[发明专利]综合多方向多尺度与BP神经网络的人耳识别方法

说明书

技术领域

本发明涉及一种人体生物特征的个人身份识别技术，特别涉及一个综合多方向多尺度与神经网络识别人耳特征的方法。

背景技术

近年来，生物鉴别受到越来越多研究人员的关注。它从身份认证到通道入口安检的各个方面都发挥了重要作用。但是现阶段大部分生物鉴别技术都对其工作环境有苛刻的要求，因而限制了其适用范围。所以研究人员都在努力寻找新的生物鉴别技术。

人耳识别是一种新型识别技术，目前国内外的相关研究都还不多。人耳识别技术以其独特的生理特征和观测角度，使它具有很高的理论研究价值和实际应用前景。它涉及到生物特征提取、计算机视觉、图像处理、模式识别和身份认证技术等诸多领域。

人耳不仅具有与其他个体生物特征共同之处，还具有一些独特的特征：结构稳定，不受面部表情的影响，位置固定，样本采集不会有相关的卫生问题，也不会使人紧张，更容易让人接受。虽然人耳比人脸、掌纹要小，但由于比虹膜、视网膜、指纹大，比较容易采集，因此人耳检测和识别技术正逐渐成为生物特征检测和识别领域的又一热点。

多尺度分析又称为多分辨率分析，它是由Mallat于1989年首先提出的。以小波变换为代表的多尺度分析方法，被认为是分析工具及方法上的重大突破。小波分析在时域或频域上都具有良好的局部特性，而且由于对高频信号采取逐步精细的时域或空域步长，从而可以聚焦到分析对象的任意细节。随后取得了许多研究成果，如基于小波域的软阈值噪声图像增强、基于小波变换的自适应增强算法等。

虽然小波分析理论虽然在图像增强领域取得了一定的发展，但小波变换应用范围存在着局限性，小波变换在分析一维和二维点奇异信号时具有良好的性能，但对于二维或高维空间，除了点奇异性外，还有沿着各种曲线或超平面分布的奇性，小波变换就失去了它的分析优势。

近几年来，Candes和Donoho提出了一种新的多尺度变换-Ridgelet变换，该变换能有效的描述二维空间上具有直线奇异性的信号。针对高维空间中的曲线奇异性信号，人们在Ridgelet变换的基础上，又提出了Curvelet与Contourlet变换，这种变换能够有效的描述具有曲线或超平面奇异性的高维信号，人们将Curvelet与Contourlet变换应用于图像的对比度增强，增强的原理同小波相似，也是通过线性或非线性的函数对Curvelet与Contourlet域内的系数进行调整，已经取得了良好的增强效果。虽然Curvelet与Contourlet变换具有广阔的应用前景，但在图像增强方面的应用还处于探索阶段。

2003年春，在洛杉矶召开的“纯粹与应用数学”会议上提出了“多尺度几何分析”的概念。多尺度几何分析主要是为了解决小波变换在图像处理中的缺陷而提出的，是为了充分挖掘并利用图像自身的几何正则性，检测、表示和处理高维空间的数据，解决高维逼近问题。

对于二维图像，奇异性主要由边缘所刻画，因此主要的任务是处理边缘。目前，现有的多尺度几何分析方法主要有Ridgelet、Curvelet等。脊波理论由Candes在1998年提出，是一种非自适应的高维函数表示方法。脊波变换对于具有直线奇异的多变量函数有良好的逼近性能，但对于含曲线奇异的多变量函数，其逼近性能只相当于小波变换。为了解决含曲线奇异的多变量函数的稀疏逼近问题，Candes提出了单尺度脊波变换。单尺度脊波对于具有曲线奇异的多变量函数的逼近性能比小波有明显的提高。Curvelet变换是Candes和Donoho在1999年提出，由脊波理论衍生而来。单尺度脊波的基本尺度是固定的，而Curvelet变换则是在所有可能的尺度上进行分解，Curvelet变换是由一种特殊的滤波过程和多尺度脊波变换组合而成。Curvelet对于具有曲线奇异的多变量函数的逼近性能比单尺度脊波有明显的提高。

利用矩不变量进行图像识别是视觉及模式识别中的一种重要方法，在二维图像模式识别中应用很广。Hu在1961年首先提出了矩不变量的概念，他使用几何矩的非线性组合得出了一组具有期望的尺度不变性、平移不变性和旋转不变性的矩不变量，一般称之为Hu矩。但是，Hu矩有一些缺点。其中之一是随着矩的阶数的升高计算量会迅猛增长，另外，由于这些矩不是源于正交函数族，所以包含了很多冗余信息。

上述方法不能对小尺寸小样本数量的人耳图像样本以及大尺寸大样本数量的人耳图像样本进行识别，特别是对有光照变化、角度变化和遮挡变化的人耳图像样本进行识别。

发明内容