[发明专利]一种基于轮廓波变换的三维人耳提取方法

说明书

技术领域

本发明属于图像处理技术领域，具体为一种可以自动地从三维深度数据中提取出人耳的算法。

技术背景

生物特征识别在身份识别中应用得越来越广泛。相对于指纹识别和虹膜识别，人耳在图像采集上更方便；相对于人脸，人耳不存在表情，也没有化妆品或眼镜的遮挡，特征更为稳定。对于每个人来说，外耳轮廓形状和轮廓内结构分布各不相同，并且这种独特的结构在年龄8～70岁之间几乎不发生变化。因此，人耳识别是一种很有发展潜力的生物特征识别技术。

通常，人耳的上半部分跟头发相邻，两者颜色差异比较大，在彩色图像中表现为明显的边缘，人耳的下半部分比颈部皮肤表面位置高的多，因而在深度图像中表现为明显的边缘，所以Yan等人通过彩色图像和深度图像的结合，使用snake算法提取人耳，取得了较好的效果。他们融合了彩色图像和深度图像的梯度，以一个中心在耳洞的椭圆作为初始轮廓，采用膨胀气球模型的snake算法顺利提取出人耳。由于snake算法要求对象存在闭合的边缘信息，但是人耳在靠近脸颊那边不存在明显的边缘，所以传统的snake轮廓会一直往脸颊扩张。针对这个问题提出了一种改进：如果在深度图像上3×5 范围内没有大的梯度变化，就修改该处的内部能量，使得轮廓停止扩展。但是，文献[11]中提出的对于内部能量修改的改进虽然避免了轮廓向脸颊的膨胀，却也引入了新的问题：轮廓线可能在耳朵内部较为平滑的区域停止膨胀。在使用的snake算法过程中，我们还发现该算法提取轮廓的效果很大程度上依赖于参数取值，并且相关的参数个数较多，除了snake模型的张力、刚度、深度图像的权重、彩色图像的权重和气球压力外，实际运算中还有阻滞系数，轮廓点分布密度等，均需要手动调节。

由于snake算法和它的改进算法存在上述问题，本发明提出一种新的基于Contourlet变换的外耳轮廓提取方法。能够较好地实现三维人耳的精确提取，为后续的人耳识别打下良好的基础，实现更高的识别率。

发明内容

为了解决snake算法和它的改进算法存在上述问题，本发明提出一种新的基于Contourlet变换的外耳轮廓提取方法。该方法步骤如下：

步骤1，训练Contourlet域概率模型：

(1)预处理：进行耳洞检测找到人耳位置，以耳洞为中心，在Z通道，取出人耳周围161×149像素的彩色图像和深度图像；

(2)分别提取Cr通道和深度图像的梯度并求两者的和，再将这个梯度和二值化，把像素点少于27的连通小段清理掉，接着进行细化，所得结果称为边缘图像；

(3)Contourlet变换：对边缘图像做Contourlet变换，分解参数集设置为nlevs；

(4)系数量化与组合：将Contourlet变换得到的系数量化为N级量化系数，相邻的M个量化系数组合成块；将块总共分为NN种不同类型，用索引v表示；

(5)以块为单位，统计这种类型的块在这个位置出现的概率，结果保存在表格中；

(6)对所有训练图像执行上述步骤(1)至(5)，得到系数分布的概率表；

步骤2，应用Contourlet域概率模型提取耳廓：

(1)对测试图像做训练步骤(1)、(2)、(3)相同的操作，得到系数组合成的块；

(2)对于每个块，利用块类型的索引号v查找概率表，在概率表中，如果这种块在这个位置出现的概率小于0.01，就将这个块的所有系数置为零，反之则保留；

(3)反变换：对测试图像中经过步骤(2)处理过的系数做Contourlet反变换；

(4)二值化：对反变换结果通过阈值TH重新二值化；

(5)求凸壳：计算重新二值化的结果的凸壳，获得闭合的曲线，作为耳朵的边缘轮廓；

进行Contourlet变换时采用的参数集设置为nlevs＝[2，3]。

Contourlet变换得到的系数量化级数N取为3，相邻的组合成块的系数个数M取为4。

对反变换结果重新二值化时阈值TH取为0.5，大于阈值的置为1，小于的置为0。

Contourlet变换是M.N.Do等人提出的一种能够捕捉二维信号几何结构的变换方法[13]。通过这种变换，可以对图像进行多尺度、多方向的分解，解决了小波变换在提取方向信息上的不足。Contourlet变换的边缘捕捉方式如附图1(a)所示，它能沿着图像轮廓边缘用比小波变换更少的系数来逼近曲线，从而实现图像的稀疏表示。