一種基于２ＤＰＣＡ的人耳識別方法

摘 要：針對人耳識別問題，提出一種二維主分量分析（2DPCA）的人耳識別方法，該方法不需要預先將圖像轉換為一維向量，而是基于圖像矩陣，直接計算圖像協方差矩陣的特征向量作為人耳特征提取，大大加快特征提取的速度，從根本上克服了傳統PCA在進行圖像特征提取時耗時過多的缺點。并通過BP神經網絡進行分類識別。實驗結果表明，應用2DPCA方法提取人耳圖像特征，可以大大提高識別效果。

關鍵詞：人耳識別；主分量分析；二維主分量分析；BP神經網絡

中圖分類號：O235，TP391文獻標識碼：B文章編號：1004373X(2008)2015102

A New Kind of Ear Recognition Based on 2DPCA

CHEN Chunlan，ZENG Huanglin

(Sichuan University of Scicnce Engineering，Zigong，643000，China)

Abstract：Based on ear recognition，2DPCA method is given.This method doesn′t need transf_orm image into ID vector，but image-based matrix，which computs the image covariance matrix directly f_or image feature extraction，it overcomes time-consuming of traditional PCA in image feature extraction.BP network is used f_or classification.Simulation shows that using 2DPCA to extract ear image feature can achieve satisfactory results.

Keywords：ear recognition;PCA;2-dimensional PCA(2DPCA);BP network

隨著科技的發展、社會的進步，身份驗證的要求也日益迫切，包括指紋識別、人臉識別、虹膜識別等。人臉識別已經取得了可喜的研究成果，但在實際應用中存在很多的困難：人臉是非剛體，存在表情變化會對人臉識別造成影響。

人耳特征與其他的生物特征一樣是每個人與生俱來的，為人的內在屬性，具有較高的穩定性及個體差異性。而人耳特征與其他生物特征不同的是，他具有普遍性、可采集性和不可偽造性等特點。人耳有著可靠、穩定和豐富的生理特征，并且人耳作為一種生物特征，具有獨特的優點：人耳不受表情、化妝的影響；不易受傷，不受耳環、眼鏡架等的影響；比人臉具有更一致的顏色分布；人耳表面更小，信息存儲和處理量更少^［1，2］。人耳識別作為一種新的人體特征識別技術正引起人們的關注。

目前人耳識別提取的特征主要分為2類：一類是基于幾何特征的方法^［2］，這種方法通過尋找人耳輪廓和內部結構上的關鍵點，形成幾何特征；另一類是基于代數特征的方法，如主元分析法^［3］。

主元分析法（PCA）在處理圖像識別問題時是基于向量的，且沒有充分利用訓練樣本的類別信息。本文提出了一種直接基于圖像矩陣的2DPCA方法，與傳統的PCA相比，不需要預先將圖像轉換為一維向量，其是基于圖像矩陣，直接計算圖像協方差矩陣的特征向量，最突出的優點是加快了特征提取的速度，提高了人耳的識別率。

1 二維主分量分析（2DPCA）

考慮一個大小為m×n的圖像A，令投影矩陣X∈Rn×d（n≥d），將圖像矩陣A投影到X，將產生一個m×d的矩陣Y=AX。在2DPCA方法中，用投影后向量的總離散度作為準則函數J(X)來衡量投影矩陣X的優劣：

J(X)=trace{E［(Y－EY)(Y－EY)T］}

=trace{E［(AX－E(AX))(AX－E(AX))T］}(1)

=trace{XTE［(A－EA)T(A－EA)］X}

定義圖像協方差矩陣：

G=E［(A－EA)T(A－EA)］

G是一個n×n的非負正定矩陣。假設有M幅m×n的測試樣本人耳圖像Ak（k=1，2，…，M），其平均圖像矩陣為=1M∑Mk=1Ak，則G可以被估計為：

G=1M∑Mk=1(Ak－)T(Ak－)(2)

所以式（1）可以寫成：

J(X)=tr(XTGX)

可以證明，準則函數J(X)最大的X中每列向量是由協方差矩陣G的r個非零特征值對應的前面最大的d個特征向量組成：

X=（X1，X2，…，Xd）=arg max［J(X)］

滿足XTiXj =0，i≠j；i，j=1，2，…，d。在獲得投影矩陣X=（X1，X2，…，Xd）后，可以對人耳圖像進行特征提取和分類，給定一幅人耳圖像A，令：

Yk=AXkk=1，2，…，d

于是可以得到一組投影后的特征向量Y1，Y2，…，Yd，稱作樣本A的特征矩陣。與傳統PCA方法不同，在2DPCA方法中，不需要預先將圖像轉換為一維向量，是基于圖像矩陣，直接計算圖像協方差矩陣的特征向量方法。

2 基于2DPCA和BP神經網絡的人耳識別

2.1 BP網絡結構的設計

人工神經網絡具有并行處理和大規模平行計算能力，能高度地逼近非線性系統并對不確定問題具有自適應能力，而BP網絡是目前實際應用中使用最為廣泛的網絡模型，但是由于該網絡容易陷入局部極小點，收斂速度慢，所設計的網絡泛化能力不能保證等缺點。本文采用改進的三層結構網絡來實現2DPCA特征提取后的人耳分類。輸入由提取的特征數來決定，隱層為28個神經元，輸出采用n取1的方法，為了提高算法的收斂速度，采用動量法和學習速率自適應調整的方法^［4］，降低了網絡對于誤差曲面局部細節的敏感性，有效地抑制了網絡陷入局部極，提高了算法的收斂性和可靠性。

2.2 實驗方法和結果

2DPCA和BP網絡人耳識別算法結構，如圖1所示。

圖1 2DPCA人耳識別算法結構框圖

在實驗中采用Carreira-Perpinan建立的人耳庫^［5］，該圖像庫包括17人，每人6幅，共102幅人耳圖像，每幅圖像為64×40大小。部分人耳圖像如圖2所示。

在人耳圖像庫中，取每人的前3組人耳圖像作為訓練樣本，共51幅;取每人的后3組作為測試樣本，共51幅。分別采用2DPCA方法和PCA方法進行特征提取，三層BP網絡進行分類識別，在Matlab 7.0環境下進行，結果見表1。

表1 實驗結果

人耳圖像庫特征數

訓練時間/s識別率

2DPCAPCA2DPCAPCA

Carreira-Perpinan 1330.35372.5100%100%

圖像庫1739.735213.8100%100%

2650.52101.56100%100%

圖2 部分人耳圖像

該實驗結果表明，在相同的人耳庫上，基于2DPCA方法的和PCA方法雖然識別率相同，但是2DPCA加速了圖像的特征提取。這是因為每幅64×40大小的圖像，用傳統的PCA方法，需要處理64×40=2 560階的矩陣，盡管用奇異值分解定理可以加速特征提取的速度，但是計算量仍然很大，而利用2DPCA方法，只需要處理40階的矩陣即可。

3 結 語

本文提出一種2DPCA方法用于人耳識別，該方法直接基于圖像矩陣。他的突出優點是大大加快了特征提取的速度，從根本上克服傳統PCA在進行圖像特征提取時耗時過多的缺點。

參考文獻

［1］Hanna-Kaisa Lammi.Ear Biometrics［EB/OL］http://www.it.lut.fi/kurssit/03-04/010970000/seminars/Lammi.pdf.

［2］Burge M J，Burger W.Using Ear Biometrics f_or Passive Identification ［A］.Proceedings of 14th，International Inf_ormation Security Conference ［C］.Vienna，Austria:Kluwer Academic，1998:139-148.

［3］張海軍，穆志純，張克君，等.基于主元分析的人耳圖像識別方法\\.北京工商大學學報，2005，23(6):28-30.

［4］魏海坤.神經網絡結構設計的理論與方法\\.北京：國防工業出版社，2005.

［5］Carreira-Perpinan M A.Compression Neural Networks f_or Feature Extraction:Application to Human Recognition from Ear Images ［D］.Spain:Technical University of Madrid，1995.

［6］Wang Liwei.Is Two-dimensional PCA a New Technique.Act Automatica Sinica，2005，5(31):782-787.

［7］Yang J，Yang J Y.From Image Vector to Matrix:A Straight Forward Image Projection Technique-IMPCA.vs.PCA［J］.Pattern Recognition，2002，35(9):1 997-1 999.

［8］張海軍，穆志純，危克.人耳識別技術研究進展綜述［J］.計算機工程與應用，2004(33):5-9.

［9］祝振宇.基于主成分分析的人耳識別系統研究［J］.科技廣場，2007(7):33-36.

［10］王秀琴，趙金憲，王忠禮.人耳識別的應用研究與實現［J］.黑龍江科技學院學報，2004，14(4):241-244.

作者簡介 陳春蘭 女，1983年出生，碩士研究生。主要研究方向為人工神經網絡、模式識別。

曾黃麟 男，1955年出生，博士，教授。主要研究方向為粗集理論、神經網絡、智能信息處理等。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文