论文部分内容阅读
人耳识别是模式识别领域一个新兴的研究方向，对模式识别的发展和应用有着重要意义。本文主要对人耳特征提取；人耳特征融合和选取；人耳分类识别三个环节进行了研究工作，主要体现在以下几个方面：(1)采用了一种基于改进的zernike wavelet矩特征快速提取算法。多种特征一起提取是非常耗时的，为了提高系统的反应速度，本文对zernike矩和wavelet矩特征提取算法进行了比较改进，简化了算法步骤，提高了zernike wavelet矩特征提取算法的速度。(2)采用了一种基于改进的PoSVD特征提取方法。为了提取更能反映人耳图像纹理分布特点的特征，本文采用了提取图像极坐标变换矩阵的SVD特征的PoSVD方法，这种方法对图像拍摄角度因素的影响有很好的适应性。(3)在特征融合选取中，采用了特征层串行融合的方法，将zernike wavelet矩特征和PoSVD特征的互补融合。提出了基于PIDF动态规划算法的特征选取方法——PIDFDP方法，降低了融合特征的维度、去除了特征冗余性的同时保持特征的分类能力，该方法对PIDC方法进行了改进后用于特征选取，具有很强的监督选取能力。(4)在人耳识别中，提出了一种有指导组合双权值神经网络分类器(CTWNN)，该分类器是一种能够对识别目标进行高维空间几何体覆盖的仿生模式识别分类器，克服了基于划分的传统分类器误差大的缺点，该方法使用K-均值聚类来对样本划分区块的方法指导双权值神经网络分类器训练组合，提高了神经网络高维空间几何体覆盖的精度，提高了分类器的识别率。采用本文的人耳特征提取，融合选取和识别分类方法，可以实现快速准确的静态人耳图像识别，并且可以得到很好的识别结果。