梁曉霞， 封 筠

(石家莊鐵道大學(xué)計算機與信息工程學(xué)院，河北 石家莊 050043)

0 引言

人耳識別作為一種新興的生物特征識別技術(shù)，以其特殊的生理位置和生理結(jié)構(gòu)，使它可以作為其它生物識別技術(shù)的有益補充，也完全可以單獨應(yīng)用于一些個體識別場合。人耳具有豐富的結(jié)構(gòu)，每個人的外耳輪廓，內(nèi)部耳溝紋理都是不相同。其中豐富的小溝道突起，是非常重要的特征。這些特征從出生起就不可更改，不會因為環(huán)境的改變而變化。人耳作為人體的一種生物特征，與人臉、虹膜、指紋一樣具有普遍性、唯一性、穩(wěn)定性、可采集性等作為生物特征識別必備的基本性質(zhì)。

Hurley等［1］提出利用力場轉(zhuǎn)換獲取勢能渠道和勢能阱作為人耳特征。M.Choras［2］采用幾何學(xué)方法從人耳圖像中提取特征。Yuizono T.等［3］把人耳識別問題轉(zhuǎn)換為圖像的模板匹配問題，用遺傳算法進(jìn)行全局搜索，在基本的選擇，交叉，變異操作中加入了局部搜索，取得了一定的研究成果。Loris Nanni等［4］提出一種基于多模態(tài)匹配系統(tǒng)的2D人耳識別的局部方法，利用Gabor濾波器的每個子窗口卷積提取特征。Ping Yan和Kevin W.Bowyer［5］提出基于3D人耳形狀的識別方法。穆志純等［6］提出了基于長軸的形狀特征提取方法，提取外耳的形狀特征向量和內(nèi)耳的結(jié)構(gòu)特征向量來形成局部特征向量。苑瑋琦等［7］針對人耳特點提出了一種基于耳廓邊緣幾何結(jié)構(gòu)的識別方法。王忠禮等［8］將距和不變距理論應(yīng)用于人耳識別處理過程，采用高階不變距方法對人耳圖像進(jìn)行信息變換和特征提取。趙海龍等［9］采用基于小波分解和鑒別共同矢量的人耳識別方法。張玉［10］針對局部遮擋人耳圖像識別，提出一種改進(jìn)的稀疏性受限的非負(fù)矩陣因子方法。封筠等［11］利用局部二值模式描述符對人耳圖像進(jìn)行紋理特征分析的研究。

介紹一種基于Gabor變換和灰度-梯度共生矩陣(Gray-Gradient Co-occurrence Matrix，簡稱GGCM)的人耳圖像紋理特征提取方法，并采用K-NN分類器對特征進(jìn)行分類。

1 Gabor濾波變換

Gabor濾波變換法是因早期模擬人類視覺系統(tǒng)而產(chǎn)生的，通過模擬人類視覺系統(tǒng)，可以將視網(wǎng)膜成像分解成一組濾波圖像，每個分解的圖像能夠反映頻率和方向在局部范圍內(nèi)的強度變換，通過一組多通道的Gabor濾波器，可以獲得紋理特征［12］。Gabor函數(shù)是唯一能夠達(dá)到測不準(zhǔn)關(guān)系下分界的函數(shù)。圖像的Gabor變換具有聯(lián)合最優(yōu)的空域和頻域局部化特性，且對邊沿具有大的響應(yīng)［13］。二維Gabor函數(shù)是一個復(fù)變函數(shù)，在計算上比較繁瑣，但是該函數(shù)是一個偶對稱的函數(shù)，因此可以利用它的實數(shù)部分作一個濾波器。使用的濾波器形式如下

式中，Xφ=xcosφ+ysinφ;Yφ=ycosφ－xsinφ;φ是Gabor濾波器的方向，f是濾波器的頻率，這兩個參數(shù)在局部范圍內(nèi)是不變的。δx和δy是沿X軸和Y軸的Gaussian包絡(luò)常數(shù)。利用不同頻率和方向的Gabor函數(shù)可以構(gòu)成濾波器組，用其與給定圖像信號做卷積，可用于檢測和描述圖像中的紋理特性。

2 灰度-梯度共生矩陣

2.1 灰度梯度共生矩陣定義

GGCM紋理特征分析是用灰度和梯度的綜合信息提取紋理特征。將圖像的梯度信息加入到灰度共生矩陣中，使共生矩陣更能包含圖像的紋理基元及其排列信息［14］。

設(shè)一幅圖像 {f(i，j);i，j=0，1，2，…，N －1}，灰度級數(shù)目為 Lf。利用平方求和可得到它的梯度圖像{g(i，j);i，j=0，1，2，…，N －1}。將此梯度圖像進(jìn)行灰度級離散化 Lg，設(shè)灰度級數(shù)目為 Lg，離散化間隔為1/Lg，即新的灰度級應(yīng)為

式中，gmax，gmin分別是g(i，j)的最小值和最大值。經(jīng)此變換后梯度圖像為{G(i，j);i，j=0，1，2，…，N －1}，灰度級數(shù)目為Lg。

灰度梯度共生矩陣定義［15］為:{H(x，y);x=0，1，2，…，Lf－1;y=0，1，2，…，Lg－1}。H(x，y)定義為集合{(i，j)|f(i，j)=x 且G(i，j)=y，i，j=0，1，2，…，N －1}中的元素數(shù)目，即灰度值為x，梯度值為y的總像素個數(shù)。對灰度梯度共生矩陣進(jìn)行歸一化處理，使其各元素之和為1。變換公式為

2.2 特征描述

基于規(guī)范化的GGCM，可以計算一系列的二次統(tǒng)計特征。選取了15個常用的GGCM的數(shù)字特征:

3 人耳識別方案

人耳身份識別屬于典型的模式識別問題，所設(shè)計的識別方案主要由三部分構(gòu)成，即人耳圖像預(yù)處理，紋理特征的提取，基于K階最近鄰域(K-NN)分類器。其系統(tǒng)結(jié)構(gòu)如下:人耳圖像→維納濾波→直方圖均衡化→尺寸歸一化→Gabor+GGCM提取融合特征→K-NN分類器→類別號。

3.1 人耳圖像預(yù)處理

人耳圖像預(yù)處理就是將攝像機直接拍攝的圖像進(jìn)行處理。通過圖像分割，灰度化，圖像去噪與修復(fù)，圖像增強，圖像尺寸歸一化等手段，使得圖像質(zhì)量有較大改善，是提高圖像質(zhì)量和識別率的關(guān)鍵步驟。圖像分割實現(xiàn)的就是從所拍攝的人頭圖像上分割出耳朵圖像。第二步使用維納濾波對圖像進(jìn)行去噪和修復(fù)，然后通過直方圖均衡化方法進(jìn)行圖像增強，使圖像對比度增強，減少不同圖像之間的光照差異，最后采用雙三次插值法將人耳圖像歸一化為64×40像素。

3.2 紋理特征提取

在Gabor濾波后引入GGCM，串聯(lián)融合提取人耳圖像的紋理特征。紋理特征提取過程如圖1所示。

圖1 Gabor與GGCN串聯(lián)融合提取紋理特征

首先采用Gabor濾波器對歸一化后的人耳圖像進(jìn)行濾波。這里使用4個頻率(f=2，4，8，16)，6個方向(θ=pi/8，pi/6，pi/4，pi/3，2pi/3，5pi/8)，共24 個 Gabor函數(shù)對人耳圖像濾波。部分經(jīng) Gabor濾波后的圖像如圖2所示。然后對經(jīng)Gabor濾波后的24幅圖像采用灰度梯度共生矩陣提取紋理特征。這里權(quán)衡了計算量和識別率兩方面的因素，為了獲取更高的人耳識別率，在計算量可以容忍的情況下，選取了上述15類常用數(shù)字特征，由此可以得到一幅人耳圖像的360維紋理特征向量。

圖2 多通道Gabor濾波變換后的部分人耳圖像

3.3 K-NN 分類

K近鄰的基本原則就是取未知樣本x的k個近鄰，看這k個近鄰中多數(shù)屬于哪一類，就把x歸為哪一類。該算法使用最大投票法來確定待測試人耳的類別。此算法的性能很大程度上依賴于兩個因素:一個合適的相似度函數(shù)和給參數(shù)K一個恰當(dāng)?shù)馁x值。嘗試使用以下四種相似性測度，并在人耳圖像庫上測試了自1-NN到20-NN的運行情況。

式中，S為特征間的協(xié)方差矩陣。

4 實驗結(jié)果與分析

實驗數(shù)據(jù)來源于北京科技大學(xué)USTB人耳圖像庫3［16］。其中包括79人，每人10幅的人耳圖像，共拍攝正側(cè)面，向右轉(zhuǎn)5°，10°，15°，20°共5種角度，每種角度2幅圖像，依次排列。取每類中8個圖像作為訓(xùn)練樣本，其余兩個為測試樣本。實驗中采用交叉驗證識別率來解決過擬合問題，分別計算每個驗證分區(qū)的識別率，最后的交叉驗證率是這些單獨識別率的平均值。對人耳圖像集使用5折交叉驗證，每折的2個樣本來自于同一頭部旋轉(zhuǎn)角度。

為了驗證方案的有效性，采用僅選取Gabor變換提取特征和僅選取GGCM提取特征的實驗作為對比。

4.1 基于Gabor變換提取紋理特征的人耳識別

經(jīng)Gabor變換后得到每幅圖像在不同頻率和相位下的24組小波系數(shù)，再分別計算這24組數(shù)據(jù)的均值和方差并將其作為特征數(shù)據(jù)，每個樣本得到一個48維的特征向量用于分類。不同測度下，K值與交叉驗證錯誤率的關(guān)系如下圖3所示。K值相同時，各種測度下的性能差異很明顯。其中，夾角余弦相似度和馬氏距離的性能最差，接近100%的錯誤率，明氏距離測度優(yōu)于歐氏距離。同時，由曲線的趨勢可以看出K值越小，錯誤率越低，1-NN的分類器性能是最好的。

4.2 基于GGCM提取紋理特征的人耳識別

選用GGCM提取紋理特征，共得到圖像的15個二次數(shù)字統(tǒng)計特征。不同測度下，K值與交叉驗證錯誤率的關(guān)系如圖4所示。K值相同時，明氏距離性能略優(yōu)于歐氏距離，夾角余弦相似度和馬氏距離的性能最差。

圖3 基于Gabor變換的不同相似測度下K與識別錯誤率的關(guān)系

圖4 基于GGCM的不同相似測度下K與識別錯誤率的關(guān)系

4.3 基于Gabor變換與GGCM融合提取紋理特征的人耳識別

最后，采用Gabor變換和GGCM相結(jié)合串聯(lián)融合提取人耳圖像的紋理特征。不同測度下，K值與交叉驗證錯誤率關(guān)系如圖5所示。從圖中曲線趨勢可見，在明氏距離和歐氏距離測度下，識別率有明顯的提高。不論在哪種相似度測度下，1-NN分類器的性能是最好的。

表1中列出三組不同方案在不同相似度測度下，K從1到20的最低錯誤率，即K=1時的性能。

表1 不同相似度測度下三組方案的人耳識別性能

4.4 實驗結(jié)果分析

通過以上的對比實驗，可以得出結(jié)論，基于Gabor變換與GGCM的性能優(yōu)于分別單獨選取Gabor變換提取特征或選取GGCM提取特征的識別性能。同時，不論是在哪種方案中，K取同一值時，不同相似度測度下性能差異是顯著的，明氏距離的識別率高于其它相似度測度的性能。另外，不論在哪種相似度測度下，近鄰K的數(shù)目對識別性能的影響也是很明顯的，其中，1-NN的分類器性能是最好的。特別地，在明氏距離測度及K=1時，采用Gabor變換和GGCM串聯(lián)融合提取人耳圖像的紋理特征，交叉驗證識別率達(dá)到81.77%。

5 結(jié)論

圖5 基于Gabor與GGCM的不同相似測度下K與識別錯誤率的關(guān)系

針對人耳識別問題提出一種新的紋理特征提取方法，將Gabor變換與灰度-梯度共生矩陣相結(jié)合，并采用K-NN分類器進(jìn)行分類識別。實驗結(jié)果顯示，在明氏距離測度作用下，該方法是可行和有效的。在今后的工作中，將改進(jìn)算法，采用如支持向量機等其他的分類器，有效提高識別性能。

［1］Hurley D，Nixon M，Carter J.Force field feature extraction for ear biometrics［J］.Computer Vision and Image Understanding，2004，98:491-512.

［2］Chora? M.Ear biometrics based on geometrical feature extraction.Electronic Letters on Computer Vision and Image Analysis，2005，5(3):84-95.

［3］Yuizono T，Wang Y，Satoh K，et al.Study on individual recognition for ear images by using Genetic Local search［C］//Proceedings of the 2002 Congress on Evolutionary Computation.USA:IEEE Press，2002:237-242.

［4］Loris Nanni，Alessandra Lumini.A multi-matcher for ear authentication［J］.Pattern Recognition Letters，2007，28:2219-2226.

［5］Ping Yan ，Kevin W，Bowyer.Biometric recognition using 3D ear shape［J］.IEEE Transactions on Pattern Analysis And Machine Intelligence，2007，29(8):1297-1308.

［6］穆志純，席德春，徐正光，等.外耳形狀特征和內(nèi)耳結(jié)構(gòu)特征結(jié)合的人耳特征提?。跩］.北京科技大學(xué)學(xué)報，2006，28(5):497-500.

［7］苑瑋琦，田瑩，鄒達(dá).基于多尺度Canny算子的人耳幾何特征提取與識別［J］.光電子·激光，2008，19(11):1554-1557.

［8］王忠禮，穆志純，王修巖.基于不變距匹配的人耳識別［J］.模式識別與人工智能，2004，17(4):502-505.

［9］趙海龍，穆志純，張霞，等.基于小波分解和鑒別共同矢量的人耳識別［J］.計算機工程，2009，35(10):27-29.

［10］張玉，穆志純.基于改進(jìn)NMFSC方法的人耳識別［J］.計算機應(yīng)用，2006，26(4):790-792.

［11］Jun Feng，Zhichun Mu，Shufeng Duan，et al.Ear recognition based on local binary pattern and kernel fisher discriminant analysis［J］.Journal of Information and Computational Science，2008，5(2):887-894.

［12］蔣先剛.數(shù)字圖像模式識別工程軟件設(shè)計［M］.北京:中國水利水電出版社，2008.

［13］李嵩，劉黨輝，沈蘭蓀.基于Gabor變換的人眼定位方法［J］.測控技術(shù)，2006，25(5):27-30.

［14］左文明，黎紹發(fā)，曾憲貴.脫機手寫簽名紋理特征分析［J］.微電子學(xué)與計算機，2005，22(2):154-157.

［15］商露兮，方建安，谷小婧，等.夜視圖像自動彩色化源圖選擇算法［J］.激光與紅外，2009，39(2):223-226.

［16］穆志純.北京科技大學(xué)人耳識別實驗室-開放式人耳圖像庫［EB/OL］.［2010-5-10］.http://www.ustb.edu.cn/resb/subject/subject.htm.