论文部分内容阅读
随着全球范围内电子商务的迅速兴起,对人类自身身份识别的准确性、安全性与实用性提出了更高要求,传统身份识别方法(如密码,IC卡等)正越来越受到限制,各方面对更安全有效的身份识别方法的要求日益迫切。生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,是身份识别的一个比较理想的依据。目前,人们已经发展了指纹识别、虹膜识别、掌纹识别、手型识别、人脸识别、语音识别、签名识别等多种生物识别技术,但还未发现把眉毛作为一个独立的生物特征进行身份识别的相关报道。本文借鉴了隐马尔可夫模型(HiddenMarkov Model,HMM)在人脸识别中的成功经验,将HMM的方法运用到眉毛识别中,对人的眉毛作为一种独立生物特征使用的可能性和可行性进行研究。
本论文所完成的工作主要包括以下几个方面:
(1)研究了适合眉毛识别的特征提取方法。本文利用快速傅里叶变换的方法提取眉毛图像的特征矢量,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,减弱了眉毛图像质量对特征矢量的影响,降低了运算复杂度。
(2)解决了如何用一维离散HMM对眉毛图像建模的问题。用快速傅里叶变换的方法提取所有训练眉毛图像的特征矢量,组成训练矢量集,用LBG算法训练出一个码本,通过矢量量化(Vector Quantization,VQ)方法把二维的眉毛图像数据变为一维观察序列。参考基于HMM的人脸识别,采用从左到右无跨越型一维离散HMM对眉毛图像建模。
(3)详细介绍了基于HMM的眉毛识别的训练和识别过程。用状态均匀分割的方法初始化HMM模型,用Baum-welch算法训练模型参数。在识别阶段,首先提取测试眉毛图像的观察序列,然后用前向算法计算每个模型产生该观察序列的概率,产生该观察序列概率最大的模型对应的眉毛(或个人)为识别结果。
(4)本文最后对识别率随观察符号个数和模型状态数的变化关系进行了初步的实验研究,实验结果表明,该方法在一个27人的小规模眉毛数据库上最高识别率可以达到92.6%。