鼻子區(qū)域生物特征識別

李云飛， 盧朝陽， 李 靜， 姚 超

(西安電子科技大學(xué) 綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071)

隨著信息化技術(shù)的發(fā)展，生物特征識別技術(shù)已成為保障公共和個(gè)人安全的核心技術(shù)，在金融、安全、網(wǎng)絡(luò)和電子商務(wù)等領(lǐng)域都有著非常廣闊的應(yīng)用前景．人臉圖像是每個(gè)人固有的生物特征，與指紋、虹膜等其他生物特征圖像相比具有采集方式友好、采集設(shè)備隱蔽性高等優(yōu)點(diǎn)，所以人臉識別在身份識別、檢索、安全監(jiān)控等方面已被廣泛應(yīng)用，一直是模式識別領(lǐng)域的一個(gè)研究熱點(diǎn)．

但人臉圖像在獲取時(shí)存在一些不穩(wěn)定因素，如表情、胡須、發(fā)型、光照、姿態(tài)、胖瘦、年齡等變化始終影響著人臉識別的準(zhǔn)確性．和人臉識別相比，虹膜識別、指紋識別、DNA識別等雖然精度高，但其數(shù)據(jù)采集比較麻煩，且需要被測試對象密切配合．而鼻子是人臉中最主要、最顯著的器官之一，不易遮擋和隱藏，在人的一生中形狀比較固定，受表情、胡須、發(fā)型、胖瘦影響小．

最近有學(xué)者提出將鼻子區(qū)域作為生物特征進(jìn)行個(gè)體身份識別[1-6]，但文獻(xiàn)中都是針對三維人臉數(shù)據(jù)進(jìn)行分析，筆者旨在分析二維人臉數(shù)據(jù)中鼻子區(qū)域的識別性能．首先對鼻子的生物特征進(jìn)行了分析，并對Gabor核Fisher判別分析(Gabor Kernel Fisher Discriminant Analysis，GKFA)算法進(jìn)行了優(yōu)化；然后選擇了正面中性表情人臉數(shù)據(jù)庫ORL、正面表情人臉數(shù)據(jù)庫JAFFE和側(cè)面旋轉(zhuǎn)角度比較大的人臉數(shù)據(jù)庫FEI，分別裁剪組成相應(yīng)的鼻子數(shù)據(jù)庫；最后用優(yōu)化后的GKFA算法對所截取的鼻子數(shù)據(jù)庫和相應(yīng)的人臉數(shù)據(jù)庫進(jìn)行了識別比較．實(shí)驗(yàn)結(jié)果表明，利用鼻子區(qū)域進(jìn)行生物特征識別可以避免人臉識別中表情和姿態(tài)的影響，完全可以作為單獨(dú)的生物特征進(jìn)行個(gè)體身份鑒別．

圖1 鼻子結(jié)構(gòu)圖

1 鼻子的生物特征分析

1.1 鼻子的結(jié)構(gòu)和特點(diǎn)

通常，一個(gè)正常人的鼻子由外鼻、鼻腔和鼻竇3部分組成，而鼻型則由外鼻決定．外鼻分為鼻根、鼻梁、鼻尖和鼻翼4部分，如圖1所示．

整個(gè)鼻子主要由骨質(zhì)組織構(gòu)成，共有6塊骨骼，左右對稱，形成一個(gè)突出的三棱錐體．覆蓋鼻上部 2/3 的皮膚松弛，富于彈性，皮膚伸展、擴(kuò)張容易，而覆蓋鼻下部 1/3 的皮膚則緊附著在下面的皮下組織，皮膚不容易伸展、擴(kuò)張[7]．醫(yī)學(xué)研究結(jié)果表明，人骨是成比例生長且整體結(jié)構(gòu)比例基本保持不變，一般在18歲左右比例就穩(wěn)定而不會(huì)再長了，以后僅僅是骨質(zhì)內(nèi)有機(jī)物質(zhì)發(fā)生變化，而其外觀仍能保持原有的形狀[8]．

由于鼻子主要由骨質(zhì)組織構(gòu)成，沒有肌肉組織覆蓋，因骨骼的生理特性決定，鼻子在人的一生中具有穩(wěn)定的形狀，與眾多的生物特征相比，人的鼻子作為一種生物特征具有獨(dú)特的優(yōu)勢:

(1) 鼻子是每個(gè)正常人都具有并且惟一的生物特征．每個(gè)人的鼻子具有相對獨(dú)特的形狀和比例，可以用其作為生物特征進(jìn)行個(gè)體身份鑒別[1-2，4-5]．

(2) 鼻子受表情變化影響比較小．人面部表情主要由一組表情肌產(chǎn)生，而表情肌主要分布在眼睛、嘴巴周圍和額頭、臉頰區(qū)域，表情的變化對鼻子形狀的變化影響較小[9]．

(3) 鼻子受年齡和胖瘦變化影響比較小．在嬰幼兒到成人階段，人臉各個(gè)部位成比例生長，大概從35歲以后，人臉開始出現(xiàn)衰老跡象，主要變化是肌膚開始松弛，出現(xiàn)皺紋．面部最容易衰老的部位是眼袋、額頭、頸部、法令紋，而鼻子影響最小[10]；人的胖瘦表現(xiàn)在面部主要是臉頰、下巴和頸部肌肉的增減，由于鼻子主要由骨質(zhì)組織構(gòu)成，沒有肌肉組織覆蓋，所以鼻子不會(huì)受胖瘦變化的影響．

圖2 AR和UMB-DB人臉數(shù)據(jù)庫中的遮擋人臉示例圖

(4) 鼻子部分不易遮擋．在人臉識別中，最易受遮擋影響的因素主要有墨鏡、圍巾、帽子、口罩、胡須、手勢等，如圖2所示．相對人臉其他部位，鼻子不容易被遮擋．

(5) 鼻子具有獨(dú)特的姿態(tài)辨別優(yōu)勢．人臉識別受姿態(tài)影響比較大，在人臉姿態(tài)變化比較大的情況下識別效果明顯變差．而鼻子即使在正面人臉轉(zhuǎn)動(dòng)90°時(shí)，仍能提取其顯著的輪廓信息[4]．

1.2 鼻子的數(shù)據(jù)獲取

目前，國內(nèi)外還沒有專門的鼻子圖像數(shù)據(jù)庫，為了比較驗(yàn)證鼻子區(qū)域的識別性能，實(shí)驗(yàn)選取正面中性表情人臉數(shù)據(jù)庫ORL、正面表情人臉數(shù)據(jù)庫JAFFE和側(cè)面旋轉(zhuǎn)角度比較大的人臉數(shù)據(jù)庫FEI，分別裁剪出鼻子區(qū)域構(gòu)成鼻子數(shù)據(jù)庫．裁剪時(shí)以鼻子為中心，裁成一個(gè)上至眉間點(diǎn)，下至鼻下點(diǎn)，左右包括兩側(cè)鼻翼點(diǎn)的矩形區(qū)域．

ORL人臉數(shù)據(jù)庫是基于表情和姿態(tài)變化的人臉數(shù)據(jù)庫，但表情和姿態(tài)變化幅度都很小．該數(shù)據(jù)庫有40個(gè)人，每人10張不同姿態(tài)和表情的人臉圖像，共400張，這些圖像在不同時(shí)間獲取，具有不同的表情和面部細(xì)節(jié)，而且稍許傾斜(不超過20°)，每張圖片的大小是 112×92 像素，灰度級為256．實(shí)驗(yàn)中，對每幅人臉圖像進(jìn)行了裁剪，同時(shí)裁剪出鼻子區(qū)域構(gòu)成鼻子樣本庫，如圖3所示．

圖3 ORL數(shù)據(jù)庫中人臉與其對應(yīng)鼻子圖像示例

JAFFE 數(shù)據(jù)庫包含10個(gè)人的213張圖片，要求采集者分別做出7 種表情(中性、高興、難過、驚奇、生氣、惡心、害怕)，每人每種表情采集2～4張，每張圖片的大小是 256×256 像素．實(shí)驗(yàn)對每幅人臉圖像進(jìn)行了裁剪，同時(shí)裁剪出鼻子區(qū)域構(gòu)成鼻子樣本庫，如圖4所示．

圖4 JAFFE數(shù)據(jù)庫中人臉與其對應(yīng)鼻子圖像示例

FEI是一個(gè)巴西人臉數(shù)據(jù)庫，取自FEI實(shí)驗(yàn)室的200名19歲到40歲的學(xué)生和員工，每個(gè)人有14張包括表情和光照變化的彩色圖像，面部表情包含中性和微笑，大小為 640×480 像素，每張圖像都具有相同的白色背景，人臉從側(cè)面最左到最右旋轉(zhuǎn)角度接近180°．實(shí)驗(yàn)選取數(shù)據(jù)庫中的后50個(gè)人作為測試對象，對每幅人臉圖像進(jìn)行了裁剪，同時(shí)裁剪出鼻子區(qū)域構(gòu)成鼻子樣本庫，如圖5所示．

圖5 FEI數(shù)據(jù)庫中人臉與其對應(yīng)鼻子圖像示例

所截取的鼻子區(qū)域不可避免地包括了左右眼內(nèi)角，而眼角和鼻子的位置距離相對比較固定，受表情、遮擋影響比較小，是人臉中的重要特征信息．因而所截取的鼻子圖像保留了人臉中相對比較穩(wěn)定的特征信息．

2 GKFA算法

生物學(xué)研究發(fā)現(xiàn)，Gabor小波可較好地模擬大腦皮層中簡單細(xì)胞感受野的輪廓，能夠捕捉空間定位、尺度變化、方向選擇等視覺屬性，特別是Gabor小波可像放大鏡一樣放大灰度的變化，可以將圖像局部細(xì)節(jié)特征強(qiáng)化．人臉圖像雖然屬于弱紋理圖像，但經(jīng)Gabor小波變換后會(huì)包含豐富的紋理信息，能從不同方向和尺度有效表示人臉圖像的局部特征，有利于區(qū)分不同的人臉圖像，Gabor小波特征在人臉識別領(lǐng)域得到了廣泛的應(yīng)用并取得了較好的效果．而Kernel Fisher Discriminant Analysis (KFDA)方法中核函數(shù)的映射使得樣本即使在特征線性不可分的情況下仍能進(jìn)行較好的分類[11]．筆者結(jié)合Gabor和KFDA算法的優(yōu)點(diǎn)，用Gabor Kernel Fisher Discriminant Analysis(GKFA)算法對鼻子區(qū)域的識別效果進(jìn)行了實(shí)驗(yàn)分析;首先對Gabor特征提取過程進(jìn)行了優(yōu)化，并用其對鼻子區(qū)域進(jìn)行特征提取，然后采用KFDA方法進(jìn)行特征分類．

2.1 Gabor濾波器

Gabor濾波器的頻率和方向表示接近人類視覺系統(tǒng)對頻率和方向的表示，常被用于紋理表示和描述;另外，二維Gabor小波變換對位置的響應(yīng)特性允許圖像特征的輕微幾何變形，能減小圖像噪聲的影響．二維Gabor小波變換的這些響應(yīng)特性十分有利于人臉圖像局部特征的魯棒表示[12]．

二維Gabor濾波器是帶通濾波器，在空間域和頻率域均有較好的分辨能力，它在空間域有良好的方向選擇性，在頻率域有良好的頻率選擇性，能提取圖像不同的頻率尺度和紋理方向信息．二維Gabor小波濾波器組的參數(shù)體現(xiàn)了它在空間域和頻率域的采樣方式，決定了它對信號的表達(dá)能力．

2.2 KFDA算法

KFDA算法是核函數(shù)與線性Fisher判別分析(Fisher Discriminant Analysis，F(xiàn)DA)相結(jié)合的一種技術(shù)，即先通過一個(gè)非線性映射φ將輸入空間的訓(xùn)練樣本映射到一個(gè)高維線性可分的特征空間φ:x∈RN→φ(x)∈F，然后在特征空間F中進(jìn)行線性FDA，找出使類間散度最大而類內(nèi)散度最小的投影方向進(jìn)行分類，這樣在輸入空間中就隱含地產(chǎn)生了很強(qiáng)的非線性判別式，從而實(shí)現(xiàn)相對于原空間的非線性判別分析[13]．KFDA能有效提取非線性判別特征，已成為模式識別領(lǐng)域的研究熱點(diǎn)[14]．

2.3 Gabor參數(shù)優(yōu)化

Gabor小波函數(shù)中的參數(shù)選擇仍然是一個(gè)開放性問題，根據(jù)經(jīng)驗(yàn)，一般采用5個(gè)尺度8個(gè)方向的Gabor濾波器組來提取人臉不同尺度和方向的特征信息構(gòu)成特征向量[15]．實(shí)際上，如果僅用8個(gè)固定的方向?qū)Σ煌谋亲舆M(jìn)行特征提取時(shí)，會(huì)存在很多冗余信息．為了能選取適合不同鼻子樣本的Gabor方向進(jìn)行特征提取，有效地降低Gabor特征的維數(shù)，對8個(gè)Gabor濾波方向的特征性能做了統(tǒng)計(jì)分析，最后選取部分特征比較強(qiáng)的方向信息．

圖6 方向算子模板Sk(k=1,2，…, 8)

結(jié)合Gabor濾波器的對稱特性，選用了圖6所示的8個(gè)方向算子模板對應(yīng)8個(gè)Gabor濾波方向，分別對每一個(gè)鼻子樣本進(jìn)行卷積計(jì)算

(1)

其中，f(i，j)表示圖像的像素值，Sk(a，b)表示模板Sk的元素值．根據(jù)方向算子的方向特性，當(dāng)對整個(gè)圖像做如上操作之后，原圖像的像素值就轉(zhuǎn)換成了表示每個(gè)像素和其相鄰像素之間位置關(guān)系的強(qiáng)度值，然后將所有強(qiáng)度值按

(2)

相加就會(huì)得到樣本的一個(gè)方向強(qiáng)度(Os)[16]．

對數(shù)據(jù)庫中每個(gè)人的n個(gè)樣本分別用8個(gè)方向算子按式(1)進(jìn)行計(jì)算，每個(gè)樣本就會(huì)轉(zhuǎn)換成8個(gè)表示相鄰像素之間位置關(guān)系的強(qiáng)度信息圖，如圖7所示(圖7(a)、圖7(c)和圖7(e)分別為從數(shù)據(jù)庫FEI、ORL和JAFFE中截取的鼻子原圖；圖7(b)、圖7(d)和圖7(f)分別為用方向算子計(jì)算后得到的對應(yīng)強(qiáng)度信息)；然后對每個(gè)方向信息圖按式(2)計(jì)算就會(huì)得到每個(gè)方向算子所對應(yīng)的方向強(qiáng)度值Os，這樣，每個(gè)樣本就會(huì)產(chǎn)生8個(gè)由方向算子模板計(jì)算得到的方向強(qiáng)度值Os1，Os2，…，Os8．方向強(qiáng)度值越大，表明該強(qiáng)度信息圖中像素之間的位置關(guān)系特征越明顯，用于計(jì)算該方向強(qiáng)度值所用的Gabor濾波方向性能就越優(yōu)越．

圖7 相鄰像素之間位置關(guān)系的強(qiáng)度信息圖

如果對數(shù)據(jù)庫中所有人的全部鼻子樣本分別計(jì)算其8個(gè)方向強(qiáng)度值并從小到大排序，則最后統(tǒng)計(jì)結(jié)果如圖8所示．圖中橫坐標(biāo)表示8個(gè)方向強(qiáng)度值，縱坐標(biāo)表示方向算子模板，圖中點(diǎn)的坐標(biāo)表示得到該方向強(qiáng)度值與所用方向算子之間的對應(yīng)關(guān)系．

圖8 計(jì)算方向強(qiáng)度所用方向算子模板統(tǒng)計(jì)圖

從圖8中可以看出，3個(gè)數(shù)據(jù)庫中樣本方向強(qiáng)度值最大的Os8和Os7分別都是由方向算子s5和s1計(jì)算得到的．JAFFE庫中每個(gè)人的樣本只有表情變化，姿態(tài)幾乎保持一致，裁剪得到的鼻子區(qū)域截去了表情變化豐富的嘴部信息，紋理方向比較一致，由樣本計(jì)算得到最大的4個(gè)方向強(qiáng)度值所用的方向算子比較固定，如圖8(a)所示，從大到小依次為s5、s1、s4和s6；ORL庫中樣本之間存在稍許旋轉(zhuǎn)和傾斜(不超過20°)，由樣本計(jì)算得到方向強(qiáng)度值Os5和Os6所用的方向算子為s4或s6，如圖8(b)所示，這表明其中一部分樣本用方向算子s4計(jì)算得到比較大的方向強(qiáng)度值，而另一部分樣本則要用方向算子s6計(jì)算求得；而FEI庫中由于樣本之間姿態(tài)變化比較大(左右旋轉(zhuǎn)角度接近180°)，紋理方向變化也比較大，因此紋理之間的位置關(guān)系變化也比較復(fù)雜，如圖8(c)所示，方向強(qiáng)度值Os5對應(yīng)多個(gè)方向算子，即不同的樣本需要從不同的方向獲得比較大的方向強(qiáng)度值．

根據(jù)以上分析，分別選取能獲得最大的4個(gè)方向強(qiáng)度值所用的方向算子所對應(yīng)的Gabor濾波方向去提取對應(yīng)的Gabor方向特征，即在JAFFE庫和ORL庫上選取方向算子s5、s1、s4和s6所對應(yīng)的4個(gè)Gabor濾波方向(0、π/8、4π/8、5π/8)，而在FEI庫上則選取方向算子s5、s1、s4、s6、s2和s8所對應(yīng)的6個(gè)Gabor濾波方向(0、π/8、3π/8、4π/8、5π/8、6π/8)．Gabor尺度仍然采用廣泛使用的5個(gè)尺度．比較發(fā)現(xiàn)，所選取的Gabor濾波方向保留了人臉圖像中像素之間比較顯著的變化信息，忽略了變換非常小的冗余信息，對識別效果沒有明顯影響，但由于數(shù)據(jù)維數(shù)的減少，平均識別時(shí)間明顯減小．

對每個(gè)輸入原始訓(xùn)練樣本，按選定的Gabor濾波方向和5個(gè)尺度分別提取Gabor小波特征，用分?jǐn)?shù)次冪多項(xiàng)式核函數(shù)k(x，y)= sign(xy)(abs(x·y))d，將其非線性映射到核空間，然后計(jì)算類間離散度矩陣SB和類內(nèi)離散度矩陣SW，求解Fisher基向量，再將訓(xùn)練樣本的Gabor小波特征投影到Fisher基向量；同樣計(jì)算測試樣本的Gabor特征并非線性映射到核空間，將測試特征投影到Fisher基向量，然后計(jì)算訓(xùn)練特征和測試特征的距離并按最鄰近距離進(jìn)行分類判決．

3 實(shí)驗(yàn)仿真

用上述算法分別在ORL、JAFFE和FEI庫對人臉和鼻子區(qū)域的識別效果進(jìn)行了比較分析，首先利用Gabor濾波器組對輸入樣本進(jìn)行處理，將濾波后的值作為Gabor特征量；然后利用KFDA方法分別對裁剪后的人臉圖像樣本和鼻子圖像樣本進(jìn)行模式的分類判決．

在ORL人臉數(shù)據(jù)庫中，對每個(gè)人的10個(gè)人臉和鼻子樣本分別隨機(jī)選取i(i=4，5，6，7，8)個(gè)圖像作為訓(xùn)練集，剩下的作為測試集，重復(fù)進(jìn)行10次，最后的實(shí)驗(yàn)結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，實(shí)驗(yàn)結(jié)果如圖9(a)所示；在JAFFE人臉數(shù)據(jù)庫中，對每個(gè)人的人臉和鼻子樣本分別隨機(jī)選取i(i=12，13，14，15，16)個(gè)圖像作為訓(xùn)練集，剩下的作為測試集，重復(fù)進(jìn)行10次，最后的實(shí)驗(yàn)結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，實(shí)驗(yàn)結(jié)果如圖9(b)所示；在FEI人臉數(shù)據(jù)庫中，對每個(gè)人的人臉和鼻子樣本分別隨機(jī)選取i(i=6，7，8，9，10，11，12)個(gè)圖像作為訓(xùn)練集，剩下的作為測試集，重復(fù)進(jìn)行10次，最后的實(shí)驗(yàn)結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，實(shí)驗(yàn)結(jié)果如圖9(c)所示．圖9中橫坐標(biāo)表示從數(shù)據(jù)庫中選取的訓(xùn)練樣本個(gè)數(shù)，縱坐標(biāo)表示用剩下的樣本作為測試集時(shí)得到的識別率．

圖9 鼻子區(qū)域與相應(yīng)人臉識別效果比較圖

實(shí)驗(yàn)用GKFA算法分別在ORL、JAFFE和FEI數(shù)據(jù)庫上進(jìn)行了測試，將人臉和對應(yīng)鼻子區(qū)域的識別率作了比較．所選數(shù)據(jù)庫分別側(cè)重考慮常見的人臉3種狀態(tài)：中性、表情變化和姿態(tài)變化．ORL是一個(gè)正面中性人臉數(shù)據(jù)庫，姿態(tài)變化非常小，傾斜度不超過20°，表情也只限于微笑和正常兩種，眼睛也只限于輕微閉合和正常兩種；JAFFE是一個(gè)正面表情人臉數(shù)據(jù)庫，面部表情豐富且變化幅度較大；FEI是一個(gè)姿態(tài)變化比較大的數(shù)據(jù)庫，左右旋轉(zhuǎn)接近180°，但表情只有微笑和正常2種，眼睛都是正常睜開的．

從實(shí)驗(yàn)結(jié)果可以看出，由于受表情和姿態(tài)變化的影響，當(dāng)單獨(dú)將鼻子區(qū)域作為生物特征進(jìn)行識別時(shí)，其識別率不會(huì)比相應(yīng)的人臉識別率差．但由于ORL數(shù)據(jù)庫的姿態(tài)和表情變化比較微小，單獨(dú)將鼻子區(qū)域作為特征進(jìn)行識別時(shí)，和對應(yīng)的人臉識別相比優(yōu)勢并不是很明顯，如圖9(a)所示；而JAFFE數(shù)據(jù)庫是個(gè)正面表情數(shù)據(jù)庫，當(dāng)單獨(dú)將鼻子區(qū)域作為特征進(jìn)行識別時(shí)，由于截取了嘴部表情變化信息的影響，和對應(yīng)的人臉識別相比較，鼻子區(qū)域的識別效果有所提升，如圖9(b)所示；而FEI數(shù)據(jù)庫由于姿態(tài)變化比較大，當(dāng)將整個(gè)人臉作為特征進(jìn)行識別時(shí)識別率比較低，但當(dāng)將鼻子區(qū)域單獨(dú)作為特征進(jìn)行識別時(shí)，其識別率要明顯高于相應(yīng)的人臉識別，如圖9(c)所示．同時(shí)，由于鼻子區(qū)域圖像的數(shù)據(jù)量遠(yuǎn)少于人臉圖像的數(shù)據(jù)量，所以在進(jìn)行識別時(shí)，其平均識別時(shí)間都會(huì)遠(yuǎn)少于人臉識別所用的時(shí)間．

4 結(jié) 束 語

將鼻子區(qū)域這種生物特征應(yīng)用于個(gè)體身份鑒別是一種新的嘗試，目前仍處于研究的初級階段．通過分析發(fā)現(xiàn)，利用鼻子區(qū)域進(jìn)行識別，可以避免表情、發(fā)型、胡須、姿態(tài)等因素的影響，特征比較穩(wěn)定，將鼻子區(qū)域單獨(dú)作為生物特征進(jìn)行身份識別確實(shí)可行，具有一定的研究價(jià)值和應(yīng)用前景．實(shí)驗(yàn)仿真結(jié)果表明，在面部表情比較豐富或人臉側(cè)面旋轉(zhuǎn)角度比較大的情況下，用鼻子區(qū)域進(jìn)行身份識別優(yōu)勢比較明顯．

目前，國內(nèi)外還沒有專門的鼻子圖像數(shù)據(jù)庫，也沒有專門針對鼻子特征的描述、表示和識別方法．如何提取鼻子的有效特征，尤其在人臉圖像質(zhì)量較差、表情和姿態(tài)變化較大，或者由于遮擋造成人臉圖像信息缺損的時(shí)候，如何確定可識別的最小特征集，以及對整形后的鼻子識別效果如何，都是有待進(jìn)一步研究的內(nèi)容．

[1] Drira H, Amor B B, Srivastava A, et al. A Riemannian analysis of 3D nose shapes for partial human biometrics[C]//Proceedings of the 12th IEEE International Conference on Computer Vision. Piscataway: IEEE, 2009: 2050-2057.

[2] 韓松, 潘綱, 王躍明, 等. 三維鼻形:一種新的生物特征識別模式[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2008, 20(1): 38-42.

Han Song, Pan Gang, Wang Yueming, et al. 3D Nose: a Novel Biometrics[J]. Journal of Computer-Aided Design & Computer Graphics, 2008, 20(1): 38-42.

[3] Chang K I, Ortiz E, Bowyer K W. Multiple Nose Region Matching for 3D Face Recognition under Varying Facial Expression[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(10): 1695-1700.

[4] Moorhouse, A, Evans A N, Atkinson G A, et al. The Nose on Your Face May Not Be So Plain: Using the Nose As a Biometric[C]//Proceedings of 3rd International Conference on Imaging for Crime Detection and Prevention. Stevenage: IET, 2009: 1-6.

[5] Drira H, Amor B B, Daoudi M, et al. Nasal Region Contribution in 3D Face Biometrics Using Shape Analysis Framework[C]//Lecture Notes in Computer Science. Heidelberg: Springer Verlag, 2009: 357-366.

[6] Emambakhsh M, Evans A N. Self-dependent 3D Face Rotational Alignment Using the Nose Region[C]//Proceedings of 4th International Conference on Imaging for Crime Detection and Prevention. Stevenage: IET, 2011: 1-6.

[7] 郝凱飛, 張紹祥, 王斌全, 等. 中國數(shù)字化人體鼻部結(jié)構(gòu)的三維重建和可視化[J]. 山東大學(xué)耳鼻喉眼學(xué)報(bào), 2008, 22(2): 144-147.

Hao Kaifei, Zhang Shaoxiang, Wang Binquan, et al. 3D Reconstruction and Visualization of Nasal Anatomical Structures of the Chinese Digitized human[J]. Journal of Otolaryngology and Ophthalmology of Shandong University, 2008, 22(2): 144-147.

[8] Mann A, Robert W. Use of Bone Trabeculae to Establish Positive Identification [J]. Forensic Science International, 1998, 74: 91-99.

[9] Fasel B, Luettin J. Automatic Facial Expression Analysis: a Survey[J]. Pattern Recognition, 2003, 36(1): 259-275.

[10] Kwon, Young Ho, Lobo N D V, et al. Age Classification from Facial Images[J]. Computer Vision and Image Understanding, 1999, 74(1): 1-21.

[11] Wang J, Li Q, You J, et al. Fast kernel Fisher Discriminant Analysis Via Approximating the Kernel Principal Component Analysis[J]. Neurocomputing, 2011, 74(17): 3313-3322.

[12] 王科俊, 鄒國鋒. 基于子模式的Gabor特征融合的單樣本人臉識別[J]. 模式識別與人工智能, 2013, 26(1): 50-56.

Wang Kejun, Zou Guofeng. A Sub-Pattern Gabor Features Fusion Method for Single Sample Face Recognition[J]. Pattern Recognition and Artificial Intelligence, 2013, 26(1): 50-56.

[13] 李映, 焦李成. 基于核Fisher判別分析的目標(biāo)識別[J]. 西安電子科技大學(xué)學(xué)報(bào), 2003, 30(2): 179-182.

Li Ying, Jiao Licheng. Target Recognition Based on Kernel Fisher Discriminant [J]. Journal of Xidian University, 2003, 30(2): 179-182.

[14] Yang J, Frangi A F, Yang J. A New Kernel Fisher Discriminant Algorithm with Application to Face Recognition [J]. Neurocomputing, 2004, 56(1-4): 415-421.

[15] Yu L, He Z, Cao Q. Fisher Discriminant Analysis of Gabor Texture Features for Face Recognition [J]. Journal of Computational Information Systems, 2009, 5(1): 153-162.

[16] Han W, Lee J. Palm Vein Recognition Using Adaptive Gabor Filter [J]. Expert Systems with Applications, 2012, 39(18): 13225-13234.