專利名稱：：融合小波分析與矩特征的人耳圖像識別方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種人體生物特征的個人身份識別技術(shù)，特別涉及一種融合小波分析與矩特征的人耳圖像識別方法。
背景技術(shù)：
：近年來，生物鑒別受到越來越多研究人員的關(guān)注。它在幾乎從身份認證到通道入口安檢的各個方面中都發(fā)揮了重要作用。但是現(xiàn)階段大部分生物鑒別技術(shù)都對其工作環(huán)境有哿刻的要求，因而限制了其適應(yīng)范圍。所以研究人員都努力在尋找新的生物鑒別技術(shù)，人耳識別就是其中一種新型識別技術(shù)，國內(nèi)外對其研究的都很少。人耳識別技術(shù)以其獨特的生理特征和觀測角度，使它具有相當(dāng)?shù)睦碚撗芯績r值和實際應(yīng)用前景。它涉及到生物特征提取、計算機視覺、圖像處理、模式識別和身份認證技術(shù)等諸多領(lǐng)域。人耳不僅具有與其他個體生物特征共同之處，還具有一些獨特的特征結(jié)構(gòu)穩(wěn)定，不受面部表情的影響，位置固定，樣本采集不會有相關(guān)的衛(wèi)生問題，也不會使人緊張，更容易為人接受。并且盡管人耳比人臉、掌紋要小，但比虹膜、視網(wǎng)膜、指紋大，也容易采集。人耳檢測和識別技術(shù)正在成為生物特征枱r測和識別領(lǐng)域的又一熱點。非接觸生物特征鑒別技術(shù)在安全、金融、法律、人機交互等領(lǐng)域具有廣闊的應(yīng)用前景，因此得到了研究人員的廣泛關(guān)注。人耳識別技術(shù)作為其中之一，具有巨大的發(fā)展?jié)摿蛷V闊的應(yīng)用空間。但經(jīng)攝像頭、照相機采集的照片往往是因為不同的時刻而具有不同的光照亮度，而且還有嚴重的光照不均。單獨采用任何一種矩不變量作為特征提取都不能取得很好的識別效果。因而需要尋找一種更好的提取識別人耳特征的方法。在使用數(shù)字圖像進行模式識別與檢測的研究中，研究人員提出了眾多特征提取的方法，但是每種方法都有自己特定的應(yīng)用范圍。由于矩不變量具有平移、旋轉(zhuǎn)和尺度不變性，所以它成為使用比較廣泛的特征提取方法。但是對圖像全局提取特征量的不變矩(如Hu矩、Zernike矩等)有計算量大、受噪聲影響較大等缺點。因此僅適用于分類具有顯著差別的模式，而無法區(qū)分只有細微差別的相似模式。D.Shen和Horace.H.S提出的小波矩不變量可以克服以上缺點，利用它不僅可以得到圖像的全局特征，而且也可以得到圖像的局部特征，因而在識別相似物體方面具有更高的識別率。目前小波矩不變量的計算式如下其巾式中，|《=1為小波矩不變量值；Sq(r)是在極坐標中計算的量，f(r，e)為極坐標圖像，6為像素在極坐標圖像中的角度，r是極坐標中像素的極徑；W"(")為二進小波基函數(shù)；,e是變換核的角度分量，e是自然對數(shù)的底，j是虛數(shù)單位，m、n、q為整數(shù)。上述計算式在計算小波矩不變量時需要使用坐標轉(zhuǎn)換，將數(shù)字圖像從直角坐標系中變換到極坐標系，這樣變換后會增加轉(zhuǎn)換誤差，導(dǎo)致小波矩不變量值不準確。另一種方法則采用顯性小波對小波矩不變量進行計算，但這種方法難以將mallat快速算法融入其中，計算速度低。而且因光照不均、光照強度變化、噪聲干擾等情況也會影響識別率。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種融合小波分析與矩特征的人耳圖像識別方法，它通過小波模極大值與改進小波矩不變量算法對人耳特征值進行提取，不但計算準確度高、計算速度快，并可以提高在光照不均、光照變化、噪聲干擾環(huán)境下采集的人耳圖像的識別率。本發(fā)明的目的是這樣實現(xiàn)的(1)對采集的人耳圖像進行預(yù)處理用小波變換模極大值對采集的人耳圖像去噪，提取人耳圖像邊緣，得到小波分解各尺度下模極大值邊界圖像；(2)提取人耳圖像的特征值利用改進的小波矩不變量算法計算小波矩不變量值，用于提取人耳圖像的特征值；(3)識別人耳將步驟(2)得到的人耳圖像的特征值進行加權(quán)以及分類，對人耳進行識別。所述人耳圖像的去噪和人耳圖像邊緣提取的步驟如下1)利用小波模極大值及小波變換，實現(xiàn)人耳圖像的去噪處理；具體步驟為對圖像進行多尺度的小波變換,得到各個尺度下的極大模值和幅角。利用噪聲的極大模值會隨尺度增加而急劇減小的特點，在較低尺度上設(shè)置較大的域值，在較高尺度上設(shè)置較小的域值，從而找到極大模值低于設(shè)定域值的那些對應(yīng)點，即是噪聲點。將噪聲的小波系數(shù)按零處理，而正常信號的小波系數(shù)保持不變，再通過小波反變換得到一幅濾波后的圖像。2)利用小波模極大值檢測算子確定人耳圖像的突變與緩變的位置，檢測信號變化的奇異性的特點，用于檢測人耳圖像的邊緣和細節(jié)，得到小波分解各尺度下模極大值邊界圖像，用于人耳圖像邊緣提取。具體步驟為對于原始圖像進行二進離散平穩(wěn)小波變換得到變換后的d、波系數(shù)矩陣與原始圖像矩陣同樣大小；分別計算每像素的模和幅角；求出圖像小波變換后的模極大值點；設(shè)定閾值,模值大于閾值的確定為邊緣點；輸出圖像的多尺度邊緣圖。所述改進的小波矩不變量算法為直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法。所述直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma1lat算法的計算式為<formula>formulaseeoriginaldocumentpage7</formula>式中,<formula>formulaseeoriginaldocumentpage7</formula>為小波矩不變量值；&(。"為在平面直角坐標中計算的對圖像進行加權(quán)采樣量；為二進小波基函數(shù)；p表示對r積分。所述直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法為基于空間域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(ri)n計算式為<formula>formulaseeoriginaldocumentpage7</formula>式中，f(x,y)為直角坐標圖像；j為虛數(shù)單位，q為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x，y)為像素點到中心點的距離；根據(jù)上述計算式，使用Mallat算法計算小波矩不變量值iF::i,用于提取人耳圖像的特征值。所述直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法為基于頻率域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(ri)ri計算式為<formula>formulaseeoriginaldocumentpage7</formula>式中，F(xiàn)(u，v)為幅值譜圖像；j為虛數(shù)單位，q為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x，y)為像素點到中心點的距離；根據(jù)上述計算式，使用Mallat算法計算小波矩不變量值|《=1,用于提取人耳圖像的特征值。采用了上述方案，用小波變換模極大值對采集的人耳圖像去噪并提取人耳圖像邊緣，得到小波分解各尺度下模極大值邊界圖像。由于噪聲的模極大值的幅度隨尺度的減小而迅速增加，而正常信號的情況正好相反，因此利用小滋j莫極大值及小波變換，容易把噪聲從正常信號中剔除，這種方法對高斯白噪聲和脈沖噪聲都有很好的去噪效果。利用小波模極大值檢測算子確定人耳圖像的突變與緩變的位置，檢測信號變化的奇異性的特點，用于檢測人耳圖像的邊緣和細節(jié)，得到小波分解各尺度下模極大值邊界圖像，用于人耳圖像邊緣提取。小波模極大值描述的是圖像中目標的多尺度邊界，在對多尺度小波變換進行不規(guī)則抽樣的基礎(chǔ)上得到的，該方法除具有圖像平移不變性外，還具有可以將噪聲和光照不均對圖像的影響降到最低的優(yōu)點。利用改進的小波矩不變量算法計算小波矩不變量值，用于提取人耳圖像的特征值，改進的小波矩不變量算法為直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法。改進的小波矩不變量算法在計算圖像小波矩不變量值時不進行坐標轉(zhuǎn)換就可以融合Mallat算法，即能將數(shù)字圖像直接在直角坐標系中進行處理，對數(shù)字圖像采樣獲得數(shù)據(jù)，這樣既可以減少現(xiàn)有算法在坐標變換過程中帶來的誤差，提高計算準確度；又能加快計算小波矩不變量的速度，使工作量得以減輕。雖然單獨改進的小波矩不變量算法計算小波矩不變量值，來提取人耳圖像的特征仍會受光照變化與光照不均等因素的影響，但在使用改進的d、波矩不變量算法計算d、波矩不變量值之前，人耳圖像已經(jīng)使用了小波模極大值去噪與提取邊緣，通過將改進的小波矩不變量算法計算小波矩不變量值，對人耳圖像進行特征提取的方法，可以使圖像采集設(shè)備采集到的人耳圖像具有比例縮放、旋轉(zhuǎn)、平移不變性的優(yōu)點。因此，與現(xiàn)有技術(shù)相比，本發(fā)明的方法具有非常明顯的優(yōu)勢。直接對數(shù)字圖像釆樣的數(shù)據(jù)融合Mallat算法為基于頻率域歸一化的小波矩不變量算法。圖像的傅里葉變換直流分量是居中的，與其相關(guān)的加權(quán)模板就可以在用FFT計算圖像的頻譜時同時生成。并且基于頻率域歸一化的小波矩不變量的特征提取是用一系列帶通濾波器提取圖像各頻帶的分量后，用Mallat算法對頻率的細節(jié)進行小波分析。圖像的幅值譜能量往往集中在中低頻，而噪聲的幅值譜往往集中在高頻，在頻率域的小波不變矩采樣可以根據(jù)Mallat算法對噪聲頻帶進行舍棄。因此它具有更好的抗噪聲能力。圖1為人耳庫中不同人的耳圖像；圖2a為在弱光照環(huán)境下采集的人耳圖像；圖2b為在強光照環(huán)境下采集的人耳圖像；圖2c為在加噪聲條件下采集的人耳圖像；圖3a為對弱光照環(huán)境下采集的人耳圖像進行預(yù)處理后的圖；圖3b為對強光照環(huán)境下采集的人耳圖像進行預(yù)處理后的圖；圖3c為對加噪聲條件下采集的人耳圖像進行預(yù)處理后的圖；圖4為同一人耳不同狀態(tài)下的圖像。具體實施方式步驟一對人耳圖像的采集本實驗所使用的人耳圖像樣本為本實驗室建立的人耳數(shù)據(jù)庫。數(shù)據(jù)庫樣本考慮了民族、年齡、地域因素，具有普遍性。每個人的人耳照片包括在自然光源、強光照、陰暗條件下各個角度的人耳照片，考慮了外界環(huán)境影響的因素。本實驗用來進行實驗的人耳圖像樣本是從人耳圖像數(shù)據(jù)庫中選取50個人的右耳正面圖片(部分樣本如圖1所示)。選取的每個人的人耳照片包括不同光照、不同大小、不同旋轉(zhuǎn)角度以及人為加入噪聲共24幅圖片(如圖4所示)。圖2所示是在弱光照、強光照以及有強噪聲干擾攝像設(shè)備時得到的人耳圖像。這是由于圖像采集處的天氣變化造成的光照變化，以及設(shè)備本身的原因而帶來的噪士尸。步驟二人耳圖像預(yù)處理利用小波模極大值對采集的人耳圖像去噪并提取人耳圖像邊緣通常，小波變換的信號奇異檢測主要應(yīng)用于故障診斷、圖像的多尺度邊緣提取、信號恢復(fù)和去噪等領(lǐng)域。本發(fā)明中利用小波模極大值(模極大值去噪法是一種經(jīng)典的小波去噪方法)及其合適尺度的小波變換，用于人耳圖像的去噪處理。由于噪聲的模極大值的幅度能隨尺度的減小而迅速增加，而正常信號的情況卻相反。正常信號的小波模極大值往往會大于噪聲的小波模極大值，而且噪聲的小波模極大值會隨著尺度增大而急劇減少，正常信號的小波模極大值卻改變很小，由此構(gòu)造了更有效的去噪準則，即根據(jù)不同尺度上的小波模極大值信息，選擇不同的域值來濾除噪聲。因此利用合適尺度的小波變換,容易把噪聲從正常信號中剔除，這種方法對高斯白噪聲和脈沖噪聲都有很好的去噪效果。利用小波變換極大值檢測算子能確定突變與緩變的位置，檢測信號變化的奇異性的特點，來檢測人耳圖像的邊緣和細節(jié)，最后得到小波分解各尺度下模極大值邊界圖像，用于人耳圖像邊緣提取。利用小波變換對奇異特性尤為敏感的特點，來檢測圖像的邊緣和細節(jié)，對某一類小波，圖像邊緣對應(yīng)于小波變換的局部模極大值。這種邊緣正是人耳圖象所固有的邊緣，而不會有光照陰影產(chǎn)生的偽邊緣。小波模極大值描迷的是圖像中目標的多尺度邊界，在對多尺度小波變換進行不規(guī)則抽樣的基礎(chǔ)上得到的，該方法也具有平移不變性。因此，使用它作圖像的預(yù)處理可以將噪聲和光照不均對圖像的影響降到最低。圖3是采用多尺度小波去噪和模局部極大值邊緣檢測相結(jié)合的方法得到的人耳圖像的無噪邊緣。從圖3中可以看出這些邊緣不再受噪聲、光照變化等干擾。因此，它對使用結(jié)合了Mallat算法的小波矩不變量，來處理圖像只有旋轉(zhuǎn)、平移縮放的狀態(tài)而不受到噪聲與光照的影響提供了保證。小波矩不變量的計算式如下J"^々M，"(廠其中式中，|《=1為小波矩不變量值；SJr)是在極坐標中計算的量，f(r，e)為極坐標圖像，e為像素在極坐標圖像中的角度，r是極坐標中像素的極徑；W"(")為二進小波基函數(shù)；e^是變換核的角度分量，e是自然對數(shù)的底，j是虛11/7wave/"II—IIw,",《II一數(shù)單位，m、n、q為整數(shù)。上述計算式在計算小波矩不變量時需要使用坐標轉(zhuǎn)換，將數(shù)字圖像從直角坐標系中變換到極坐標系，步驟三利用改進的小波矩不變量算法計算小波矩不變量值，用于提取人耳圖像的特征值。小波矩的出現(xiàn)是圖像矩不變量的一個質(zhì)的飛躍。因為小波變換可以同時提供時域和頻率域窗口，具有反映信號局部信息的能力，因而可以利用小波變換的這種特性來提取圖像的局部特征。本發(fā)明中，改進的小波矩不變量算法為直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法，該直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法的計算式為Ik二廣'l卜IIJ、")r,m,(r)"II式中，l尸:1為小波矩不變量值；Sq(ri)n為在平面直角坐標中計算的對圖像進行加權(quán)采樣量；為二進小波基函數(shù)；J"c^表示對r積分。直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma1lat算法的小波矩不變量算法可以直接對數(shù)字圖像采樣，既能減少坐標變換過程中帶來的誤差，又加快計算小波矩不變量的速度。結(jié)合小波矩計算式與數(shù)字圖像自身的特點，首先在采樣計算中采用了模板的加權(quán)采樣。對小波矩不變量定義公式進行分析，可以看出w，"，《是對^""的一維小波變換。雖然對每個r求SqO對于離散的字圖像都會有很大偏差，但一個柵格交點上的離散圓的定義非常嚴格。我們更傾向于圓是具有一定"厚度"的，從而將圓看成是一個圓環(huán)所包含像素點的集合。質(zhì)心到最遠處的像素距離如果以2n為步長求就可以將誤差減少到最低。在實際數(shù)字圖像中，為max(r),因而可以得到Lmax(r)/2"個S"+",作為下一步使用Mallat-'。陽HV算法時小波分析得出數(shù)據(jù)。根據(jù)計算式<formula>formulaseeoriginaldocumentpage12</formula>,直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法有如下兩種(1)直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法為頻率域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(n)ri計算式為<formula>formulaseeoriginaldocumentpage12</formula>式中，f(x，y)為直角坐標圖像；j為虛數(shù)單位，q為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x，y)為像素點到中心點的距離；通過以下步驟對小波矩不變量值u《:::i進行計算1)設(shè)置圖像的期望值，將圖像的零階矩調(diào)整為等于期望值，即將圖像尺寸的歸一化，得到統(tǒng)一大小的標準圖像；2)求出圖像一階矩與零階矩的比值既圖像質(zhì)心坐標，并將圖像坐標原點平移到圖像質(zhì)心處。求質(zhì)心(Jf,F)公式為f=M1()/M。。，F(xiàn)-Mw/M。。。平移后圖像f、(X，Y)為f、a，Y)=fa+jr,Y+n;3)計算產(chǎn)生與圖像尺寸相同并且坐標原點與圖像質(zhì)心坐標相同的r(x,y)與0"力模板。r(x,y)為像素點到中心點的距離；6(x,y)為像素點的與中心點的水平角度；4)求出加權(quán)采樣中的每一個Sq(rjri;5)使用Mallat算法對數(shù)據(jù)進行小波變換，根據(jù)f二,'I卜1ij"Sg(。",,^II計算小波矩不變量值用于提取人耳圖像的特征值。(2)直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法為頻率域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(rjri計算式為<formula>formulaseeoriginaldocumentpage12</formula>式中，F(xiàn)(u,v)為幅值譜圖像；j為虛數(shù)單位，q為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x，y)為像素點到中心點的距離。通過以下步驟對d、波矩不變量值|Fm:toii進行計算1)設(shè)置圖像的期望值，將圖像的零階矩調(diào)整為等于期望值，即將圖像尺寸的歸一化，得到統(tǒng)一大小的標準圖像；2)采用快速傅氏變換法FFT計算歸一化圖像的幅值譜，并行計算產(chǎn)生一個與歸一化圖像尺寸相同，并且坐標原點在模板中心點的Ka力與PO,力模板；r(x，y)為像素點到中心點的距離；6(x，y)為像素點的與中心點的水平角度；3)求出加權(quán)采樣中的每一個SjrOn;4)使用Mallat算法對數(shù)據(jù)進行小波變換，根據(jù)公式卄F二廣'I卜1IP《(。",,u)"II計算小波矩不變量值l尸，l，用于提取人耳圖像的特征值。由于人耳圖像的傅里葉頻譜是關(guān)于原點對稱的，并且坐標軸方向上是周期無限的，因此，可以直接對人耳圖像進行FFT變換，變換后傅里葉變換直流分量居中。又因為人耳圖像平移時其頻譜只有相位的變化，只要對其頻譜取模得到幅值譜便具有平移不變性。結(jié)合二維傅里葉變換的旋轉(zhuǎn)性可知其時、頻都會旋轉(zhuǎn)相同的角度，其幅值譜對是沒有影響，圖像的旋轉(zhuǎn)不變性也得以實現(xiàn)。由于圖像的傅里葉變換直流分量是居中的，那么與其相關(guān)的加權(quán)模板(加權(quán)模板指計算圖像尺寸相同并且坐標原點與圖像質(zhì)心坐標相同的""，力與^","模板)可以在用FFT計算圖像的頻譜時同時生成。并且基于頻率域歸一化的小波矩不變量的特征提取是用一系列帶通濾波器提取圖像各頻帶的分量后，使用Mallat算法對數(shù)據(jù)進行小波分析。圖像的幅值語能量往往集中在中低頻，而噪聲的幅值譜往往集中在高頻，在頻率域的小波不變矩采樣可以根據(jù)先驗知識(先驗知識指噪聲有其特定的頻帶，具體環(huán)境中的噪聲頻帶可以事先得出)對噪聲頻帶矩特征直接舍棄，因此這種方法具有更好的抗噪聲能力。圖4為直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法的小波矩不變量的特征提取，結(jié)果如表l所示，為了便于觀察，對各種不變量都統(tǒng)一作了如下變換并與經(jīng)典的Hu矩以及傳統(tǒng)3次B樣條小波矩不變量進行比較。表一為各種矩不變量對圖像的表示與描述的性能表<table>tableseeoriginaldocumentpage14</column></row><table>步驟四對得到的人耳特征量進行加權(quán)，本實施例中是使用誤差處理方法對人耳特征量進行加權(quán)，具體過程如下所迷由于前述步驟得到的人耳特征量是一種圖像矩不變量，通常，對矩不變量提取不同狀態(tài)圖像特征產(chǎn)生的誤差，其主要原因可歸結(jié)為數(shù)據(jù)的數(shù)字化本質(zhì)，特別是對于旋轉(zhuǎn)的圖像更是如此。但是對一種特定的圖像矩不變量，每個分量的誤差性質(zhì)都是可以掌握并且其規(guī)律是可預(yù)測的。將不變矩提取出的圖像矩不變量的誤差可以認為是未定系統(tǒng)誤差，可以通過大量測試圖像的不同狀態(tài)統(tǒng)計出來。在此采用標準不確定度的A類評定。矩不變量的的每個分量的不確定度不相同，所以對識別結(jié)果的影響也不相同，可以通過對每個分量進行加權(quán)，以減少誤差的對圖像矩不變的影響。誤差小的給的權(quán)值大，反之給的權(quán)值小。加權(quán)后用于BP神經(jīng)網(wǎng)絡(luò)分類的矩不變量用于一下步作識別用的。每個分量的權(quán)重與其相應(yīng)的A類標準確不確定度中的標準差平方成反比。即1AA.....戶m—~'~i".....~^""xl:c2x附a-2其中Pi為第i個分量的權(quán)重，i-l…m,"是第i分量的統(tǒng)計標準差，，《F=《lgFi-l…m。加權(quán)后用于BP神經(jīng)網(wǎng)絡(luò)分類的矩不變量是''。步驟五本實施例利用BP神經(jīng)網(wǎng)絡(luò)方法對加權(quán)后的人耳特征量進行(模式識別)分類，具體過程如下所述本實驗采用一個三層的BP神經(jīng)網(wǎng)絡(luò)模型，在三層網(wǎng)絡(luò)中隱含層神經(jīng)元個數(shù)n2和輸入層神經(jīng)元個數(shù)ih之間有以下近似關(guān)系n尸2ni+l。并且隱含層神經(jīng)元個數(shù)并不是固定的，需要經(jīng)過實際訓(xùn)練的檢驗來不斷調(diào)整。網(wǎng)絡(luò)的輸入向量范圍為[O,l]，隱含層神經(jīng)元的S正切函數(shù)tansig,輸出層采用S型對數(shù)logsig。BP網(wǎng)絡(luò)用于人耳識別，可以自適應(yīng)地調(diào)節(jié)權(quán)值和閾值，達到平方和誤差目標函數(shù)滿足某種精度要求，從而實現(xiàn)最佳分類。實施例A)本實驗對600幅不加噪聲的與600幅加噪聲的共夂O類人耳圖片的灰度圖像進行計算機識別的實驗，其中每幅人耳的12種狀態(tài)如圖4所示。B)每種狀態(tài)相應(yīng)加入(將高期噪聲與圖像疊加)方差為0.Ol的高斯噪聲。C)先使用IO類圖片訓(xùn)練系統(tǒng)(計算矩不變量的權(quán)值)得到不變矩分量的權(quán)值。然后每類使用400幅圖像作為訓(xùn)練樣本，其余800幅圖像作為測試樣本。D)識別過程中先對采集到的人耳圖像用實施例中的步驟二的方法進行小波模極大值去噪處理與邊緣提取，再對處理后的圖像用實施例步驟三中(1)的方法通過直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法求小波矩不變量值，將其作為人耳識別特征量。表2為三種矩不變量用于灰度人耳圖像的識別率_方法訓(xùn)練樣本數(shù)測試樣本數(shù)識別率(無噪)識別率(加噪)Hu矩40080085.9%^艮差空間域小波矩40080097.5%94.0%頻率域小波矩40080096.8%94.6%從表2中可以看出使用基于d、波變換模極大值預(yù)處理后，兩種融合了Ma11at算法的小波矩不變量方法都取得了很好的分類結(jié)果。結(jié)論本發(fā)明通過在小波模極大值的去噪與邊緣提取的基礎(chǔ)上，利用直接對數(shù)字圖像采樣的數(shù)據(jù)融合Ma11at算法用于提取人耳圖像的特征值，并應(yīng)用于人耳圖像的自動識別。通過實驗結(jié)果表明，本發(fā)明的方法得到的矩不變量不但可以解決光照不均、光照變化、噪聲干擾的問題，而且還有平移、旋轉(zhuǎn)縮放不變性。這些特征量非常適合于人耳圖像的自動識別。實驗結(jié)果還表明，通過此發(fā)明提取的這些特征量適合于人耳圖像的分類，其識別率達到了97%以上。權(quán)利要求1.一種融合小波分析與矩特征的人耳圖像識別方法，其特征在于所述方法有以下步驟(1)對采集的人耳圖像進行預(yù)處理用小波變換模極大值對采集的人耳圖像去噪，提取人耳圖像邊緣，得到小波分解各尺度下模極大值邊界圖像；(2)提取人耳圖像的特征值利用改進的小波矩不變量算法計算小波矩不變量值，用于提取人耳圖像的特征值；(3)識別人耳將步驟(2)得到的人耳圖像的特征值進行加權(quán)以及分類，對人耳進行識別。2.根據(jù)權(quán)利要求1所述的融合小波分析與矩特征的人耳圖像識別方法，其特征在于步驟(1)中人耳圖像的去噪和人耳圖像邊緣提取的步驟如下1)利用小波模極大值及小波變換，對人耳圖像的去噪處理；2)利用小波模極大值檢測算子確定人耳圖像的突變與緩變的位置，檢測信號變化的奇異性的特點，用于檢測人耳圖像的邊緣和細節(jié)，得到小波分解各尺度下模極大值邊界圖像，用于人耳圖像邊緣提取。3.根據(jù)權(quán)利要求l所述的融合小波分析與矩特征的人耳圖像識別方法，其特征在于，所述改進的小波矩不變量算法為直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法，所述計算式為。lie"卄=IIP々，)wii式中，l為小波矩不變量值；Sq(ri)ri為在平面直角坐標中計算的對圖像進行加權(quán)采樣量；^","(")為二進小波基函數(shù)；r(x,y)為像素點到中心點的距離；J^表示對r積分。4.根據(jù)權(quán)利要求3所述的融合小波分析與矩特征的人耳圖像識別方法，其特征在于改進的直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法為基于空間域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(n)n計算式為<formula>formulaseeoriginaldocumentpage3</formula>式中，f(x，y)為直角坐標圖像；j為虛數(shù)單位，q為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x,y)為像素點到中心點的距離；根據(jù)上述計算式，使用Mallat算法計算小波矩不變量值lF:，'l，用于提取人耳圖像的特征值。5.根據(jù)權(quán)利要求3所述的融合小波分析與矩特征的人耳圖像識別方法，其特征在于所述直接對數(shù)字圖像采樣的數(shù)據(jù)融合Mallat算法為基于頻率域歸一化的小波矩不變量算法，該算法對圖像進行加權(quán)采樣的Sq(ri)ri計算式為<formula>formulaseeoriginaldocumentpage3</formula>式中，F(xiàn)(u，v)為幅值譜圖像；j為虛數(shù)單位，d為任意整數(shù)，6(x，y)為像素點的與中心點的水平角度；r(x,y)為像素點到中心點的距離；根據(jù)上述計算式，使用Mallat算法計算小波矩不變量值l&:1，用于提取人耳圖像的特征值。全文摘要本發(fā)明涉及一種融合小波分析與矩特征的人耳圖像識別方法，其特征在于所述方法有以下步驟(1)對采集的人耳圖像進行預(yù)處理用小波變換模極大值對采集的人耳圖像去噪，提取人耳圖像邊緣，得到小波分解各尺度下模極大值邊界圖像；(2)提取人耳圖像的特征值利用改進的小波矩不變量算法計算小波矩不變量值，用于提取人耳圖像的特征值；(3)識別人耳將步驟(2)得到的人耳圖像的特征值進行加權(quán)以及分類，對人耳進行識別。本發(fā)明通過小波模極大值與改進小波矩不變量算法對人耳特征值進行提取，不但計算準確度高、計算速度快，并可以提高在光照不均、光照變化、噪聲干擾環(huán)境下采集的人耳圖像的識別率。文檔編號G06K9/00GK101266646SQ200810069589公開日2008年9月17日申請日期2008年4月25日優(yōu)先權(quán)日2008年4月25日發(fā)明者強劉,劉嘉敏,李以農(nóng),潘銀松,謝海軍,鳳錢,彪魏申請人:重慶大學(xué)