基于几何特征的人耳识别外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

获取网址www.sciencedirect.com

ScienceDirect

计算机科学65 ( 2015 ) 529 – 537

国际会议上交流，管理和信息技术（iccmit2015）

基于几何特征的人耳识别

Asmaa Sabet Anwara,d, Kareem Kamal A.Ghanyb,d,*^[1], Hesham Elmahdy

计算机和信息，开罗大学，开罗，埃及

计算机和信息武汉，Beni suef大学，Beni Suef P.O.Box，62111，埃及

开罗大学计算机与信息学院，开罗，12613，开罗大学邮政局，，

迪斯实验室www.isirlab.net

摘要：随着生物技术的进步，生物识别技术越来越受到人们的重视。人耳是被动人识别的理想数据源。耳朵似乎是一个很好的候选解决方案，因为耳朵是可见的，他们的形象很容易采取和耳朵的结构并没有根本改变随着时间的推移。耳朵满足生物特征（普遍性、独特性、持久性和收藏价值）。在本文中，我们提出了一种新的算法的基础上的几何特征提取（形状，平均，质心和像素之间的欧氏距离）的耳朵识别。首先，我们做了一个预处理阶段，使所有的图像具有相同的大小。然后用Snake模型对耳朵进行检测，采用中值滤波去除噪声，将图像转换成二进制格式。然后利用Canny边缘对图像进行了增强，计算出最大边界，创建距离矩阵，提取图像特征。最后，提取的特征进行分类，使用最近邻与绝对误差距离。这种方法是不变的缩放，平移和旋转。实验结果表明，该方法提供了更好的结果，并获得超过所有精度几乎98%。

copy; 2015作者。由Elsevier出版公司这是CC by-nc-nd许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。

应用研究社会责任下的同行评议

摘关键词：人耳生物特征识别；耳识别；几何特征提取；Snake模型；被动身份识别。

1. * Corresponding author. Tel.: 2-012-210-78191; fax: 2-082-224-6896.E-mail address: kareem@bsu.edu.eg1877-0509 copy; 2015 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license(http://creativecommons.org/licenses/by-nc-nd/4.0/).Peer-review under responsibility of Universal Society for Applied Researchdoi: 10.1016/j.procs.2015.09.126介绍生物识别最近受到大众媒体的关注。生物识别与个人识别的基础上他们的生理或行为特征。人们普遍认为，生物识别技术将成为一个重要的组成部分。生物识别可分为生理和行为两类。生理学是基于对外部物理特征的测量，如体重、身高、体型、脸型、手形、皮肤颜色、质地、气味、发色、视网膜、虹膜、脱氧核糖核酸、指纹和耳朵形状等。行为通常衡量习得行为，如步态、姿势、语音、手写、键盘输入模式，心跳、呼吸模式、和眨眼形式2。任何人的生理或行为特征可能是一个生物如果具有以下的3个步骤：（1）普遍性，即每个人都应该拥有。（2）唯一性，表明没有两个人应该表现出相同的特性。（3）持久性，这意味着这个特性不会随时间而改变。（4）收回，这表明特征可以定量测量。生物识别系统可用于两种模式：验证或识别。标识包括比较与数据库中所有用户相对应的模板的信息。这需要很多时间，因为这取决于数据库的大小。验证涉及只与那些对应于所声称的身份的模板比较。这并不需要太多的时间，因为这比较一对一。这意味着识别和验证的两个问题有待解决。使用耳朵作为人类识别的数据来源有许多优点。首先，耳朵在人类生活中没有大的变化。中学，耳朵有可靠的和强大的功能是可提取的距离。第三，在犯罪现场可以印上指纹。有一些挑战的人耳识别使用，包括耳朵，掩盖了其中的很大一部分头发，戴头巾的穆斯林妇女盖住他们的头发因此遮住他们的耳朵和照明水平。本文的其余部分组织如下，第2节讨论了相关工作，第3节介绍了所提出的方法和它的阶段，第4节介绍了实验结果，最后的结论和未来的工作提供在第5节。相关工作许多方法和一些研究已经提出从人耳识别人们提取特性取决于这个特征。知春亩等AL4讨论了基于人耳识别方法包括耳耳的描述，边缘检测，特征提取边缘，识别方法和耳数据库建设。特征向量由两个向量组成：内外向量。他们构建了77个科目组成的耳朵数据库。每个主题的图像是在两个条件下：光照变化和方向变化。个人被邀请坐200米从相机和改变他/她的面部方向。图像的像素大小是300x400。使用反向传播网络作为分类器，他们得到的识别精度为85%，精度仍然偏低。jitendrab ET. Al5产生多种几何特征提取（如形状，Euclidean距离一个三角形，三角形的边和角作为特征向量）耳为基础的方法来识别一个人利用人耳识别。他们使用了自己的数据库。在无照明变化的照明条件下，利用数码相机采集人脸图像。30人测试的数据已经进行，成功的结果被发现的28个主题，整体效率为90%，但他们使用非常小的数据库。anupamsana ET. Al6提出的人耳识别系统，基于小波变换的Haar人识别。利用Haar小波变换对耳图像进行分解，计算其特征模板中的小波系数矩阵。决定是匹配一个测试图像与N训练的图像使用海明距离的方法。他们使用两个数据库和数据库的创建saugor IITK大学，印度。系统精度为96%。系数矩阵非常大。Choraset也采用了基于轮廓检测的特征提取方法，但这种方法的缺点是错误的曲线检测。他们进行了实验，他们的数据库收集到的耳朵图像（240幅）。他们将数据库分成若干组，这些图像涉及到它们的质量和复杂程度。他们用非常高质量的图像限制实验。对于这些简单的图像从他们的数据库中，他们得到了无差错识别。Chang等Al8用主成分分析，这是人耳识别最常用的方法。他们的数据库包括197个图像作为训练集。但这种方法给出了非常低的精度71.5%。王等。AL9用不变矩和BP神经网络。他们的数据库包括60图像和精度= 91.8%，数据库小。所提出的方法传统方法对个人识别是基于什么是人knowlike引脚的，密码，身份证，和特定的键。这些方法有很多缺点，如难以记忆，容易丢失，缺乏安全性，卡和钥匙经常被盗和密码可以破解。由于传统的识别方法的缺点，我们更倾向于使用生物识别。生物识别技术近来受到大众媒体的关注。生物识别与个人识别的基础上他们的生理或行为特征。人们普遍认为，生物识别技术将成为识别技术的重要组成部分。耳似乎是一个很好的候选解决方案，因为人的耳朵是可见的，他们的图像很容易采取和耳朵的结构并没有根本改变随着时间的推移。所提出的方法包括：预处理，耳检测，边缘检测，后处理，特征提取和最后分类如下所示，并在Fig.3.1前期准备工作在这个阶段，我们调整图像272 x 204像素[ ]根据数据库中图像的大小相同。我们用高斯滤波器平滑图像，如下公式所示： (1)其中x和y是图像的像素坐标，ߪ是标准差。3.2人耳检测3.2.1利用Snake模型检测在图10对象。3.2.2手动选择蛇的初始位置，通过点击图像和控制点的选择。3.2.3指定蛇的各种控制参数如下：阿尔法（阿尔法）：指定蛇的弹性。结合一阶导数项控制轮廓中的张力。beta;（beta;）：结合二阶导数项指定轮廓的刚性gamma;（gamma;）：指定步长ҡ（Kappa）：作为缩放因子的能量项。W（5）：强度为基础的潜在词权重因子。W（边缘）：加权因子为基于边缘的潜在条件。W（eTerm）：终止潜在词权重因子。3.2.4指定迭代的轮廓位置是要计算的数。3.2.5使用默认值如下：alpha;= 0.40，beta;= 0.20，gamma;= 1，Kappa值为0.15，W（ELINE）= 0.30，W（边）= 0.4，（eTerm）= 0.70和迭代= 200边缘检测在这个阶段，我们采用中值滤波去除噪声大小5x5。然后利用全局阈值将图像变换为二值图像。之后，Canny边缘检测器将被用来寻找边缘，通过寻找局部最大的I梯度的梯度计算使用高斯滤波器的衍生物。此方法使用两个阈值，检测强和弱的边缘，并包括在输出中的弱边缘，只有当它们被连接到强边。后处理在这个阶段中，我们采用了一些形态的操作，如扩张方程（2）连接的边缘，可以打破投掷边缘检测。然后移除小于50像素的不想要的对象。之后，我们使用方程（3）来关闭轮廓。 (2) (3)H是结构元素，X是图像3.5特征提取在这个阶段，我们得到二值图像的边界，检测最大的对象，并得到每个像素和所有像素之间的最小欧氏距离，如公式所示（4）。最后我们将包含所有距离降矩阵，四距离，第一距离d（1）在距离矩阵的平均值（最大值），distance2是另一个距离矩阵等。同时以最大目标质心和耳图像均值作为特征值，以保证耳图像之间的唯一性。为了澄清我们的选择，我们首先选择像素之间的最大值，我们得到差的结果。然后，我们尝试添加另一个值，以提高精度。为了在值之间建立一个适当的空间，我们用2，3，和4。 (4)其中D为坐标的两个像素之间的距离（x1，y1），（x2，y2）对于要点，特征向量由七个值组成：x距离1（D（1））x距离2（DSize（D）/ 2）x距离3（DSize（D）/ 3）x距离4（DSize（D）/ 4）质心x坐标质心的y坐标x平均值如公式所示（5） (5)其中x为图像的均值，n为像素数。3.6分类我们将使用三种类型的分类器，这是天真的分类，最近的邻居（距离类型：欧几里德）和K近邻（距离类型：最小绝对差）。我们将解释分类之间的差异在实验结果部分的准确性。 (6)其中x、y为图像像素坐标，N为图像像素数。算法1。提出算法。1）看原图像我（一，j）2）调整图像大小272x204根据图像数据库3）平滑图像与高斯滤波器4）用蛇模型检测耳朵5）将感兴趣区域的多边形（耳朵图像）转换为区域掩模M（I，i）6）孤立耳图像只有耳朵（I，j）= I（I，j）*米（I，J）7）应用中值滤波8）将耳朵图像转换为基于阈值的二值图像9）应用Canny边缘检测器10）扩展耳图像连接边缘，可以打破丢边检测。11）删除小物体，认为它是噪音12）尝试关闭轮廓13）获取二进制图像中所有对象的所有边界14）检测最大对象15）计算在耳朵图像中的每个像素和所有像素之间的欧几里德距离，如公式所示（4）16）排序距离d降17）取最大值和三个其他距离作为特征值，以保证耳朵图像之间的唯一性18）获取耳朵图像的均值作为特征值19）取最大物体质心作为特征值20）特征向量由7个值组成o距离1(D (1) )o距离2(D (Size(D) / 2 )o距离3(D (Size(D) / 3)o距离4(D (Size(D) / 4)o质心x坐标o质心坐标o计算平均使用方程（5）21）应用K近邻法对耳图像进行分类（6）4、实验结果4.1德里德里耳数据库版本1的描述德里德里耳数据库主要由德令哈市州的学生和工作人员收集的手图像，在加拿大，加拿大，加拿大，加拿大，加拿大，美国，美国，加拿大，美国，美国，加拿大，美国，美国，，美国。该数据库已获得在十月2006 jun2007使用一个简单的成像。数据库取自年龄在14岁至58岁之间的人群。这些图像的分辨率是272x204像素。我们可以在图2中看到这个数据库的样本。4.2. 结果与讨论我们使用IIT数据库样本，对50people 3耳图像。此外，我们使用了2个图像的训练和1图像测试（100图像作为训练，50个图像作为测试）。在这个实验中，我们使用的数据的样本，3耳图像为50人。使用2个图像进行训练和1图像进行测试，然后训练图像= 100图像和测试图像= 50图像。算法输出的顺序如图3所示。分类采用多但最近邻分类器绝对差和距离得到最高的精度，图像分类和图像真实= 49分= 1 = 98%错误使用时精度和绝对距离的K近邻分类如表1所示。我们进行了比较研究人员在这个主题，根据数据库中使用的图像的准确性和数量。我们可以注意到，大多数研究人员使用自己的数据库非标准数据库。这可能会导致坏的结果，因为使用标准。数据库使我们能够比较我们的结果与它。此外，研究人员的数据库很小，5位作者只使用了30幅图像，准确度相当于90%，在11，他们使用了58个耳朵图像，准确度相当于87.9%。最后，作者用in16,17 IIT Delphi和他们取得了很好的精度，但比我们的工作。表2和图4。澄清这些结果。5，结论和未来的工作提出了一种基于几何特征提取的识别方法。提取七个值作为特征向量的平均值的耳朵图像，X坐标的质心，y坐标的重心，从矩阵中包含每个图像像素之间的欧氏距离的四个不同的距离。我们试图增加距离值采取增加特征向量，这将是更具代表性。我们不影响运行时间，因为特征向量仍然是小，但代表。K近邻用于

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[28664]，资料为PDF文档或Word文档，PDF文档可免费转换为Word