第11期 李阳等：基于二维和三维信息融合的人耳识别 .1531· 和三维人耳识别，二维人耳识别、三维人耳识别以 表2除同的贝叶斯融合算法（随机配对1） 及2D+3D融合的人耳识别的RANK1识别率分别 Table 2 Results of different Bayes fusion methods (random 为92.41%、86.08%以及100%，可见融合以后的识别 match 1) 率越单独的二维人耳识别和三维人耳识别有了很大 融合算法 RANK1识别率/%FAR=0.001时的认证率/% 的提升，能够达到100%. 和融合方法 96.20 93.67 积融合方法 94.94 92.41 同时，本文进行了认证实验，实验结果由ROC 投票法 97.47 94.94 (receiver operating characteristic)曲线展示，如图6 所示. 表3 除同的贝叶斯融合算法（随机配对2） 1.0 0.9 Table 3 Results of different Bayes fusion methods (random 0.8 match 2) 0.7 融合算法 RANK1识别率/%FAR=0.001时的认证率/% 0.6 和融合法 100.00 94.94 0.5 积融合方法 94.94 92.41 0.4 投票法 98.73 96.20 0.3 0.2 +2D+3D 表4 除司的贝叶斯融合算法（随机配对3） 0.1 一*一2D 0-3D Table 4 Results of different Bayes fusion methods (random 10 103 102 10 10 match 3) 错误接受率，FAR 融合算法RANK1识别率/%FAR=0.0O1时的认证率/% 图6 人耳识别的ROC曲线 和融合方法 98.73 97.47 Fig.6 ROC curves of ear verification 积融合方法 94.94 93.67 投票法 98.73 96.20 从图6的ROC曲线中可以看出，在错误接受 率FAR=0.001时，二维人耳的认证率为89.87%，三 三次随机配对加上初始配对的四次实验结果 维人耳的认证率为51.23%，而融合之后的认证率达 虽然有所不同，但是变化的幅度很小，说明实验得 到了98.73%，融合之后的认证率也有了很大的提升 到的识别率和认证率并非随机配对而得到的偶然结 除了贝叶斯和融合方法以外，本文还运用了贝叶斯 果 的积融合方法以及投票法进行融合识别，实验结果 如表1所示 5 结论 表1除同的贝叶斯融合算法 小对人耳识别中存在的姿态、光照等问融，提 Table 1 Result of different Bayes fusion methods 出从二维三维信息融合的角度出发，将二维人耳 融合算法RANK1识别率/%FAR=0.001时的认证率/% 和三维人耳先单独进行识别，最后在决策层上进 和融合方法 100.00 98.73 积融合方法 94.94 94.94 行融合识别.对于二维人耳，由于姿态等的变化会 投票法 97.47 96.20 射致人耳图像数据在高维空间中呈现出非线性流形 结构，采用等距映射这种流形学习算法进行特征提 为了去除随机配对所带米的偶然因素，进行了 取，对解决姿态变化有一定的帮助.从三维人耳数 多次随机配对.随机配对的过程为： 据中提取的人耳受光照、姿态等影响越小，具有很 (1)产生两组随机数分别存放在a和b中，这 好的稳定性，采用3DLBP算法提取三维深度人耳 两组随机数范围都是1到79，并且是不稳复的 特征，不仅能够表征中心像素点和邻域像素点的差 (2)比越a和b中数据，如果a()=b()=k, 值正负，还能表征差值的大小.本文采用了决策层 i,j,k=1,2…,79,则将二维人耳库中的第i个个 融合，在79人带姿态和光照变化数据库上进行了 体和三维人耳库中的第j个个体进行配对，构造出 实验，包括识别实验和认证实验.实验结果表明，融 个新的个体，作为随机配对以后的第k个个体 合以后的识别率和认证率越单独的二维人耳和三维 稳复进行(1)和(2)即可进行多次随机配对，本 人耳识别有很大的提升，采用二维三维融合的方法 文进行了三次随机配对，然后按照同样的融合方法 能够很好地解决姿态和光照变化对人耳识别造成的 进行实验，实验结果如表2表4所示. 影响，提高了人耳识别的鲁棒性1 11 Ï o µÄu‘Ún‘&EKÜ<£O · 1531 · Ún‘<£O§‘<£O!n‘<£O± 9 2D+3D KÜ<£O RANK1 £OÇ©O Ǒ 92.41%!86.08%±9 100%§Œ„Kܱ￾£O ÇüÕ‘<£OÚn‘<£Ok éŒ J,§U ˆ 100%. Ӟ§©?1 y¢§¢(Jd ROC (receiver operating characteristic) ­‚«§Xã 6 ¤«. ã 6 <£O ROC ­‚ Fig.6 ROC curves of ear verification lã 6  ROC ­‚¥Œ±wѧ3†ØÉ Ç FAR=0.001 ž§‘<yÇǑ 89.87%§n ‘<yÇǑ 51.23%§ K܃￾yLj  98.73%§K܃￾yÇǑk éŒJ,. Ø dÚKܐ{± §©„$^ d ÈKܐ{±9Ý{?1KÜ£O§¢(J XL 1 ¤«. L 1 ØÓdK܎{ Table 1 Result of different Bayes fusion methods K܎{ RANK1 £OÇ/% FAR=0.001 žyÇ/% ÚKܐ{ 100.00 98.73 ÈKܐ{ 94.94 94.94 Ý{ 97.47 96.20 Ǒ ؑÅ餑5ó,σ§?1 õg‘Åé. ‘ÅéL§Ǒµ (1) )ü|‘Åê©O3 a Ú b ¥§ù ü|‘ÅꉌѴ 1  79§¿…´Ø­E. (2) ' a Ú b ¥êâ§XJ a(i) = b(j) = k, i, j, k = 1, 2, · · · , 79§Kò‘<¥¥1 i ‡‡ NÚn‘<¥¥1 j ‡‡N?1é§EÑ ‡#‡N§ŠǑ‘Åé±￾1 k ‡‡N. ­E?1 (1) Ú (2) =Œ?1õg‘Åé§ ©?1 ng‘Åé§,￾UìÓKܐ{ ?1¢§¢(JXL 2∼ L 4 ¤«. L 2 ØÓdK܎{ (‘Åé 1) Table 2 Results of different Bayes fusion methods (random match 1) K܎{ RANK1 £OÇ/% FAR=0.001 žyÇ/% ÚKܐ{ 96.20 93.67 ÈKܐ{ 94.94 92.41 Ý{ 97.47 94.94 L 3 ØÓdK܎{ (‘Åé 2) Table 3 Results of different Bayes fusion methods (random match 2) K܎{ RANK1 £OÇ/% FAR=0.001 žyÇ/% ÚKܐ{ 100.00 94.94 ÈKܐ{ 94.94 92.41 Ý{ 98.73 96.20 L 4 ØÓdK܎{ (‘Åé 3) Table 4 Results of different Bayes fusion methods (random match 3) K܎{ RANK1 £OÇ/% FAR=0.001 žyÇ/% ÚKܐ{ 98.73 97.47 ÈKܐ{ 94.94 93.67 Ý{ 98.73 96.20 ng‘Åé\þ©éog¢(J Ǒ,k¤ØÓ§´CzÌÝé§`²¢ £OÇÚyÇ¿š‘Åé ó,( J. 5 (Ø é<£O¥3^!1ì¯K§J Ñl‘n‘&EKÜÆÝÑu§ò‘< Ún‘<küÕ?1£O§￾3ûü￾þ? 1KÜ£O. éu‘<§du^Cz¬ <ãêâ3p‘m¥¥yњ‚56/ (§æ^åNù«6/ÆSŽ{?1AÆJ §é)û^Czk½Ï. ln‘<ê â¥J<É1ì!^KǑ§äké ­½5§æ^ 3DLBP Ž{Jn‘Ý< AƧØ=U LÆ¥%ƒ:ڍƒ: ŠK§„ULÆŠŒ. ©æ^ ûü￾ Kܧ3 79 <‘^Ú1ìCzêâ¥þ?1 ¢§)£O¢Úy¢. ¢(JL²§K ܱ￾£OÇÚyÇüÕ‘<Ún‘ <£OkéŒJ,§æ^‘n‘Kܐ{ U é/)û^Ú1ìCzé<£OE¤ KǑ§Jp <£O°•5.