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.     

基于CCA的人耳和侧面人脸特征融合的身份识别*

鉴于人耳和人脸特殊的生理位置关系,从非打扰识别的角度出发,提出仅采集侧面人脸图像,利用典型相关分析的思想提取人耳和侧面人脸的关联特征,进行人耳和侧面人脸在特征层的融合.实验结果表明,此方法与单一的人耳或侧面人脸特征识别比较,识别率得到提高.     

基于多特征融合和Bagging神经网络的人耳识别

提出了一种多特征信息融合的人耳识别方法。应用Zernike矩方法和非负矩阵分解法(NMF)分别提取出具有旋转不变性的人耳几何特征和人耳子空间投影系数特征,将这两种具有一定互补性的特征串行融合,得到一个分类能力更强的特征。在此基础上,采用神经网络进行人耳识别,为了提高了神经网络的分类准确率和泛化能力,采用Bagging方法构造了Bagging神经网络。给出了一些对比实验,结果验证了方法具有较高识别率。     

基于HOG特征与子区域模糊融合的人耳识别研究

作为一种新兴的生物特征识别技术,人耳识别具有其自身独特优势.利用局部特征信息,研究一类新型的基于梯度方向直方图的人耳身份识别方法,提出一种基于梯度方向直方图与子区域模糊融合相结合的人耳识别方案.将人耳图像划分为不同子区域,分别提取各子区域梯度方向直方图特征,引入模糊隶属度匹配融合策略,获取最终的分类结果.与多种方法的对比实验表明,基于梯度方向直方图的特征提取方法具有高识别性能,针对USTB人耳图像库3的测试实验,可达到99.75％的识别率.     

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。     

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.     

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%。     

融合Haar型局部特征的人耳识别算法

人耳具有丰富的结构特征,针对单一特征描述影响人耳识别率的不足,提出一种融合Haar型局部特征的人耳识别算法。算法采用符合人耳外部形状的椭圆形LBP算子与HOG算子,分别提取图像的纹理特征和边缘特征,将两种特征进行融合。利用Haar特征运算快捷的优势,引入到LBP和HOG特征提取中。通过分别设计的4组Haar编码模式,构建椭圆形LBP算子与HOG算子。对改进算法进行实验与分析,实验结果表明了算法的有效性和实用性。     

基于轮廓合成的人耳图像边缘检测

人耳识别技术作为一种新的研究在生物特征识别领域提出一种新思路.边缘检测是图像特征分析识别的基础,检测质量直接影响系统识别率.本文针对人耳图像的局部特征和识别要求提出一种基于轮廓合成的边缘检测方法.该算法对采集到的图像预处理,将Sobel算子与阈值法得出的边缘图像合成,最后根据统计结果用去除干扰技术处理非边缘.这种方法得出的耳朵边缘图像清晰完整无干扰,比单一采用其他方法效果好,为后续特征提取及识别提供较好基础.     

基于Gabor-ILLE的多姿态人耳识别

针对LLE算法对姿态变化和近邻点敏感的缺陷,提了一种融合Gabor小波和改进LLE算法的人耳识别算法（Gabor-ILLE）。该算法通过Gabor变换提取人耳特征,并对Gabor初始特征融合,采用改进LLE对特征进行降维,选择最有利于人耳识别的Gabor特征,采用K近邻算法建立人耳分类器实现人耳识别,并采用USTB3人耳图像库进行仿真实验。相对于参比人耳算法,Gabor-ILLE获得了更高的人耳识别率,实验结果验证了Gabor-ILLE算法的有效性。     

基于SIFT特征的人耳识别

人耳的角度变化和遮挡是人耳识别中的难点问题,SIFT局部描述算子具有对图像尺度缩放、平移、旋转等的不变性,因此提出利用SIFT特征的人耳识别算法。该算法将人耳图像划分为相互重叠的网格区域,在每个子区域中计算SIFT的局部特征,再计算测试图像与训练图像的匹配相关度作为图像的全局特征,将SIFT的局部和全局特征相结合作为人耳识别的标准。通过在人耳库中的实验表明,此算法优于传统的全局方法,对于人耳角度变化和遮挡具有较好的鲁棒性,并且适用于单训练样本的情况。     

基于特征级数据融合木材纹理分类的研究

为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。     

基于局部信息统计的人耳识别方法

提出了一种基于局部信息统计的人耳识别方法。该方法将一幅人耳图像分成若干个子区域,分别提取每个子区域的分类特征,将各个子区域的特征串联为一个特征向量构筑人耳特征矢量,更加全面描述了人耳图像的局部与结构信息,应用最近邻分类器进行模式分类。采用三种不同的特征提取方法,以USTB人耳图像库对算法进行测试,实验结果表明,与全局信息比较同种方法识别率提高30%以上,验证了局部信息方法的有效性。     

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。     

Binary feature fusion for discriminative and secure multi-biometric cryptosystems

Biometric cryptosystem has been proven to be a promising approach for template protection. Cryptosystems such as fuzzy extractor and fuzzy commitment require discriminative and informative binary biometric input to offer accurate and secure recognition. In multi-modal biometric recognition, binary features can be produced via fusing the real-valued unimodal features and binarizing the fused features. However, when the extracted features of certain modality are represented in binary and the extraction parameters are not known, real-valued features of other modalities need to be binarized and the feature fusion needs to be carried out at the binary level. In this paper, we propose a binary feature fusion method that extracts a set of fused binary features with high discriminability (small intra-user and large inter-user variations) and entropy (weak dependency among bits and high bit uniformity) from multiple sets of binary unimodal features. Unlike existing fusion methods that mainly focus on discriminability, the proposed method focuses on both feature discriminability and system security: The proposed method 1) extracts a set of weakly dependent feature groups from the multiple unimodal features; and 2) fuses each group to a bit using a mapping that minimizes the intra-user variations and maximizes the inter-user variations and uniformity of the fused bit. Experimental results on three multi-modal databases show that fused binary feature of the proposed method has both higher discriminability and higher entropy compared to the unimodal features and the fused features generated from the state-of-the-art binary fusion approaches.     

A novel geometric feature extraction method for ear recognition

The discriminative ability of geometric features can be well supported by empirical studies in ear recognition. Recently, a number of methods have been suggested for geometric feature extraction from ear images. However, these methods usually have relatively high feature dimension or are sensitive to rotation and scale variations. In this paper, we propose a novel geometric feature extraction method to address these issues. First, our studies show that the minimum Ear Height Line (EHL) is also helpful to characterize the contour of outer helix, and the combination of maximal EHL and minimum EHL can achieve better recognition performance. Second, we further extract three ratio-based features which are robust to scale variation. Our method has the feature dimension of six, and thus is efficient in matching for real-time ear recognition. Experimental results on two popular databases, i.e. USTB subset1 and IIT Delhi, show that the proposed approach can achieve promising recognition rates of 98.33% and 99.60%, respectively.