与小波频率带宽有关的常数；ｕ、ｖ为Ｇａｂｏｒ 滤波器的方向和尺度某个方向和波形尺度上的波 形向量为 ｋｕｖ＝ｋｖｅｘｐ（ｉ●ｕ）ｋｖ＝ ｋｍａｘ ｆ ｖ 为采样尺度；●ｕ 为采样方向；ｋｍａｘ为频率最大值；ｆ为频域中的内核 间隔因子．由于人耳图像的边缘形状信息主要分布 在 0、π／4、π／2、3π／4四个方向取 ●ｕ＝ ｕπ 4 ．所以参 数为 ｖ∈｛012｝ｕ∈｛0123｝σ＝2πｆ＝ 2． 人耳图像 Ｉ（ｘ）的 Ｇａｂｏｒ变换为其与 Ｇａｂｏｒ内核 的卷积： Ｇｕｖ（ｘ）＝（Ｉ∗φｕｖ）（ｘ） （2） 图 1（ｂ）所示为 12个 Ｇａｂｏｒ滤波器的实部 图 1（ｃ）所示为图 1（ａ）中的人耳图像经滤波后的幅 值．人耳图像都归一化为30×54像素．这里采用双 重卷积将人耳图像与对应尺度和方向的奇偶对称 Ｇａｂｏｒ滤波器分别进行卷积把两个卷积后图像的 和取平方根得到对应某个尺度和方向的输出图像． 从图 1（ｃ）中可见滤波后的图像中在人耳边缘呈现 较多的四个方向上具有较大的系数 （表现为灰度值 较大 ）． 图 1 人耳图像 Ｇａｂｏｒ滤波结果．（ａ） 人耳图像示例；（ｂ） Ｇａｂｏｒ 滤波器在三个尺度和四个方向上的实部；（ｂ） Ｇａｂｏｒ特征的幅值 Ｆｉｇ．1 Ｇａｂｏｒｆｅａｔｕｒｅｏｆａｎｅａｒｉｍａｇｅ：（ａ） ｅａｒｉｍａｇｅｅｘａｍｐｌｅ；（ｂ） ｔｈｅｒｅａｌｐａｒｔｏｆｔｈｅＧａｂｏｒｆｉｌｔｅｒｏｎｔｈｒｅｅｓｃａｌｅｓａｎｄｉｎｆｏｕｒｄｉｒｅｃｔｉｏｎｓ； （ｃ） ｔｈｅｍａｇｎｉｔｕｄｅｓｐｅｃｔｒｕｍｏｆｔｈｅＧａｂｏｒｆｅａｔｕｒｅ 利用式 （2）得到的 Ｇａｂｏｒ系数包括图像不同位 置、不同尺度和不同空间频率的滤波系数．图像的 特征向量由如下方法产生：将某个尺度和方向下的 Ｇｕｖ（ｘ）系数进行采样采样因数为 ｒ×ｒ采样方法 是将 ｒ×ｒ邻域内的系数值进行平均．再将系数归一 化为零均值和单位方差最后将各个尺度和方向得 到的系数向量 ｘ ｒ ｕｖ进行连接得到特征向量 ｘ ｒ： ｘ ｒ＝（（ｘ ｒ 00） Ｔ（ｘ ｒ 01） Ｔ…（ｘ ｒ 23） Ｔ ） Ｔ （3） 这样若取 ｒ＝330×54像素大小的人耳图像得到的 特征向量为 180维12幅 Ｇａｂｏｒ变换图像的特征级 ·531·