基于BP神經(jīng)網(wǎng)絡(luò)的人耳識別研究.pdf

1、分類號——UDC密級金亞學(xué)校代碼!!!!!劣多凄理歹大浮學(xué)位論文題目叁主曼里盈絲圈鱉魚厶至叢墨!塹窒英文ResearchonEarRecognitionBased題目onBPNeuralNetworks研究生姓名垡墮墮指導(dǎo)教師姓名菱鏊叁職稱申請學(xué)位級別碩士430070論文提交日期呈Q!!生三旦論文答辯日期!Q!!生!旦學(xué)位授予單位蹙墊里三苤堂學(xué)位授予日期塑蘭暈繒答辯委員會主席鴛，絲章評閱人綻絲立2012年5月摘要生物特征識別是利用人類特

2、有的生理或行為特征對個人身份進(jìn)行識別的技術(shù)。它提供了一種高可靠性、高穩(wěn)定性的身份鑒別途徑。人耳識別作為這一領(lǐng)域的一個新的分支，同時也是模式識別和計算機(jī)視覺極具挑戰(zhàn)性的課題之一。與其他生物識別技術(shù)相比，人耳有其獨特的生理和結(jié)構(gòu)優(yōu)勢，使得它在公共安全、信息安全等領(lǐng)域有著潛在的應(yīng)用前景，越來越受到人們的關(guān)注。本文針對目前人耳識別中存在的一些問題做了相關(guān)研究，主要有以下幾個方面。首先，本文對人耳圖像進(jìn)行預(yù)處理，運用中值濾波進(jìn)行平滑處理處理、雙線

3、性差值進(jìn)行尺寸歸一化處理、直方圖均衡化進(jìn)行光照歸一化處理。然后，對預(yù)處理后的圖像進(jìn)行邊緣檢測，通過對多種經(jīng)典邊緣檢測算子實驗結(jié)果比較，本文采用一種標(biāo)記分水嶺算法并將其應(yīng)用于入耳的邊緣檢測。這使得特征提取時只需處理入耳區(qū)域本身，提高了特征信息的有效性。在獲得了有效人耳區(qū)域的基礎(chǔ)上，對其進(jìn)行特征提取。先用主成分析方法(PCA)對圖像進(jìn)行降維處理，提取出人耳的主成分，由于PCA方法的分類效果差，而局部二進(jìn)制模式方法(LBP)是一種很好的紋理描

4、述算子，具有很強(qiáng)的分類能力，所以在提取主成分之后，再用LBP對其進(jìn)行特征提取，并將提取出的特征用于后續(xù)的訓(xùn)練和識別。這兩種特征提取方法相結(jié)合不僅能提高識別率，而且也能減少訓(xùn)練時間。在訓(xùn)練階段采用兩種方法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，兩者的差別只是輸入不同。一種是把分割后的圖像用PCA降維后直接作為網(wǎng)絡(luò)的輸入，另一種是把PCA降維后的圖像用LBP對其進(jìn)行特征提取后，再作為網(wǎng)絡(luò)的輸入。并把訓(xùn)練好的網(wǎng)絡(luò)用于識別。由于人耳在采集的過程中會受到光照、抖動等的影