多特征人耳識別.pdf

1、人耳識別是模式識別領(lǐng)域一個(gè)新興的研究方向，對模式識別的發(fā)展和應(yīng)用有著重要意義。本文主要對人耳特征提??；人耳特征融合和選?。蝗硕诸愖R別三個(gè)環(huán)節(jié)進(jìn)行了研究工作，主要體現(xiàn)在以下幾個(gè)方面： (1)采用了一種基于改進(jìn)的zemike wavelet矩特征快速提取算法。多種特征一起提取是非常耗時(shí)的，為了提高系統(tǒng)的反應(yīng)速度，本文對zemike矩和wavelet矩特征提取算法進(jìn)行了比較改進(jìn)，簡化了算法步驟，提高了zemike wavelet矩特

2、征提取算法的速度。 (2)采用了一種基于改進(jìn)的PoSVD特征提取方法。為了提取更能反映人耳圖像紋理分布特點(diǎn)的特征，本文采用了提取圖像極坐標(biāo)變換矩陣的SVD特征的PoSVD方法，這種方法對圖像拍攝角度因素的影響有很好的適應(yīng)性。 (3)在特征融合選取中，采用了特征層串行融合的方法，將zemike wavelet矩特征和PoSVD特征的互補(bǔ)融合。提出了基于PIDF動態(tài)規(guī)劃算法的特征選取方法——PIDFDP方法，降低了融合特征的

3、維度、去除了特征冗余性的同時(shí)保持特征的分類能力，該方法對PIDC方法進(jìn)行了改進(jìn)后用于特征選取，具有很強(qiáng)的監(jiān)督選取能力。 (4)在人耳識別中，提出了一種有指導(dǎo)組合雙權(quán)值神經(jīng)網(wǎng)絡(luò)分類器(CTWNN)，該分類器是一種能夠?qū)ψR別目標(biāo)進(jìn)行高維空間幾何體覆蓋的仿生模式識別分類器，克服了基于劃分的傳統(tǒng)分類器誤差大的缺點(diǎn)，該方法使用K-均值聚類來對樣本劃分區(qū)塊的方法指導(dǎo)雙權(quán)值神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練組合，提高了神經(jīng)網(wǎng)絡(luò)高維空間幾何體覆蓋的精度，提高了