呂秀麗　鄭江紅　段吉國　趙麗華　于波

摘要： 根據(jù)主成分分析（PCA）和線性判別分析（LDA）在人耳識別過程中存在識別率不高的問題，提出一種基于離散小波變換（DWT）和PCA及LDA的人耳識別算法。將人耳圖像進(jìn)行二維DWT，選擇包含圖像大部分信息的低頻子帶，先利用PCA再利用LDA提取最優(yōu)樣本映射空間，最后利用最近鄰法則進(jìn)行人耳圖像的分類。實驗結(jié)果表明，該方法識別效果優(yōu)于基于PCA及LDA的方法。

關(guān)鍵詞： 人耳識別； 離散小波變換； 主成分分析； 線性判別分析

中圖分類號： TP 391文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

隨著科學(xué)技術(shù)的日新月異，人類對智能化的要求越來越高，人耳識別作為生物識別技術(shù)的一個新方向可以單獨(dú)應(yīng)用，也可以將人耳和人臉結(jié)合進(jìn)行組合識別，應(yīng)用前景廣泛[12]。典型人耳識別算法有基于主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）、獨(dú)立成分分析（independent component analysis，ICA），二維主成分分析（2DPCA）、二維線性判別分析（2DLDA）等，單獨(dú)使用這些方法會存在識別率低或適應(yīng)條件差的問題[37]。本文提出將DWT和PCA及LDA相結(jié)合的人耳識別算法。該方法先對人耳圖像進(jìn)行二維小波分解，選擇其中的低頻子帶，并在低頻子帶利用PCA及LDA降維提取人耳特征，最后用最近鄰法則進(jìn)行分類。實驗結(jié)果表明，該方法可提高識別率。

1主成分分析（PCA）

主成分分析[1，8] 是一種基于統(tǒng)計分析的特征提取方法，可以將圖像的多數(shù)特征映射為少數(shù)幾個特征，本質(zhì)是將圖像的高維數(shù)據(jù)投影到低維數(shù)據(jù)空間得到低維數(shù)據(jù)，使得到的低維數(shù)據(jù)仍然能夠代表原圖像的大部分能量，能夠保留所需要的識別信息。主成分又稱主分量，主成分分析的數(shù)學(xué)原理如下。

的4個不同頻帶的子帶圖。LL1子帶圖表示原始圖像的低頻信息，包含原圖像的主要特征；HL1表示原始圖像垂直方向的高頻信息；LH1表示原始圖像水平方向的高頻信息；HH1表示原始圖像對角方向的高頻信息。圖1（c）是二層小波分解的示意圖，其中LL2、HL2、LH2、HH2是將一層小波低頻子圖進(jìn)一步分解得到的。圖像經(jīng)過小波分解后，高頻分量取值較小，大部分?jǐn)?shù)值趨近于零，低頻分量取值較大，集中了圖像的大部分能量。本文采用Haar小波作為基函數(shù)對待識別圖像進(jìn)行預(yù)處理。4基于DWT和PCA及LDA人耳識別算法運(yùn)用PCA、LDA進(jìn)行人耳特征提取時，二維人耳圖像矩陣需要降維成一維向量，通常一維向量的維數(shù)遠(yuǎn)高于樣本個數(shù)，直接求解投影特征向量困難?？刹捎肈WT對原始圖像進(jìn)行預(yù)處理，再將PCA和LDA結(jié)合進(jìn)行人耳識別。本文算法原理框圖如圖2所示，算法步驟如下。

5實驗結(jié)果及分析實驗采用MATLAB軟件編寫，在Intel（R）Core（TM）i3 CPU 2.53 GHz，內(nèi)存2 GB的計算機(jī)上運(yùn)行。圖像庫采用北京科技大學(xué)人耳圖像庫，該圖像庫有60人的180張人耳圖像，每一張圖像為80×150像素。每個人3張人耳圖像，3張圖像分別為正面人耳圖像及角度微變化人耳圖像及光照微變化人耳圖像。本實驗用每個人的正面人耳圖像和角度微變化人耳圖像作為訓(xùn)練樣本，每個人的光照微變化人耳圖像作為測試樣本。實驗對原始人耳圖像進(jìn)行一層小波分解和二層小波分解，分別提取低頻分量，再將其進(jìn)行PCA降維和LDA映射求取最優(yōu)樣本空間，最后利用最近鄰法則分類。表1給出了采用一層小波和二層小波分解再進(jìn)圖3人耳圖像識別率對照圖

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接進(jìn)行PCA及LDA方法的正確識別率實驗數(shù)據(jù)，能量閾值Te取0.94，選取的最大特征值的個數(shù)K取5，6，…，17，提出的方法與PCA及LDA方法的識別率比較如圖3所示。由表1和圖3可知，在相同人耳圖像庫測試條件下，PCA及LDA加入DWT的方法總體識別率高于基于PCA及LDA的方法；且加入一層DWT前提下，當(dāng)K取11、12時達(dá)到最高識別率98.33%，高于PCA及LDA方法的最高識別率96.67%。實驗結(jié)果表明，提出的方法識別效果優(yōu)于PCA及LDA方法。6結(jié)論在人耳圖像識別中將離散小波變換應(yīng)用于圖像的預(yù)處理，通過提取包含圖像主要信息的低頻分量，減少了包含人耳圖像細(xì)節(jié)信息的高頻噪聲分量，降低了原始圖像的冗余信息，也大大降低了人耳圖像的維數(shù)。實驗結(jié)果表明，采用DWT和PCA及LDA相結(jié)合的方法，識別率最高達(dá)到了98.33%，顯示了本文算法的優(yōu)越性。參考文獻(xiàn)：

[1]苑瑋琦，柯麗，白云.生物特征識別技術(shù)[M].北京：科學(xué)出版社，2009.

[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）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志純.基于獨(dú)立分量分析的人耳識別方法[J].計算機(jī)工程，2006，32（19）：178180.

[5]王楊，程科.基于PCA與Fisherface互補(bǔ)雙特征提取的人耳圖像識別[J].微電子學(xué)與計算機(jī)，2012，29（2）：153158.

[6]趙海龍，穆志純.基于小波變換和LDA/FKT及SVM的人耳識別[J].儀器儀表學(xué)報，2009，30（11）：22732277.

[7]呂秀麗，申屠紅峰，等.基于2DLDA與FSVM的人耳識別[J].科學(xué)技術(shù)與工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式識別[M].4版.北京：電子工業(yè)出版社，2010.

[9]華順剛，周羽，劉婷.基于PCA+LDA的熱紅外成像人臉識別[J].模式識別與人工智能，2008，21（2）：160164.

[10]孫延奎.小波變換與圖像、圖形處理技術(shù)[M].北京：清華大學(xué)出版社，2012.

[11]邸繼征.小波分析原理[M].北京：科學(xué)出版社，2010.第36卷第5期2014年10月光學(xué)儀器OPTICAL INSTRUMENTSVol.36， No.5October， 2014

摘要： 根據(jù)主成分分析（PCA）和線性判別分析（LDA）在人耳識別過程中存在識別率不高的問題，提出一種基于離散小波變換（DWT）和PCA及LDA的人耳識別算法。將人耳圖像進(jìn)行二維DWT，選擇包含圖像大部分信息的低頻子帶，先利用PCA再利用LDA提取最優(yōu)樣本映射空間，最后利用最近鄰法則進(jìn)行人耳圖像的分類。實驗結(jié)果表明，該方法識別效果優(yōu)于基于PCA及LDA的方法。

關(guān)鍵詞： 人耳識別； 離散小波變換； 主成分分析； 線性判別分析

中圖分類號： TP 391文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

隨著科學(xué)技術(shù)的日新月異，人類對智能化的要求越來越高，人耳識別作為生物識別技術(shù)的一個新方向可以單獨(dú)應(yīng)用，也可以將人耳和人臉結(jié)合進(jìn)行組合識別，應(yīng)用前景廣泛[12]。典型人耳識別算法有基于主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）、獨(dú)立成分分析（independent component analysis，ICA），二維主成分分析（2DPCA）、二維線性判別分析（2DLDA）等，單獨(dú)使用這些方法會存在識別率低或適應(yīng)條件差的問題[37]。本文提出將DWT和PCA及LDA相結(jié)合的人耳識別算法。該方法先對人耳圖像進(jìn)行二維小波分解，選擇其中的低頻子帶，并在低頻子帶利用PCA及LDA降維提取人耳特征，最后用最近鄰法則進(jìn)行分類。實驗結(jié)果表明，該方法可提高識別率。

1主成分分析（PCA）

主成分分析[1，8] 是一種基于統(tǒng)計分析的特征提取方法，可以將圖像的多數(shù)特征映射為少數(shù)幾個特征，本質(zhì)是將圖像的高維數(shù)據(jù)投影到低維數(shù)據(jù)空間得到低維數(shù)據(jù)，使得到的低維數(shù)據(jù)仍然能夠代表原圖像的大部分能量，能夠保留所需要的識別信息。主成分又稱主分量，主成分分析的數(shù)學(xué)原理如下。

的4個不同頻帶的子帶圖。LL1子帶圖表示原始圖像的低頻信息，包含原圖像的主要特征；HL1表示原始圖像垂直方向的高頻信息；LH1表示原始圖像水平方向的高頻信息；HH1表示原始圖像對角方向的高頻信息。圖1（c）是二層小波分解的示意圖，其中LL2、HL2、LH2、HH2是將一層小波低頻子圖進(jìn)一步分解得到的。圖像經(jīng)過小波分解后，高頻分量取值較小，大部分?jǐn)?shù)值趨近于零，低頻分量取值較大，集中了圖像的大部分能量。本文采用Haar小波作為基函數(shù)對待識別圖像進(jìn)行預(yù)處理。4基于DWT和PCA及LDA人耳識別算法運(yùn)用PCA、LDA進(jìn)行人耳特征提取時，二維人耳圖像矩陣需要降維成一維向量，通常一維向量的維數(shù)遠(yuǎn)高于樣本個數(shù)，直接求解投影特征向量困難?？刹捎肈WT對原始圖像進(jìn)行預(yù)處理，再將PCA和LDA結(jié)合進(jìn)行人耳識別。本文算法原理框圖如圖2所示，算法步驟如下。

5實驗結(jié)果及分析實驗采用MATLAB軟件編寫，在Intel（R）Core（TM）i3 CPU 2.53 GHz，內(nèi)存2 GB的計算機(jī)上運(yùn)行。圖像庫采用北京科技大學(xué)人耳圖像庫，該圖像庫有60人的180張人耳圖像，每一張圖像為80×150像素。每個人3張人耳圖像，3張圖像分別為正面人耳圖像及角度微變化人耳圖像及光照微變化人耳圖像。本實驗用每個人的正面人耳圖像和角度微變化人耳圖像作為訓(xùn)練樣本，每個人的光照微變化人耳圖像作為測試樣本。實驗對原始人耳圖像進(jìn)行一層小波分解和二層小波分解，分別提取低頻分量，再將其進(jìn)行PCA降維和LDA映射求取最優(yōu)樣本空間，最后利用最近鄰法則分類。表1給出了采用一層小波和二層小波分解再進(jìn)圖3人耳圖像識別率對照圖

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接進(jìn)行PCA及LDA方法的正確識別率實驗數(shù)據(jù)，能量閾值Te取0.94，選取的最大特征值的個數(shù)K取5，6，…，17，提出的方法與PCA及LDA方法的識別率比較如圖3所示。由表1和圖3可知，在相同人耳圖像庫測試條件下，PCA及LDA加入DWT的方法總體識別率高于基于PCA及LDA的方法；且加入一層DWT前提下，當(dāng)K取11、12時達(dá)到最高識別率98.33%，高于PCA及LDA方法的最高識別率96.67%。實驗結(jié)果表明，提出的方法識別效果優(yōu)于PCA及LDA方法。6結(jié)論在人耳圖像識別中將離散小波變換應(yīng)用于圖像的預(yù)處理，通過提取包含圖像主要信息的低頻分量，減少了包含人耳圖像細(xì)節(jié)信息的高頻噪聲分量，降低了原始圖像的冗余信息，也大大降低了人耳圖像的維數(shù)。實驗結(jié)果表明，采用DWT和PCA及LDA相結(jié)合的方法，識別率最高達(dá)到了98.33%，顯示了本文算法的優(yōu)越性。參考文獻(xiàn)：

[1]苑瑋琦，柯麗，白云.生物特征識別技術(shù)[M].北京：科學(xué)出版社，2009.

[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）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志純.基于獨(dú)立分量分析的人耳識別方法[J].計算機(jī)工程，2006，32（19）：178180.

[5]王楊，程科.基于PCA與Fisherface互補(bǔ)雙特征提取的人耳圖像識別[J].微電子學(xué)與計算機(jī)，2012，29（2）：153158.

[6]趙海龍，穆志純.基于小波變換和LDA/FKT及SVM的人耳識別[J].儀器儀表學(xué)報，2009，30（11）：22732277.

[7]呂秀麗，申屠紅峰，等.基于2DLDA與FSVM的人耳識別[J].科學(xué)技術(shù)與工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式識別[M].4版.北京：電子工業(yè)出版社，2010.

[9]華順剛，周羽，劉婷.基于PCA+LDA的熱紅外成像人臉識別[J].模式識別與人工智能，2008，21（2）：160164.

[10]孫延奎.小波變換與圖像、圖形處理技術(shù)[M].北京：清華大學(xué)出版社，2012.

[11]邸繼征.小波分析原理[M].北京：科學(xué)出版社，2010.第36卷第5期2014年10月光學(xué)儀器OPTICAL INSTRUMENTSVol.36， No.5October， 2014

摘要： 根據(jù)主成分分析（PCA）和線性判別分析（LDA）在人耳識別過程中存在識別率不高的問題，提出一種基于離散小波變換（DWT）和PCA及LDA的人耳識別算法。將人耳圖像進(jìn)行二維DWT，選擇包含圖像大部分信息的低頻子帶，先利用PCA再利用LDA提取最優(yōu)樣本映射空間，最后利用最近鄰法則進(jìn)行人耳圖像的分類。實驗結(jié)果表明，該方法識別效果優(yōu)于基于PCA及LDA的方法。

關(guān)鍵詞： 人耳識別； 離散小波變換； 主成分分析； 線性判別分析

中圖分類號： TP 391文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

隨著科學(xué)技術(shù)的日新月異，人類對智能化的要求越來越高，人耳識別作為生物識別技術(shù)的一個新方向可以單獨(dú)應(yīng)用，也可以將人耳和人臉結(jié)合進(jìn)行組合識別，應(yīng)用前景廣泛[12]。典型人耳識別算法有基于主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）、獨(dú)立成分分析（independent component analysis，ICA），二維主成分分析（2DPCA）、二維線性判別分析（2DLDA）等，單獨(dú)使用這些方法會存在識別率低或適應(yīng)條件差的問題[37]。本文提出將DWT和PCA及LDA相結(jié)合的人耳識別算法。該方法先對人耳圖像進(jìn)行二維小波分解，選擇其中的低頻子帶，并在低頻子帶利用PCA及LDA降維提取人耳特征，最后用最近鄰法則進(jìn)行分類。實驗結(jié)果表明，該方法可提高識別率。

1主成分分析（PCA）

主成分分析[1，8] 是一種基于統(tǒng)計分析的特征提取方法，可以將圖像的多數(shù)特征映射為少數(shù)幾個特征，本質(zhì)是將圖像的高維數(shù)據(jù)投影到低維數(shù)據(jù)空間得到低維數(shù)據(jù)，使得到的低維數(shù)據(jù)仍然能夠代表原圖像的大部分能量，能夠保留所需要的識別信息。主成分又稱主分量，主成分分析的數(shù)學(xué)原理如下。

的4個不同頻帶的子帶圖。LL1子帶圖表示原始圖像的低頻信息，包含原圖像的主要特征；HL1表示原始圖像垂直方向的高頻信息；LH1表示原始圖像水平方向的高頻信息；HH1表示原始圖像對角方向的高頻信息。圖1（c）是二層小波分解的示意圖，其中LL2、HL2、LH2、HH2是將一層小波低頻子圖進(jìn)一步分解得到的。圖像經(jīng)過小波分解后，高頻分量取值較小，大部分?jǐn)?shù)值趨近于零，低頻分量取值較大，集中了圖像的大部分能量。本文采用Haar小波作為基函數(shù)對待識別圖像進(jìn)行預(yù)處理。4基于DWT和PCA及LDA人耳識別算法運(yùn)用PCA、LDA進(jìn)行人耳特征提取時，二維人耳圖像矩陣需要降維成一維向量，通常一維向量的維數(shù)遠(yuǎn)高于樣本個數(shù)，直接求解投影特征向量困難?？刹捎肈WT對原始圖像進(jìn)行預(yù)處理，再將PCA和LDA結(jié)合進(jìn)行人耳識別。本文算法原理框圖如圖2所示，算法步驟如下。

5實驗結(jié)果及分析實驗采用MATLAB軟件編寫，在Intel（R）Core（TM）i3 CPU 2.53 GHz，內(nèi)存2 GB的計算機(jī)上運(yùn)行。圖像庫采用北京科技大學(xué)人耳圖像庫，該圖像庫有60人的180張人耳圖像，每一張圖像為80×150像素。每個人3張人耳圖像，3張圖像分別為正面人耳圖像及角度微變化人耳圖像及光照微變化人耳圖像。本實驗用每個人的正面人耳圖像和角度微變化人耳圖像作為訓(xùn)練樣本，每個人的光照微變化人耳圖像作為測試樣本。實驗對原始人耳圖像進(jìn)行一層小波分解和二層小波分解，分別提取低頻分量，再將其進(jìn)行PCA降維和LDA映射求取最優(yōu)樣本空間，最后利用最近鄰法則分類。表1給出了采用一層小波和二層小波分解再進(jìn)圖3人耳圖像識別率對照圖

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接進(jìn)行PCA及LDA方法的正確識別率實驗數(shù)據(jù)，能量閾值Te取0.94，選取的最大特征值的個數(shù)K取5，6，…，17，提出的方法與PCA及LDA方法的識別率比較如圖3所示。由表1和圖3可知，在相同人耳圖像庫測試條件下，PCA及LDA加入DWT的方法總體識別率高于基于PCA及LDA的方法；且加入一層DWT前提下，當(dāng)K取11、12時達(dá)到最高識別率98.33%，高于PCA及LDA方法的最高識別率96.67%。實驗結(jié)果表明，提出的方法識別效果優(yōu)于PCA及LDA方法。6結(jié)論在人耳圖像識別中將離散小波變換應(yīng)用于圖像的預(yù)處理，通過提取包含圖像主要信息的低頻分量，減少了包含人耳圖像細(xì)節(jié)信息的高頻噪聲分量，降低了原始圖像的冗余信息，也大大降低了人耳圖像的維數(shù)。實驗結(jié)果表明，采用DWT和PCA及LDA相結(jié)合的方法，識別率最高達(dá)到了98.33%，顯示了本文算法的優(yōu)越性。參考文獻(xiàn)：

[1]苑瑋琦，柯麗，白云.生物特征識別技術(shù)[M].北京：科學(xué)出版社，2009.

[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）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志純.基于獨(dú)立分量分析的人耳識別方法[J].計算機(jī)工程，2006，32（19）：178180.

[5]王楊，程科.基于PCA與Fisherface互補(bǔ)雙特征提取的人耳圖像識別[J].微電子學(xué)與計算機(jī)，2012，29（2）：153158.

[6]趙海龍，穆志純.基于小波變換和LDA/FKT及SVM的人耳識別[J].儀器儀表學(xué)報，2009，30（11）：22732277.

[7]呂秀麗，申屠紅峰，等.基于2DLDA與FSVM的人耳識別[J].科學(xué)技術(shù)與工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式識別[M].4版.北京：電子工業(yè)出版社，2010.

[9]華順剛，周羽，劉婷.基于PCA+LDA的熱紅外成像人臉識別[J].模式識別與人工智能，2008，21（2）：160164.

[10]孫延奎.小波變換與圖像、圖形處理技術(shù)[M].北京：清華大學(xué)出版社，2012.

[11]邸繼征.小波分析原理[M].北京：科學(xué)出版社，2010.第36卷第5期2014年10月光學(xué)儀器OPTICAL INSTRUMENTSVol.36， No.5October， 2014