人耳和側面人臉融合的多模態身份識別

摘要:首先分別對人耳和側面人臉建立基于全空間線性判別分析(FSLDA)的分類器;然后采用貝葉斯決策理論中常見的積#65380;和#65380;中值多分類器融合算法，并對投票算法進行了改進#65377;實驗結果表明，與單一的人耳或側面人臉特征識別比較，人耳和側面人臉融合的多模態識別率得到提高，并擴大了識別范圍#65377;

關鍵詞:人耳識別;全空間線性判別分析;決策層融合;多模態識別

中圖分類號:TP391.41文獻標志碼:A

文章編號:1001-3695(2007)10-0169-03



近年來，國內外研究者針對人臉識別#65380;步態識別等無須被識別者配合的被動式識別和指紋識別#65380;虹膜識別#65380;掌紋識別等需要被識別者配合的主動式識別開展了大量的學術研究#65377;但每一種生物識別技術在準確率#65380;用戶接受程度#65380;成本等方面都不同，都有其自身的優勢和缺點，很難滿足實際應用的要求#65377;例如，聲紋[1]會隨著人身體健康狀況的變化而變化，有的人的指紋特征難以提取，臉像會由于化妝#65380;表情的變化而變化等#65377;在這樣的背景下，基于多種生物特征的識別技術應運而生#65377;通過多生物特征融合的方法，可提高系統的識別率，增強系統的安全級別，并且可以擴展系統的適用范圍，因而具有良好的應用前景[1]#65377;

人耳識別是近年來新興的非打擾生物特征識別技術#65377;研究表明，由于人耳的生理特征結構#65380;位置及其惟一性和穩定性的特點，使人耳識別成為一種與人臉#65380;虹膜識別等同樣重要的#65380;可相互補充和結合的識別技術[2]#65377;人臉是一種最自然#65380;最直觀，也最容易被接受的非打擾識別生物特征#65377;但人臉在識別中存在易變性，即易受表情#65380;化妝#65380;時間等的影響#65377;將人耳和人臉融合，可望為非打擾識別方法提供一條新途徑#65377;另外，由于人耳和人臉特殊的生理位置關系，在數據采集過程中，可僅提取人臉側面的圖像，對人耳和側面人臉圖像進行融合#65377;鑒于此，本文提出從人耳和側面人臉融合的角度研究多模態生物特征的融合#65377;圖像信息融合按信息抽象程度的不同可分為四個從低到高的層次，即數據層融合#65380;特征層融合#65380;匹配層融合和決策層融合#65377;這里采用決策層融合#65377;決策層融合是在高層次上進行， 所需要處理的數據量小，識別的速度較高[3]#65377;

人耳和側面人臉決策層融合的多模態身份識別系統如圖1所示#65377;

1基于人耳和側面人臉融合的身份識別系統

1.1人耳和側面人臉分類器設計

系統首先采集包含人耳的側面人臉圖像，從側面人臉圖像中分割出人耳圖像，對經過預處理和歸一化后的人耳和側面人臉均采用基于全空間線性判別分析算法提取特征，對抽取到的特征采用最小距離分類器進行識別，從而完成人耳和側面人臉單一生物特征識別分類器的設計#65377;

1.2基于全空間線性判別分析(FSLDA)算法的特征提取

1.2.1LDA算法

LDA算法是一種基于Fisher準則的線性鑒別方法[4]#65377;它以樣本的可分性為目標，尋找一組線性變換，使每類的類內離散度最小，并且使類間的離散度達到最大#65377;

可見在采用決策層融合識別后，人耳和側面人臉多模態識別率較單一模態下的有了較大提高#65377;另外，實驗中的測試圖像分別為左轉30°和右轉30°，可見人頭圖像的識別范圍擴大#65377;

4結束語

本文從非打擾識別的角度出發，根據人耳和人臉特殊的生理位置關系，僅采集側面人臉圖像，提出基于人耳和側面人臉決策層融合的新的多模態生物特征融合策略#65377;這為非打擾生物特征識別提供了一條有效的途徑#65377;

參考文獻:

[1]ROSS A，JAIN A.Multimodal biometrics:an overview[C]//Proc of the 12th European Processing Conference.2004:12211224. 

[2]袁立，穆志純，徐正光，等. 基于人耳生物特征的身份識別[J]. 模式識別與人工智能， 2005，18(3):310-315.

[3]FAUNDEZ Z M.Data fusion in biometrics[J].Aerospace and Electronic Systems Magazine， IEEE，2005，20(1):34-38.

[4]劉青山，盧漢清，馬頌德.綜述人臉識別中的子空間方法[J].自動化學報，2003，29(6):900-911.

[5]YU H，YANG J.A direct LDA algorithm for highdimensional datawith application to face recognition[J].Pattern Recognition，2001，34(11):2067-2070.

[6]CHEN L，LIAO H，KOM，et al.A new LDAbased face recognition system which can solve the small sample size problem[J].Pattern Recognition，2000， 33:1713-1726.

[7]YANG J，YANG J Y.Optimal FLD algorithm for facial feature extraction[C]//Proc of the Intelligent Robots and Computer Vision XX: Algorithms， Techniques， and Active Vision.2001:438-444.

[8]劉穎. 基于代數特征的人耳特征提取研究[D].北京:北京科技大學， 2005.

[9]董火明， 高雋， 汪榮貴. 多分類器融合的人臉識別和身份認證[J]. 系統仿真學報，2004，16(8):18491853.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”