[发明专利]基于眉毛识别的身份鉴别方法

摘要

本发明属于身份鉴别方法，其特征在于依次包括步骤：(1)分别选择右眉和左眉用图像采集设备建立与个人身份相关联的高清晰度原始眉毛图像数据库并装入计算机；(2)通过计算机从原始眉毛图像中任意选取一组点连成多边形提取眉毛区域同时生成256色的纯眉毛图像，并用傅里叶变换和K－均值算法进行矢量量化生成眉毛特征序列数据库；(3)把待识别眉毛图像装入计算机并用步骤(2)的方法从中提取眉毛区域然后生成待识别特征序列；(4)通过计算机用编辑距离把待识别特征序列与眉毛特征序列数据库中的记录进行比较以确定其中最接近的记录，并把对应的眉毛身份记录作为待识别眉毛图像的所属个人最佳候选身份。本发明有更好的稳定性和抗干扰性。

主权项

1.一种基于眉毛识别的身份鉴别方法，其特征在于，依次包括以下步骤：步骤(1)，分别选择右眉和左眉用图像采集设备建立与个人身份相关联的高清晰度原始眉毛图像数据库并装入计算机，要求每幅原始眉毛图像的分辨率至少达到宽×高为96×32；步骤(2)，通过计算机从原始眉毛图像中依次任意选取一组点连成包含眉毛区域的多边形，计算包含该多边形的最小矩型区域，生成256色的纯眉毛图像，并采用傅里叶变换和K-均值算法进行矢量量化生成眉毛特征序列数据库，具体步骤如下：步骤(2.1)，在计算机的显示器上显示原始眉毛图像，并通过鼠标、或键盘、或触摸屏从原始眉毛图像中任意选取眉毛边界上的一组点连成多边形，一般取16-64个点，使得该多边形尽可能把眉毛部分包括在内；步骤(2.2)，通过计算机把多边形内部的点保留为眉毛区域，然后把眉毛区域放到一个能够包含它的最小矩形中生成一幅256色的纯眉毛图像，眉毛区域外部和最小矩形之间的部分统一取为多边形顶点颜色的均值；步骤(2.3)，把所有各幅纯眉毛图像的点集用Ek表示，即：$E_k=\left\{g_{p,q}^k\right|1\le p\le W_k,1\le q\le H_k\},$其中Wk和Hk分别为Ek的宽度和高度，gp，qk为0至255之间的整数，1≤k≤N，N为纯眉毛图像的记录总数；步骤(2.4)，对Ek的第p列$R_p^k\left(n\right)=g_{p,n+1}^k,$0≤n≤(Hk-1)进行傅里叶变换，即：$F_p^k\left(m\right)=\underset{n=0}{\overset{H_k-1}{\Sigma }}{R}_p^k\left(n\right)e^{-j2\mathrm{\pi mn}/H_k},$m＝0，1，2，...，Hk-1，p＝1，2，...，Wk，1≤k≤N，其中n从0开始取值，对应第p列$R_p^k\left(n\right)=g_{p,n+1}^k$中的第n+1个点，m也从0开始取值，对应傅里叶变换的第m个频谱分量Fpk(m)；步骤(2.5)，选择维数D＝16或D＝32或D＝任意不超过每个Hk的正整数，然后构造D维向量$V_p^k=\left(\right|F_p^k\left(0\right)|,|F_p^k\left(1\right)|,...,|F_p^k(D-1)\left|\right),$其中|Fpk(n)|表示Fpk(n)的模，即：$\left|F_p^k\left(n\right)\right|=\sqrt{\mathrm{Re}\left(F_p^k\left(n\right)\right)·\mathrm{Re}\left(F_p^k\left(n\right)\right)+\mathrm{Im}\left(F_p^k\left(n\right)\right)·\mathrm{Im}\left(F_p^k\left(n\right)\right)},$ 其中Re(Fpk(n))和Im(Fpk(n))分别表示Fpk(n)的实部和虚部，1≤p≤Wk，1≤k≤N；步骤(2.6)，对每个D维向量$V_p^k=\left(\right|F_p^k\left(0\right)|,|F_p^k\left(1\right)|,...,|F_p^k(D-1)\left|\right)$进行归一化处理，即计算：$V_p^k=\frac{V_p^k}{\left|\right|V_p^k\left|\right|}=(\frac{\left|F_p^k\left(0\right)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^k\left(i\right)\right|}^2}},\frac{\left|F_p^k\left(1\right)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^k\left(i\right)\right|}^2}},...,\frac{\left|F_p^k(D-1)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^k\left(i\right)\right|}^2}}),$ 其中$\left|\right|V_p^k\left|\right|=\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^k\left(i\right)\right|}^2},$1≤p≤Wk，1≤k≤N，‖·‖表示任意向量的模或长度；步骤(2.7)，选择类别个数M＝8或M＝16或M＝任意不小于2的正整数，把每个向量Vpk所属的类别符号表示为C(Vpk)，C(Vpk)通常可取为1，...，M中的某一个整数，然后采用K-均值算法对D维向量的集合{Vpk|1≤k≤N，1≤p≤Wk}进行聚类分析，步骤为：步骤(2.7.1)从D维向量的集合{Vpk|1≤k≤N，1≤p≤Wk}中任意选择M个不同的向量，把它们记为初始中心向量Y10，Y20，...，YM0，它们所属的类别分别是$C\left(Y_i^0\right)=i,1\le i\le M,$令迭代次数s＝0；步骤(2.7.2)计算Vpk与Y1s，Y2s，...，YMs之间的距离‖Vpk-Yis‖，1≤i≤M；步骤(2.7.3)令$C\left(V_p^k\right)=C\left(Y_d^s\right)=d,$使得‖Vpk-Yds‖为集合{‖Vpk-Yis‖，1≤i≤M}的最小值，即：$d=\underset{1\le i\le M}{\arg \min }\left\{\right||V_p^k-Y_i^s|\left|\right\},$ $\left|\right|V_p^k-Y_d^s\left|\right|=\underset{1\le i\le M}{\min }\left\{\right||V_p^k-Y_i^s|\left|\right\},1\le d\le M;$ 步骤(2.7.4)用第s次迭代中的第i类向量的均值计算第s+1次迭代的中心向量Yis+1，即：步骤(2.7.5)$Y_i^{s+1}=\frac{1}{\mathrm{NU}{M}_i}\underset{C\left(V_p^k\right)=i}{\Sigma }{V}_p^k$ 其中1≤i≤M，$C\left(V_p^k\right)=i$表示Vpk是第i类向量，NUMi是所有第i类向量的个数；步骤(2.7.6)如果$Y_i^{s+1}=Y_i^s,$1≤i≤M，则执行步骤(2.7.6)，否则令s＝s+1，返回步骤(2.7.2)；步骤(2.7.7)令聚类结果中心矢量$Y_i=Y_i^s,$1≤i≤M，停止迭代过程；步骤(2.8)，生成每个眉毛Ek的特征序列为C(V1k)C(V2k)...C(VWkk)；步骤(3)，把待识别眉毛图像装入计算机并从中提取眉毛区域同时生成256色的纯眉毛图像，然后计算待识别特征序列，具体步骤如下：步骤(3.1)，在计算机的显示器上显示待识别眉毛图像，并通过鼠标、或键盘、或触摸屏从待识别眉毛图像中任意选择眉毛边界上的一组点连成多边形，一般取16-64个点，使得该多边形尽可能把眉毛部分包括在内；步骤(3.2)，通过计算机把多边形内部的点保留为眉毛区域，然后把眉毛区域放到一个能够包含它的最小矩形中生成256色的待识别纯眉毛图像Ec，即：$E_c=\left\{g_{p,q}^c\right|1\le p\le W_c,1\le q\le H_c\},$ 其中眉毛区域外部和最小矩形之间的部分取为多边形顶点颜色的均值，Wc和Hc分别为Ec的宽和高，gp，qc为0至255之间的整数，c是不满足1≤c≤N的正整数；步骤(3.3)，对Ec的第p列$R_p^c\left(n\right)=g_{p,n+1}^c,$0≤n≤(Hc-1)进行傅里叶变换，即：$F_p^c\left(m\right)=\underset{n=0}{\overset{H_c-1}{\Sigma }}{R}_p^c\left(n\right)e^{-j2\mathrm{\pi mn}/H_c},$m＝0，1，2，...，Hc-1，1≤p≤Wc；步骤(3.4)，构造D维向量$V_p^c=\left(\right|F_p^c\left(0\right)|,|F_p^c\left(1\right)|,...,|F_p^c(D-1)\left|\right),1\le p\le W_c;$ 步骤(3.5)，对每个向量$V_p^c=\left(\right|F_p^c\left(0\right)|,|F_p^c\left(1\right)|,...,|F_p^c(D-1)\left|\right)$进行归一化处理，即计算：$V_p^c=\frac{V_p^c}{\left|\right|V_p^c\left|\right|}=(\frac{\left|F_p^c\left(0\right)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^c\left(i\right)\right|}^2}},\frac{\left|F_p^c\left(1\right)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^c\left(i\right)\right|}^2}},...,\frac{\left|F_p^c(D-1)\right|}{\sqrt{\underset{i=0}{\overset{D-1}{\Sigma }}{\left|F_p^c\left(i\right)\right|}^2}}),1\le p\le W_c$ 步骤(3.6)，计算Vpc与聚类结果中心矢量Y1，Y2，...，YM之间的距离‖Vpc-Yi‖，1≤i≤M；步骤(3.7)，令$C\left(V_p^c\right)=C\left(Y_d\right)=d,$使得‖Vpc-Yd‖为集合{‖Vpc-Yi‖，1≤i≤M}的最小值，即：$d=\underset{1\le i\le M}{\arg \min }\left\{\right||V_p^c-Y_i|\left|\right\},$ $\left|\right|V_p^c-Y_d\left|\right|=\underset{1\le i\le M}{\min }\left\{\right||V_p^c-Y_i|\left|\right\},1\le d\le M;$ 步骤(3.8)，生成待识别特征序列为C(V1c)C(V2c)...C(VWcc)；步骤(4)，通过计算机用编辑距离把待识别特征序列C(V1c)C(V2c)...C(VWcc)与眉毛特征序列数据库中的记录C(V1k)C(V2k)...C(VWkk)进行比较以确定其中最接近的记录，并把该记录对应的眉毛身份记录作为待识别眉毛图像的所属个人最佳候选身份，具体步骤如下：步骤(4.1)，用EDc，k(u，v)表示C(V1c)C(V2c)...C(Vuc)和C(V1k)C(V2k)...C(Vvk)之间的编辑距离，其中0≤u≤Wc，0≤v≤Wk，1≤k≤N，C(V1c)C(V2c)...C(Vuc)是C(V1c)C(V2c)...C(VWcc)的前u个类别符号，C(V1k)C(V2k)...C(Vvk)是C(V1k)C(V2k)...C(VWkk)的前v个类别符号，且当u＝0或v＝0时，C(V1c)C(V2c)...C(Vuc)或C(V1k)C(V2k)...C(Vvk)表示空字符串；步骤(4.2)，令EDc，k(u，0)＝u，${\mathrm{ED}}_c^k(0,v)=v,$0≤u≤Wc，0≤v≤Wk，1≤k≤N；步骤(4.3)，用EDc，k(u-1，v)+1、EDc，k(u，v-1)+1和EDc，k(u-1，v-1)+Q(u，v)的最小值递推计算C(V1c)C(V2c)...C(Vuc)和C(V1k)C(V2k)...C(Vvk)之间的编辑距离EDc，k(u，v)的值，即：${\mathrm{ED}}_{c,k}(u,v)=\min \left\{\begin{array}{c}{\mathrm{ED}}_{c,k}(u-1,v)+1\\ {\mathrm{ED}}_{c,k}(u,v-1)+1\\ {\mathrm{ED}}_{c,k}(u-1,v-1)+Q(u,v)\end{array}\right.,$ 其中1≤u≤Wc，1≤v≤Wk，1≤k≤N，且当$C\left(V_u^c\right)=C\left(V_v^k\right)$时Q(u，v)＝0，否则Q(u，v)＝1；步骤(4.4)，完成步骤(4.3)后，得到C(V1c)C(V2c)...C(VWcc)和C(V1k)C(V2k)...C(VWkk)之间的编辑距离EDc，k(Wc，Wk)的值，其中1≤k≤N；步骤(4.5)，计算一个正整数k*使得Ec，k*(Wc，Wk*)是集合{Ec，k(Wc，Wk)，1≤k≤N}的最小值，即：$k^{*}=\underset{1\le k\le N}{\arg \min }\left\{E_{c,k}(W_c,W_k)\right\},$ $E_{{c,k}^{*}}(W_c,W_{k^{*}})=\underset{1\le k\le N}{\min }\left\{E_{c,k}(W_c,W_k)\right\};$ 步骤(4.6)，把k*对应的眉毛身份记录作为待识别眉毛图像的所属个人最佳候选身份。