人耳和侧面人脸融合的多模态身份识别*

首先分别对人耳和侧面人脸建立基于全空间线性判别分析(FSLDA)的分类器;然后采用贝叶斯决策理论中常见的积、和、中值多分类器融合算法,并对投票算法进行了改进.实验结果表明,与单一的人耳或侧面人脸特征识别比较,人耳和侧面人脸融合的多模态识别率得到提高,并扩大了识别范围.     

侧面轮廓与人耳特征相结合的人耳检测与识别

为实现人耳的自动检测与识别,提出了结合侧面轮廓特征、人耳统计特征以及人耳与侧面轮廓的位置特征进行人耳检测与识别的方法。该方法分为离线的训练阶段和在线的检测与识别阶段。在离线阶段,通过训练得到一个综合特征向量,包括人脸侧面轮廓特征、人耳统计特征以及人耳相对于侧面轮廓的位置特征。在线的检测与识别过程分为两步：第1步是用侧面人脸轮廓进行粗检测,第2步是用人耳的统计特征和相对于侧面轮廓的位置特征进行精确定位和识别,即在定位的同时实现人耳的识别。实验结果表明,上述方法具有速度快、效率高和鲁棒性好的特点。     

人耳人脸特征融合在身份鉴别中的研究

针对单一人耳识别对姿态变化鲁棒性较差的问题,鉴于人脸在图像性质和生理位置上与人耳具有相似性和互补性,使用了多模态特征融合的方法提高姿态变化下的识别率.与传统的独立成分分析首先获得独立的基向量(ICAl)不同,提出了利用ICA直接获得独立的鉴剐特征的方法(ICA2).在USTB图像库上分别将两种ICA特征进行单模态和多模态的融合.实验表明,两种特征的融合提高了单一模态的识别率,并且多模态识别优于单一的人耳或人脸识别.     

鉴别矢量增强在人耳人脸多模态识别中的应用

人耳识别与人脸识别在生物特征识别领域中占有重要位置,然而,剧烈的姿态变化一直是阻碍它们在现实生活中应用的瓶颈,提出一种鉴别矢量增强算法,以解决姿态人耳和姿态人脸图像的识别问题。为了考察多模态识别的可行性和有效性,利用串联、并联（广义主元分析）和典型相关分析等融合策略,将强化后的人耳、人脸鉴别矢量进行有效融合,通过最近邻方法进行分类识别。实验结果表明,鉴别矢量强化算法可以显著提高姿态人耳或是姿态人脸单生物特征的识别率,而多模态方法又会表现出更好的识别性能。     

基于ICA的非线性自适应特征融合的人耳识别

针对单一特征的人耳识别对旋转角度鲁棒性差的问题,提出一种非线性自适应特征融合的方法.首先提取人耳的2种具有互补性质的独立成分特征,然后将它们加权串联形成高维融合特征;最后通过核主元分析方法实现非线性降维.实验结果表明,当人耳有姿态旋转时,融合特征较单一特征的识别率有显著提升,且文中方法比传统的串联融合的识别结果更好.     

基于小样本高维特征的人脸自动识别算法研究

特征提取对人脸识别十分重要,传统典型相关分析算法(CCA)存在无法描述人脸图像的小样本、高维特征的缺陷。为了提高人脸识别精度,提出一种专门针对小样本、高维特征的人脸自动识别算法(SpCCA)。首先分别提取人脸全局特征和局部特征,并采用CCA对特征进行融合,消除特征间冗余信息,降低特征维数;然后通过划分子模型,避免人脸识别存在小样本、非线性问题,并以简单投票进行结果矫正,提高模型稳定性;最后在AR与Yale两个人脸数据集上对SpCCA算法性能进行测试。仿真结果表明,SpCCA解决了典型相关分析算法存在的不足,提高了人脸识别的精度。     

基于人耳生物特征的身份识别

人耳识别技术的研究与应用在个体生物特征识别范围属于一种新的尝试.本文首先讨论了人耳识别技术的可行性及其特点,介绍了基于二维灰度图像、3D深度图像和耳纹图像的人耳自动识别方法,并重点对静态人耳图像识别方法进行了总结.最后针对人耳识别技术中的一些关键性问题,如人耳特征信息的提取、人耳图像的遮挡与缺损处理、人耳识别方法以及人耳图像库的构建进行了探讨,提出一些解决问题的思路.     

二维典型相关分析及其在人脸识别中的应用

通过对传统的基于向量的典型相关分析(CCA)方法进行改进,提出了一种新的直接基于特征矩阵的二维典型相关分析方法(2DCCA),并将其应用于人脸识别的特征融合过程中。较基于向量的典型相关分析,该方法的优点主要有两点：第一,该方法计算过程中构造的协方差矩阵维数大幅度减小,这在一定程度上避免了人脸识别中存在的“高维小样本问题”;第二,由于协方差矩阵维数的缩减,使特征抽取的速度明显提高。最后在ORL标准人脸库和AR大型人脸数据库上的实验结果有效地验证了这两点。     

基于特征融合的多模态身份识别方法研究

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。     

核典型相关分析算法的多特征融合情感识别

为了提高情感识别的正确率,针对单模情感特征及传统特征融合方法识别低的缺陷,提出了一种核典型相关分析算法(KCCA)的多特征(multi-features)融合情感识别方法(MF-KCCA)。分别提取语音韵律特征和分数阶傅里叶域表情特征,利用两种特征互补性,采用KCCA将它们进行融合,降低特征向量的维数,利用最近邻分类器进行情感分类和识别。采用加拿大瑞尔森大学数据库进行仿真实验,结果表明,MF-KCCA有效提高了语音情感的识别率。     

现代生物特征识别技术发展综述

生物特征识别技术作为一种身份识别手段具有独特的优势,是近年来国际上的研究热点,对信息安全有重要意义.文章简单介绍了几种典型的生物特征(如指纹、人脸、虹膜等)和语音识别技术方法,对各种方法的特点作了比较说明,对生物特征识别技术的应用领域和发展首景作了较详尽的分析.     

基于核函数的Fisher判别分析算法在人耳识别中的应用

针对人耳图像自身的特点,并通过对现有生物识别技术的研究,本文尝试采用了一种基于核函数的Fisher判别分析算法对人耳进行识别。该算法不仅可以有效地提取人耳特征,获得较高的识别率;而且还可以解决因为光照和人耳旋转角度等因素带来的非线性问题。实验表明:采用基于径向基核函数的Fisher判别分析算法对人耳图像进行识别,其识别率最高,为98.701%。     

人脸识别常用方法研究

计算机自动人脸识别技术是生物识别的一个重要分支本文简要回顾了人脸自动识别技术的研究背景及发展历程．重点对近年来人脸自动识别方法的研究进展进行综述并对各种方法进行评价。最后，结合现存的研究困难，提出了今后的发展方向。     

人耳识别技术研究综述

介绍了一种新的生物识别技术--人耳识别.首先对人耳生物识别系统进行介绍,并与其他生物识别技术进行比较;重点按照识别特征的不同提取方法分别综述了各种人耳识别技术的关键技术,如PCA方法、基于神经网络方法、力场转换理论、遗传局部搜索法以及基于几何学方法和基于长轴的结构特征提取方法等分析方法.通过对各种识别方法的分析和比较,总结了影响人耳识别技术的几个因素和研究开发成功的人耳识别技术需要考虑的几个重要方面,最后提出了展望.     

On ear-based human identification in the mid-wave infrared spectrum

In this paper the problem of human ear recognition in the Mid-wave infrared (MWIR) spectrum is studied in order to illustrate the advantages and limitations of the ear-based biometrics that can operate in day and night time environments. The main contributions of this work are two-fold: First, a dual-band database is assembled that consists of visible (baseline) and mid-wave IR left and right profile face images. Profile face images were collected using a high definition mid-wave IR camera that is capable of acquiring thermal imprints of human skin. Second, a fully automated, thermal imaging based, ear recognition system is proposed that is designed and developed to perform real-time human identification.     

多通道生物特征认证融合算法

由于单生物特征认证往往难以满足实际应用的要求，本文在信息融合的基础上提出一个多通道生物特征认证模型，它采用基于PCA的人脸识剐方法和基于MFCC与VQ的说话人识别方法，在分数层使用多层线性分类器实现了人脸和语音的双通道融合。实验结果表明，在人脸识剐率和说话人识别率分剐为82．6％和75．9％的情况下，两个通道融合后的
识剐率达到了92．2％．     

基于图像力场转换的耳廓图像识别

首先讨论了耳廓识别技术的可行性、可靠性及其特点,针对耳廓识别特点提出一种基于图像力场转换的耳廓识别方法(Force-field fisher classifier).该方法通过力场图像转换提取耳廓图像特征后,采用Fisher线性判别分类识别,减小了光照变化对耳廓识别的影响.在我们选取的耳廓图像库上识别率达到了98.5%.