CN100570628C - 融合小波分析与矩特征的人耳图像识别方法 - Google Patents

Abstract

本发明涉及一种融合小波分析与矩特征的人耳图像识别方法，其特征在于所述方法有以下步骤：(1)对采集的人耳图像进行预处理：用小波变换模极大值对采集的人耳图像去噪，提取人耳图像边缘，得到小波分解各尺度下模极大值边界图像；(2)提取人耳图像的特征值：利用改进的小波矩不变量算法计算小波矩不变量值，用于提取人耳图像的特征值；(3)识别人耳：将步骤(2)得到的人耳图像的特征值进行加权以及分类，对人耳进行识别。本发明通过小波模极大值与改进小波矩不变量算法对人耳特征值进行提取，不但计算准确度高、计算速度快，并可以提高在光照不均、光照变化、噪声干扰环境下采集的人耳图像的识别率。

Description

融合小波分析与矩特征的人耳图像识别方法

技术领域

本发明涉及一种人体生物特征的个人身份识别技术，特别涉及一种融合小波分析与矩特征的人耳图像识别方法。

背景技术

近年来，生物鉴别受到越来越多研究人员的关注。它在几乎从身份认证到通道入口安检的各个方面中都发挥了重要作用。但是现阶段大部分生物鉴别技术都对其工作环境有苛刻的要求，因而限制了其适应范围。所以研究人员都努力在寻找新的生物鉴别技术，人耳识别就是其中一种新型识别技术，国内外对其研究的都很少。人耳识别技术以其独特的生理特征和观测角度，使它具有相当的理论研究价值和实际应用前景。它涉及到生物特征提取、计算机视觉、图像处理、模式识别和身份认证技术等诸多领域。

人耳不仅具有与其他个体生物特征共同之处，还具有一些独特的特征：结构稳定，不受面部表情的影响，位置固定，样本采集不会有相关的卫生问题，也不会使人紧张，更容易为人接受。并且尽管人耳比人脸、掌纹要小，但比虹膜、视网膜、指纹大，也容易采集。人耳检测和识别技术正在成为生物特征检测和识别领域的又一热点。

非接触生物特征鉴别技术在安全、金融、法律、人机交互等领域具有广阔的应用前景，因此得到了研究人员的广泛关注。人耳识别技术作为其中之一，具有巨大的发展潜力和广阔的应用空间。但经摄像头、照相机采集的照片往往是因为不同的时刻而具有不同的光照亮度，而且还有严重的光照不均。单独采用任何一种矩不变量作为特征提取都不能取得很好的识别效果。因而需要寻找一种更好的提取识别人耳特征的方法。

在使用数字图像进行模式识别与检测的研究中，研究人员提出了众多特征提取的方法，但是每种方法都有自己特定的应用范围。由于矩不变量具有平移、旋转和尺度不变性，所以它成为使用比较广泛的特征提取方法。但是对图像全局提取特征量的不变矩(如Hu矩、Zernike矩等)有计算量大、受噪声影响较大等缺点。因此仅适用于分类具有显著差别的模式，而无法区分只有细微差别的相似模式。D.Shen和Horace.H.S提出的小波矩不变量可以克服以上缺点，利用它不仅可以得到图像的全局特征，而且也可以得到图像的局部特征，因而在识别相似物体方面具有更高的识别率。目前小波矩不变量的计算式如下：

‖F_m，n，q ^wavelet‖＝‖∫S_q(r)ψ_m，n(r)rdr‖

其中：

S_q(r)＝∫f(r，θ)e^jqθdθ

式中，‖F_m，n，q ^wavelet‖为小波矩不变量值；S_q(r)是在极坐标中计算的量，f(r，θ)为极坐标图像，θ为像素在极坐标图像中的角度，r是极坐标中像素的极径；ψ_m，n(r)为二进小波基函数；e^jqθ是变换核的角度分量，e是自然对数的底，j是虚数单位，m、n、q为整数。

上述计算式在计算小波矩不变量时需要使用坐标转换，将数字图像从直角坐标系中变换到极坐标系，这样变换后会增加转换误差，导致小波矩不变量值不准确。另一种方法则采用显性小波对小波矩不变量进行计算，但这种方法难以将mallat快速算法融入其中，计算速度低。而且因光照不均、光照强度变化、噪声干扰等情况也会影响识别率。

发明内容

本发明的目的在于提供一种融合小波分析与矩特征的人耳图像识别方法，它通过小波模极大值与改进小波矩不变量算法对人耳特征值进行提取，不但计算准确度高、计算速度快，并可以提高在光照不均、光照变化、噪声干扰环境下采集的人耳图像的识别率。

本发明的目的是这样实现的：

(1)对采集的人耳图像进行预处理：

用小波变换模极大值对采集的人耳图像去噪，提取人耳图像边缘，得到小波分解各尺度下模极大值边界图像；

(2)提取人耳图像的特征值：

利用改进的小波矩不变量算法计算小波矩不变量值，用于提取人耳图像的特征值；

(3)识别人耳：

将步骤(2)得到的人耳图像的特征值进行加权以及分类，对人耳进行识别。所述人耳图像的去噪和人耳图像边缘提取的步骤如下：

1)利用小波模极大值及小波变换，实现人耳图像的去噪处理；

具体步骤为：

对图像进行多尺度的小波变换，得到各个尺度下的极大模值和幅角。

利用噪声的极大模值会随尺度增加而急剧减小的特点，在较低尺度上设置较大的域值，在较高尺度上设置较小的域值，从而找到极大模值低于设定域值的那些对应点，即是噪声点。

将噪声的小波系数按零处理，而正常信号的小波系数保持不变，再通过小波反变换得到一幅滤波后的图像。

2)利用小波模极大值检测算子确定人耳图像的突变与缓变的位置，检测信号变化的奇异性的特点，用于检测人耳图像的边缘和细节，得到小波分解各尺度下模极大值边界图像，用于人耳图像边缘提取。

具体步骤为：

对于原始图像进行二进离散平稳小波变换得到变换后的小波系数矩阵与原始图像矩阵同样大小；

分别计算每像素的模和幅角；

求出图像小波变换后的模极大值点；

设定阈值，模值大于阈值的确定为边缘点；

输出图像的多尺度边缘图。

所述改进的小波矩不变量算法为直接对数字图像采样的数据融合Mallat算法。

所述直接对数字图像采样的数据融合Mallat算法的计算式为：

‖F_m，n，q ^wavelet‖＝‖∫S_q(r_i)r_iψ_m，n(r)dr‖

式中，‖F_m，n，q ^wavelet‖为小波矩不变量值；S_q(r_i)r_i为在平面直角坐标中计算的对图像进行加权采样量；ψ_m，n(r)为二进小波基函数；∫dr表示对r积分。

所述直接对数字图像采样的数据融合Mallat算法为基于空间域归一化的小波矩不变量算法，该算法对图像进行加权采样的S_q(r_i)r_i计算式为：

$S_q\left(r_i\right)r_i=\underset{r_i-n}{\overset{r_i+n}{\mathrm{\Σ}}}f(x,y)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，f(x，y)为直角坐标图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离；

根据上述计算式，使用Mallat算法计算小波矩不变量值‖F_m，n，q ^wavelet‖，用于提取人耳图像的特征值。

所述直接对数字图像采样的数据融合Mallat算法为基于频率域归一化的小波矩不变量算法，该算法对图像进行加权采样的S_q(r_i)r_i计算式为：

$S_q\left(r_i\right)r_i=\underset{r_{i-n}}{\overset{r_{i+n}}{\mathrm{\Σ}}}F(u,v)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，F(u，v)为幅值谱图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离；

根据上述计算式，使用Mallat算法计算小波矩不变量值‖F_m，n，q ^wavelet‖，用于提取人耳图像的特征值。

采用了上述方案，用小波变换模极大值对采集的人耳图像去噪并提取人耳图像边缘，得到小波分解各尺度下模极大值边界图像。由于噪声的模极大值的幅度随尺度的减小而迅速增加，而正常信号的情况正好相反，因此利用小波模极大值及小波变换，容易把噪声从正常信号中剔除，这种方法对高斯白噪声和脉冲噪声都有很好的去噪效果。利用小波模极大值检测算子确定人耳图像的突变与缓变的位置，检测信号变化的奇异性的特点，用于检测人耳图像的边缘和细节，得到小波分解各尺度下模极大值边界图像，用于人耳图像边缘提取。小波模极大值描述的是图像中目标的多尺度边界，在对多尺度小波变换进行不规则抽样的基础上得到的，该方法除具有图像平移不变性外，还具有可以将噪声和光照不均对图像的影响降到最低的优点。利用改进的小波矩不变量算法计算小波矩不变量值，用于提取人耳图像的特征值，改进的小波矩不变量算法为直接对数字图像采样的数据融合Mallat算法。改进的小波矩不变量算法在计算图像小波矩不变量值时不进行坐标转换就可以融合Mallat算法，即能将数字图像直接在直角坐标系中进行处理，对数字图像采样获得数据，这样既可以减少现有算法在坐标变换过程中带来的误差，提高计算准确度；又能加快计算小波矩不变量的速度，使工作量得以减轻。虽然单独改进的小波矩不变量算法计算小波矩不变量值，来提取人耳图像的特征仍会受光照变化与光照不均等因素的影响，但在使用改进的小波矩不变量算法计算小波矩不变量值之前，人耳图像已经使用了小波模极大值去噪与提取边缘，通过将改进的小波矩不变量算法计算小波矩不变量值，对人耳图像进行特征提取的方法，可以使图像采集设备采集到的人耳图像具有比例缩放、旋转、平移不变性的优点。因此，与现有技术相比，本发明的方法具有非常明显的优势。

直接对数字图像采样的数据融合Mallat算法为基于频率域归一化的小波矩不变量算法。图像的傅里叶变换直流分量是居中的，与其相关的加权模板就可以在用FFT计算图像的频谱时同时生成。并且基于频率域归一化的小波矩不变量的特征提取是用一系列带通滤波器提取图像各频带的分量后，用Mallat算法对频率的细节进行小波分析。图像的幅值谱能量往往集中在中低频，而噪声的幅值谱往往集中在高频，在频率域的小波不变矩采样可以根据Mallat算法对噪声频带进行舍弃。因此它具有更好的抗噪声能力。

附图说明

图1为人耳库中不同人的耳图像；

图2a为在弱光照环境下采集的人耳图像；

图2b为在强光照环境下采集的人耳图像；

图2c为在加噪声条件下采集的人耳图像；

图3a为对弱光照环境下采集的人耳图像进行预处理后的图；

图3b为对强光照环境下采集的人耳图像进行预处理后的图；

图3c为对加噪声条件下采集的人耳图像进行预处理后的图；

图4为同一人耳不同状态下的图像。

具体实施方式

步骤一：对人耳图像的采集

本实验所使用的人耳图像样本为本实验室建立的人耳数据库。数据库样本考虑了民族、年龄、地域因素，具有普遍性。每个人的人耳照片包括在自然光源、强光照、阴暗条件下各个角度的人耳照片，考虑了外界环境影响的因素。本实验用来进行实验的人耳图像样本是从人耳图像数据库中选取50个人的右耳正面图片(部分样本如图1所示)。选取的每个人的人耳照片包括不同光照、不同大小、不同旋转角度以及人为加入噪声共24幅图片(如图4所示)。图2所示是在弱光照、强光照以及有强噪声干扰摄像设备时得到的人耳图像。这是由于图像采集处的天气变化造成的光照变化，以及设备本身的原因而带来的噪声。

步骤二：人耳图像预处理：利用小波模极大值对采集的人耳图像去噪并提取人耳图像边缘

通常，小波变换的信号奇异检测主要应用于故障诊断、图像的多尺度边缘提取、信号恢复和去噪等领域。本发明中利用小波模极大值(模极大值去噪法是一种经典的小波去噪方法)及其合适尺度的小波变换，用于人耳图像的去噪处理。由于噪声的模极大值的幅度能随尺度的减小而迅速增加，而正常信号的情况却相反。正常信号的小波模极大值往往会大于噪声的小波模极大值，而且噪声的小波模极大值会随着尺度增大而急剧减少，正常信号的小波模极大值却改变很小，由此构造了更有效的去噪准则，即根据不同尺度上的小波模极大值信息，选择不同的域值来滤除噪声。因此利用合适尺度的小波变换，容易把噪声从正常信号中剔除，这种方法对高斯白噪声和脉冲噪声都有很好的去噪效果。

利用小波变换极大值检测算子能确定突变与缓变的位置，检测信号变化的奇异性的特点，来检测人耳图像的边缘和细节，最后得到小波分解各尺度下模极大值边界图像，用于人耳图像边缘提取。利用小波变换对奇异特性尤为敏感的特点，来检测图像的边缘和细节，对某一类小波，图像边缘对应于小波变换的局部模极大值。这种边缘正是人耳图象所固有的边缘，而不会有光照阴影产生的伪边缘。小波模极大值描述的是图像中目标的多尺度边界，在对多尺度小波变换进行不规则抽样的基础上得到的，该方法也具有平移不变性。因此，使用它作图像的预处理可以将噪声和光照不均对图像的影响降到最低。

图3是采用多尺度小波去噪和模局部极大值边缘检测相结合的方法得到的人耳图像的无噪边缘。从图3中可以看出这些边缘不再受噪声、光照变化等干扰。因此，它对使用结合了Mallat算法的小波矩不变量，来处理图像只有旋转、平移缩放的状态而不受到噪声与光照的影响提供了保证。

小波矩不变量的计算式如下：

‖F_m，n，q ^wavelet‖＝‖∫S_q(r)ψ_m，n(r)rdr‖

其中：

S_q(r)＝∫f(r，θ)e^jqθdθ

式中，‖F_m，n，q ^wavelet‖为小波矩不变量值；S_q(r)是在极坐标中计算的量，f(r，θ)为极坐标图像，θ为像素在极坐标图像中的角度，r是极坐标中像素的极径；ψ_m，n(r)为二进小波基函数；e^jqθ是变换核的角度分量，e是自然对数的底，j是虚数单位，m、n、q为整数。

上述计算式在计算小波矩不变量时需要使用坐标转换，将数字图像从直角坐标系中变换到极坐标系，

步骤三：利用改进的小波矩不变量算法计算小波矩不变量值，用于提取人耳图像的特征值。

小波矩的出现是图像矩不变量的一个质的飞跃。因为小波变换可以同时提供时域和频率域窗口，具有反映信号局部信息的能力，因而可以利用小波变换的这种特性来提取图像的局部特征。本发明中，改进的小波矩不变量算法为直接对数字图像采样的数据融合Mallat算法，该直接对数字图像采样的数据融合Mallat算法的计算式为：

‖F_m，n，q ^wavelet‖＝‖∫S_q(r_i)r_iψ_m，n(r)dr‖

式中，‖F_m，n，q ^wavelet‖为小波矩不变量值；S_q(r_i)r_i为在平面直角坐标中计算的对图像进行加权采样量；ψ_m，n(r)为二进小波基函数；∫dr表示对r积分。

直接对数字图像采样的数据融合Mallat算法的小波矩不变量算法可以直接对数字图像采样，既能减少坐标变换过程中带来的误差，又加快计算小波矩不变量的速度。

结合小波矩计算式与数字图像自身的特点，首先在采样计算中采用了模板的加权采样。对小波矩不变量定义公式进行分析，可以看出f_m，n，q ^wavelet是对S_q(r)r的一维小波变换。虽然对每个r求S_q(r)r对于离散的字图像都会有很大偏差，但如果以2n为步长求

就可以将误差减少到最低。在实际数字图像中，一个栅格交点上的离散圆的定义非常严格。我们更倾向于圆是具有一定“厚度”的，从而将圆看成是一个圆环所包含像素点的集合。质心到最远处的像素距离为max(r)，因而可以得到

个

作为下一步使用Mallat算法时小波分析得出数据。

根据计算式：‖F_m，n，q ^wavalet‖＝‖∫S_q(r_i)r_iψ_m，n(r)dr‖，直接对数字图像采样的数据融合Mallat算法有如下两种：

(1)直接对数字图像采样的数据融合Mallat算法为频率域归一化的小波矩不变量算法，该算法对图像进行加权采样的S_q(r_i)r_i计算式为：

$S_q\left(r_i\right)r_i=\underset{r_i-n}{\overset{r_i+n}{\mathrm{\Σ}}}f(x,y)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，f(x，y)为直角坐标图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离；

通过以下步骤对小波矩不变量值‖F_m，n，q ^wavelet‖进行计算：

1)设置图像的期望值，将图像的零阶矩调整为等于期望值，即将图像尺寸的归一化，得到统一大小的标准图像；

2)求出图像一阶矩与零阶矩的比值既图像质心坐标，并将图像坐标原点平移到图像质心处。

求质心(X，Y)公式为X＝M₁₀/M₀₀，Y＝M₀₁/M₀₀。平移后图像f`(X，Y)为f`(X，Y)＝f(X+X，Y+Y)；

3)计算产生与图像尺寸相同并且坐标原点与图像质心坐标相同的r(x，y)与θ(x，y)模板。r(x，y)为像素点到中心点的距离；θ(x，y)为像素点的与中心点的水平角度；

4)求出加权采样中的每一个S_q(r_i)r_i；

5)使用Mallat算法对数据进行小波变换，根据‖F_m，n，q ^wavelet‖＝‖∫S_q(r_i)r_iψ_m，n(r)dr‖计算小波矩不变量值‖F_m，n，q ^wavelet‖，用于提取人耳图像的特征值。

(2)直接对数字图像采样的数据融合Mallat算法为频率域归一化的小波矩不变量算法，该算法对图像进行加权采样的S_q(r_i)r_i计算式为：

$s_q\left(r_i\right)r_i=\underset{r_{i-n}}{\overset{r_{i+n}}{\mathrm{\Σ}}}F(u,v)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，F(u，v)为幅值谱图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离。

通过以下步骤对小波矩不变量值‖F_m，n，q ^wavelet‖进行计算：

1)设置图像的期望值，将图像的零阶矩调整为等于期望值，即将图像尺寸的归一化，得到统一大小的标准图像；

2)采用快速傅氏变换法FFT计算归一化图像的幅值谱，并行计算产生一个与归一化图像尺寸相同，并且坐标原点在模板中心点的r(x，y)与θ(x，y)模板；r(x，y)为像素点到中心点的距离；θ(x，y)为像素点的与中心点的水平角度；

3)求出加权采样中的每一个S_q(r_i)r_i；

4)使用Mallat算法对数据进行小波变换，根据公式‖F_m，n，q ^wavelet‖＝‖∫S_q(r_i)r_iψ_m，n(r)dr‖计算小波矩不变量值‖F_m，n，q ^wavelet‖，用于提取人耳图像的特征值。

由于人耳图像的傅里叶频谱是关于原点对称的，并且坐标轴方向上是周期无限的，因此，可以直接对人耳图像进行FFT变换，变换后傅里叶变换直流分量居中。又因为人耳图像平移时其频谱只有相位的变化，只要对其频谱取模得到幅值谱便具有平移不变性。结合二维傅里叶变换的旋转性可知其时、频都会旋转相同的角度，其幅值谱对是没有影响，图像的旋转不变性也得以实现。由于图像的傅里叶变换直流分量是居中的，那么与其相关的加权模板(加权模板指计算图像尺寸相同并且坐标原点与图像质心坐标相同的r(x，y)与θ(x，y)模板)可以在用FFT计算图像的频谱时同时生成。并且基于频率域归一化的小波矩不变量的特征提取是用一系列带通滤波器提取图像各频带的分量后，使用Mallat算法对数据进行小波分析。图像的幅值谱能量往往集中在中低频，而噪声的幅值谱往往集中在高频，在频率域的小波不变矩采样可以根据先验知识(先验知识指噪声有其特定的频带，具体环境中的噪声频带可以事先得出)对噪声频带矩特征直接舍弃，因此这种方法具有更好的抗噪声能力。

图4为直接对数字图像采样的数据融合Mallat算法的小波矩不变量的特征提取，结果如表1所示，为了便于观察，对各种不变量都统一作了如下变换： $\tilde{F}=\left|1g\right|F\left|\right|.$ 并与经典的Hu矩以及传统3次B样条小波矩不变量进行比较。

表一为各种矩不变量对图像的表示与描述的性能表：

步骤四：对得到的人耳特征量进行加权，本实施例中是使用误差处理方法对人耳特征量进行加权，具体过程如下所述：

由于前述步骤得到的人耳特征量是一种图像矩不变量，通常，对矩不变量提取不同状态图像特征产生的误差，其主要原因可归结为数据的数字化本质，特别是对于旋转的图像更是如此。但是对一种特定的图像矩不变量，每个分量的误差性质都是可以掌握并且其规律是可预测的。将不变矩提取出的图像矩不变量的误差可以认为是未定系统误差，可以通过大量测试图像的不同状态统计出来。在此采用标准不确定度的A类评定。矩不变量的的每个分量的不确定度不相同，所以对识别结果的影响也不相同，可以通过对每个分量进行加权，以减少误差的对图像矩不变的影响。误差小的给的权值大，反之给的权值小。加权后用于BP神经网络分类的矩不变量用于一下步作识别用的。

每个分量的权重与其相应的A类标准确不确定度中的标准差平方成反比。即：

$p_1:p_2:...:p_m=\frac{1}{{\mathrm{\σ}}_{\stackrel{\‾}{x}1}^2}:\frac{1}{{\mathrm{\σ}}_{\stackrel{\‾}{x}2}^2}:...:\frac{1}{{\mathrm{\σ}}_{\stackrel{\‾}{x}m}^2}$

其中：P_i为第i个分量的权重，i＝1...m，

是第i分量的统计标准差，i＝1...m。加权后用于BP神经网络分类的矩不变量是： $P_i\tilde{F}=P_i\left|1g\right|F\left|\right|$

步骤五：本实施例利用BP神经网络方法对加权后的人耳特征量进行(模式识别)分类，具体过程如下所述：

本实验采用一个三层的BP神经网络模型，在三层网络中隐含层神经元个数n₂和输入层神经元个数n₁之间有以下近似关系：n₂＝2n₁+1。并且隐含层神经元个数并不是固定的，需要经过实际训练的检验来不断调整。网络的输入向量范围为[0，1]，隐含层神经元的S正切函数tansig，输出层采用S型对数logsig。BP网络用于人耳识别，可以自适应地调节权值和阈值，达到平方和误差目标函数满足某种精度要求，从而实现最佳分类。

实施例：

A)本实验对600幅不加噪声的与600幅加噪声的共50类人耳图片的灰度图像进行计算机识别的实验，其中每幅人耳的12种状态如图4所示。

B)每种状态相应加入(将高期噪声与图像叠加)方差为0.01的高斯噪声。

C)先使用10类图片训练系统(计算矩不变量的权值)得到不变矩分量的权值。然后每类使用400幅图像作为训练样本，其余800幅图像作为测试样本。

D)识别过程中先对采集到的人耳图像用实施例中的步骤二的方法进行小波模极大值去噪处理与边缘提取，再对处理后的图像用实施例步骤三中(1)的方法通过直接对数字图像采样的数据融合Mallat算法求小波矩不变量值，将其作为人耳识别特征量。

E)得到的特征量使用不变矩分量的权值进行加权，并使用3层BP神经网络作为分类器。并在结果中加入经典的Hu矩提取特征的分类识别率进行比较，见表2。

表2为三种矩不变量用于灰度人耳图像的识别率

从表2中可以看出使用基于小波变换模极大值预处理后，两种融合了Mallat算法的小波矩不变量方法都取得了很好的分类结果。

结论

本发明通过在小波模极大值的去噪与边缘提取的基础上，利用直接对数字图像采样的数据融合Mallat算法用于提取人耳图像的特征值，并应用于人耳图像的自动识别。通过实验结果表明，本发明的方法得到的矩不变量不但可以解决光照不均、光照变化、噪声干扰的问题，而且还有平移、旋转缩放不变性。这些特征量非常适合于人耳图像的自动识别。实验结果还表明，通过此发明提取的这些特征量适合于人耳图像的分类，其识别率达到了97％以上。

Claims (2)

1.一种融合小波分析与矩特征的人耳图像识别方法，其特征在于所述方法有以下步骤：

(1)对采集的人耳图像进行预处理：

用小波变换模极大值对采集的人耳图像去噪，提取人耳图像边缘，得到小波分解各尺度下模极大值边界图像，其中人耳图像的去噪和人耳图像边缘提取的步骤如下：

1)利用小波模极大值及小波变换，对人耳图像的去噪处理；

2)利用小波模极大值检测算子确定人耳图像的突变与缓变的位置，检测信号变化的奇异性的特点，用于检测人耳图像的边缘和细节，得到小波分解各尺度下模极大值边界图像，用于人耳图像边缘提取；

(2)提取人耳图像的特征值：

利用改进的小波矩不变量方法计算小波矩不变量值，用于提取人耳图像的特征值，改进的小波矩不变量方法为直接对数字图像采样的数据融合Mallat方法，计算式为：

$\left|\right|F_{m,n,q}^{\mathrm{wavelet}}\left|\right|=\left|\right|{\∫S}_q\left(r_i\right)r_i{\mathrm{\ψ}}_{m,n}\left(r\right)\mathrm{dr}\left|\right|$

式中，||F_m，n，q ^wavelet||为小波矩不变量值；S_q(r_i)r_i为在平面直角坐标中计算的对图像进行加权采样量；ψ_m，n(r)为二进小波基函数；r(x，y)为像素点到中心点的距离；∫dr表示对r积分；

直接对数字图像采样的数据融合Mallat方法为基于空间域归一化的小波矩不变量方法，该方法对图像进行加权采样的S_q(r_i)r_i计算式为：

$S_q\left(r_i\right)r_i=\underset{r_i-n}{\overset{r_i+n}{\mathrm{\Σ}}}f(x,y)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，f(x，y)为直角坐标图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离；

根据上述计算式，使用Mallat方法计算小波矩不变量值||F_m，n，q ^wavelet||，用于提取人耳图像的特征值；

(3)识别人耳：

将步骤(2)得到的人耳图像的特征值进行加权以及分类，对人耳进行识别。

2.根据权利要求1所述的融合小波分析与矩特征的人耳图像识别方法，其特征在于：所述直接对数字图像采样的数据融合Mallat方法为基于空间域归一化的小波矩不变量方法替换为基于频率域归一化的小波矩不变量方法，该方法对图像进行加权采样的Sq(r_i)r_i计算式为：

$S_q\left(r_i\right)r_i=\underset{r_{i-n}}{\overset{r_{i+n}}{\mathrm{\Σ}}}F(u,v)\exp (-\mathrm{jq\θ}(x,y))r(x,y)$

式中，F(u，v)为幅值谱图像；j为虚数单位，q为任意整数，θ(x，y)为像素点的与中心点的水平角度；r(x，y)为像素点到中心点的距离；

根据上述计算式，使用Mallat方法计算小波矩不变量值||F_m，n，q ^wavelet||，用于提取人耳图像的特征值。

Images