论文部分内容阅读
近年来生物特征识别技术以其特有的安全性、稳定性和便捷性被广泛地应用于安全、认证等身份鉴别领域。常用的生物特征包括人脸、虹膜、指纹、掌纹、声音等。理论上可用的生物特征应满足:普遍性、唯一性、可采集性和一定时期内的稳定性。由于人类的眉毛具备这些特性,所以也可能被用于身份鉴别的研究。同时,与其它生物识别技术相比,眉毛识别具有非接触性和非侵入性等显著的优势。因此,对眉毛识别的研究在生物特征识别和信息安全领域中具有重大的理论和实际意义。本文分析了眉毛作为一种独立的生物特征进行身份鉴别的可能性,提出了一种基于神经网络和隐马尔可夫模型(HMM)的眉毛识别方法,并建立了一个基于该方法的眉毛识别系统进行实验评测。主要研究内容如下:
⑴在眉毛图像中通过手工圈选眉毛区域,并利用最大类间方差法实现区域中纯眉毛图像的生成,然后将纯眉毛图像的高度归一到256像素。为了降低手工圈选增加的噪声干扰影响,利用最大类间方差法选取分割阈值,对眉毛图像进行半阈值分割,以提取纯眉毛图像。实验结果说明:该方法具有非常好的分割效果,从而提高了眉毛识别的准确率。
⑵把眉毛图像的每列看作一个256维的矢量,用32维的低频傅里叶变换系数代替眉毛图像列矢量作为特征矢量,组成训练矢量集。自组织(SOM)网络作为HMM中的矢量量化工具,将二维眉毛图像数据转换为观察序列,以用于对一维HMM进行训练。采用左右无跨越型一维离散HMM对眉毛特征进行建模。在训练阶段,用状态均匀分割的方法初始化模型参数,用Baum—Welch算法进行模型训练。在识别阶段,首先从测试图像中提取观察序列,用前向算法计算产生该观察序列的最大后验概率的模型对应的眉毛(或个人)为识别结果。
⑶实验结果表明,在104个人的眉毛数据库上,该系统的最高识别率可以达到84.62%。由于识别结果仍然在一定程度上受到手工圈选因素的影响,经2—3次重复圈选后,该系统的最高识别率可达87.75%。