《生物特征識別技術》公選課教學內容設計

李爭名 楊南粵

摘要：高校普及生物特征識別技術是學生了解和掌握人工智能相關技術的重要方法和手段之一。本文對課程的教學內容進行設計，把最新的研究成果引入到教學中，能夠激發學生的學習興趣和熱情，并對公選課的課程考核進行了闡述。

關鍵詞：生物特征;公選課;人臉識別;掌紋識別;課程設計

中圖分類號：G434? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）19-0182-02

Abstract： The public elective course "Biometric Authentication Technology" popularized by students is one of the crucial methods and approaches to understand and master the artificial intelligence technology. To enhance the learning enthusiasm and learning interest of students， the course content is designed by using the latest research results. Moreover， the teaching assessment of public elective course is described.

Key words： biometric; public elective course; face recognition; palmprint recognition; course design

1 引言

隨著人工智能技術的快速發展，尤其是人臉識別等技術已廣泛應用于政府、軍隊、銀行、社會福利保障、零售、電子商務和安全防務等領域中。因此，我們的生活越來越智能化和信息化。作為當代的大學生，了解和掌握一些人工智能技術對于以后的生活和發展都能起到積極的促進作用。 隨著人身份信息的數字化和隱性化，如何保護信息安全和準確鑒定人的身份是當今世界面臨的一個關鍵性問題。作為人工智能領域的一個重要研究分支，生物特征識別技術受到越來越多的關注。

生物特征識別技術利用計算機與光學、聲學、生物傳感器和生物統計學等相關技術原理，根據人體固有的生理特征或行為特征對個人身份進行鑒別和認證的技術。 人體固有的特征包括人臉、掌紋、指紋、聲紋、人像、虹膜等。人的行為特征包括筆跡、聲音和步態等。與傳統的身份鑒定方法相比，生物特征識別技術具有防偽性能好以及不易丟失和遺忘，不易偽造或被盜，而且生物特征識別技術具有“隨身攜帶”和隨時隨地可用的特點。因此，掌握和了解生物特征識別技術對于提升大學生的科學素質具有重要的促進作用。但是目前高校開設生物特征識別技術課程較少，尤其是非理工科的學生更難以接觸到生物特征識別的相關知識。由于公選課是面向全校各專業、各年級學生開設的以科學素質和人文素質為核心的綜合素質教育課程，因此，《生物特征識別技術》公選課的開設可以幫助大學生優化知識結構、拓寬學習視野、強化實踐創新，全面提高綜合素質能力。

2 生物特征識別技術公選課的教學內容

為了讓學生掌握生物特征識別技術的理論知識和工程實踐，利用本人主持的國家自然科技基金項目的相關研究成果設計生物特征識別技術公選課的部分教學內容。 由于人臉和掌紋是學生比較容易采集和熟悉的特征，本課程設計人臉識別和掌紋識別兩個方面的教學內容。

2.1 人臉識別技術

由于人臉圖像易于獲取，并且不令人反感和引起人的注意，已經被廣泛應用于人們的日常生活中。人臉識別技術主要包括人臉圖像采集、人臉的檢測、人臉圖像預處理、人臉圖像特征提取和人臉圖像的識別等五個部分。

（1）人臉圖像的采集

人臉圖像的采集主要通過攝像鏡頭，在紅外或日光等條件下采集的靜態圖像或動態圖像。在課堂中，可以讓學生通過手機進行人臉圖像的采集。教學內容主要包括圖像的像素和顏色空間等基本知識。

（2）人臉的檢測

人臉檢測在圖像或視頻中準確標定出人臉的位置和大小[1]。在課堂中，可以讓學生通過手機進行人臉檢測。教學內容是常見的人臉檢測方法，主要是 Adaboost人臉檢測算法[2]的基本知識。

（3）人臉圖像預處理

人臉圖像的預處理是在人臉檢測的基礎上，對人臉圖像進行處理以利于人臉特征的提取。在課堂中，可以讓學生通過手機進行人臉圖像的預處理。教學內容主要是光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等常用的人臉圖像預處理方法。

（4）人臉圖像特征提取

人臉特征提取是對人臉進行特征建模的過程，包括基于知識的表征方法和基于代數特征或統計學習的表征方法。人臉圖像中包含的特征十分豐富，如直方圖特征、顏色特征、模板特征和結構特征等。人臉識別常用的特征有視覺特征、像素統計特征、人臉圖像變換系數特征、人臉圖像代數特征等。基于知識的表征方法包括基于幾何特征的方法和模板匹配法，利用人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據。基于代數特征的方法包括線性投影表征方法和非線性投影表征方法，利用人臉在空域內的高維描述轉化為頻域或者其他空間內的低維描述提取特征。教學內容主要是基于本人主持的國基自然基金項目中的相關研究內容，也即基于字典學習的人臉特征提取方法。

（5）人臉圖像的識別

人臉圖像的識別主要包括兩大類。第一類是一對一進行人類圖像比較，第二類是一對多進行人臉圖像的識別。教學的內容主要是基于深度學習的人臉識別方法。

2.2 掌紋識別技術

掌紋類似于指紋，其上的線條、脊末梢、分叉點以及皺紋等均可以作為特征[3]。 此外，掌紋采集方便，也是一種非侵犯性的識別方法。掌紋識別技術主要由掌紋圖像采集、掌握圖像的預處理、掌紋圖像特征提取和掌紋圖像的識別等四個部分組成。

（1）掌紋圖像采集

掌紋圖像采集的目的就是利用掌紋采集儀實現把掌紋轉換成可以用計算機處理的矩陣數據，通常的掌紋圖像為二值圖像。教學內容主要是掌紋圖像的二值化等知識。

（2）掌紋圖像的預處理

掌紋圖像的預處理主要是去除噪聲使掌紋圖像更清晰。教學內容主要是均值濾波、自適應維納濾波、形態學和小波去噪等方法以及掌紋圖像的歸一化處理。

（3）掌紋圖像的特征提取

根據文獻[3]，掌紋特征可以分為三級。第一級掌紋特征主要包括主線、皺線和紋理。第二級主要包括掌紋細節特征點、脊線的方向以及脊線頻率等。第三級主要包括掌紋中的汗孔、脊線寬度和脊線輪廓等非常細微的特征。常用的掌紋特征提取算法包括Canny 和Sobel算子以及Gabor 濾波等[4，5，6]。教學內容主要是如何提取掌紋的第一級特征。

（4）掌紋圖像的識別

根據掌紋提取特征的不同，掌紋圖像的識別主要包括四類方法[3]。第一類是基于掌紋線特征的識別方法。第二類是基于掌紋的紋理方向特征的識別方法。第三類是基于掌紋的細節點特征的識別方法。第四類是基于掌紋的圖像特征的識別方法。教學內容是如何利用稀疏理論設計基于掌紋圖像的特征識別方法。

3 教學效果評價

由于公選課的選課學生來自不同的專業和年級，學生的知識儲備差異較大，導致難以選擇合適的公選課評價方式。針對這種情況，在生物特征識別技術公選課中采取差異化的考核方式。針對文科專業的學生，以了解和應用生物特征識別技術為主要考核目的。考核方式主要包括平時成績和期末成績。其中平時成績占40%，期末成績占60%。期末成績主要是完成一個關于生物特征識別技術的應用領域的一個相關調查報告。報告的題目和形式不定，可以是論文形式，但是必須是與生物特征識別技術相關。針對理工科專業的學生，以掌握生物特征識別技術為主要考核目的。考核方式是平時成績占30%，期末成績占70%。期末成績主要是設計一個簡單的生物特征識別模塊。通過對不同專業學生的分類評價考核，讓不同專業的學生都能主動參與課堂中的學習，能夠充分調動所有學生的學習主動性和參與性，讓學生通過這種方式將課堂的知識根據自身情況轉化為已有。

4 結論

《生物特征識別技術》公選課利用人臉識別和掌紋識別設計教學內容，讓學生了解和掌握生物特征識別技術在日常生活中的應用。并根據學生的專業設計不同的考核方案，讓學生主動參與課堂學習，提高了學生的學習興趣。

參考文獻：

[1] 李爭名. 《人臉檢測技術》公選課課程設計與實踐[J].電腦知識與技術， 2018， 14（15）：130-132.

[2] P. Viola， M. J. Jones. Robust real-time face detection[J]. International Journal of Computer Vision， 2004， 57（ 2） ：137-154.

[3] 費倫科. 掌紋圖像多級特征提取與識別算法研究[D].哈爾濱：哈爾濱工業大學，2016：3-4.

[4] L. Liu， D. Zhang， J. You. Detecting wide lines using isotropic nonlinear filtering[J]. IEEE Transactions on Image Procession， 2007， 16（6）：1584-1595.

[5] T. S. Lee. Image representation using 2d gabor wavelets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1996， 18（10）：959-971.

[6] V. Deemter， D. Buf. Simultaneous detection of lines and edges using compound gabor filters[J]. International Journal of Pattern Recognition and Artificial Intelligence， 2000， 14（6）：757-777.

【通聯編輯：王力】