[發(fā)明專利]復雜背景下的人耳檢測及多信息融合的人耳識別方法

無效

• 申請?zhí)枺?/td>: 200710092439.1
• 申請日: 2007-07-18
• 公開（公告）號: CN101093540A
• 公開（公告）日: 2007-12-26
• 發(fā)明（設計）人: 劉嘉敏;王玲;李麗娜;楊奇;李以農(nóng);劉宇;莫興俊;蘭逸君
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/80
• 代理公司: 重慶華科專利事務所
• 代理人: 康海燕

1、復雜背景下的人耳檢測及多信息融合的人耳識別方法，其特征在于包括以下步驟：

(1)復雜背景下的人耳檢測

A.通過攝像機獲取含人體側面的圖像序列或靜態(tài)彩色圖片，對圖像序列采用背景差分模型獲取其中的運動物體輪廓，用膚色模型進行人耳粗定位，再用人耳輪廓進行擬合，精確定位出人耳；對靜態(tài)彩色圖片通過膚色模型和側臉輪廓幾何特征的方法定位出人耳；

B.對步驟A檢測出的人耳圖像進行濾噪，歸一化預處理，得到標準的待識別人耳圖像；

(2)多信息融合的人耳識別

A.根據(jù)萬有引力場轉換算法得到待識別人耳圖像的勢能阱，利用勢能阱個數(shù)進行人耳粗分類；

B.同時，利用分水嶺算法對待識別人耳圖像進行邊緣檢測得到人耳邊緣信息；

C.然后利用步驟(2)B得到的人耳邊緣信息，采用H_SDMHD′算法，即標準方差和邊緣線段長度差改進的Hausdorff距離算法，提取人耳特征，最后利用人耳識別方法，完成人耳識別。

2、根據(jù)權利要求1所述的復雜背景下的人耳檢測及多信息融合的人耳識別方法，其特征在于：步驟(2)A中根據(jù)萬有引力場轉換算法得到待識別人耳圖像的勢能阱步驟如下：

首先，在待識別人耳圖像上選取一些特定像素作為測試像素，為了確保其位置都能夠圍繞待識別人耳，我們使所取的測試像素位置平均分布于圖像的四邊上；

然后，依據(jù)萬有引力場轉換算法計算出測試像素所受引力合力的大小和方向，測試像素由于受力不平衡而產(chǎn)生運動，它們的運動軌跡形成一條條場線。

萬有引力場轉換算法如下： F ( r j ) = Σ i P ( r i ) P ( r j ) r i - r j | r i - r j | 3 ∀ i ≠ j 0 ∀ i = j ]]>

其中r_i代表施力像素的位置向量，r_j代表受力像素的位置向量，P(r_i)為施力像素灰度，P(r_j)為受力像素灰度，F(xiàn)(r_j)為受力像素所受引力合力；

最后，力場所對應的能量場達到平衡，出現(xiàn)沒有能量差異的幾個點，所有場線匯集并終止于這幾個點，這幾個點都是測試像素所受引力合力為零的點，即為勢能阱。

3、根據(jù)權利要求1或2所述的復雜背景下的人耳檢測及多信息融合的人耳識別方法，其特征在于：步驟(2)C中采用H_SDMHD′算法提取人耳特征的算法如下：

H ′ SDMHD ( A , B , k , t ) = h ′ SDMHD ( A , B , k , t ) , N A ≤ N B h ′ SDMHD ( B , A , k , t ) , N A > N B ]]>

其中：

h ′ SDMHD ( A , B , k , t ) = 1 N A Σ a ∈ A min b ∈ B | | a - b | | + kS ( A , B ) + tΔN ]]>

h ′ SDMHD ( B , A , k , t ) = 1 N B Σ b ∈ B min a ∈ A | | b - a | | + kS ( B , A ) + tΔN ]]>

參數(shù)a表示點集A中的一點，參數(shù)b表示點集B中的一點，參數(shù)k表示加權系數(shù)，S(A，B)表示點集A中一點到點集B中最遠距離的標準方差，S(B，A)則表示點集B中一點到點集A中最遠距離的標準方差，ΔN代表兩個點集間點的數(shù)量的差異：ΔN＝|N_A-N_B|，參數(shù)t則為ΔN的加權系數(shù)。