随着当今信息化社会的不断深入发展,生物特征识别技术已成为了国内外相关研究领域的一个热点,也是各国争相发展的重点战略技术之一。与卡片、钥匙、账号、密码等传统的身份鉴别方法相比,生物特征识别技术具有更好的便捷性。目前,常用的生物特征识别技术有:指纹、人脸、虹膜、掌纹、步态、耳朵、声音、笔迹等。理论上,无论是生理特征还是行为特征,只要具有普遍性、差异性、稳定性和可采集性,都可以被用于个体的身份鉴别。虽然眉毛基本具有这样的特征,且在人脸识别中起着重要的作用,但是目前却很少被作为独立的生物特征用于识别研究。本文在现有基础上进一步研究了眉毛图像的分割和识别方法。主要的研究工作包括了以下几方面:1)研究了纯眉毛区域的定位与提取方法。首先使用AdaBoost级联分类器得到眉毛位置的粗定位,并以此作为初始种子区域,进而利用子区域增长法得到眉毛形状的边界点,最后以凸包的计算方法确定出纯眉毛区域。这种方法在一些高质量图像中能得到较好的分割效果,但会受到图像二值化结果的影响。2)研究了眉毛特征串的快速生成方法。在基于特征串比较的眉毛识别方法中,眉毛特征串的生成过程涉及到了最小树的构建。在数据规模较大的情况下,使用经典Dijkstra算法构建最小树,其效率较低。为此提出了一种基于局部敏感哈希映射的快速建树方法,即哈希Dijkstra近似快速算法。该算法利用二级哈希索引表加速了近邻点的查找,从而快速地得到生成树。虽然生成的是近似最小树,但在构建时间上比经典Dijkstra算法要快。在109人的眉毛识别实验中,使用该近似算法时的识别率能达到81.65%,略低于使用经典Dijkstra算法时的识别率(83%左右)。3)提出了一种新颖的匹配识别框架,并在该框架下进行了眉毛识别研究。该框架下的眉毛识别方法由匹配和判别两个过程组成:在匹配过程中,以归一化的相关系数作为匹配标准,通过使用快速模板匹配方法确定出目标区域;在判别过程中,以傅里叶频谱距离作为判别标准,得到最终的识别结果。在公开的北京工业大学眉毛数据库(BJUTED)上进行的眉毛识别实验显示,该方法的识别率最高能达到97%左右。并且,只需把眉毛模板替换成人脸模板,该方法就能直接应用到人脸识别中。Color FERET人脸库上的实验表明:在相同的识别方法下,眉毛的识别率甚至要高于人脸的识别率(100样本时,眉毛的识别率能达到85%,而人脸的识别率只有81%;在800样本时,眉毛的识别率为75.66%,而人脸的识别率仅有72%)。这不仅验证了眉毛识别的可行性,同时也有力地说明了在某些情况下眉毛识别能替代人脸识别。