張雅倩，曾衛(wèi)明，石玉虎

(上海海事大學(xué) 信息工程學(xué)院，上海 201306)

基于特征融合與稀疏表示的人耳識別

張雅倩，曾衛(wèi)明，石玉虎

(上海海事大學(xué) 信息工程學(xué)院，上海 201306)

人耳識別是一種新興的生物識別技術(shù)，具有較高的理論研究價值和市場應(yīng)用前景，并隨著圖像處理、模式識別等領(lǐng)域的發(fā)展而逐步發(fā)展。在人耳識別中特征提取是生物特征識別技術(shù)的關(guān)鍵環(huán)節(jié)，對最終分類結(jié)果的準(zhǔn)確性起著決定性作用。因此為了提高人耳識別技術(shù)中分類結(jié)果的正確率，提出了一種基于特征融合和稀疏表示的人耳識別方法。該方法采用四個方向上的Sobel算子檢測邊緣，并在每個邊緣圖上提取邊緣特征；同時利用灰度共生矩陣提取四個方向上人耳圖像的紋理特征，結(jié)合邊緣特征和紋理特征，最后通過稀疏表示模型對人耳進(jìn)行分類識別。實(shí)驗(yàn)結(jié)果表明，采用邊緣特征和紋理特征相融合的方法能較大提升人耳識別的準(zhǔn)確率，從而驗(yàn)證了該方法在人耳識別技術(shù)中的有效性能。

人耳識別；模式識別；特征融合；稀疏表示；圖像處理

0 引 言

生物特征識別技術(shù)是指通過計算機(jī)與光學(xué)、生物傳感器等原理密切結(jié)合，利用人體自身的生理特征和行為特征來進(jìn)行的個人身份識別的技術(shù)[1]。人耳識別是以人耳作為識別特征來進(jìn)行身份認(rèn)證的一種生物特征識別技術(shù)[2]。與其他個體生物特征識別技術(shù)相比具有獨(dú)特的優(yōu)勢，例如人耳紋理特征、結(jié)構(gòu)特征等具有相對較強(qiáng)的穩(wěn)定性。這使得人耳生物特征識別技術(shù)有著廣泛的應(yīng)用前景，然而該技術(shù)目前仍存在許多需要進(jìn)一步研究和完善的地方。

人耳識別系統(tǒng)主要由人耳的圖像采集、預(yù)處理、邊緣檢測和分割、特征提取、模式識別等主要環(huán)節(jié)組成。其中人耳的特征提取是整個人耳識別系統(tǒng)中至關(guān)重要的環(huán)節(jié)，特征提取方法的好壞將直接決定了所設(shè)計的人耳識別系統(tǒng)的性能，是人耳識別系統(tǒng)成功與否的關(guān)鍵因素。迄今為止，學(xué)者們已經(jīng)提出了很多人耳識別方法，例如文獻(xiàn)[3]提出一種基于局部二值模式特征的稀疏表示人耳識別方法。該方法利用局部二值模式對二維圖像進(jìn)行紋理分析，并通過求解稀疏表示模型得到稀疏編碼系數(shù)，最后根據(jù)測試人耳圖像的重建誤差來進(jìn)行識別，實(shí)驗(yàn)結(jié)果表明該方法有著較高的識別準(zhǔn)確率。

文中根據(jù)邊緣能顯示圖像局部亮度變化的部分，紋理圖像或其中小塊區(qū)域的空間顏色分布和光強(qiáng)分布，提取并綜合圖像邊緣和紋理特征以準(zhǔn)確描述其人耳特征，采用稀疏表示模型對人耳進(jìn)行分類，并且通過實(shí)驗(yàn)對其準(zhǔn)確率進(jìn)行驗(yàn)證。

1 人耳特征提取

1.1 Sobel邊緣特征提取

Sobel算子邊緣提取算法是一種較為常用的邊緣檢測方法，計算簡單、速度快，受噪聲影響較小，同時對噪聲具有平滑作用，并且能提供較多邊緣方向的信息。文中借鑒Sobel算子來檢測水平、垂直、兩對角線四個方向上的邊緣特征信息，并在每個邊緣圖上提取像素點(diǎn)所在局部窗口的特征[4]。

設(shè)原始圖像為A，對原圖像分別應(yīng)用這四個算子得到四個方向(00，450，900和1350)上的邊緣強(qiáng)度圖Gx、Gxy、Gy、Gyx，其計算方式如下：

(1)

(2)

(3)

(4)

其中，*表示二維卷積運(yùn)算。

通常邊緣圖上具有較高邊緣強(qiáng)度和密度的區(qū)域是人耳特征。還可以根據(jù)提取像素點(diǎn)所在的窗口提取一些能量、熵和慣性等統(tǒng)計特征[5]，具體算法如下：

(5)

當(dāng)圖像紋理比較細(xì)致、灰度分布均勻時，能量值(Eg)較大，反之較小。

(6)

熵(Et)是體系混亂程度的度量，反映了圖像的復(fù)雜程度，當(dāng)復(fù)雜程度越高時，熵值越大，反之則越小。

(7)

慣性矩(I)也稱對比度，表明了圖像的清晰度和紋理深淺的程度。當(dāng)對比度大的像素對越多，慣性越大，反之越小。

(8)

相似度(H)是指度量空間的灰度共生矩陣元素在行或列方向上的相似程度，相關(guān)值大小表明了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時，相關(guān)值就較大，反之則較小。

其中Gx,y表示各個方向上的邊緣圖，(x,y)是圖像中像素點(diǎn)的坐標(biāo)。由于每個方向能夠給出四個邊緣特征，因此總共可以提取出16個特征來描述圖像的邊緣特征。

1.2 灰度共生矩陣紋理特征提取

紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺特征,通過像素及其周圍空間鄰域的灰度分布來表現(xiàn)。由于它體現(xiàn)了物體表面具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性，因此可以成為描述與識別圖像的重要依據(jù)。對于紋理特征的提取，可大致分為基于結(jié)構(gòu)的方法和基于統(tǒng)計數(shù)據(jù)的方法，但對于圖像中的紋理識別，基于統(tǒng)計數(shù)據(jù)的方法效果更好。因此文中采用基于局部統(tǒng)計特性的灰度共生矩陣特征。

1.2.1 灰度共生矩陣的定義

灰度直方圖是對圖像在某一個灰度值處所具有的像素個數(shù)進(jìn)行統(tǒng)計得到的結(jié)果，灰度共生矩陣則是對圖像上具有某確定距離的像素對出現(xiàn)的分布狀況進(jìn)行統(tǒng)計得到的結(jié)果。

設(shè)圖像水平和垂直方向上各有Nc×Nr個像素，將每個像素出現(xiàn)的灰度量化為Ng層，設(shè)Lx={1,2,…,Nc}為水平空間域，Ly={1,2,…,Nr}為垂直空間域，G={1,2,···,Ng}為量化灰度層集。Lx×Ly為行列編序的圖像像素集，則圖像函數(shù)f可表示為一個函數(shù)：指定每一個像素具有Ng個灰度層中的一個值G，即f：Lx×Ly→G?；叶裙采仃嚩x在圖像域Lx×Ly范圍內(nèi)，兩個相距為d，方向?yàn)棣鹊南袼卦趫D像中出現(xiàn)的概率，即：

P(i,j|d,θ)=#{[(k,l),(m,n)]∈(Lx×Ly)×(Lx×Ly)|d,θ,f(m,n)=j}

(9)

其中，#{x}表示成立的像素對數(shù)。如距離為d時，水平方向上的灰度共生矩陣計算公式為：

P(i,j|d,0)=#{[(k,l),(m,n)]∈(Lx×Ly)×(Lx×Ly)|k-m=0,|l-n|=d,f(k,l)=i,f(m,n)=j}

(10)

同理，距離為d，對角方向的灰度共生矩陣為：

P(i,j|d,45)=#{[(k,l),(m,n)]∈(Lx×Ly)×(Lx×Ly)|k-m=d,|l-n|=

-d,f(k,l)=i,f(m,n)=j}

(11)

P(i,j|d,135)=#{[(k,l),(m,n)]∈(Lx×Ly)×(Lx×Ly)|k-m=-d,|l-n|=d,f(k,l)=i,f(m,n)=j}

(12)

灰度共生矩陣不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，因此可根椐共生矩陣計算一些相應(yīng)的特征值并以此來表示圖像的紋理信息[6]。

1.2.2 灰度共生矩陣的特征

從直觀上來說，圖像的像素塊灰度值的變化引起對應(yīng)的對角線元素值的變化。為了能更直觀地利用共生矩陣描述紋理的狀況，從共生矩陣14種特征參數(shù)[7-8]中找出代表性強(qiáng)和獨(dú)立性好的特征，綜合對灰度共生矩陣的研究成果[9-12]，采用能量、熵、慣性、局部相似度作為提取圖像紋理的特征參數(shù)[13-14]，計算方法如下：

(13)

(14)

(15)

(16)

其中，Wx,y(x,y)表示歸一化后的灰度共生矩陣。

在每個方向上提取4個特征，因此總共提取了16個特征來描述每個像素點(diǎn)所在局部窗口的紋理特征。再結(jié)合1.1中所提取的16個邊緣特征，共提取了像素點(diǎn)所在局部窗口的32維特征作為人耳檢測分類器的特征向量。

1.3 稀疏表示分類

稀疏表示是近年來信號處理領(lǐng)域的熱點(diǎn)之一，簡單來說，它其實(shí)是對原始信號的一種分解方法。該方法借助一個事先得到的字典，將輸入信號作為字典的線性近似，從而能更容易地獲取信號中所包含的信息，并進(jìn)一步對信號進(jìn)行加工處理，如壓縮、編碼等[15]。

Wright等[16]根據(jù)模式間的稀疏性，設(shè)計了一種基于稀疏表示的分類方法。該方法將需要識別的圖像表示為所有訓(xùn)練圖像的稀疏線性組合。借鑒稀疏表示的分類方法，假設(shè)有m個人，第i個人有n幅訓(xùn)練圖像，首先提取每幅人耳訓(xùn)練圖像的邊緣特征和紋理特征，記為d1，d2，…，d32;稀疏表示假設(shè)輸入圖像可以表示為來自同一類圖像的稀疏線性組合，對于屬于同一類別i的測試樣本提取特征，記為Y，那么Y就可以表示成同類訓(xùn)練樣本的特征線性組合，即Y=a1d1+a2d2+…+a32d32，然后將來自第i個人的n個訓(xùn)練樣本的32個特征歸一化為矩陣D，稱為稀疏表示的字典，即D=[D1,D2,…,D32]=[d1,d2,…,d32]。

利用原始對偶算法求解下列模型:x1=argmin‖x‖1滿足Y=Dx+e,得到稀疏系數(shù)x，其中e為誤差項(xiàng)。若每一類的樣本數(shù)目與總的訓(xùn)練樣本數(shù)目相比占的比例很小，那么所得到的編碼系數(shù)x就十分稀疏。并利用ri(Y)=‖Y-e-Dδ1‖2(i=1,2,…,32)計算余項(xiàng)，δi(x)為x中保留對應(yīng)于第i類的系數(shù)，然后將其余的系數(shù)全部賦值為0，最后將測試樣本歸為使余項(xiàng)ri(Y)最小的那類i，并作為測試樣本Y的識別結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)采用北京科技大學(xué)提供的人耳庫,選取圖像庫ΙΙ中77個人的人耳圖，每個人有4幅圖像，分別是正面一張、角度變化兩張及光照變化一張。第一幅與第四幅圖像均為人耳的正面圖像，但是光照條件的變化較大，第二幅和第三幅圖像與第一幅圖像光照條件相同，但是分別相對于第一幅圖像旋轉(zhuǎn)了+30°和-30°。第一幅圖像作為測試，其余人耳圖像將作為訓(xùn)練樣本。部分圖像見圖1。

圖1 人耳圖像庫Ⅱ

對于人耳圖像庫Ⅱ中79人的人耳圖像，包括向右轉(zhuǎn)、向左轉(zhuǎn)兩種情況。選取從5°至20°以5°為間隔旋轉(zhuǎn)變化，其中每種情況拍攝一幅用來訓(xùn)練，其他同角度變化的人耳圖用于測試，共790幅圖像。部分圖像如圖2所示。實(shí)驗(yàn)結(jié)果如圖3所示。

圖2 人耳圖像庫Ⅲ

圖3 實(shí)驗(yàn)結(jié)果

從圖3數(shù)據(jù)分析可以得出，分別使用Sobel算子和灰度共生矩陣方法進(jìn)行人耳特征提取并分類，識別的準(zhǔn)確率并不高。因?yàn)镾obel算子并沒有基于圖像灰度進(jìn)行處理，所以不能嚴(yán)格地模擬人的視覺生理特征，提取的圖像特征并不能令人滿意。然而利用灰度共生矩陣進(jìn)行特征提取后的識別率明顯高于利用Sobel的識別率，主要是由于灰度共生矩更好地兼顧了圖像宏觀性質(zhì)與細(xì)微結(jié)構(gòu)兩個方面的信息，因此可以提取出更重要的特征。從圖中可以看出，利用基于Sobel和灰度共生矩陣相融合的特征提取方法進(jìn)行人耳識別，其分類結(jié)果的識別率明顯高于基于單一邊緣或紋理特征分類結(jié)果的識別率，這主要是因?yàn)榍罢呖朔嘶趩我惶卣髯R別方法所具有的局限性。

3 結(jié)束語

文中提出一種基于特征融合和稀疏表示的人耳識別方法。首先，采用Sobel算子對四個方向進(jìn)行邊緣檢測，并在每個邊緣圖上提取像素點(diǎn)所在局部窗口的特征，同時，利用灰度共生矩陣對人耳圖像進(jìn)行紋理的特征提取，以反映出圖像上的細(xì)節(jié)信息；其次，結(jié)合邊緣和紋理的特征以準(zhǔn)確反映出人耳圖像中人耳的特點(diǎn)；最后，通過稀疏表示模型對人耳進(jìn)行分類識別。實(shí)驗(yàn)結(jié)果表明，與基于單一邊緣或紋理特征的識別方法相比，采用邊緣和紋理特征相融合的識別方法能較大提高人耳檢測的準(zhǔn)確率，表明了該方法在人耳識別中的有效性。

[1] 楊 艷.生物特征識別技術(shù)概述[J].中國自動識別技術(shù),2006(1):58-62.

[2] 王 瑜,穆志純,徐正光.多模態(tài)生物特征識別技術(shù)進(jìn)展綜述[J].計算機(jī)應(yīng)用與軟件,2009,26(2):31-34.

[3] 黃宏博,穆志純,張保慶,等.基于局部特征和稀疏表示的魯棒人耳識別方法[J].工程科學(xué)學(xué)報,2015,37(4):535-541.

[4] 肖 榮. 復(fù)雜背景下彝文古籍文本提取方法研究[D].武漢:中南民族大學(xué),2011.

[5] LIU C,WANG C,DAI R.Text detection in images based on unsupervised classification of edge-based features[C]//Eighth international conference on document analysis and recognition.[s.l.]:IEEE Computer Society,2005:610-614.

[6] HARALICK R M, SHANMUGAM K, DINSTEIN I.Textural features for image classification[J].IEEE Transactions on Systems Man and Cybernetics,1973,3(6):610-621.

[7] LIUG H,YANG J Y.Image retrieval based on the texton co-occurrence matrix[J].Pattern Recognition,2008,41(12):3521-3527.

[8] HARALICK R M.Statistical and structural approaches to texture[J].Proceedings of the IEEE,1979,67(5):786-804.

[9] BARALDI A,PARMIGGIANI F.Investigation of the textural characteristics associated with gray level cooccurrence matrix statistical parameters[J].IEEE Transactions on Geoscience & Remote Sensing,1995,33(2):293-304.

[10] 陳 紅,夏 青,左 婷,等.基于紋理分析的香菇品質(zhì)分選方法[J].農(nóng)業(yè)工程學(xué)報,2014,30(3):285-292.

[11] 章海亮,朱逢樂,劉雪梅,等.基于圖像光譜信息融合的魚不同凍藏時間及凍融次數(shù)鑒別[J].農(nóng)業(yè)工程學(xué)報,2014,30(6):272-278.

[12] 王昊鵬,李 慧.基于局部二值模式和灰度共生矩陣的籽棉雜質(zhì)分類識別[J].農(nóng)業(yè)工程學(xué)報,2015,31(3):236-241.

[13] 苑麗紅,付 麗,楊 勇,等.灰度共生矩陣提取紋理特征的實(shí)驗(yàn)結(jié)果分析[J].計算機(jī)應(yīng)用,2009,29(4):1018-1021.

[14] 黃 曜,許華虎,歐陽杰臣,等.基于混合特征提取的圖像來源鑒別算法[J].計算機(jī)技術(shù)與發(fā)展2016,26(4):11-15.

[15] 郭金庫,劉光斌,余志勇,等．稀疏信號表示理論及其應(yīng)用[M].北京：科學(xué)出版社，2013.

[16] WRIGHT J,YANG A Y,SASTRY S S,et al.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2009,31(2):2368-2378.

EarRecognitionBasedonFeatureFusionandSparseRepresentation

ZHANG Ya-qian，ZENG Wei-min，SHI Yu-hu

(School of Information Engineering,Shanghai Maritime University,Shanghai 201306,China)

Ear recognition is an emerging biometric recognition technology,with high theoretical research value and market prospect,and develops gradually with the development of image processing,pattern recognition and other fields.Feature extraction is the key to this technology which plays a decisive role in the accuracy of the final classification result.Therefore,in order to improve the accuracy of classification result in the technology of ear recognition,a method of ear recognition based on feature fusion and sparse representation is presented.In this method,the Sobel operator from four direction is adopted to detect the edges and extract their feature.At the same time the GLCM (Gray Level Co-occurrence Matrix) is used to extract texture feature of ear images.Finally sparse representation model is utilized to conduct classification recognition of ear in combination of edge and texture features.The experiment shows that the proposed method can improve ear recognition accuracy greatly,thus confirming its effectiveness in the survey of ear recognition.

ear recognition;mode recognition;feature fusion;sparse representation;image processing

TP301

A

1673-629X(2017)12-0007-04

10.3969/j.issn.1673-629X.2017.12.002

2016-12-18

2017-04-20 < class="emphasis_bold">網(wǎng)絡(luò)出版時間

時間：2017-09-27

上海市科委計劃重點(diǎn)項(xiàng)目(14590501700)

張雅倩(1990-)，女，碩士，研究方向?yàn)閳D像處理與模式識別;曾衛(wèi)明，博士,教授,研究方向?yàn)閳D像處理與模式識別、腦功能連通性檢測與神經(jīng)認(rèn)知等。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170927.0958.024.html