Vol.28 No.12 张海军等：基于复合结构分类器的人耳识别 .1189 于错分而不存在或差异较大，必然会造成特征提 表4 CSCER识别率 取和识别的错误，如果每个人的样本足够多，也 Table 4 CSCER recognition rates 就是样本空间是密布的，这本不是问题，但实际 PCA方法 ICA方法 样本是不足的，因此必须解决人耳图像数据样本 人耳库I 人耳库Ⅱ 人耳库I人耳库Ⅱ 不足问题，因此提出了一种软分类的改进方法： 0.72 0.66 0.82 0.69 设max;和min:是第i类的上限和下限，a是 0.05 0.85 0.78 0.90 0.78 软门限，Rx是样本图像x的高宽比，则当maxi 0.10 0.83 0.81 0.93 0.86 -R.|≤a且|R,-min:l≤a,或min≤R≤ 0.15 0.93 0.86 0.95 0.90 max:时，x属于第i类. 0.20 0.92 0.83 0.95 0.90 这样对于每类的上限和下限以α为邻域的 0.25 0.97 0.84 0.97 0.90 空间内的样本图像可以划分到相邻的两类中，增 0.30 0.97 0.84 0.97 0.91 加了每类的样本数，减少了因粗分类错分而产生 0.35 0.95 0.86 0.95 0.94 的细分类的错误，随着α的增加，边界邻域的扩 0.40 0.93 0.86 0.98 0.94 大，每类样本数也在增加.当α=0时，表示硬门 0.45 0.93 0.87 0.98 0.94 限的情况：当α大于一个极限值时，等同于单分 0.50 0.95 0.86 0.95 0.92 类器的情况， 当α=0时，识别率最低：这是因为这时每类 3实验结果及分析 邻域为0，样本数最少，粗分类产生许多错分的样 3.1单分类器实验结果及分析 本，直接影响了后续的细分类的识别率.随着α 人耳库I选择每人前2幅图像作为训练样 的增大，识别率变高；这是因为每类邻域随着α 本，第3幅作为测试样本；人耳库Ⅱ前3幅图像作 的增大而增大，每类样本数也增加，当α增大到 为训练样本，第4幅作为测试样本；人耳库Ⅲ前5 一定程度，识别率反而下降；这是因为由于邻域的 幅图像作为训练样本，第6幅作为测试样本.分 增加，使高宽比与归一化的高宽比相差较大的人 耳样本也划到了相同的类中，虽然每类的样本数 别应用不变矩方法、PCA方法和ICA方法提取特 征，SVM作为分类器，实验结果见表3.其中 增加了，但却产生很大的形变，从而影响识别的准 PCA选取占整个能量90%的最大的前k个特征 确性，同时，人耳图像库I中，a从0.150.5变 化时识别结果都优于单分类器；而在图像库Ⅱ中， 向量， a从0.35~0.45变化时识别结果优于单分类器. 表3单分类器下三种方法识别率 这是因为人耳图像库Ⅱ比较复杂，每个人的不同 Table 3 Recognition rates in single classifier 人耳图像相差较大，同时训练样本数每人只有3 人耳图像库 特征提取方法 幅，只有当α足够大时，才能使训练样本在粗分 I ◆ M 类时归入与测试样本相同的类别中，因此α的选 不变矩方法 0.88 0.71 0.88 择与人耳图像库密切相关，是下一步研究的重点， PCA方法 0.88 0.82 0.94 ICA方法 0.92 0.92 1.00 4 结论 实验结果表明，三种识别方法都是有效的，在 针对人耳的结构特点，提出了一种结合人耳 三个人耳图像库上都取得了很好的识别效果.尤 几何特征和代数特征的通用识别模型，在几何特 其是在数量少、标准的人耳库Ⅲ上，ICA方法取得 征粗分类的基础上，分别应用PCA和ICA进行 了100%的识别率.其中ICA方法优于PCA方 特征提取，支持向量机进行分类，结果表明，本文 法，而不变矩方法识别效果最差， 的模型是有效的，该模型尤其适合复杂的人耳图 3.2 CSCER实验结果及分析 像库 CSCER的实验条件同3.1，由于人耳库Ⅲ的 参考文献 人耳比较标准，单分类器已经达到很高的识别率， [1]Burge M J.Burger W.Using ear biometrics for passive identi- 因此实验在人耳库I和Ⅱ上进行.选择PCA方 fication//14th International Information Security Conference. 法和ICA方法进行比较，实验结果见表4. Vienna,1998,139于错分而不存在或差异较大‚必然会造成特征提 取和识别的错误．如果每个人的样本足够多‚也 就是样本空间是密布的‚这本不是问题．但实际 样本是不足的‚因此必须解决人耳图像数据样本 不足问题．因此提出了一种软分类的改进方法： 设 max i 和mini 是第 i 类的上限和下限‚α是 软门限‚Rx 是样本图像 x 的高宽比‚则当｜max i —Rx｜≤α且｜Rx —mini｜≤α‚或 mini ≤ Rx ≤ max i 时‚x 属于第 i 类． 这样对于每类的上限和下限以 α为邻域的 空间内的样本图像可以划分到相邻的两类中‚增 加了每类的样本数‚减少了因粗分类错分而产生 的细分类的错误．随着 α的增加‚边界邻域的扩 大‚每类样本数也在增加．当 α＝0时‚表示硬门 限的情况；当 α大于一个极限值时‚等同于单分 类器的情况． 3 实验结果及分析 3∙1 单分类器实验结果及分析 人耳库Ⅰ选择每人前2幅图像作为训练样 本‚第3幅作为测试样本；人耳库Ⅱ前3幅图像作 为训练样本‚第4幅作为测试样本；人耳库Ⅲ前5 幅图像作为训练样本‚第6幅作为测试样本．分 别应用不变矩方法、PCA 方法和 ICA 方法提取特 征‚SVM 作为分类器‚实验结果见表 3．其中 PCA 选取占整个能量90％的最大的前 k 个特征 向量． 表3 单分类器下三种方法识别率 Table3 Recognition rates in single classifier 特征提取方法 人耳图像库 Ⅰ Ⅱ Ⅲ 不变矩方法 0∙88 0∙71 0∙88 PCA 方法 0∙88 0∙82 0∙94 ICA 方法 0∙92 0∙92 1∙00 实验结果表明‚三种识别方法都是有效的‚在 三个人耳图像库上都取得了很好的识别效果．尤 其是在数量少、标准的人耳库Ⅲ上‚ICA 方法取得 了100％的识别率．其中 ICA 方法优于 PCA 方 法‚而不变矩方法识别效果最差． 3∙2 CSCER 实验结果及分析 CSCER 的实验条件同3∙1‚由于人耳库Ⅲ的 人耳比较标准‚单分类器已经达到很高的识别率‚ 因此实验在人耳库Ⅰ和Ⅱ上进行．选择 PCA 方 法和 ICA 方法进行比较‚实验结果见表4． 表4 CSCER 识别率 Table4 CSCER recognition rates α PCA 方法 ICA 方法 人耳库Ⅰ 人耳库Ⅱ 人耳库Ⅰ 人耳库Ⅱ 0 0∙72 0∙66 0∙82 0∙69 0∙05 0∙85 0∙78 0∙90 0∙78 0∙10 0∙83 0∙81 0∙93 0∙86 0∙15 0∙93 0∙86 0∙95 0∙90 0∙20 0∙92 0∙83 0∙95 0∙90 0∙25 0∙97 0∙84 0∙97 0∙90 0∙30 0∙97 0∙84 0∙97 0∙91 0∙35 0∙95 0∙86 0∙95 0∙94 0∙40 0∙93 0∙86 0∙98 0∙94 0∙45 0∙93 0∙87 0∙98 0∙94 0∙50 0∙95 0∙86 0∙95 0∙92 当 α＝0时‚识别率最低；这是因为这时每类 邻域为0‚样本数最少‚粗分类产生许多错分的样 本‚直接影响了后续的细分类的识别率．随着 α 的增大‚识别率变高；这是因为每类邻域随着 α 的增大而增大‚每类样本数也增加．当 α增大到 一定程度‚识别率反而下降；这是因为由于邻域的 增加‚使高宽比与归一化的高宽比相差较大的人 耳样本也划到了相同的类中‚虽然每类的样本数 增加了‚但却产生很大的形变‚从而影响识别的准 确性．同时‚人耳图像库Ⅰ中‚α从0∙15～0∙5变 化时识别结果都优于单分类器；而在图像库Ⅱ中‚ α从0∙35～0∙45变化时识别结果优于单分类器． 这是因为人耳图像库Ⅱ比较复杂‚每个人的不同 人耳图像相差较大‚同时训练样本数每人只有3 幅‚只有当 α足够大时‚才能使训练样本在粗分 类时归入与测试样本相同的类别中．因此 α的选 择与人耳图像库密切相关‚是下一步研究的重点． 4 结论 针对人耳的结构特点‚提出了一种结合人耳 几何特征和代数特征的通用识别模型‚在几何特 征粗分类的基础上‚分别应用 PCA 和 ICA 进行 特征提取‚支持向量机进行分类．结果表明‚本文 的模型是有效的．该模型尤其适合复杂的人耳图 像库． 参 考 文 献 ［1］ Burge M J‚Burger W．Using ear biometrics for passive identi￾fication∥14th International Information Security Conference． Vienna‚1998：139 Vol．28No．12 张海军等： 基于复合结构分类器的人耳识别 ·1189·