学位论文 > 优秀研究生学位论文题录展示

多方向多尺度与矩特征在人耳识别中的应用

作　者: 谢海军
导　师: 刘嘉敏
学　校: 重庆大学
专　业: 仪器科学与技术
关键词: 人耳识别多方向多尺度分析小波矩不变量特征提取神经网络
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 64次
引　用: 0次
阅　读: 论文下载

内容摘要

生物特征识别方法正逐渐成为近年来的研究热点,而人耳识别更是其中一个新兴的研究方向。人耳独特的生理特征和观测角度优势使人耳识别成为其他生物特征识别技术的有益补充。目前,人耳识别在国外尚处于初步探索研究阶段,在国内研究这方面的科研机构和人员也还不多,因此它具有巨大的研究价值和广阔的应用发展空间。本文首先建立了一个自动人耳识别系统,它由人耳图像采集、图像预处理、特征提取、特征数据处理以及神经网络分类识别几个模块组成。在人耳图像采集模块中,本文结合实验室设计的一个人耳采集系统,构建了一个标准的中国人人耳图像数据库。它包含了200个中国人的人耳,采集时每个人采集左右两只人耳的图像,每只人耳有4种场景(其中3种典型的光照变化和1种强光遮挡)、4个拍摄角度,总共拍摄人耳图像6400幅。在图像预处理模块中,本文研究了多尺度几何变换的原理及特点,并结合人耳图像自身特点将Curvelet变换用于人耳图像的增强与去噪过程中。然后使用小波模极大值提取人耳图像的边缘,以消除光照不均、光照变化的影响。在特征提取模块中,为了更有效地利用小波矩不变量算法来快速无损地计算人耳图像特征值,本文提出了一种融合Mallat算法的无损采样的新型小波矩不变量算法。在此基础之上,结合傅立叶变换的原理及特点,提出了基于频率幅值谱与小波矩不变量的特征提取方法。并将改进的小波矩不变量算法与传统使用三次B样条矩的小波矩、Hu矩进行了比较。在特征数据处理模块与神经网络分类识别模块中,分析了图像特征误差的产生原因,将得到的特征量使用误差处理方法进行加权,以减少误差对分类识别的影响,并利用3层BP神经网络方法完成识别。实验结果表明:①与其它方法相比,曲波去噪后的图像PSNR有较大提高,视觉效果明显改善,特别是在图像边缘的恢复上效果明显。并且曲波增强效果也好于其它方法。②相对于传统小波矩不变量算法,改进的小波矩不变量在性能几乎没有损失的情况下,大大加快了小波矩不变量的计算速度,并且基于频率幅值谱的小波矩有更强的抗噪性。③实验中有200个样本的人耳图像,每个样本有光照变化、平移、缩放、加噪、旋转共72种状态,利用前述人耳自动识别系统进行识别,各种尺寸人耳图像的识别率都达到了97%以上,并且在模拟加入10%的随机噪声的情况下识别率也都达到了95%以上。总之,该人耳识别系统不仅可以在很大程度上解决人耳图像采集中的光照不均、光照变化、噪声干扰的问题以及人耳图像采集中的平移、旋转与缩放问题,而且还可以取得很高的识别率。因此本论文有望为人耳识别技术的发展和应用提供有价值的研究思路。

全文目录

中文摘要  3-5
英文摘要  5-10
1 绪论  10-20
  1.1 研究背景  10-15
    1.1.1 人耳识别介绍  10-11
    1.1.2 人耳识别的关键技术  11
    1.1.3 人耳识别难点技术研究现状及方法综述  11-15
  1.2 多方向多尺度分析理论的发展背景  15-17
    1.2.1 图像的稀疏表示与非线性逼近  15
    1.2.2 图像的多方向多尺度几何分析  15-17
  1.3 小波矩不变量理论的发背景  17-18
    1.3.1 小波矩理论研究现状  17-18
    1.3.2 小波矩算法研究现状  18
  1.4 本论文研究的主要内容及结构安排  18-20
    1.4.1 研究内容  18-19
    1.4.2 结构安排  19-20
2 多方向多尺度分析  20-33
  2.1 Ridgelet 变换理论  20-24
    2.1.1 Ridgelet 变换  20-22
    2.1.2 数字Ridgelet 变换  22-23
    2.1.3 单尺度Ridgelet  23-24
  2.2 Curvelet 变换理论  24-25
    2.2.1 Curvelet 变换  24-25
    2.2.2 曲波变换的实现过程  25
  2.3 Curvelet 变换在图像信号处理中的研究  25-28
    2.3.1 图像增强  25-28
    2.3.2 图像去噪  28
  2.4 实验结果及分析  28-32
    2.4.1 Curvelet 变换的增强实验与结果分析  28-29
    2.4.2 Curvelet 变换的去噪实验与结果分析  29-32
  2.5 本章小结  32-33
3 传统的小波矩不变量  33-45
  3.1 图像的几何矩  33-38
    3.1.1 矩的概念  33
    3.1.2 矩的物理意义  33-36
    3.1.3 矩的相关变换  36-38
  3.2 全局矩  38-42
    3.2.1 Hu 矩  38-40
    3.2.2 其它全局矩  40-42
  3.3 图像的小波矩不变量  42-44
  3.4 本章小结  44-45
4 小波矩不变量的改进算法  45-51
  4.1 传统图像小波矩的缺陷  45
  4.2 改进的小波矩不变量算法  45-47
    4.2.1 基于空间域归一化的小波矩不变量算法  46
    4.2.2 基于频率域归一化的小波矩不变量算法  46-47
  4.3 改进小波矩不变量对图像的表示与描述能力  47-49
  4.4 改进的小波矩不变量对图像的识别能力  49-50
  4.5 本章小结  50-51
5 人耳图像的识别研究及实验结果  51-73
  5.1 引言  51
  5.2 人耳图像数据库的采集与建立  51-57
  5.3 人耳图像的预处理  57-61
    5.3.1 人耳图像的增强与去噪  57-59
    5.3.2 基于小波模极大值的归一化处理  59-61
  5.4 改进小波矩不变量的特征提取  61-62
  5.5 特征的数据处理及BP 神经网络识别  62-70
    5.5.1 特征数据处理  62-64
    5.5.2 BP 神经网络识别  64-70
  5.6 仿真实验与结果分析  70-72
  5.7 本章小结  72-73
6 总结与展望  73-75
  6.1 总结  73
  6.2 展望  73-75
致谢  75-76
参考文献  76-80
附录  80
  A. 攻读硕士期间发表的论文目录  80
  B. 攻读硕士期间取得的科研成果目录  80

多方向多尺度与矩特征在人耳识别中的应用

内容摘要

全文目录

相似论文