CN101162503A - 利用改进Hausdorff距离提取识别人耳特征的方法 - Google Patents

Abstract

本发明涉及一种利用改进Hausdorff距离提取识别人耳特征的方法。本发明通过对人耳图像的预处理，包括人耳图像的采集、非肤色噪声的去噪、空间尺寸归一化和光照补偿等，得到标准人耳图像。再采用灰度形态学梯度和局部阈值分割的方法提取人耳边缘特征，得到标准人耳边缘图像。采用本发明方法，通过标准方差和边缘线段间长度差改进的Hausdorff距离，减小了点集非轮廓边缘线段点(外野点)的影响，得到较好的抗噪性能，增强了基于Hausdorff距离获得的特征值用于人耳边缘图像识别的准确性，使得对人耳的识别率大大提高。

Description

利用改进Hausdorff距离提取识别人耳特征的方法

技术领域

本发明属于基于人体生物特征的个人身份识别技术，特别涉及利用改进Hausdorff距离提取识别人耳特征的方法。

技术背景

人耳识别技术是20世纪90年代末开始兴起的一种生物特征识别技术。人耳具有的独特生理特征和观测角度的优势，使人耳识别技术具有相当的理论研究价值和实际应用前景。人的外耳分耳廓和外耳道，人耳识别的对象实际上是外耳裸露在外的耳廓，也就是人们习惯上所说的“耳朵”。一套完整的人耳自动识别系统一般包括以下几个过程：人耳图像采集、图像的预处理、人耳图像的分割、特征提取和人耳图像的识别。

Hausdorff距离作为一种距离测度，常用于衡量两个点集合之间的相似程度，对于像素点的位置的波动性比二值化相关技术有更好的鲁棒性。由于使用Hausdorff距离作为距离测度时无需考虑两个点集中的点与点之间的对应关系，因此可以有效地解决当图像中存在噪声时的识别问题。另外，Hausdorff距离模板匹配的方法不需要进行复杂的光流计算或图像分割匹配。正是由于上述优良特性，它常被用来实现对一般目标物体的识别及跟踪检测，如地形匹配、红外遥感图像匹配、车牌字符识别等。

同样的，Hausdorff距离也可用于对人耳的识别当中。由于人耳的边缘对光照不敏感，在用数码设备采集人耳图像的时候人耳边缘相对的不容易受到外界光照变化的影响。所以，可将得到的人耳图像的边缘转换为二值图像(0，1表示)，经过处理后得到“标准人耳边缘图像”，并采用Hausdorff距离进行人耳识别。但由于Hausdorff距离是一个最大最小距离，所以它对人耳图像中的噪声还是很敏感的。在人耳识别中，尽管可能是两个非常相似甚至相同的人耳边缘图像，但是由于一些伪轮廓(非人耳主轮廓线段)的存在，也会使Hausdorff距离的计算产生很大的误差。而且边缘检测本身就是一个不确定的问题，边缘定义通常是很模糊的，区分边缘点和噪声点十分困难。因此这也影响到了Hausdorff距离的计算，故需要对传统Hausdorff距离进行改进，以提高基于人耳边缘特征信息的人耳识别率。

发明内容

本发明的目的是提供一种利用改进Hausdorff距离提取识别人耳特征的方法。采用本发明方法，通过标准方差和边缘线段间长度差改进的Hausdorff距离，减小了点集非轮廓边缘线段点(外野点)的影响，得到较好的抗噪性能，增强了基于Hausdorff距离获得的特征值用于人耳边缘图像识别的准确性，使得对人耳的识别率大大提高。

本发明的技术内容如下：

对人耳图像进行预处理，包括人耳图像的采集、非肤色噪声的去噪、空间尺寸归一化和光照补偿等，利用基于灰度形态学梯度和局部阈值分割的方法获得人耳边缘图像。用标准方差和边缘线段间长度差改进原有的Hausdorff距离算法，用于描述人耳边缘图像的特征信息，具体的步骤如下：

(1)对采集的人耳图像进行预处理：

通过对采集的人耳图像的非肤色噪声的去噪及修复，采用空间尺寸归一化和光照补偿，得到标准人耳图像；

(2)人耳图像边缘特征提取：

用灰度形态学梯度和局部阈值分割相结合的方法提取人耳边缘的特征，得到标准人耳边缘图像；

(3)利用标准方差及边缘线段间长度差改进Hausdorff距离；

(4)将步骤(2)中所获得的人耳边缘图像的其主要边缘轮廓分为人耳识别的4条特征线段，用改进的Hausdorff距离确定其人耳特征向量。

基于标准差和边缘线段间长度差改进的Hausdorff距离(Length&StandardDeviation Modified Hausdorff Distance，LSDMHD)同现有的Hausdorff距离(Hausdorff Distance，HD)，平均Hausdorff距离(Modified HausdorffDistance，MHD)相比，对Hausdorff距离来说，给定两个有限点集A＝{a₁，a₂，...a_m}和B＝{b₁，b₂，...，b_n}，它们之间的Hausdorff距离定义如下：

H(A，B)＝max[h(A，B)，h(B，A)]

其中：

$h(A,B)=\underset{a\∈A}{\max }\underset{b\∈B}{\min }\left|\right|a-b\left|\right|$

$h(B,A)=\underset{b\∈B}{\max }\underset{a\∈A}{\min }\left|\right|b-a\left|\right|$

但因为Hausdorff距离是一个最大或最小距离，所以它对图像中的噪声很敏感。用于人耳识别时，尽管得到两个非常相似的物体，但是由于一些伪轮廓的存在，可能会使Hausdorff距离的计算产生很大的误差。

平均Hausdorff距离采用了计算平均距离的方法，得到了较好的抗噪性能，减小了点集外野点的影响。

$h_{\mathrm{MHD}}(A,B)=\frac{1}{N_A}\underset{a\∈A}{\mathrm{\Σ}}\underset{b\∈B}{\min }\left|\right|a-b\left|\right|$

$h_{\mathrm{MHD}}(B,A)=\frac{1}{N_B}\underset{b\∈B}{\mathrm{\Σ}}\underset{a\∈A}{\min }\left|\right|b-a\left|\right|$

上面，N_A表示点集A中点的数目；N_B表示点集B中点的数目。将它们代入Hausdorff距离定义式中，得到：

H_MHD(A，B)＝max[h_MHD(A，B)，h_MHD(B，A)]

但平均Hausdorff距离对点在点集中的分布比较敏感。如图1(a)由两条平行线段和图1(b)由两条相交线段代表的两个点集问的平均Hausdorff距离值均为d，但是两图从匹配的角度看应该有区别，图1(a)中点的分布应该比图1(b)中点的分布给出更小的Hausdorff距离才符合一般人感知的情况。这是其缺陷所在。

采用标准方差和边缘线段间长度差改进的Hausdorff距离则克服了上述Hausdorff距离的缺陷，通过在平均Hausdorff距离基础上加入点集间距离的标准方差函数和边缘长度差函数，引入了点集间点的分布信息(两个点集间分布的一致性)及对边缘线段间长度差的描述，使其对边缘线段间的差异更加准确。同时，最终的改进Hausdorff距离还减少了外野点对距离度量的影响，它采用短的线段去匹配长的线段，不需要再求最大最小值。

所以，通过标准方差和边缘线段间长度差改进的Hausdorff距离对边缘线段间的差异描述更加细致，提高了基于Hausdorff距离获得的特征值用于人耳边缘图像识别的识别率。在使用支持向量机作为人耳识别的最终数据分类方法中，采用标准方差和边缘线段间长度差改进的Hausdorff距离提取人耳边缘特征向量进行识别，对人耳的识别率相对于采用平均Hausdorff距离及Hausdorff距离的人耳识别率有了很大的提高。

本发明克服了Hausdorff距离对图像中的噪声敏感及平均Hausdorff距离对点在点集中的分布比较敏感的问题。通过对人耳图像的预处理，包括人耳图像的采集、非肤色噪声的去噪、空间尺寸归一化和光照补偿等，得到标准人耳图像。再采用基于灰度形态学梯度和局部阈值分割的方法提取人耳边缘特征，得到标准人耳边缘图像。在原有Hausdorff距离的基础上，考虑到在人耳边缘识别中区分边缘点和噪声点的具体需要，提出一种基于标准方差和边缘线段间长度差改进的Hausdorff距离人耳边缘识别方法。该方法在原有Hausdorff距离中加入了对边缘线段点集间点的分布信息和边缘线段间长度差的描述，使得对标准人耳边缘图像特征的刻画更加细致，从而起到了提高人耳识别率的作用。

附图说明

图1为平均Hausdorff距离的缺陷，其中，图1(a)为两条平行线段点集的集合图像，图1(b)为两条相交线段点集的集合图像；

图2为肤色检测的算法流程图；

图3为非肤色噪声修复算法表示，其中，图3(a)表示图像亮度值的二维矩阵，图3(b)非肤色噪声块的分区；

图4为用以计算人耳图像形态学梯度的交叉型结构元素b；

图5为处理后得到的标准人耳边缘图像；

图6为用于计算改进Hausdorff距离的4条人耳边缘线段。

具体实施方式

步骤一：对人耳图像的采集和预处理及人耳图像边缘特征提取

(1)通过相机获取含人体侧面人耳的静态彩色图片。选用HSI空间作为肤色检测分割的主要色彩空间，其中，H(Hue)表示色度，S(Saturation)代表饱和度，I(Intensity)表示亮度。采用如图2分割策略，用S来区分色彩高饱和区和低饱和区，用H来分割色彩高饱和区，用I来分割色彩低饱和区。在检测到非肤色噪声后，采用修复算法对人耳图像非肤色噪声区域进行修复，具体方法如下：

A.用一个对应图像大小的矩阵来表示肤色检测的结果，其中具有肤色的像素点对应矩阵中的灰度值255，而非肤色的像素点对应矩阵中的灰度值0。这里灰度值是亮度的概念，0-为黑色，255-白色，依据颜色深浅范围为0-255。处于肤色像素包围中的非肤色像素块将被认为是非肤色噪声区域。噪声检测的结果矩阵用S表示，其中具有0值的点为噪声点。

B.在大量实验中发现，检测出的噪声区域总是要略小于实际的噪声区域。所以，在采用修复算法前，用常规膨胀算法来扩大噪声区域：

SD＝dilate(S)                                  (1)

式(1)中SD代表膨胀后的结果矩阵，dilate()是已知膨胀函数，S是噪声检测的结果矩阵。

C.用矩阵I表示图像的亮度值。在矩阵I中，对每个非肤色噪声区域的像素点使用一个5×5的矩阵窗口，窗口中心点是被处理的非肤色像素点(图3(a)中带*号的0值点)，对窗口中的肤色像素点(图3(a)中用非0值表示)对应的灰度值进行排序，选取中间灰度值对应的像素为替换像素。然后用替换像素的RGB值作为被处理像素点新的RGB值。

D.如图3(b)所示将每块非肤色噪声按其高度和宽度平均分为4个区，每个区域中的每个像素点都采用C步骤中的方法来处理，其中，A区采用从上到下、从左到右的处理顺序；B区采用从上到下、从右到左的处理顺序；C区处理顺序是从下到上、从左到右；D区的处理顺序则是从下到上、从右到左。各个区的处理先后顺序是A、B、C、D。

E.去除非肤色噪声后，再对人耳图像的空间尺度进行常规的裁剪和缩小放大，进行尺度归一化，从而得到统一大小的校准图像。完成尺度归一化后，对校准后的图像做灰度归一化处理，用常规的图像增强法直方图均衡化来做光照补偿，改善图像的对比度。最后得到160*110分辨率的标准人耳图像。

(2)用结构元素b对输入图像f进行灰度膨胀，记为fb，用结构元素b对输入图像f进行灰度腐蚀，记为fΘb。一幅图像的形态学梯度记为g：g＝(fb)-(fΘb)。这里采用结构元素b(如图4)得到标准人耳图像的形态学梯度图像。从这些梯度图像中分割出图像的边缘。采用如下分割策略：

A.将图像分为100个大小为16×11像素的子块。

B.对于形态学梯度图像f令其灰度均值为M，如果某子块图像中的所有像素的灰度值都小于M/3，则该子块图像不进行分割，认定其中没有边缘，并将该子块图像所有像素置0。

C.对于B中所述子块图像以外的其它子块图像，首先使用常规最大类间方差法得到阈值TH，然后根据TH分割该子块图像。

接下来，采用图像形态学中的细化操作对边缘图像进行细化处理，以得到比较细致的边缘图像。然后，使用图像形态学中的剪裁和去除毛刺等操作来去掉边缘上的毛刺和小段的边缘。最后，根据人耳边缘的轮廓形状等，去掉噪声和伪边缘，从而得到能精确描述人耳轮廓的人耳边缘图像。通过上述步骤，我们将最终得到的人耳边缘图像称为“标准人耳边缘图像”，作为后续识别的依据。如图5为4幅不同人耳图像经过处理后得到的“标准人耳边缘图像”。

步骤二：Hausdorff距离的改进

(1)用标准方差及边缘线段间长度差改进Hausdorff距离

人耳边缘是由点组成的，两个不同人耳边缘的匹配在一定意义上是两个点集间的匹配。利用Hausdorff距离描述点集相似性并通过特征点集来匹配的方法近年得到广泛应用。给定两个有限点集A＝{a₁，a₂，...，a_m}和B＝{b₁，b₂，...，b_n}，它们之间的Hausdorff距离定义如下：

H(A，B)＝max[h(A，B)，h(B，A)]    (2)

标准方差改进的Hausdorff距离加入了点集间点的分布信息，对点集的描述变得更加的准确和稳定。然而，标准方差改进的Hausdorff距离依然有遗漏的地方，因为边缘的长度也是一个重要的特征。需要在Hausdorff距离中加入对长度差异的描述。对其做的改进如下：

$h_{\mathrm{LSDMHD}}(A,B,k,t)=\frac{1}{N_A}\underset{a\∈A}{\mathrm{\Σ}}\underset{b\∈B}{\min }\left|\right|a-b\left|\right|+\mathrm{kS}(A,B)+\mathrm{t\ΔN}---\left(3\right)$

$h_{\mathrm{LSDMHD}}(B,A,k,t)=\frac{1}{N_B}\underset{b\∈B}{\mathrm{\Σ}}\underset{a\∈A}{\min }\left|\right|b-a\left|\right|+\mathrm{kS}(B,A)+\mathrm{t\ΔN}---\left(4\right)$

上两式中A，B分别代表有限点集A＝{a₁，a₂，...，a_m}和B＝{b₁，b₂，...，b_n}。

N_A，N_B分别代表有限点集A，B中点的数量。

ΔN代表两个点集间点的数量的差异。

参数k为加权系数，用来调节点分布信息在距离计算中所占的比重。

参数t也为加权系数，用来调节边缘线段的长度差异在距离计算中所占的比重。这样就加入了对线段间长度差异的描述。

S(A，B)表示点集A中一点到点集B中最远距离的标准方差。

$S(A,B)=\sqrt{\underset{a\∈A}{\mathrm{\Σ}}\left[\underset{b\∈B}{\min }\right||a-b||-\frac{1}{N_A}\underset{a\∈A}{\mathrm{\Σ}}\underset{b\∈B}{\min }||a-b||{]}^2}---\left(5\right)$

S(B，A)则表示点集B中一点到点集A中最远距离的标准方差。

$S(B,A)=\sqrt{\underset{b\∈B}{\mathrm{\Σ}}\left[\underset{a\∈A}{\min }\right||b-a||+\frac{1}{N_B}\underset{b\∈B}{\mathrm{\Σ}}\underset{a\∈A}{\min }||b-a||{]}^2}---\left(6\right)$

上两式中，A，B分别代表有限点集A＝{a₁，a₂，...，a_m}和B＝{b₁，b₂，...，b_n}。

N_A，N_B分别代表有限点集A，B中点的数量。

ΔN代表两个点集间点的数量的差异：

ΔN＝||N_A-N_B||    (7)

N_A，N_B分别代表有限点集A，B中点的数量。

为了进一步减少外野点对距离度量的影响，再对Hausdorff距离做了如下的改变，令：

$H_{\mathrm{LSDMHD}}(A,B,k,t)=\left\{\begin{array}{cc}{h}_{\mathrm{LSDMHD}}(A,B,k,t)& N_A\≤N_B\\ h_{\mathrm{LSDMHD}}(B,A,k,t)& N_A>N_B\end{array}\right.---\left(8\right)$

式中字母含义同式(3)及式(4)。

式(8)给出的Hausdorff距离就是最终利用标准方差和边缘线段间长度差改进后的Hausdorff距离度量。

步骤三：采用改进Hausdoff距离对人耳特征向量的确定

从图6中可以看出，人耳的主要边缘轮廓可以大致分为4段，也就是图中所标示的4条边缘线段L₁，L₂，L₃，L₄。通过实验实践表明，将这4条线段作为人耳识别的4个特征是可行的。设点集A是人耳特征库中的一幅“标准人耳边缘图像”，包含4条边缘线段L_A1，L_A2，L_A3，L_A4。点集B是一幅待识别的人耳边缘图像同样包含4条边缘线段L_B1，L_B2，L_B3，L_B4。现在要测试B是否与A匹配，可以定义B与A的相对特征向量X_AB如下：

$X_{\mathrm{AB}}=\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\\ x_4\end{array}\right]---\left(9\right)$

采用标准方差和边缘线段间长度差改进的Hausdorff距离提取人耳边缘图像的特征向量：

x₁＝H_LSDMHD(L_A1，L_B1)    (10)

x₂＝H_LSDMHD(L_A2，L_B2)    (11)

x₃＝H_LSDMHD(L_A3，L_B3)    (12)

x₄＝H_LSDMHD(L_A4，L_B4)    (13)

其中，L_A1，L_A2，L_A3，L_A4，L_B1，L_B2，L_B3，L_B4分别表示已有人耳图像及待识别人耳图像的四条边缘线段。H_LSDMHD为改进Hausdorff距离度量。

然后利用现有的识别方法，如支持向量机算法、神经网络算法、K均值算法等，得到最终的识别结果。本实施例采用的是支持向量机算法。

将X_AB代入点集A对应的线性判别函数d(X)，一般来说

d(X_AB)＝W^tX_AB+W₀                                          (14)

这里W^t为分类器权向量，W₀为可设参数

如果d(X_AB)＞0则表明B与A为同一人耳的边缘，相反，如果d(X_AB)≤0则表示B与A不是同一人耳的边缘。

实施1

通过数码相机采集320幅人耳右耳图像，对人耳图像库中的320幅人耳图像做如下的处理：

A.对所有人耳图像进行预处理操作，包括去噪、空间尺度归一化和灰度归一化。将所有人耳图像处理成为“标准人耳图像”。

B.使用基于灰度形态学梯度和局部阈值分割的边缘检测方法，对所有“标准人耳图像”做边缘提取，从而得到320幅“标准人耳边缘图像”，这就是人耳特征库，可以使用稀疏矩阵来描述“标准人耳边缘图像”，以减少数据量。

C.使用支持向量机作为人耳识别的最终数据分类方法。从人耳特征库中选择30人的150幅(每人5幅)“标准人耳边缘图像”作为训练样本集；而这30人剩余的90幅(每人3幅)“标准人耳边缘图像”作为已注册人耳测试样本集。其余10人的80幅(每人8幅)“标准人耳边缘图像”作为未注册人耳测试样本集。

D.分别采用不同的边缘距离度量方法提取边缘线段特征，并使用训练样本集，为每个人训练一个分类器，从而得到一个完整的人耳识别方法。

表1采用三种不同Hausdorff距离得到的人耳识别率

测试该方法对人耳的识别率，得到采用三种不同Hausdorff距离得到的人耳识别率的结果，见表1。

从实验的结果我们可以看出直接使用Hausdorff距离(Hausdorff Distance，HD)，识别效果较差，识别率也比较低；采用平均Hausdorff距离(ModifiedHausdorff Distance，MHD)后识别率都有一定的提高；利用标准方差和边缘线段间长度差改进后的Hausdorff距离(Length&Standard Deviation ModifiedHausdorff Distance，LSDMHD)识别率最高。

结论：改进的Hausdorff距离人耳识别的识别率高，对已注册人耳的识别率达到94.4％，对未注册人耳的拒绝率达到95.0％。。

Claims (4)

1.利用改进Hausdorff距离提取识别人耳特征的方法，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：

通过对采集的人耳图像的非肤色噪声的去噪及修复，采用空间尺寸归一化和光照补偿，得到标准人耳图像；

(2)人耳图像边缘特征提取：

用灰度形态学梯度和局部阈值分割相结合的方法提取人耳边缘的特征，得到标准人耳边缘图像；

(3)利用标准方差及边缘线段间长度差改进Hausdorff距离，以改进后的Hausdorff距离H_LSDMHD为最终采用标准方差和边缘线段间长度差改进后的Hausdorff距离度量；

(4)将步骤(2)中所获得的人耳边缘图像的其主要边缘轮廓分为人耳识别的4条特征线段，用改进的Hausdorff距离确定其人耳特征向量。

2.根据权利要求1所述的利用改进Hausdorff距离提取识别人耳特征的方法，其特征在于步骤(1)中非肤色噪声的去噪及修复的步骤如下：

确定的分量阈值找出符合要求的肤色区域，区分色彩高饱和区和低饱和区、分割色彩高饱和区和色彩低饱和区，其中被肤色区域包围的非肤色区域被判别为噪声区域。噪声区域由周围的肤色区域进行修复填充。

3.根据权利要求1所述的利用改进Hausdorff距离提取识别人耳特征的方法，其特征在于步骤(3)中利用标准方差及边缘线段间长度差改进Hausdorff距离的步骤如下：

对长度差异用下列公式对Hausdorff距离描述

$h_{\mathrm{LSDMHD}}(A,B,k,t)=\frac{1}{N_A}\underset{a\∈A}{\mathrm{\Σ}}\underset{b\∈B}{\min }\left|\right|a-b\left|\right|+\mathrm{kS}(A,B)+\mathrm{t\ΔN}$

$h_{\mathrm{LSDMHD}}(B,A,k,t)=\frac{1}{N_B}\underset{b\∈B}{\mathrm{\Σ}}\underset{a\∈A}{\min }\left|\right|b-a\left|\right|+\mathrm{kS}(B,A)+\mathrm{t\ΔN}$

其中，参数k为用来调节点分布信息在距离计算中所占比重的加权系数；

参数t为用来调节边缘线段的长度差异在距离计算中所占比重的加权系数；

S(A，B)表示点集A中一点到点集B中最远距离的标准方差，

$S(A,B)=\sqrt{\underset{a\∈A}{\mathrm{\Σ}}\left[\underset{b\∈B}{\min }\right||a-b||-\frac{1}{N_A}\underset{a\∈A}{\mathrm{\Σ}}\underset{b\∈B}{\min }||a-b||{]}^2}$

S(B，A)则表示点集B中一点到点集A中最远距离的标准方差，

$S(B,A)=\sqrt{\underset{b\∈B}{\mathrm{\Σ}}\left[\underset{a\∈A}{\min }\right||b-a||-\frac{1}{N_B}\underset{b\∈B}{\mathrm{\Σ}}\underset{a\∈A}{\min }||b-a||{]}^2}$

ΔN代表两个点集间点的数量的差异：

ΔN＝||N_A-N_B||

为减少非轮廓边缘线段点对距离度量的影响，对Hausdorff距离做了如下改变，令：

$h_{\mathrm{LSDMHD}}(A,B,k,t)=\left\{\begin{array}{cc}{h}_{\mathrm{LSDMHD}}(A,B,k,t)& N_A\≤N_B\\ h_{\mathrm{LSDMHD}}(B,A,k,t)& N_A>N_B\end{array}\right.$

H_LSDMHD为最终采用标准方差和边缘线段间长度差改进后的Hausdorff距离度量。

4.根据权利要求1所述的利用改进Hausdorff距离提取识别人耳特征的方法，其特征在于所述步骤(4)中改进Hausdorff距离确定人耳特征向量的步骤如下：

设点集A是人耳特征库中的一幅“标准人耳边缘图像”，包含4条边缘线段L_A1，L_A2，L_A3，L_A4，点集B是另一幅待识别的人耳边缘图像，包含4条边缘线段L_B1，L_B2，L_B3，L_B4，测试B是否与A匹配，定义B与A的相对特征向量X_AB如下：

$X_{\mathrm{AB}}=\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\\ x_4\end{array}\right]$

其中：

x₁＝H_LSDMHD(L_A1，L_B1)

x₂＝H_LSDMHD(L_A2，L_B2)

x₃＝H_LSDMHD(L_A3，L_B3)

x₄＝H_LSDMHD(L_A4，L_B4)。

Images