论文部分内容阅读
生物特征识别作为一种重要的身份认证技术，已经被广泛应用于监控、取证和刑事侦查。传统的身份验证系统需要提供令牌或密码，而令牌容易丢失，长密码和密钥难以记录或容易忘记，相比之下，生物特征系统可以提供更安全的解决方案。此外，随着法医学和安全领域(如访问控制、移民和商业应用)对安全系统的安全需求不断增加，生物特征识别系统引起广泛关注。生物特征可以分为两类，即生理特征和行为特征。生理特征包括面部、指纹、耳朵、掌纹、手几何信息、指静脉、虹膜等，而行为特征则涉及步态、击键动力学、签名等。近几十年来，生物体特征识别方法在面部、指纹、虹膜等方面取得了一定的研究成果。
近年来，耳印由于其显著的优势，受到了生物统计学界的广泛关注。人耳尺寸较大，并且对行人可见，在不同的年龄段和表情下具有稳定的结构，并且可以被用来识别双胞胎和三胞胎。相比于其他生物特征，人耳在不同的年龄下具有比较稳定的结构。此外,人耳对外部变化不敏感,如化妆,眼镜,面部表情等，并且人耳数据比较容易获取不需要用户配合。同一个人的左耳和右耳有相似之处，但是不严格对称。综上所述,人耳满足生物特征的所有要求,如普遍性、唯一性、永久性和能测性。因此,基于人耳的识别方法被广泛应用，并从特征抽取和分类两方面涌现出各种人耳识别方法。目前大部分人耳识别方法不能达到预期性能,受到很多干扰因素影响,如缩放和旋转变化,图像校准和注册,受头发,耳环,眼镜或耳机遮挡等。这促使我们针对人耳识别问题，通过研究基于特征提取和匹配的方法进一步改进人耳识别性能。本文的贡献有以下四点：
1.大量针对人耳图像的几何特征提取算法被研究者提出，而这些特征通常具有较高的维度或者对旋转和尺度敏感。由于外螺旋耳廓具有稳定性特点，本文提出了一种基于最大和最小耳高线作为特征向量的新型几何特征提取方法。该算法表明最小耳高线对描述外耳轮廓具有辅助作用，并且对最大最小耳高线的组合可以获得更高的识别性能。此外，本文提取了三种比率的特征。综上，我们提取的特征具有低维，对旋转和尺度变化鲁棒性高的优势。最后，与基于外观的特征相比，我们提出的集合特征对耳匹配效率更高，它与基于外观的特征互补，可以通过组合这两种特征来获得更好的识别性能。实验在两个通用数据集进行验证，结果表明所提的方法能够获得较高的识别率。
2.相比全局特征和几何特征，局部特征可以提供人耳图像的局部信息，有助于提升人耳识别系统的性能。传统的基于局部特征的人耳识别方法通常需要图像进行精准的对齐和配准，会对识别性能产生较大影响。第3章中，我们定量分析了多种不同局部特征以及特征融合方法对于对齐和非对齐的耳图像的影响，并针对无约束的耳识别问题提出了一种改进方法。在该方法中，我们提出使用判别相关分析算法来融合不同局部特征，从而改善耳图像表达能力。通过上述方式，不同局部特征在耳识别问题中可以提供互补信息，因此有助于进一步提升识别性能。实验在不同的人耳数据集上进行验证，结果表明本文提出的算法在解决人耳对齐问题上能够有效提升人耳验证和识别精度。
3.传统人耳识别方法大多基于人耳的几何形状，人工设计并提取人工全局、局部或几何相关的特征。随着深度神经网络凭借其强大的特征表达能力在各种计算机视觉问题中的广泛应用，我们提出将其应用于人耳图像的特征提取，抽取更具有判别力的特征表示，进一步提升人耳识别性能。第4章中，我们首先基于预训练的VGG-M模型，评估了单层特征表示对人耳识别的性能影响。为充分利用底层特征的细节信息和顶层特征的语义信息，我们采用判别相关滤波器(DCA)对不同层的深度特征进行融合，进一步增强特征表达。此外，DCA在进行特征融合的同时，对深度特征进行了降维操作，减少了计算和存储复杂度。由于人耳数据的匮乏，我们将人耳识别任务转化为二分类问题，通过构建人耳样本对，采用成对SVM分类器进行人耳对的判别，进一步实现识别任务。我们在四个公开人耳数据库上进行了验证实验，结果表明所提算法能够获得较高的识别率，并且与现有方法对比均能取得较高性能。
4.成对SVM对人耳对样本进行分类，来自同类样本的人耳组成的样本对为正样本对，来自不同类的样本构成的样本对为负样本。受此启发，我们在第5章提出将度量学习应用于人耳识别任务。已知的基于成对约束的度量学习方法通过预处理过程构建成对约束，然后在训练过程中使用固定的成对约束。这种策略由于训练数据对数量受限并且一些成对数据没有在训练过程中应用等问题具有明显缺陷，训练的模型对这些未参与训练的成对数据不适用。在第五章中，我们对人耳识别问题提出一种新型的基于动态成对构建的度量学习方法。该方法通过学习多个周期的距离度量，来动态更新成对约束。在每个训练周期中，该方法对每个样本选择了最相似和最不相似的近邻数据构成成对约束，然后通过迭代布雷格曼投影求解优化问题。因此所提出的方法可以在训练中包含更多的成对约束，与现有的耳识别算法相比，实验结果表明该方法能够取得更优的识别率和识别性能。
近年来，耳印由于其显著的优势，受到了生物统计学界的广泛关注。人耳尺寸较大，并且对行人可见，在不同的年龄段和表情下具有稳定的结构，并且可以被用来识别双胞胎和三胞胎。相比于其他生物特征，人耳在不同的年龄下具有比较稳定的结构。此外,人耳对外部变化不敏感,如化妆,眼镜,面部表情等，并且人耳数据比较容易获取不需要用户配合。同一个人的左耳和右耳有相似之处，但是不严格对称。综上所述,人耳满足生物特征的所有要求,如普遍性、唯一性、永久性和能测性。因此,基于人耳的识别方法被广泛应用，并从特征抽取和分类两方面涌现出各种人耳识别方法。目前大部分人耳识别方法不能达到预期性能,受到很多干扰因素影响,如缩放和旋转变化,图像校准和注册,受头发,耳环,眼镜或耳机遮挡等。这促使我们针对人耳识别问题，通过研究基于特征提取和匹配的方法进一步改进人耳识别性能。本文的贡献有以下四点：
1.大量针对人耳图像的几何特征提取算法被研究者提出，而这些特征通常具有较高的维度或者对旋转和尺度敏感。由于外螺旋耳廓具有稳定性特点，本文提出了一种基于最大和最小耳高线作为特征向量的新型几何特征提取方法。该算法表明最小耳高线对描述外耳轮廓具有辅助作用，并且对最大最小耳高线的组合可以获得更高的识别性能。此外，本文提取了三种比率的特征。综上，我们提取的特征具有低维，对旋转和尺度变化鲁棒性高的优势。最后，与基于外观的特征相比，我们提出的集合特征对耳匹配效率更高，它与基于外观的特征互补，可以通过组合这两种特征来获得更好的识别性能。实验在两个通用数据集进行验证，结果表明所提的方法能够获得较高的识别率。
2.相比全局特征和几何特征，局部特征可以提供人耳图像的局部信息，有助于提升人耳识别系统的性能。传统的基于局部特征的人耳识别方法通常需要图像进行精准的对齐和配准，会对识别性能产生较大影响。第3章中，我们定量分析了多种不同局部特征以及特征融合方法对于对齐和非对齐的耳图像的影响，并针对无约束的耳识别问题提出了一种改进方法。在该方法中，我们提出使用判别相关分析算法来融合不同局部特征，从而改善耳图像表达能力。通过上述方式，不同局部特征在耳识别问题中可以提供互补信息，因此有助于进一步提升识别性能。实验在不同的人耳数据集上进行验证，结果表明本文提出的算法在解决人耳对齐问题上能够有效提升人耳验证和识别精度。
3.传统人耳识别方法大多基于人耳的几何形状，人工设计并提取人工全局、局部或几何相关的特征。随着深度神经网络凭借其强大的特征表达能力在各种计算机视觉问题中的广泛应用，我们提出将其应用于人耳图像的特征提取，抽取更具有判别力的特征表示，进一步提升人耳识别性能。第4章中，我们首先基于预训练的VGG-M模型，评估了单层特征表示对人耳识别的性能影响。为充分利用底层特征的细节信息和顶层特征的语义信息，我们采用判别相关滤波器(DCA)对不同层的深度特征进行融合，进一步增强特征表达。此外，DCA在进行特征融合的同时，对深度特征进行了降维操作，减少了计算和存储复杂度。由于人耳数据的匮乏，我们将人耳识别任务转化为二分类问题，通过构建人耳样本对，采用成对SVM分类器进行人耳对的判别，进一步实现识别任务。我们在四个公开人耳数据库上进行了验证实验，结果表明所提算法能够获得较高的识别率，并且与现有方法对比均能取得较高性能。
4.成对SVM对人耳对样本进行分类，来自同类样本的人耳组成的样本对为正样本对，来自不同类的样本构成的样本对为负样本。受此启发，我们在第5章提出将度量学习应用于人耳识别任务。已知的基于成对约束的度量学习方法通过预处理过程构建成对约束，然后在训练过程中使用固定的成对约束。这种策略由于训练数据对数量受限并且一些成对数据没有在训练过程中应用等问题具有明显缺陷，训练的模型对这些未参与训练的成对数据不适用。在第五章中，我们对人耳识别问题提出一种新型的基于动态成对构建的度量学习方法。该方法通过学习多个周期的距离度量，来动态更新成对约束。在每个训练周期中，该方法对每个样本选择了最相似和最不相似的近邻数据构成成对约束，然后通过迭代布雷格曼投影求解优化问题。因此所提出的方法可以在训练中包含更多的成对约束，与现有的耳识别算法相比，实验结果表明该方法能够取得更优的识别率和识别性能。