雷軍環(huán)

長沙民政職業(yè)技術(shù)學(xué)院 軟件學(xué)院，長沙 410004

基于Gabor-ILLE的多姿態(tài)人耳識別

雷軍環(huán)

長沙民政職業(yè)技術(shù)學(xué)院 軟件學(xué)院，長沙 410004

人耳作為人的獨(dú)特生物特征體，具有唯一性、穩(wěn)定性等特點(diǎn)，且人耳不受表情、化妝的影響，也不易損傷，識別時不受打擾，人耳識別的研究引起了學(xué)者們的廣泛關(guān)注[1-3]。

多姿態(tài)人耳指當(dāng)人耳姿態(tài)變化時，圖像會呈現(xiàn)不同程度壓縮、旋轉(zhuǎn)和拉伸等變化，導(dǎo)致人耳圖像產(chǎn)生形變，其中特征提取是多姿態(tài)人耳識別中的一個重要步驟，當(dāng)前人耳特征提取方法分為兩類：幾何形狀特征法和代數(shù)特征法[4]。幾何形狀特征法通過提取外耳和內(nèi)耳關(guān)鍵點(diǎn)，構(gòu)建的幾何特征，物理意義十分直觀，但易受姿態(tài)、光照等外界因素的影響，特征提取不穩(wěn)定，人耳識別率低[5-6]。代數(shù)特征法提取人耳的整體特征，揭示了人耳圖像的本質(zhì)特征，主要有主成分分析（PCA）、獨(dú)立分量分析（ICA）等，這些方法是線性方法，忽略了人耳圖像邊緣像素間的非線性關(guān)系，在人耳識別中應(yīng)用范圍受限[7-8]。核主元分析法（KPCA）是一種非線性的代數(shù)特征提取方法，其性能受核參數(shù)的影響很大[9]。局部線性嵌入（LLE）算法是一種流行的學(xué)習(xí)方法，實(shí)現(xiàn)了高維輸入數(shù)據(jù)點(diǎn)映射到一個全局低維坐標(biāo)系，同時保留了鄰接點(diǎn)之間的空間關(guān)系，在人耳識別中得到了廣泛的應(yīng)用[10-11]。但是經(jīng)典LLE算法對姿態(tài)變化比較敏感，且近鄰點(diǎn)選擇十分關(guān)鍵[12]。Gabor小波核函數(shù)能夠很好地描述哺乳動物初級視覺系統(tǒng)中一對簡單視覺神經(jīng)元的感受特性，與傅里葉變換相比，Gabor小波變換具有良好的時頻局部化特性，對光照變化不敏感，且能容忍一定程度的圖像旋轉(zhuǎn)和變形[13]。

為了提高多姿態(tài)人耳識別率，本文針對LLE算法對光照變化敏感和近鄰點(diǎn)選擇十分敏感的不足，利用Gabor小波優(yōu)點(diǎn)，提出了一種融合Gabor小波和改進(jìn)LLE（Improved LLE，ILLE）的人耳識別算法（Gabor-ILLE），并在USTB3人耳圖像庫上進(jìn)行仿真實(shí)驗(yàn)，測試Gabor-ILLE方法的人耳識別效果。

1 人耳識別的流程

Gabor-ILLE人耳識別算法的流程如圖1所示。首先通過特征融合有效消除特征之間的冗余信息，降低特征維數(shù)，同時不會丟失有效的人耳識別特征，然后采用K近鄰算法建立分類器，最后輸出人耳識別結(jié)果。

圖1 Gabor-LLE人耳識別算法的工作流程

2 Gabor小波及特征提取

Gabor小波變換是一種加高斯窗的傅里葉變換，它由一組不同尺度、不同方向的濾波器組成，二維Gabor小波核函數(shù)定義為：

選用的是5個尺度、8個方向的Gabor濾波器組。將輸入圖像 I(x，y)，并與濾波器組的各個濾波器進(jìn)行卷積，并取其幅值作為輸出，即

每一幅人耳圖像經(jīng)過Gabor變換后，可以得到40個對應(yīng)不同尺度與方向的圖像，具體如圖2所示。

圖2 人耳圖像的Gabor幅值表示

原始Gabor特征維數(shù)相當(dāng)高，特征之間存在大量冗余，影響人耳識別的實(shí)時性和正確率，為此，本文將相同尺度上多個方向的Gabor特征進(jìn)行融合，降低Gabor特征維數(shù)，消除冗余特征，并且保證不丟有效的人耳識別特征。

根據(jù)式（3）和式（4）的特征融合規(guī)則將每個像素點(diǎn)不同方向相同尺度的Gabor特征編碼成化為二進(jìn)制，表示為：

式中，Re(Gu，v(z))表示 Gabor特征的實(shí)部；Im(Gu，v(z))表示Gabor特征的虛部。

對于每一個尺度的Gabor方向特征，通過式（5）和式（6）計(jì)算其十進(jìn)制編碼和融合，得到每一幅人耳圖像轉(zhuǎn)化成5個尺度上的融合特征，保留了每個像素點(diǎn)所對應(yīng)的40個Gabor濾波器的圖像。

3 改進(jìn)局部線性嵌入（ILLE）算法

經(jīng)過上述特征融合規(guī)則提取的人耳圖像特征維數(shù)相當(dāng)高，因此，本文引入改進(jìn)LLE算法進(jìn)行降維。

對于LLE算法，需要預(yù)先設(shè)定近鄰個數(shù)K，但當(dāng)前K選擇沒有統(tǒng)一方法，而是人為初始化K的值，然后不斷調(diào)整K值比較效果才能得到最優(yōu)值，耗時比較多，影響了人耳識別的效率。為了獲得最優(yōu)的K值，提出了分級求出K值方法。

在經(jīng)典LLE算法中，通過局部重建權(quán)值矩陣W是來評估輸入輸出映射優(yōu)劣，即通過學(xué)習(xí)了解剩余方差找到最優(yōu)K值。由于剩余方差值越低，高維數(shù)據(jù)嵌入到低維的效果越好。因此最優(yōu)K值的目標(biāo)函數(shù)被定義為：

式中，G(xi，xk)為 xi，xj兩點(diǎn)間的測地線距離，本文采用Dijkstra算法測量距離。

為了達(dá)到縮小分布較稀疏的區(qū)域的樣本點(diǎn)間的距離，增大分布較密集區(qū)域樣本點(diǎn)間的距離的目的，提出了平均距離 M(i)，M(j)分別表示 xi(i=1，2，…，n)，xj(j= 1，2，…，n)和區(qū)域其他點(diǎn)之間的距離的平均值。

從式（7）可以看出最優(yōu) K值受到 EY的影響，而EY是基于維數(shù)D的改變，因此采用迭代算法先確定D的范圍通過分級算法求出K值。分級求出K值的方法可以描述為：

（1）選擇dmax（d的最大可能值），確定d的取值范圍為 0～dmax，進(jìn)行迭代。

（2）初始化d值，選擇 Kmax（Kopt的最大可能值）。

（3）根據(jù)公式（3）計(jì)算相對應(yīng)于 k(K∈[1，Kmax])的重構(gòu)誤差ε。

（4）找出所有極小的ε(K)和響應(yīng)的K值，并將這些K值組成一個原始集合S。

（5）對于每一個K∈S，運(yùn)行LLE并計(jì)算剩余方差。

（6）根據(jù)公式（7）選擇 Kopt，重復(fù)（2），迭代結(jié)束，將一系列Kopt組成集合S1。

（7）根據(jù)冒泡算法確定最小Kopt，得到所求的最優(yōu)K。

4 人耳分類算法

K近鄰算法（KNN）是一種非常重要的非參數(shù)模式識別方法，它首先選擇未知樣本x的K個近鄰，然后將x歸屬于K個近鄰中多數(shù)屬于的那一類。設(shè)待識別的網(wǎng)絡(luò)安全狀態(tài) x的 K個近鄰分別為 x1，x2，…，xk，那么KNN的分類判別函數(shù)為：

式中，di(x)為wi類的判別函數(shù)。

5 仿真實(shí)驗(yàn)

5.1 人耳圖像庫

數(shù)據(jù)來源于北京科技大學(xué)的USTB3人耳庫，該庫總共包含79個人，每人10幅圖像，定義右耳正對著攝像機(jī)時為0°。從0°開始，頭部依次向左偏轉(zhuǎn) 5°、10°、15°、20°，每種角度拍攝兩張包含完整人頭的側(cè)面圖像[14]。為了降低頭發(fā)、光照等因素的影響，需要對人耳庫的所有圖像進(jìn)行預(yù)處理，首先手工剪切原始圖像，只留下人耳部分，然后進(jìn)行直方圖均衡處理，最后將其歸一化為100像素×150像素大小，部分人耳如圖3所示。在Core2 Intel 3.0 GHz CPU，RAM 4.0 GB，Windows 7平臺上，利用Matlab 2012實(shí)現(xiàn)仿真實(shí)驗(yàn)。

5.2 結(jié)果與分析

5.2.1 與傳統(tǒng)Gabor特征提取算法的性能對比

圖3 某一個人的10幅人耳圖像

對于不同的人耳子集，改進(jìn)Gabor算法和Gabor傳統(tǒng)算法的人耳識別的平均識別率如圖4所示。從圖4可知，相對于傳統(tǒng)Gabor特征提取算法，改進(jìn)Gabor算法的人耳平均識別率得以提高，對比結(jié)果表明，本文對Gabor算法進(jìn)行改進(jìn)是有效的，提取的特征可以更加準(zhǔn)確描述人耳類別信息，獲得了更加理想的人耳識別結(jié)果。

圖4 與傳統(tǒng)Gabor算法的性能對比

5.2.2 與傳統(tǒng)LLE算法性能對比

每人選取 0°的圖像用于訓(xùn)練，分別選取 5°、10°、15°、20°人耳圖像進(jìn)行測試，隨機(jī)選取3幅圖像為測試樣本，選取類別數(shù)m為3，隨著特征維數(shù)變化，所有算法的人耳識別率變化曲線如圖5所示。

對圖5進(jìn)行分析可知，Gabor-ILLE算法性能最優(yōu)，可以得到如下結(jié)論：

（1）在每種角度下，Gabor-LLELLE和Gabor-ILLE受嵌入維數(shù)d的影響，人耳識別率基本上隨著d的增加，特征維數(shù)隨之增加，降維之后的結(jié)果能保留更多的原有信息，提供了更多的人耳類別信息，分類識別的結(jié)果也就更準(zhǔn)確，可以降低偏轉(zhuǎn)角度對人耳識別的影響。

（2）在嵌入維數(shù)d取值一定的情況下，Gabor-ILLE能夠獲得比Gabor-LLE更高的識別率，這是因?yàn)镚abor-ILLE算法采用分級方法求出K值，能夠更好地對數(shù)據(jù)進(jìn)行降維，消除特征之間冗余，選擇對識別結(jié)果比較重要的特征。

（3）在偏轉(zhuǎn)角度 θ=5°時，Gabor-LLE和Gabor-ILLE算法均可以獲得較高的人耳識別率，識別率都大于90%，當(dāng)偏轉(zhuǎn)角度θ=20°時，識別率大部分低于80%，即隨著偏轉(zhuǎn)角度的增大，算法識別率逐漸下降，這主要是隨著旋轉(zhuǎn)角度增加后，人耳信息量減少，提取有效的人耳特征越少，特征難以正確描述人耳類信息，導(dǎo)致人耳識別率低。

圖5 不同角度的人耳識別結(jié)果

表1 幾種特征降維的識別性能比較

5.2.3 與其他特征降維算法的性能對比

為了測試本文ILLE算法的優(yōu)越性，選擇PCA、LDA進(jìn)行對比實(shí)驗(yàn)，所有算法均進(jìn)行10次實(shí)驗(yàn)，取平均值作為最終結(jié)果。不同角度人耳的平均識別率見表1。

對表1的結(jié)果進(jìn)行分析，可以得到如下結(jié)論：

（1）在每種角度下，Gabor-ILLE算法都要高于Gabor-PCA、Gabor-LDA算法的識別率，主要是由于PCA、LDA是線性的方法，而并不適用于非線性數(shù)據(jù)，而LLE算法基于拓?fù)鋵W(xué)的非線性方法，從人類認(rèn)知角度出發(fā)，通過研究高維數(shù)據(jù)集的內(nèi)在幾何結(jié)構(gòu)，發(fā)現(xiàn)其內(nèi)在幾何規(guī)律，能夠更好地解決數(shù)據(jù)的非線性問題，因此獲得更加理想的人耳識別結(jié)果。

（2）對于不同角度的人耳，Gabor-ILLE的最優(yōu)特征維數(shù)要略低于PCA、LDA，這主要是由于LLE可以找到對人耳識別結(jié)果更重要的特征，用更少的特征獲得更優(yōu)的識別結(jié)果，而且減少了計(jì)算量，提高了人耳識別效率。

5.2.4 識別速度比較

識別速度對于人耳識別的實(shí)時性十分重要，采用時間作為人耳識別速度評價(jià)標(biāo)準(zhǔn)，利用Matlab 2012的tic和toc命令記錄每一種算法對USTB3人耳圖像庫的平均訓(xùn)練和識別時間，結(jié)果見表2。從表2可知，相對于對比算法，Gabor-ILLE算法的運(yùn)行時間最短，識別速度最快，識別效率最高，這主要因?yàn)镚abor-ILLE算法可以找到更優(yōu)的人耳圖像特征，有效降低了特征維數(shù)，消除了其中大量的無用、冗余特征，可以較好滿足人耳識別的實(shí)時性要求。

表2 不同算法的識別時間比較 s

6 結(jié)束語

本文針對姿態(tài)變化和近鄰點(diǎn)選取對LLE算法進(jìn)行圖像識別的不利影響，提出了一種基于Gabor-ILLE人耳圖像識別算法，實(shí)驗(yàn)結(jié)果表明，Gabor-ILLE算法不僅可以有效地降低高維數(shù)據(jù)的維數(shù)，同時減小LLE算法受姿態(tài)變化和近鄰點(diǎn)選取的影響，提高了人耳識別率。

致謝感謝北京科技大學(xué)信息工程學(xué)院提供的人耳圖像庫，使本研究得以順利進(jìn)行。

[1]Yan Ping，Bowyer K W．Empirical evaluation of advanced ear biometrics[C]//Proc of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005，3：41-50.

[2]Chang K，Bowyer K W，Sarkar S，et al.Comparison and combination of ear and face images in appearance-based biometrics[J].JEEE Trans on Pattern Anal Mach Intel，2003，25（9）：1160-1167.

[3]Burge M，Burge W.Ear biometrics in computer vision[C]// Proceedings of the 15th International Conference on Pattern Recognition，2000，2：822-826.

[4]封筠，梁曉霞，穆志純.梯度方向直方圖特征的人耳身份識別方法[J].南京大學(xué)學(xué)報(bào)：自然科學(xué)版，2012（4）：452-458.

[5]袁立，穆志純，徐正光，等.基于人耳生物特征的身份識別[J].模式識別與人工智能，2005，18（3）：310-315.

[6]Hurley D J，Nixon M S，Carter J N.Force field feature extraction for ear biometrics[J].Computer Vision and Image Understanding，2005，98（3）：491-512.

[7]王曉云，郭金玉.基于局部信息統(tǒng)計(jì)的人耳識別方法[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（9）：141-144.

[8]Victor B，Bowyer K，Sarkar S.An evaluation of face and ear biometrics[C]//Proceedings of the IEEE 16th International Conference on Pattern Recognition，2002：429-432.

[9]Vural E，F(xiàn)rossard P.Learning pattern transformation manifolds for classification[C]//2012 19th IEEE International Conference on Image Processing，2012：1165-1168.

[10]謝朝霞，穆志純，謝建軍.基于LLE的多姿態(tài)人耳識別[J].智能系統(tǒng)學(xué)報(bào)，2008，3（4）：321-327.

[11]Yang P，Shan S G，Gao W，et al.Face recognition using Ada Boosted Gabor features[C]//Proceedings of the 6th IEEE International Conference on Automatic Face and Gesture Recognition.Seoul：IEEE Computer Society Press，2004：356-361.

[12]劉嘉敏，周曉莉，朱晟君，等.基于LLE及其改進(jìn)算法的人耳識別[J].光電工程，2012，39（12）：132-137.

[13]雷松澤，齊敏，王毅，等.結(jié)合Gabor小波和監(jiān)督保局投影的人耳識別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（8）：1260-1267.

[14]袁立.人耳識別中若干關(guān)鍵問題的研究[D].北京：北京科技大學(xué)，2006.

LEI Junhuan

School of Software,Changsha Social Work College,Changsha 410004,China

LLE algorithm is very sensitive to the change of attitude and neighbor points,a novel ear recognition algorithm（Gabor-ILLE）based on Gabor wavelet and improved LLE algorithm is proposed in this paper.The ear features are extracted by Gabor transform,and then the improved LLE is used to reduce dimensionality of features and select the optimal Gabor features of ear recognition,KNN is used to establish the classifier of human ear recognition,and the simulation experiment is carried out on USTB3 ear images.Compared with the reference methods,the proposed algorithm has obtained higher ear recognition rate,and the experimental results verify the effectiveness of the Gabor-ILLE algorithm.

ear recognition;locally linear embedding;Gabor wavelets;features extraction

針對LLE算法對姿態(tài)變化和近鄰點(diǎn)敏感的缺陷，提了一種融合Gabor小波和改進(jìn)LLE算法的人耳識別算法（Gabor-ILLE）。該算法通過Gabor變換提取人耳特征，并對Gabor初始特征融合，采用改進(jìn)LLE對特征進(jìn)行降維，選擇最有利于人耳識別的Gabor特征，采用K近鄰算法建立人耳分類器實(shí)現(xiàn)人耳識別，并采用USTB3人耳圖像庫進(jìn)行仿真實(shí)驗(yàn)。相對于參比人耳算法，Gabor-ILLE獲得了更高的人耳識別率，實(shí)驗(yàn)結(jié)果驗(yàn)證了Gabor-ILLE算法的有效性。

人耳識別；局部線性嵌入；Gabor小波；特征提取

A

TPP317

10.3778/j.issn.1002-8331.1403-0189

LEI Junhuan.Multi-pose ear recognition based on Gabor wavelet and improved locally linear embedding algorithm.Computer Engineering and Applications,2014,50（23）：163-166.

雷軍環(huán)（1967—），女，教授，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)與軟件工程。E-mail：leijunhuan88@163.com

2014-03-14

2014-05-16

1002-8331（2014）23-0163-04

CNKI網(wǎng)絡(luò)優(yōu)先出版：2014-08-15,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1403-0189.html