耳纹图像特征的三维识别技术研究
尤鸿霞 黄艳艳
摘 要： 为了提高对耳纹图像的三维识别能力，提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解，结合区域网格径向划分方法进行图像分割，对耳纹图像的子块像素点进行自适应融合滤波，实现图像降噪，使用脊波变换进行耳纹图像三维特征重构，使用多尺度Retinex信息增强方法输出图像的辨识特征点，实现耳纹图像三维识别。仿真结果表明，采用该算法进行耳纹图像特征识别的精度较高，图像输出质量较好。
关键词： 耳纹图像； 特征提取； 三维识别； 脊波变换； 图像分割
中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）22?0091?04
Abstract： In order to improve the 3D recognition ability for the ear print image， an ear print images block feature extraction and 3D recognition technology based on ridgelet transform is proposed. The two?dimensional Fourier transform method is used to decompose the sub?pixel feature of the ear print image， and combined with the regional grid radial partition method for image segmentation. The subblock pixel points of the ear print image are performed with the adaptive fusion filtering to denoise the image. The ridgelet transform is adopted to carry out the 3D feature reconstruction of the ear print image. The multi?scale Retinex information enhancement method is employed to output the identification feature points of the image to realize the ear print image 3D recognition. The simulation results show that the algorithm has high precision for ear print image feature recognition and high image output quality.
Keywords： ear print image； feature extraction； 3D recognition； ridgelet transform； image segmentation
0 引 言
耳纹是人体的重要生命特征，耳纹如同指纹特征一样能有效反应人与人之间个体的差异性，因此，可以通过对耳纹特征三维识别进行人体辨识，以此应用在刑事侦查和警察办案中，具有很好的人体识别性能。对图像的三维识别是利用光学投影技术进行数字化信息重建，利用图像特征分布和三维放射特性进行图像数字化重建DRR（Digital Reconstructed Radiograph），结合直接体绘制技术对耳纹三维重建图像的区域分割，通过模拟图像的点分布和边缘轮廓分布模型实现图像三维全息投影，在全息投影中进行图像的特征提取和三维识别。传统的耳纹图像是三维识别采用纹理分割方法[1]，在对大规模的耳纹图像处理时的实时性不好，不能实现批量图像的自适应筛选。针对上述问题，本文提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术，通过图像处理算法优化设计，实现三维识别改进，最后进行仿真测试，得出有效性结论。
1 图像采集和分块预处理
对耳纹图像特征的三维识别的研究建立在对图像的特征采集和分块处理基础上。图像采集系使用数码设备NikonD7200，采集的感光度设定为100。采用Radon尺度变换构建图像分块的4×4网格区域，采用一维小波变换进行耳纹图像的角度和频率分解；利用图像的稀疏先验信息进行耳纹角点检测，利用图像二维傅里叶变换进行超像素分割[2]，实现图像的像素特征采集；对采集结果通过脊波变换进行三维特征提取，实现耳纹特征识别。根据上述设计原理，得到耳纹图像特征三维识别总体实现构架如图1所示。
2 耳纹特征的三维识别
2.1 耳紋图像自适应融合滤波
本文在进行了耳纹图像采集和分块预处理的基础上，进行耳纹图像特征三维识别优化处理，提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解[4]，特征分解方程描述为：
2.2 图像的辨识特征点信息增强
在4个3×3子块模型中，使用脊波变换进行耳纹图像三维特征重构，图像中的耳纹分布纹理特征集为：
3 仿真实验分析
仿真测试运行平台为Windows 7系统，Pentium（R）4 CPU 3.00 GHz，采用Matlab图像处理软件进行图像处理算法的编程设计，在人体耳纹特征库ear Database ddl中选择两组样本作为训练集和测试集，分别表示男性耳纹和女性耳纹，样本个数分别为4个和7个，如图2所示。
以上述耳纹样本为研究对象，取一组样本进行测试，采用不同方法进行三维识别和特征提取，得到识别结果如图3所示。分析图3结果得知，采用本文方法进行耳纹识别，输出图像的像素值更高，成像质量更好，提高耳纹识别的精度。
4 结 语
本文提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解，结合区域网格径向划分方法进行图像分割，对耳纹图像的子块像素点进行自适应融合滤波，实现图像降噪，使用脊波变换进行耳纹图像三维特征重构，使用多尺度Retinex信息增强方法输出图像的辨识特征点，实现耳纹图像三維识别。分析得出，采用本文算法进行耳纹图像特征识别的精度较高，图像输出质量较好，具有较好的辨识性能。
参考文献
[1] 牛英宇，聂瑞杰，李丽娟.基于FPGA的红外图像非均匀校正实现方法[J].激光与红外，2016，46（8）：1028?1032.
[2] 江涛，吕家恪，李佳.基于兴趣点匹配的图像检索方法[J].激光杂志，2016，37（6）：86?89.
[3] ORTIZ A， GORRIZ J M， RAMIREZ J， et al. Improving MR brain image segmentation using self?organising maps and entropy?gradient clustering [J]. Information sciences， 2014， 262（3）： 117?136.
[4] 李积英，党建武，王阳萍.融合量子克隆进化与二维Tsallis熵的医学图像分割算法[J].计算机辅助设计与图形学学报，2014，26（3）：465?471.
[5] 郑海峰.基于多尺度Retinex的超声图像去噪及增强技术[J].激光杂志，2016，37（3）：71?73.
[6] 王云烨，李勃，董蓉，等.基于透射率空间与色彩纹理相关性的图像分割[J].电子测量技术，2015，38（1）：41?46.
[7] 张宇，王晓燕.基于混合灰度差指标的低空目标图像检测方法[J].电子测量与仪器学报，2015，29（8）：1196?1202.
[8] FENG Fuzhou， ZHANG Chaosheng， MIN Qingxu， et al. Heating characteristics of metal plate crack in sonic IR imaging [J]. Infrared and laser engineering， 2015， 44（5）： 1456?1461.
摘 要： 为了提高对耳纹图像的三维识别能力，提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解，结合区域网格径向划分方法进行图像分割，对耳纹图像的子块像素点进行自适应融合滤波，实现图像降噪，使用脊波变换进行耳纹图像三维特征重构，使用多尺度Retinex信息增强方法输出图像的辨识特征点，实现耳纹图像三维识别。仿真结果表明，采用该算法进行耳纹图像特征识别的精度较高，图像输出质量较好。
关键词： 耳纹图像； 特征提取； 三维识别； 脊波变换； 图像分割
中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）22?0091?04
Abstract： In order to improve the 3D recognition ability for the ear print image， an ear print images block feature extraction and 3D recognition technology based on ridgelet transform is proposed. The two?dimensional Fourier transform method is used to decompose the sub?pixel feature of the ear print image， and combined with the regional grid radial partition method for image segmentation. The subblock pixel points of the ear print image are performed with the adaptive fusion filtering to denoise the image. The ridgelet transform is adopted to carry out the 3D feature reconstruction of the ear print image. The multi?scale Retinex information enhancement method is employed to output the identification feature points of the image to realize the ear print image 3D recognition. The simulation results show that the algorithm has high precision for ear print image feature recognition and high image output quality.
Keywords： ear print image； feature extraction； 3D recognition； ridgelet transform； image segmentation
0 引 言
耳纹是人体的重要生命特征，耳纹如同指纹特征一样能有效反应人与人之间个体的差异性，因此，可以通过对耳纹特征三维识别进行人体辨识，以此应用在刑事侦查和警察办案中，具有很好的人体识别性能。对图像的三维识别是利用光学投影技术进行数字化信息重建，利用图像特征分布和三维放射特性进行图像数字化重建DRR（Digital Reconstructed Radiograph），结合直接体绘制技术对耳纹三维重建图像的区域分割，通过模拟图像的点分布和边缘轮廓分布模型实现图像三维全息投影，在全息投影中进行图像的特征提取和三维识别。传统的耳纹图像是三维识别采用纹理分割方法[1]，在对大规模的耳纹图像处理时的实时性不好，不能实现批量图像的自适应筛选。针对上述问题，本文提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术，通过图像处理算法优化设计，实现三维识别改进，最后进行仿真测试，得出有效性结论。
1 图像采集和分块预处理
对耳纹图像特征的三维识别的研究建立在对图像的特征采集和分块处理基础上。图像采集系使用数码设备NikonD7200，采集的感光度设定为100。采用Radon尺度变换构建图像分块的4×4网格区域，采用一维小波变换进行耳纹图像的角度和频率分解；利用图像的稀疏先验信息进行耳纹角点检测，利用图像二维傅里叶变换进行超像素分割[2]，实现图像的像素特征采集；对采集结果通过脊波变换进行三维特征提取，实现耳纹特征识别。根据上述设计原理，得到耳纹图像特征三维识别总体实现构架如图1所示。
2 耳纹特征的三维识别
2.1 耳紋图像自适应融合滤波
本文在进行了耳纹图像采集和分块预处理的基础上，进行耳纹图像特征三维识别优化处理，提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解[4]，特征分解方程描述为：
2.2 图像的辨识特征点信息增强
在4个3×3子块模型中，使用脊波变换进行耳纹图像三维特征重构，图像中的耳纹分布纹理特征集为：
3 仿真实验分析
仿真测试运行平台为Windows 7系统，Pentium（R）4 CPU 3.00 GHz，采用Matlab图像处理软件进行图像处理算法的编程设计，在人体耳纹特征库ear Database ddl中选择两组样本作为训练集和测试集，分别表示男性耳纹和女性耳纹，样本个数分别为4个和7个，如图2所示。
以上述耳纹样本为研究对象，取一组样本进行测试，采用不同方法进行三维识别和特征提取，得到识别结果如图3所示。分析图3结果得知，采用本文方法进行耳纹识别，输出图像的像素值更高，成像质量更好，提高耳纹识别的精度。
4 结 语
本文提出一种基于脊波变换的耳纹图像分块特征提取和三维识别技术。采用二维傅里叶变换方法进行耳纹图像的亚像素级特征分解，结合区域网格径向划分方法进行图像分割，对耳纹图像的子块像素点进行自适应融合滤波，实现图像降噪，使用脊波变换进行耳纹图像三维特征重构，使用多尺度Retinex信息增强方法输出图像的辨识特征点，实现耳纹图像三維识别。分析得出，采用本文算法进行耳纹图像特征识别的精度较高，图像输出质量较好，具有较好的辨识性能。
参考文献
[1] 牛英宇，聂瑞杰，李丽娟.基于FPGA的红外图像非均匀校正实现方法[J].激光与红外，2016，46（8）：1028?1032.
[2] 江涛，吕家恪，李佳.基于兴趣点匹配的图像检索方法[J].激光杂志，2016，37（6）：86?89.
[3] ORTIZ A， GORRIZ J M， RAMIREZ J， et al. Improving MR brain image segmentation using self?organising maps and entropy?gradient clustering [J]. Information sciences， 2014， 262（3）： 117?136.
[4] 李积英，党建武，王阳萍.融合量子克隆进化与二维Tsallis熵的医学图像分割算法[J].计算机辅助设计与图形学学报，2014，26（3）：465?471.
[5] 郑海峰.基于多尺度Retinex的超声图像去噪及增强技术[J].激光杂志，2016，37（3）：71?73.
[6] 王云烨，李勃，董蓉，等.基于透射率空间与色彩纹理相关性的图像分割[J].电子测量技术，2015，38（1）：41?46.
[7] 张宇，王晓燕.基于混合灰度差指标的低空目标图像检测方法[J].电子测量与仪器学报，2015，29（8）：1196?1202.
[8] FENG Fuzhou， ZHANG Chaosheng， MIN Qingxu， et al. Heating characteristics of metal plate crack in sonic IR imaging [J]. Infrared and laser engineering， 2015， 44（5）： 1456?1461.
