高艷霞

（懷化學院計算機工程系，湖南 懷化 418000）

基于人耳特殊的生理位置和結構特點，使其具備作為生物特征身份鑒證的唯一性、穩(wěn)定性、易采集性等特點，使得人耳識別是近來生物識別領域的一個研究熱點[1]。Chang等[2]人利用PCA算法對無遮擋人耳圖像進行識別，可達到90.9%的識別率。Burger[3]提出了一種使用Voronoi圖表的鄰接圖圖標匹配方法進行人耳識別。Victor等[4]人使用標準PCA應用于人耳識別。Moreno等[5]人使用神經(jīng)網(wǎng)絡分類器對人耳進行識別。Hurley等[6]人利用力場轉換方法對人耳進行識別。Yuizono等[7]人利用遺傳算法進行全局搜索進行人耳識別。

目前為止，靜態(tài)人耳圖片的識別研究中關鍵問題是特征提取和特征分類器的設計兩方面，其中特征的提取是人耳識別的重要環(huán)節(jié)。當前，特征提取的方法可以分為兩大類：① 基于知識的特征提取方法。用對人耳的先驗知識作為規(guī)則，將描述人耳結構特征、形狀特征、紋理特征作為識別特征向量參數(shù)來檢測人耳等。② 基于統(tǒng)計的特征提取方法。把人耳圖像看作是由圖像像素組成的高維向量，將人耳檢測問題轉化為高維空間信號分布的匹配問題等，考慮的是人耳的整體屬性。由于使用不同的人耳圖像庫進行檢測，且大多數(shù)檢測方法是在圖像的質量較高，噪聲較少，人耳完整的較理想條件下進行實驗，而作為一個能夠實用的人耳識別系統(tǒng), 人耳識別中遮擋問題是不可避免的。由于人耳或多或少總是會被頭發(fā)、帽子或者其他飾物遮擋，這就造成部分特征的消失，導致人耳圖像特征不完整，造成識別率下降。因此，很有必要對人耳受到部分遮擋的識別問題進行研究。

小波變換是近年來發(fā)展起來的一種有效的多分辨率分析工具，近年來廣泛應用于圖像識別中。其中Gabor小波變換與哺乳動物視覺系統(tǒng)的相關特性非常一致，具有良好的魯棒性，因而可以捕獲目標在空間域和頻域的局部顯著特征。因此，研究者將其廣泛用于生物識別中,以提取出魯棒的圖像特征參數(shù)。然而，傳統(tǒng)的Gabor濾波器提取的目標特征信息過于龐大，過高的維數(shù)需要大的存儲空間造成冗余且使得識別過程非常耗時。為了降低Gabor特征的維數(shù)，本文采用Gabor小波與PCA相結合，提出了一種人耳圖像的特征提取方法。首先采用Gabor濾波器把每一個輸出圖像分解成多個人耳樣本，對其進行特征提取然后利用PCA進行降維，最后挑選出分類能力優(yōu)秀的特征輸入到神經(jīng)網(wǎng)絡分類器進行分類識別。

1 Gablor小波

二維Gabor小波是在一維Gabor小波的基礎上發(fā)展起來的，是經(jīng)正弦函數(shù)調制后的二維高斯函數(shù)。其定義為：

其中，和決定了高斯函數(shù)的標準差；u是決定濾波器徑向中心頻率的分量，x·y為空間位置坐標；θ確定了Gabor內核的方向。

人耳圖像的Gabor 特征提取就是將該圖像與Gabor小波卷積的結果。假設原始人耳圖像為I(x)表示，則其Gabor 特征表示為：原始人耳圖像的灰度分布與Gabor核函數(shù)的卷積結果，公式的卷積輸出為復數(shù)形式，該復數(shù)的模，即為提取的Gabor 小波特征，如圖1所示。

圖1 由Gabor小波變換的人耳

通常來說，根據(jù)人耳圖像的紋理特點和生物學的研究，在提取人耳圖像的Gabor特征時，選擇5個不同尺度參數(shù)和8個方向參數(shù)上的Gabor濾波器組成濾波器組，能夠保證Gabor變換保持原有圖像絕大部分特征信息。如圖2所示，為5個不同尺度參數(shù)和8個方向參數(shù)上的Gabor濾波器組成的濾波器組在頻域中的表示：

圖2 5個不同尺度和8個方向的Gabor濾波器組

但是假設原始圖像的大小為90×60，通過40個Gabor濾波器得到幅值特征和相位特征的維數(shù)高達216000，有的特征對于人耳識別是沒有必要的，反而對后期的數(shù)據(jù)處理會造成非常大的困難，不利于分類識別。實驗發(fā)現(xiàn)由于利用Gabor提取的特征值在相鄰像素間是存在大量的冗余信息，只有對特征值進行降維和消除冗余數(shù)據(jù)處理才能解決這些問題。

2 主成分分析特征降維

人耳圖像利用Gabor濾波器所提取的特征維數(shù)集非常大，導致后期計算研究工作的順利進行，從而影響身份驗證效率，因此在分類之前必須進行特征數(shù)據(jù)降維處理。本文中采用主成分分析(Principal Component Analysis，PCA)降維處理。傳統(tǒng)的降維技術可分為線性和非線性兩類。其中線性降維算法主要有PCA和多維分析。

PCA是最小均方誤差意義上的最優(yōu)維數(shù)據(jù)壓縮技術，通過PCA方法能夠提取原始數(shù)據(jù)中的主要特征，且所提取特征的各分量之間是互不相關的，其中包含信息成分最多的向量方向視為主要組成成分方向，摒棄其他方向及其系數(shù)，由此顯著降低原圖像的維數(shù)且充分保留分類信息[8]。

PCA的具體實現(xiàn)是根據(jù)PCA原理，基于PCA的降維特征提取算法如下：

設人耳圖像為M×M維，將其排列成一維列向量，表示為下式：

用于訓練的人耳圖像樣本總數(shù)為N，每個樣本均為M維，將其按行抽取成對應的列向量為

2.1 計算全體訓練樣本的平均值向量

2.2 計算協(xié)方差矩陣

其中，X=(X1-m,X2-m,…,XN-m)故構造低維矩陣R=XTX，即根據(jù)SVD分解很容易求出R的特征值λi及相應的正交歸一化特征向量νi，由此推論可知Cx的特征向量ui：

ui稱為特征耳，記：

實驗結果表明，將特征值按照降序排列時，從前向后取K(1

3 基于PSO訓練的BP人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的模擬大腦分析過程的簡單數(shù)學模型，而粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)是一類基于群智能的隨機優(yōu)化算法。利用PSO結合BP算法來訓練前向神經(jīng)網(wǎng)絡對人耳圖像進行身份識別用以替代人工識別。有效地利用PSO具有較好的全局收斂能力和強大的魯棒性，以彌補BP神經(jīng)網(wǎng)絡易陷入局部極小、收斂速度慢和引起振蕩效應等缺點，極大地提高神經(jīng)網(wǎng)絡的收斂速度與學習能力。

粒子群優(yōu)化算法是一種全局優(yōu)化進化算法，算法基本概念最初來自社會行為的模擬例如飛鳥和魚類集群活動，通過種群間個體協(xié)作來實現(xiàn)對問題最優(yōu)解的搜索。

PSO-BP算法訓練網(wǎng)絡過程為：

（1）首先根據(jù)神經(jīng)網(wǎng)絡的輸入、輸出樣本集確定BP神經(jīng)網(wǎng)絡的拓撲結構。初始化粒子群，對粒子群參數(shù)進行設置，并確定粒子的初始位置和速度。

（2）將BP神經(jīng)網(wǎng)絡的各連接權值和各閾值編碼成實數(shù)向量來作為粒子的位置向量，可用一個D維參數(shù)表示，其中則PSO優(yōu)化算法中微粒的搜尋空間維數(shù)為：D= (q·n+q) + (m·q+m)。換句話說，先按行優(yōu)先，掃描BP神經(jīng)網(wǎng)絡的權重矩陣，然后掃描所有的閾值，并編碼成實數(shù)向量，從而得到D維X向量，用來表示對應的一個PSO中一個粒子。

（3）確定適應值函數(shù)作為神經(jīng)網(wǎng)絡的均方誤差指標，公式如下：

式中，P是訓練集的樣本數(shù)，示第d次疊代第i個樣本的第j個輸入的網(wǎng)絡理想輸出，D為最大疊代次數(shù)，yj.i表示第d次疊代第i個樣本的第j個輸出的網(wǎng)絡實際輸出。計算所有樣本通過神經(jīng)網(wǎng)絡產(chǎn)生的均方誤差，直至找到一組使均方誤差最小的最佳連接權值和閾值。

（4）由上述方法得到一組接近最優(yōu)的網(wǎng)絡權值與閾值后，然后對PSO輸出的權值和閾值作為初始值訓練BP神經(jīng)網(wǎng)絡，在此基礎上，結合BP算法思想，計算出實際輸出和誤差測量值，從而對各隱層的權值和閾值進一步精確優(yōu)化，重復直至得到網(wǎng)絡權值和閾值的最優(yōu)值。

由于粒子群算法的搜索優(yōu)化模型操作簡單，計算復雜度低，并利用粒子群算法訓練BP神經(jīng)網(wǎng)絡結構下的連接權值和閾值，保證最優(yōu)解，從而有效提高神經(jīng)網(wǎng)絡尋優(yōu)速度和精度。

4 實驗及結果分析

根據(jù)前面部分的闡述，本文提出的基于Gabor小波變換提取特征，PCA降維處理，由PSO訓練神經(jīng)網(wǎng)絡的系統(tǒng)框圖如圖3所示。

圖3 人耳識別系統(tǒng)

整個設計的基本思路是：首先判斷人耳是否被遮擋，利用Gabor小波變換和PCA相結合，來提取局部未遮擋人耳圖像的特征參數(shù)。將提取出的特征參數(shù)送入神經(jīng)網(wǎng)絡進行訓練，從而得到身份驗證結果，同時嘗試對不同遮擋程度人耳的人耳數(shù)字圖像進行識別研究。

實驗測試主要使用北京科技大學人耳識別實驗室提供的人耳圖像庫[9]，如圖4所示。該人耳庫由60名志愿者，每人拍攝3幅右耳圖像，分別是正面一幅，輕微變化角度一幅，光照變化一幅，256灰度級。共180張圖像。每個人取3幅未遮擋圖像作為訓練集。

在此基礎上人為添加遮擋物，按其遮擋部分位置的不同分別為上部、中部、下部、左部、右部，如圖5所示。在遮擋人耳和完整無遮擋人耳圖像一一對應的方式下，選取遮擋圖像用于測試樣本集。

圖4 未遮擋的人耳圖像庫

圖5 人造遮擋人耳

圖6 由Gabor對人耳濾波結果

整個設計采用Matlab模擬實現(xiàn)人耳遮擋圖像數(shù)字識別這一過程。首先經(jīng)過圖像預處理，平滑去噪，并歸一化將圖像統(tǒng)一為90×60像素。然后利用Gabor濾波器對處理后訓練的樣本集提取所有的人耳圖像特征參數(shù)，且人耳圖像的局部細節(jié)信息主要分布在0°, 45°, 90°, 135° 4個方向，如圖6所示。所以通常只需要稀疏的提取部分節(jié)點上的Gabor特征并用PCA進行降維處理。用這些特征矢量作為網(wǎng)絡的輸入，其網(wǎng)絡的輸入是特征向量元素歸一化后的值，本研究BP神經(jīng)網(wǎng)絡采用3層結構，隱層取了24個神經(jīng)元，網(wǎng)絡的輸出采用二進制編碼代表不同人身份。

本研究以60類人作為研究，則相應的樣本二進制編碼的位數(shù)有6位就足夠，所以輸出層的神經(jīng)元個數(shù)取為6。隱含層神經(jīng)元激勵函數(shù)選取logsig函數(shù)，輸出層神經(jīng)元激勵函數(shù)選取purelin函數(shù)。

將上述PSO算法優(yōu)化后得到的網(wǎng)絡連接權值及閾值代入上述BP神經(jīng)網(wǎng)絡，對人耳圖像的訓練樣本（部分數(shù)據(jù)）進行訓練。在網(wǎng)絡滿足訓練目標，保存各網(wǎng)絡。

此外，為了進一步說明文章所提出的算法優(yōu)劣，對采用相同的人耳圖像樣本集的前提下，還選取BPNN方法和BPNN+Gabor算法與本文方法作為對比，進行了人耳身份識別實驗，識別結果見表1。

表1 人耳圖像識別結果

實驗結果說明了人耳圖像中部和右部區(qū)域對于識別起到的重要作用, 此兩部分多含有豐富的人耳曲線結構和人耳溝回分布，所以在實際應用中，此部分遮擋情況是要盡量避免。同樣可以看到利用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡的節(jié)點之間的權重值與閾值，具有很好地逼近效果和訓練速度。

5 結束語

針對當前人耳識別中特征識別存在的難題，文章提出了基于Gabor濾波器與PCA相結合，然后利用PSO訓練的BP神經(jīng)網(wǎng)絡來進行局部遮擋人耳識別的方法。文章首先對人耳圖像采用Gabor濾波器提取遮擋人耳特征集，然后用PCA方法對特征向量降維，大大提高識別效率，最后采用PSO和BP結合的算法訓練人工神經(jīng)網(wǎng)絡，對部分遮擋人耳識別進行檢測區(qū)分。通過人耳圖像識別的仿真實驗，結果表明，表明該方法可以有效解決人耳遮擋的典型問題，有效得到較多的人耳圖像特征信息，與傳統(tǒng)的方法相比較，識別率和準確率有明顯提升。

[1]田 瑩, 苑瑋琦.人耳識別技術研究綜述[J].計算機應用研究, 2007, 24(4): 21-25.

[2]Chang K, Bowyer K, Sarkar S, Victor B.Comparison and combination of ear and face images in appearance-based biometrics [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003,25(9): 1160-1165.

[3]Burger M, Burger W.Ear biometrics in computer vision[C]//Proceedings of 15th International Conference on Pattern Recogni- tion, 2000: 822-826.

[4]Victor B, Bowyer K, Sarkar S.An evaluation of face and ear biometrics[C]// Proc.ICPR, 2002: 429-432.

[5]Moreno B, Sanchez A, Velez J F.On the use of outer ear images for personal identification in Security Applications[C]//IEEE 33rdAnnual 1999 International Carnahan Conference on Security Technology, 1999:469-476.

[6]Hurley D J, Nixon M S, Carter J N.A new force field transform for ear and face recognition[C]//Proceedings IEEE International Conference on Image Processing ICIP 2000, 2000: 25-28.

[7]Yuizono T, Wang Y, Satoh K, Nakayama S.Study on individual recognition for ear images by using genetic local search[C]//Proceedings of the 2002 Congress on Evolutionary Computation, 2002: 237-242.

[8]Nhat V D M, Lee S Y.Two-dimensional Weighted PCA algorithm for Face Recognition [C]//Proceedings 2005 IEEE International Symposium on Computational Intelligence in Robotics and Automation June 27-30, 2005, Espoo, Finland, 2005:219-223.

[9]穆志純.北京科技大學人耳識別實驗室-開放式人耳圖像庫[EB/OL].http://www1.ustb.edu.cn/resb/subject/subject.htm, 2013.