專利名稱：基于主動(dòng)表觀模型和外耳長(zhǎng)軸的人耳圖像歸一化方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種人耳圖像的歸一化方法
背景技術(shù)：
國(guó)際安全形勢(shì)的日趨復(fù)雜化對(duì)身份驗(yàn)證的需求與日俱增。相對(duì)于傳統(tǒng)方法，基于生物特 征的身份識(shí)別具有更好的安全性、可靠性和有效性，受到了人們的普遍重視，并開始進(jìn)入我 們社會(huì)生活的各個(gè)領(lǐng)域。人耳識(shí)別作為一種新型的生物特征識(shí)別技術(shù)，具有不受表情因素影 響、可隱蔽性操作、非接觸式采集、圖像采集成本低等優(yōu)點(diǎn)，因此有著較強(qiáng)的應(yīng)用價(jià)值。人 耳識(shí)別技術(shù)的研究?jī)?nèi)容主要涉及人耳圖像的自動(dòng)采集、定位和分割、人耳圖像特征的選擇與 提取、分類識(shí)別等。在采集圖像過(guò)程中，由于攝像系統(tǒng)的位置變化、光照影響等因素，我們 獲取到的圖像不可避免的產(chǎn)生平移、縮放、旋轉(zhuǎn)等幾何畸變和灰度范圍上的波動(dòng)。為了減輕 這些因素的影響，提高圖像質(zhì)量，保證后續(xù)特征點(diǎn)的位置準(zhǔn)確度，提高特征識(shí)別效果，圖像 歸一化成為人耳識(shí)別中必不可少的步驟。目前的人耳圖像歸一化均是以人耳幾何特征為基礎(chǔ) 的。最早期的Alfred Ia皿arelli將人耳圖像投影到標(biāo)準(zhǔn)畫板上的指定區(qū)域，然后通過(guò)調(diào)整放大 設(shè)備逐步調(diào)整人耳圖像直至人耳圖像和模板匹配。該方法需要人全程參與，自動(dòng)化程度低。 Chang K等人在"基于生物表觀模型的人耳和人臉圖像的比較和聯(lián)系"(Chang K， Bowter W, Sarkar S， Victor B. Comparison and Combination of Ear and Face Images in Appearance-Based Biometrics [J]. IEEE transactions on Pattern Analysis and Machine Intelligence, 25(9): 1160-1165) 一文中通過(guò)手動(dòng)標(biāo)定三角窩和對(duì)耳屏兩點(diǎn)的方法來(lái)對(duì)人耳圖像歸一化。但是并非所有人耳圖 像都可以清晰地辨別這兩個(gè)點(diǎn)，而且不同時(shí)間拍攝的同一人耳也可能標(biāo)記出不同的對(duì)耳屏。 有些文獻(xiàn)還提出了一種基于外耳輪廓的起點(diǎn)和終點(diǎn)標(biāo)記法，即將兩點(diǎn)連線的長(zhǎng)度及其方向作 為人耳大小和方向進(jìn)行歸一化。但是這樣分割出的耳朵可能丟失或增加一部分信息，不能真 正完整的沿外耳輪廓分割出來(lái)。
傳統(tǒng)的人耳歸一化方法通常都是手動(dòng)操作圖像編輯軟件將人耳縮放、切割和旋轉(zhuǎn)，這種
方法工作量大，并且精度低。借鑒人臉中比較有效的歸一化方法，本發(fā)明提出了基于AAM(主
動(dòng)表觀模型)的外耳長(zhǎng)軸歸一化方法。AAM的前身是1995年cootes等人在"Active Shape
Models-Their Training and Application" (T F Cootes， C J Taylor, D H Cooper, et al. Active Shape
Models-Their Training and Application. Computer Vision and Image Understanding, 1995， 61(1):
38 59)提出的ASM(Active Shape Models:主動(dòng)形狀模型)，它采用參數(shù)化的采樣形狀來(lái)構(gòu)成對(duì)
象形狀模型，并利用PCA(主元分析)方法建立描述形狀的控制點(diǎn)的運(yùn)動(dòng)模型，最后利用一組參 數(shù)來(lái)控制形狀標(biāo)志點(diǎn)的位置變化從而逼近當(dāng)前對(duì)象的形狀，由于該方法只單純利用對(duì)象的形 狀，因此準(zhǔn)確率不高。Cootes等又于1998年在"Interpreting face images using active appearance models" (G J Edwards, C J Taylor, T. F. Cootes. Interpreting face images using active appearance models. In: Proceedings of 3rd IEEE International Conference on AFGR. Nara， JAPAN: 1998， 300-305)提出了AAM(Active Appearance Models:主動(dòng)表觀模型)，改進(jìn)之處在于，它同時(shí)利 用了對(duì)象的形狀和紋理信息，因而提取輪廓的成功率較高。而且它也是一種動(dòng)態(tài)輪廓提取方 法，通過(guò)相應(yīng)的擬合算法不斷調(diào)整生成新的AAM模型實(shí)例與目標(biāo)對(duì)象進(jìn)行匹配，直到能和該 對(duì)象真正吻合，因此能實(shí)現(xiàn)目標(biāo)圖像輪廓的自動(dòng)提取。

發(fā)明內(nèi)容
本發(fā)明的目的和要解決的問(wèn)題是在于提出一種針對(duì)人耳圖像的全自動(dòng)的較精確的歸一化 方法——基于主動(dòng)表觀模型和人耳長(zhǎng)軸的歸一化方法，來(lái)獲得姿態(tài)和光照等條件較為標(biāo)準(zhǔn)的 圖片樣本，為后續(xù)的特征提取和識(shí)別創(chuàng)造良好的條件。
本發(fā)明的技術(shù)方案為
首先使用AAM自動(dòng)地精確檢測(cè)到外耳輪廓的精確位置，并將之分割出來(lái)，然后通過(guò)計(jì)算 找出外耳長(zhǎng)軸，最終利用長(zhǎng)軸提供的人耳的大小和方向信息對(duì)圖像進(jìn)行歸一化處理，方案流 程如附圖l.所示。
具體技術(shù)方案如下-
1.形狀模型的建立
1.1標(biāo)定模型的特征點(diǎn)
由于外耳輪廓近似橢圓，在標(biāo)定時(shí)，特征點(diǎn)基本上是沿外耳輪廓線均勻分布的。如附圖 2所示。如果一幅圖像是在d維空間，并且用n個(gè)點(diǎn)來(lái)標(biāo)定形狀，那么我們將這些點(diǎn)的位置 坐標(biāo)相互連接便組成一個(gè)nxd個(gè)元素的形狀向量。例如在一幅二維圖像中，我們將n個(gè)標(biāo)識(shí) 點(diǎn)表示為"U,》，其中l(wèi)^z、"，那么整個(gè)形狀向量就是一個(gè)2n個(gè)元素的向量，表示形式為
如果給定N個(gè)訓(xùn)練樣本，那么我們就可以得到N個(gè)這樣的向量s，從而組成一個(gè)2nxN維的 訓(xùn)練集S。
由于圖像中物體的形狀和位置會(huì)存在較大偏差，因此在對(duì)訓(xùn)練集中所有形狀向量進(jìn)行統(tǒng) 計(jì)分析之前，有必要用相似性變換對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。 1.2相似性變化
任意抽取S中兩個(gè)向量&和&，其中
52 =(義21,3^1,義22 ,少22 ,L ,義2" ' ，2")
標(biāo)準(zhǔn)化的過(guò)程就是通過(guò)將&進(jìn)行變換T(，)，使&和&所代表的目標(biāo)輪廓中對(duì)應(yīng)邊界點(diǎn)的距 離平方和最小，即使誤差E值達(dá)到最小。
￡=|j;—ro2)|2 + -<|2
可將代表兩個(gè)形狀的向量&和&看作二維空間里的兩個(gè)點(diǎn)，那么這兩個(gè)點(diǎn)之間的距離平方
和五可以看作是這兩個(gè)向量的加權(quán)距離，表示為
用矩陣形式表示為 其中，加權(quán)矩陣
對(duì)于T(，)的選取，釆用計(jì)算機(jī)圖形學(xué)中常用的相似性變換方式，選取三個(gè)變換因子伸縮 因子隊(duì)旋轉(zhuǎn)因子^和位移因子"如下式表示
r
其中
現(xiàn)在以兩個(gè)形狀向量^和^為例，以、為基準(zhǔn)，將 做相似性變換，可得到
<formula>formula see original document page 8</formula><formula>formula see original document page 9</formula>令
<formula>formula see original document page 9</formula>a.
則4=」2，代到五=( -Afr^^廣^)式中，可以得出-五=(JZ - & )r Jf - & )
現(xiàn)在標(biāo)準(zhǔn)化的過(guò)程就可以轉(zhuǎn)換為求使五取得最小值的z的解的過(guò)程，也就是要求
^42 = ,7的最小二乘解。用最小二乘法求解，可以得出
因此，將爿，『，^的值代入上式即可求得z的解。 一旦z的解得知，可得知a、 ^、 ^、 各個(gè)值的解，以及變換后的向量 。 ^ =(》sin P)/(^>COse) = tg^ 因此
(9二arctg(aA)
又因?yàn)閍^^^cosP，因此得出S^A/cos(arctg( /A》 1.3建立形狀模型
由1.2得到訓(xùn)練集中標(biāo)準(zhǔn)化后的第/個(gè)形狀向量&，這個(gè)向量是2n維的，因此對(duì)應(yīng)2n維 空間內(nèi)的一個(gè)點(diǎn)，同理，N個(gè)標(biāo)準(zhǔn)化后形狀的向量集S就對(duì)應(yīng)2n維空間的N個(gè)點(diǎn)。假設(shè)這N 個(gè)點(diǎn)在2n維空間里的分布包含在一個(gè)有限的區(qū)域范圍內(nèi)，那么這樣一個(gè)區(qū)域被稱為容許形狀
域(ASD)。
下一步，找到一個(gè)能夠反映由2n維空間中的N個(gè)點(diǎn)的變化規(guī)律。通過(guò)運(yùn)用主成分分析 法(PCA)，可得到一組新的變量，稱為主成分。第一主成分是該空間內(nèi)的一個(gè)主軸，通過(guò)將所 有觀察對(duì)象映射到這個(gè)軸上，可形成一個(gè)新的變量，它代表了形狀變化的最大值。第二主成 分是該空間內(nèi)的另外一個(gè)主軸，與第一主軸正交，投影到這個(gè)軸上的變量代表形狀第二大變 化的趨勢(shì)。主成分中選取最大的幾個(gè)元通常就可以在很高的比例上描述出原始數(shù)據(jù)的全部變 化信息，因此，可以通過(guò)選擇主元個(gè)數(shù)適當(dāng)降低模型的維數(shù)，減少變量的數(shù)目(即小于2n)。 降維后，可以用主成分的線性組合來(lái)表述每一個(gè)標(biāo)定點(diǎn)向量，而且，任意兩個(gè)向量之間的差 和所有向量的均值都可以用主成分的線性組合來(lái)表示。
將均值向量記為"，向量A和化的差值向量記為dsi,則
<formula>formula see original document page 10</formula>
其中<formula>formula see original document page 10</formula>，圖像形狀中的標(biāo)記點(diǎn)的協(xié)方差矩陣記為
<formula>formula see original document page 10</formula>
將差值向量浙表示為主成分的線性組合的形式，則
這里，p,是第/個(gè)主成分軸或向量，s,是一個(gè)標(biāo)量，對(duì)應(yīng)第i個(gè)形狀在p,上的權(quán)重。主軸 經(jīng)過(guò)了長(zhǎng)度的歸一化，即^>,=1，且相互正交
<formula>formula see original document page 10</formula>
因此，我們可以寫成-
其中，<formula>formula see original document page 10</formula>是特征系數(shù)，<formula>formula see original document page 10</formula>是特征向量。 由此得到
<formula>formula see original document page 10</formula>
之所以要進(jìn)行主成分分析，目的在于減少數(shù)據(jù)的維數(shù)，用盡可能少的變量來(lái)描述變化量。 所以，可將代表形狀的N個(gè)形狀向量表示為形狀均值"與部分主成分加權(quán)積的和。假設(shè)2n
個(gè)主成分中的前t個(gè)所表示出的數(shù)據(jù)的變化信息與原始數(shù)據(jù)表達(dá)出的所有變化信息之比已經(jīng) 足夠高，達(dá)到預(yù)先設(shè)定的一個(gè)比例門限，比如95%，則形狀的2n維分布在第t+l個(gè)主成分及 其后面主成分的方向上具有小寬度。于是通過(guò)選擇前t個(gè)最大特征值對(duì)應(yīng)的特征向量就可以 將原始高維數(shù)降到t維。 2.紋理模型的建立
為建立反映人耳全局紋理變化規(guī)律的統(tǒng)計(jì)模型，首先需要獲取人耳庫(kù)中人耳形狀輪廓區(qū) 域內(nèi)所有像素的灰度值，也就是提取形狀無(wú)關(guān)的紋理值向量，然后利用主成分分析的方法對(duì)形 狀無(wú)關(guān)的紋理進(jìn)行分析建模。統(tǒng)計(jì)模型的建立需要分五個(gè)步驟，首先是對(duì)形狀模型做三角剖 分，其次進(jìn)行圖像彎曲以獲取樣本圖像中的信息；然后是樣本圖像集的歸一化處理；最后是 對(duì)歸一化處理的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和建立統(tǒng)計(jì)模型。
2.1三角剖分的建立
為了建立紋理模型，需要獲取訓(xùn)練集圖像中選定圖像的紋理向量。由于人耳形狀的不規(guī) 則性，無(wú)法直接從人耳中獲取紋理向量，但可將該人耳劃分成若干小三角形，然后依序讀取 每個(gè)三角形內(nèi)部的紋理并按照一定順序保存下來(lái)，從而得到每個(gè)人耳的紋理。這里采用三角 剖分的方法建立人耳的紋理模型。
三角剖分定義為給定平面上的n個(gè)點(diǎn)的集合戶^A,^l，2，L,nl,兩點(diǎn)連線組成
線段集合p^A如,^吖且"小在P上定義圖形r^XA,^)，其中，A表示n個(gè)形
狀點(diǎn)集，^是線段集合的最大子集且滿足除端點(diǎn)外的任意兩線段互不相交的條件，則稱r為
尸上的三角剖分。按照三角剖分思想，須將人耳平均模型做剖分，剖分后如附圖4所示。其 中，我們使用了58個(gè)特征點(diǎn)將一個(gè)人耳剖分成90個(gè)三角形。 2.2圖像的扭曲
首先我們固定一個(gè)標(biāo)準(zhǔn)外形輪廓，由于不同人耳的形狀不同，且紋理向量中的元素個(gè)數(shù) 不同，又因?yàn)橥幌聵?biāo)位置的元素代表的灰度值在圖像中的空間位置不存在對(duì)應(yīng)關(guān)系，因此 需要對(duì)人耳中的部分圖像做扭曲處理，使得所有紋理向量都?xì)w一到同一個(gè)外形輪廓中。三角 剖分后，人耳圖像就是由三角集合組成的。對(duì)圖像進(jìn)行扭曲操作，首先需要選擇圖像中的某些 控制點(diǎn)，并試圖將其扭曲變換到新的圖像中。例如，將一幅圖像中的人耳部分進(jìn)行拉長(zhǎng)操作 需要首先標(biāo)識(shí)出人耳的外形輪廓，并且需要預(yù)先獲得人耳拉長(zhǎng)之后輪廓的控制點(diǎn)坐標(biāo)。
通過(guò)輪廓控制點(diǎn)對(duì)，可以建立扭曲變換。假設(shè)待扭曲圖像為Gi，基準(zhǔn)圖像為Go，通過(guò) 將Gi中的非控制點(diǎn)映射到Go中，便可以完成圖像的扭曲工作。具體敘述如下
假設(shè)對(duì)圖像Gi進(jìn)行扭曲操作，滿足限制條件圖像Gi中的n個(gè)控制點(diǎn)W(hl,2,L,n)被
映射到新的控制點(diǎn)^'K^1，2，L ,n)，亦即滿足如下條件。 = VZ=1,2,L ,n
從以上敘述可以看出，圖像扭曲的重點(diǎn)在于借助控制點(diǎn)對(duì)來(lái)建立映射關(guān)系。這里通過(guò)使 用分段仿射變換來(lái)建立映射關(guān)系，其基本原理如下
如圖5所示，假設(shè)三角形I的三個(gè)頂點(diǎn)分別為^， A和&，則該三角形內(nèi)部的任何點(diǎn)的 坐標(biāo)戶都可以表示為
尸=《+^
且滿足a+"+y-l，因?yàn)槭谌切蝺?nèi)部,所以0^x,A)^1 。那么對(duì)應(yīng)的在基準(zhǔn)的三角形 網(wǎng)格內(nèi)的像素p'也可以用類似的方式來(lái)表達(dá)-
其中，尸Z，尸/和尸/是對(duì)應(yīng)的基準(zhǔn)的三角形網(wǎng)格內(nèi)的三個(gè)頂點(diǎn)。因?yàn)閼舻挠成渥鴺?biāo)是已知 的,而且各個(gè)三角形網(wǎng)格的頂點(diǎn)的坐標(biāo)也是已知的，所以，可以通過(guò)求解a，/J，y的值來(lái)求得所 需要的變換。假設(shè)i^lx,少〗T， i^[x,，力]T, i^h,力f， />3=[&>^,且的值可通過(guò)下 式確定-
<formula>formula see original document page 12</formula>
這樣建立的表觀樣本都是在平均表觀的基準(zhǔn)表格中采樣的，可以消除旋轉(zhuǎn)、縮放、平移， 達(dá)到歸一化的目的。在實(shí)際應(yīng)用中，對(duì)于每一個(gè)象素點(diǎn)，首先判斷其屬于哪個(gè)三角形，然后 按照以上映射定義進(jìn)行圖像扭曲操作。三角形I變形到三角形I'的過(guò)程如附圖5所示。
2.3紋理向量的獲取
在使用三角剖分之后，獲取人耳的紋理過(guò)程便被劃分為求取組成該圖像的小三角形紋理 的過(guò)程。通過(guò)對(duì)各種形狀的三角形所做的分析，可將任何三角形歸類為附圖6和附圖7所示 的兩種類型中的一種。對(duì)于附圖6和7， (ai，b!)、 (a3,b3)分別是三角形的上下兩個(gè)端點(diǎn)，(a2,b2)
是第三個(gè)端點(diǎn)，通過(guò)(32》2)的水平直線與三角形相交于(34山4)。獲取紋理向量分為兩種情況，
首先判斷剖分得到的任意小三角形屬于附圖6和7中的哪種類型。判斷的依據(jù)是如果b3<b2
則屬于第一種情況(附圖6)，反之屬于第二種情況(附圖7)。判斷完成之后，可用下面方法 得到紋理向量。對(duì)于情況l，偽碼如下
<formula>formula see original document page 13</formula>
計(jì)算線段X=l與線段((a/》7),("3》3))和((a/A),fe》2))的交點(diǎn)^和5; 沿線段^^讀取圖象的灰度值保存至紋理向量中；
<formula>formula see original document page 13</formula>
計(jì)算線段X=x跟線段((a7,W,(a^》)和((w》7),fe,^))的相交點(diǎn)C和A 沿線段CZ)讀取圖像的灰度值并保存至紋理向量中；
對(duì)于情況2，只需將線段((""》,(化力》)和((a;》/)，("2》2))的位置顛倒即可。
2.4歸一化處理
有了形狀無(wú)關(guān)的紋理圖像，需按照某一固定順序取形狀無(wú)關(guān)的紋理圖像中每一個(gè)像素的 灰度值，生成一個(gè)向量^ = ^&山，&。其中,n為形狀無(wú)關(guān)的紋理圖像中所有像素點(diǎn)的個(gè)數(shù)，
為克服整體光照不同帶來(lái)的影響，需對(duì)形狀無(wú)關(guān)的灰度向量進(jìn)行歸一化處理。所謂對(duì)灰度向 量歸一化，就是要生成均值為0,方差為1的灰度向量。設(shè)l為歸一化后的表觀樣本，"是伸 縮因子,6是位移因子,則歸一化可描述為 i = [(g, - (g2 - 一, (g3 - 6)/a,L ,(g"畢]
其中
<formula>formula see original document page 13</formula>
2.5利用PCA建立紋理模型
同形狀的統(tǒng)計(jì)模型一樣，這里采用主分量分析(PCA)來(lái)建立紋理的統(tǒng)計(jì)模型，對(duì)這些紋理 向量進(jìn)行主分量分析， 一個(gè)紋理樣本可以通過(guò)以下方式得到
,=i
這里的Jo是平均紋理向量，A是第i個(gè)主成分向量，A是相應(yīng)的紋理模型參數(shù)。 3. AAM模型的擬合計(jì)算
算法的目的是為了實(shí)現(xiàn)將模板圖像對(duì)齊到輸入圖像中去，使得模板圖像r(x)與輸入圖像 /(x)的誤差最小，其中(x,力T是像素坐標(biāo)的列向量。這里使用反向組合算法進(jìn)行擬合。在光
流和視頻序列中，圖像是隨著時(shí)間變化的，如從時(shí)間t=l到時(shí)間t=2，這種情況下模板是從時(shí) 間1=1時(shí)的圖像中抽取的子區(qū)域，而輸入圖像/(勾是1=2時(shí)的圖像。『(x;p)是表示將模板圖
像T中對(duì)應(yīng)的像素x的光強(qiáng)信息映射到圖像I中與像素x對(duì)應(yīng)的仿射變換的位置，而 p = (A, A,Kf是一個(gè)矢量參數(shù)。反向組合算法在W的基礎(chǔ)上進(jìn)行更新
W(x;; ) <~ WO; /7)oWO;Ap)-'
W(M)是根據(jù)模板像素位置通過(guò)分段線性仿射后得到的對(duì)應(yīng)它的輸入圖像的位置，并且 反向組合算法將模板和輸入圖像的角色進(jìn)行了調(diào)換，將Z[I(W(x;戶+ Ap))-T(x)f式的最小值 變化為求式Z[T(W(;c;A/7》-I(WO;p))f的最小值。通過(guò)泰勒展開
<formula>formula see original document page 14</formula>
其中W(;c;O)點(diǎn)即為JC點(diǎn)，T(W(;c;0))即為I(x)，再對(duì)下式求導(dǎo)，令其為零，最后得到變量Ap 的表達(dá)式為
<formula>formula see original document page 14</formula>
其中//是Hessian矩陣// = Z[Vr.3ff/^]T[vr'3ff。 VT是對(duì)模板求梯度，
是在W(x;O)點(diǎn)即為x點(diǎn)的Jacobian式，這樣使得Hessian矩陣和梯度值與位置變量 無(wú)關(guān)，
可以提前計(jì)算，避免了在迭代中的反復(fù)運(yùn)算，提高了算法的效率。
利用AAM進(jìn)行擬合計(jì)算的方法是將AAM的模型實(shí)例擬合到輸入圖像上去，使得利用 輸入圖像與模型實(shí)例差的平方和構(gòu)造的能量函數(shù)最小化的過(guò)程。
從前面對(duì)AAM模型實(shí)例建立的描述中可知AAM形狀向量是通過(guò)對(duì)訓(xùn)練圖像歸一化后 的形狀進(jìn)行PCA計(jì)算而得到的，它濾除了形狀網(wǎng)格全局的位移、旋轉(zhuǎn)和大小變化，因此這樣 建立的AAM形狀模型沒(méi)有對(duì)模型形狀的全局位移、旋轉(zhuǎn)和大小進(jìn)行描述，但是在進(jìn)行AAM 擬合計(jì)算時(shí)，AAM模型的擬合目標(biāo)即當(dāng)前的輸入圖像因?yàn)椴蓸拥慕嵌群臀恢貌煌嬖谶@ 樣的位移、旋轉(zhuǎn)和大小變化，因此需要將全局形變引入到AAM擬合計(jì)算中。
定義N(x;《)為二維AAM的全局形狀變化函數(shù)
<formula>formula see original document page 15</formula>
其中參數(shù)《=(a》A,&),前面兩個(gè)參數(shù)a和6與全局形狀變化的大小A:和旋轉(zhuǎn)0有關(guān) a = ArC0S^-l,6 = "in0，后面兩個(gè)參數(shù)^和一就是位移x和y。在不考慮全局形變時(shí)，就默認(rèn)
《=0。在這里T(x):A(x)，這樣AAM擬合計(jì)算的目的用數(shù)學(xué)公式進(jìn)行表達(dá)就是求
<formula>formula see original document page 15</formula>
的最小值，其中A為表觀參數(shù)，它控制著AAM模型的
表觀變化；； 為AAM線性形狀參數(shù)，它控制著AAM模型形狀控制點(diǎn)的局部變化；9為全局 形狀變形映射參數(shù)，它控制著形狀的全局形變，例如x和y坐標(biāo)軸方向上的位移，形狀的整 體大小變化，旋轉(zhuǎn)的變化都由《值來(lái)控制。AAM的擬合過(guò)程就是通過(guò)不斷變化參數(shù)組;7，《 和義值使得輸入圖像與AAM模型實(shí)例間的能量函數(shù)式最小化的過(guò)程。
將上式用二范數(shù)的形式進(jìn)行表達(dá)，再將其張到A,向量空間span(A,)和與A,垂直向量子空
間span(A,)i，這樣表達(dá)式變化為
<formula>formula see original document page 15</formula>
在與A,
垂直的向量子空間span(Ai)i中，A,的變化為O;而在At的向量子空間span( A,)中，對(duì)應(yīng)任意
的p和《值來(lái)說(shuō)，第二項(xiàng)的最小值都是O值。所以，求上式的最小值就繼續(xù)演變?yōu)榍笙率降?最小值。
<formula>formula see original document page 15</formula>
再將上式中模板和輸入圖像的角色進(jìn)行調(diào)換，再進(jìn)行泰勒展開和求導(dǎo)，最后得到Ap和A《 的表達(dá)式
<formula>formula see original document page 15</formula><formula>formula see original document page 16</formula>其中H是Hessian矩陣H = S[SDk(x)f[SDk(;c)]
SDk分SDj和SD^兩部分:
<formula>formula see original document page 16</formula>
其中"表示按對(duì)應(yīng)特征值大小排序后取前n個(gè)形狀向量的《值，m值表示相應(yīng)特征值大 小排序后取前m個(gè)表觀向量的m值。 參數(shù)進(jìn)行了更新，如下式 (W?！?(;c;仏/7)e(iV。Pr)(;c;9,; )0(iV。Pr)(x;A《,A;7)一
因?yàn)閂A。是對(duì)已知的平均表觀求梯度，抓/3力，S『/^都是在點(diǎn)W(;c;0)即為x點(diǎn)的
Jacobian式，AJx)是已知的表觀向量，所以SDk和F都可以提前計(jì)算。利用反向組合算法進(jìn)
行AAM擬合計(jì)算，大大減少了迭代運(yùn)算量，使得AAM的速度明顯加快。 4.基于長(zhǎng)軸的人耳圖像歸一化
在運(yùn)用主動(dòng)表觀模型算法得到外耳輪廓特征點(diǎn)的位置坐標(biāo)后，就可以根據(jù)這些特征點(diǎn)的 位置對(duì)人耳圖像進(jìn)行歸一化。歸一化的效果直接影響特征提取和識(shí)別效果的好壞。良好的歸 一化方法應(yīng)盡可能多的保留人耳原有的結(jié)構(gòu)比例信息和灰度信息。此處采用基于外耳長(zhǎng)軸的 方法將圖像進(jìn)行歸一化。
外耳長(zhǎng)軸是指外耳輪廓上距離最長(zhǎng)的兩點(diǎn)之間的連線。它相對(duì)整個(gè)人耳來(lái)說(shuō)，具有縮放、 平移和旋轉(zhuǎn)不變性。無(wú)論人耳相對(duì)于攝像頭的距離、位置和角度如何變化，外耳長(zhǎng)軸相對(duì)于 整個(gè)人耳的比例和位置都不會(huì)發(fā)生變化。因此，將外耳長(zhǎng)軸作為歸一化的標(biāo)準(zhǔn)，能夠合理的 分割出人耳，保證歸一化后的圖像的特征仍保持不變。獲取人耳長(zhǎng)軸的方法為
a. 任意取輪廓上一點(diǎn)坐標(biāo)P，計(jì)算輪廓上所有點(diǎn)與它的距離，記取距離最大者；
b. 取步驟a中所述點(diǎn)P鄰近的一點(diǎn)Q，按步驟a所述方法計(jì)算最大距離； C.重復(fù)步驟b，直到遍歷完輪廓上的所有坐標(biāo)點(diǎn)；
d.取距離最大的兩個(gè)點(diǎn)為長(zhǎng)軸的端點(diǎn)。
得到人耳長(zhǎng)軸后，對(duì)人耳的歸一化分三個(gè)步驟旋轉(zhuǎn)歸一化，尺度歸一化和光照歸一化。
4.1基于長(zhǎng)軸的旋轉(zhuǎn)歸一化
計(jì)算長(zhǎng)軸與豎直方向的夾角0，并依此角度對(duì)人耳圖像進(jìn)行旋轉(zhuǎn)，使外耳長(zhǎng)軸呈豎直。 4.2基于長(zhǎng)軸和人耳長(zhǎng)寬比的尺度歸一化
旋轉(zhuǎn)歸一化完成后，我們須對(duì)圖像進(jìn)行切割，并進(jìn)行尺度歸一化，這樣才能保證由人耳 圖像得到的列向量維數(shù)相等，便于后續(xù)進(jìn)行特征提取。通過(guò)統(tǒng)計(jì)發(fā)現(xiàn)，人耳的高寬比均值為 1.6575。因此在進(jìn)行尺度歸一化時(shí)，將人耳縮放為96x160像素大小是合適的。
具體的方法是如附圖9和10，計(jì)算長(zhǎng)軸AB的長(zhǎng)度，并按比例縮放圖像，使所有圖像 中長(zhǎng)軸的長(zhǎng)度都等于一個(gè)特定值160像素；再按外耳輪廓的最左點(diǎn)C和最右點(diǎn)D用一個(gè)矩形 將人耳分割出來(lái)；最后進(jìn)行縮放，統(tǒng)一的尺度為96x160像素大小。但當(dāng)人耳高寬比太小或 太大，縮放至統(tǒng)一尺度時(shí)會(huì)導(dǎo)致較大形變。所以首先定義人耳長(zhǎng)寬比的一個(gè)限定范圍"("由 經(jīng)驗(yàn)確定為0.3),認(rèn)為人耳長(zhǎng)寬比在[均值-",均值+"]之間的圖像基本上符合比例標(biāo)準(zhǔn)， 因此在歸一化時(shí)按附圖9所示，取其人耳左邊界線和右邊界線，分割后直接縮放；而長(zhǎng)寬比 在此范圍之外的圖像，采取另一種方法在分割時(shí)保持矩形左邊界不變，右邊界取的是D點(diǎn) 所在邊界線/,和標(biāo)準(zhǔn)寬度/2 (按長(zhǎng)寬比均值這個(gè)比例得到的矩形右邊界線)的中線，如附圖 IO所示，這樣分割后再進(jìn)行縮放，既保證人耳不會(huì)發(fā)生太大的形變，又不至于丟失或增加太 多信息。
4.3光照歸一化
在尺度和旋轉(zhuǎn)歸一化之后，還要實(shí)現(xiàn)光照歸一化，以盡量減輕光照因素對(duì)圖片的影響。 此處，利用直方圖均衡化的方法進(jìn)行光照歸一化，此方法在各種應(yīng)用編程軟件中均有對(duì)應(yīng)函 數(shù)以供使用。
至此，人耳圖像的自動(dòng)歸一化過(guò)程結(jié)束。
本發(fā)明和現(xiàn)有技術(shù)相比所具有的優(yōu)點(diǎn)是
(1) 提出了利用AAM (主動(dòng)表觀模型)的人耳輪廓提取方法，與傳統(tǒng)的人耳圖像需要手 動(dòng)參與相比，本發(fā)明能夠?qū)崿F(xiàn)人耳輪廓的自動(dòng)提取，使提取時(shí)間和效率得到明顯提高。與ASM
(主動(dòng)形狀模型)相比，AM4提取的精度更高，效果更好。
(2) 提取出輪廓以后，利用人耳長(zhǎng)軸對(duì)圖像進(jìn)行旋轉(zhuǎn)、尺度的歸一化，并使用灰度直方 圖進(jìn)行光照的歸一化，歸一化的圖片質(zhì)量較好，為人耳身份鑒別系統(tǒng)中后續(xù)的特征提取等環(huán) 節(jié)提供了良好的基礎(chǔ)。


圖1:人耳歸一化流程圖
圖2:人耳輪廓特征點(diǎn)標(biāo)定順序示意圖
圖3:訓(xùn)練集平均形狀示意圖 圖4:人耳三角剖分示意圖 圖5:分段線性仿射示意圖 圖6:第一類三角形形狀示意圖 圖7:第二類三角形形狀示意圖 圖8:平均紋理模型示意圖
圖9:人耳長(zhǎng)寬比標(biāo)準(zhǔn)時(shí)的分割和縮放示意圖 圖10:人耳長(zhǎng)寬比非標(biāo)準(zhǔn)時(shí)的分割和縮放示意圖 圖ll:歸一化后的結(jié)果示例示意圖
具體實(shí)施例方式
本發(fā)明對(duì)人耳歸一化的所有操作均是基于PC機(jī)，并在Matlab7.0開發(fā)環(huán)境下進(jìn)行軟件設(shè) 計(jì)。以下結(jié)合附圖和具體的實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明-1.建立模型
1.1標(biāo)定訓(xùn)練集的特征點(diǎn)
訓(xùn)練集中每個(gè)樣本圖像都是靜態(tài)的二維灰度圖像，每幅圖像采用58個(gè)特征點(diǎn)進(jìn)行標(biāo)定。 在標(biāo)定時(shí)，其中24點(diǎn)沿外耳輪廓線分布，34個(gè)點(diǎn)沿內(nèi)耳輪廓線分布。在對(duì)訓(xùn)練集中的一幅圖 像標(biāo)定時(shí)，標(biāo)定點(diǎn)通常應(yīng)該被放置在目標(biāo)邊界的拐角處，或是一些很容易被定位的具有明顯 特征的位置。但是只依靠這些明顯的標(biāo)志點(diǎn)是遠(yuǎn)遠(yuǎn)不夠的，這些點(diǎn)往往過(guò)于稀疏不足以描述 目標(biāo)對(duì)象的形狀特征，所以，需要在這些點(diǎn)中間增加適當(dāng)數(shù)量的點(diǎn)，并使它們平均分布于特 征點(diǎn)之間從而構(gòu)成描述圖像形狀的完善的標(biāo)定點(diǎn)集，這樣就構(gòu)成了構(gòu)成描述圖像形狀的完善 的標(biāo)定點(diǎn)集。我們?cè)跇?biāo)定特征點(diǎn)時(shí)，要求每幅圖像上特征點(diǎn)的方向、順序嚴(yán)格一致，如附圖2 所示，其中標(biāo)號(hào)為i， 21， 24， 25， 40， 41， 45， 50和58的特征點(diǎn)為主要特征點(diǎn)，而其余的特 征點(diǎn)為次要特征點(diǎn)，均勻分布在主要特征點(diǎn)之間。
1.2建立形狀模型 (1)構(gòu)造形狀向量
標(biāo)定好特征點(diǎn)之后，每個(gè)圖像中的人耳形狀可以表示為
&=(x,.15L ，&，_yn,L >^)T，(z' = l，L ，N)
其中，N為樣本圖像的個(gè)數(shù)(本文中N二231)，( ,j;"為第i個(gè)樣本的第j個(gè)特征點(diǎn)的坐標(biāo)
值，n為模型的特征點(diǎn)個(gè)數(shù)(本文中11=58)。這樣對(duì)于所有訓(xùn)練圖像可以建立一個(gè)2nxN維的矩 陣
(2) 對(duì)形狀向量標(biāo)準(zhǔn)化處理
標(biāo)定完成之后，須采用相似性變換的方法將這231個(gè)形狀向量進(jìn)行相互對(duì)準(zhǔn)。對(duì)于訓(xùn)練集 中的所有形狀，標(biāo)準(zhǔn)化的過(guò)程其實(shí)也就是兩兩之間的相似性變化過(guò)程。整個(gè)標(biāo)準(zhǔn)化的流程為 首先，選用&向量為基準(zhǔn)，將其余的N-1個(gè)形狀向量作相似性變換，使其分別與&對(duì)準(zhǔn)，得到
新的向量&:Op&,&,L ,^)。將這些向量求均值，得到一個(gè)均值向量Me朋^，將這個(gè)向量 再向&對(duì)準(zhǔn)，得到新的向量^ew。以訓(xùn)ew為基準(zhǔn)，再將s。,的每一列進(jìn)行標(biāo)準(zhǔn)化，得到新的 向量 ^^"乂,L ,4)。檢驗(yàn)一下看是否收斂，若收斂，則&即為最終的標(biāo)準(zhǔn)化后的形狀向
量組；若不收斂，則取^=、，重復(fù)上述的求均值、標(biāo)準(zhǔn)化等操作，直到最后形狀收斂。在這
里，收斂的含義就是標(biāo)準(zhǔn)化過(guò)程中的伸縮因子^，旋轉(zhuǎn)因子^和位移因子f的值都局限在很小的 值內(nèi)，即形狀的變化可以控制在某個(gè)預(yù)定義的范圍之內(nèi)。本文中這幾個(gè)閾值范圍為
'血0-1)< o.ooi
一(9)< 0.001* p,7180 '血("<0.01 血(。<0.01
這樣，經(jīng)過(guò)形狀對(duì)準(zhǔn)之后，就消除了全局的位移、旋轉(zhuǎn)和大小變化。
(3) 建立形狀模型
使用PCA方法建立形狀模型的步驟如下 計(jì)算形狀向量均值S。 s。=^|>,
S吵2:計(jì)算協(xié)方差矩陣萬(wàn)=^^>,-》、,-乃
&印3:計(jì)算協(xié)方差矩陣的特征值;i,和相應(yīng)的特征向量A
S^74:將得到的特征值按降序排列，即 4 >H1,L ，2n—l)
4對(duì)應(yīng)的特征向量為；v我們使前t個(gè)特征值占所有2n個(gè)特征值之和的比例不小于0.95， 即^>,々0.95|>,，那么就得到一個(gè)表述樣本的先驗(yàn)?zāi)Ｐ蛃，形如
Z=l ''=1
其中，i 為特征參數(shù)向量，戶為相應(yīng)2nxt維特征向量矩陣，艮P:
在本文的實(shí)驗(yàn)中，求解得到t的值為13，調(diào)整參數(shù)i 的值，形狀向量^也發(fā)生相應(yīng)的變 化，代表了不同的人耳形狀。但7 的變化不能太大，至少保證得到的形狀不能脫離人耳的基 本形狀。附圖3是我們訓(xùn)練得到的平均形狀。
1.3建立紋理模型
(1) 對(duì)平均形狀模型進(jìn)行三角剖分
通過(guò)連接特征點(diǎn)的方法將平均人耳形狀模型劃分成90個(gè)小三角形的集合，如附圖4所示。
(2) 以每個(gè)三角形為單位，通過(guò)圖像扭曲，將人耳變形到平均人耳上。
(3) 取形狀無(wú)關(guān)的紋理圖像中每一像素的灰度值，生成一個(gè)紋理向量^4 = ^,^乂,§
(4) 對(duì)形狀無(wú)關(guān)的紋理向量進(jìn)行歸一化處理以克服整體光照不同帶來(lái)的影響。
(5) 利用PCA建立紋理模型
采用主分量分析來(lái)建立紋理的統(tǒng)計(jì)模型。這樣，我們就得到了紋理模型^-4+t;i,4，
這里的4i是平均紋理向量，4是第i個(gè)主成分，義,是相應(yīng)的紋理模參數(shù)。平均紋理模型如附
圖8所示
2.模型擬合
本系統(tǒng)實(shí)現(xiàn)的是反向組合的AAM擬合算法，利用反向組合進(jìn)行AAM擬合計(jì)算使得 Hessian值可以提前計(jì)算，因此本系統(tǒng)的AAM擬合模塊分為擬合預(yù)計(jì)算和擬合迭代計(jì)算兩個(gè) 子模塊，下面詳細(xì)介紹這兩個(gè)子模塊。
2.1擬合預(yù)計(jì)算
擬合預(yù)計(jì)算是根據(jù)算法原理，結(jié)合已建立的AAM模型，提前計(jì)算擬合部分需要應(yīng)用的 Hessian值。擬合預(yù)計(jì)算的輸入數(shù)據(jù)為平均表觀^ ，平均形狀 的三角化網(wǎng)格，形狀向量《.，
對(duì)應(yīng)的形狀特征值數(shù)目n值，表觀特征向量4，對(duì)應(yīng)的表觀特征值數(shù)目m值，仿射映射表等
參數(shù)。擬合預(yù)計(jì)算的輸出數(shù)據(jù):不同尺度條件下的Hessian值和相關(guān)結(jié)果。 2.2擬合迭代計(jì)算
擬合迭代計(jì)算模塊的輸入數(shù)據(jù)為形狀參數(shù)p，全局變化參數(shù)q，平均形狀s。，形狀向量s,， 輸入的測(cè)試圖像I，平均表觀4)，不同尺度下的Hessian值，平均形狀s。的三角化網(wǎng)格，仿射
映射表，迭代次數(shù)和相應(yīng)的一些參數(shù)。擬合計(jì)算模塊的輸出數(shù)據(jù)為定位完成后得到的p值 和q值以及定位的結(jié)果。
在具體實(shí)現(xiàn)時(shí)，我們通過(guò)matlab中的擬合函數(shù)fit (img, tmplt, appjmg， pjnit, n一iters)將模 版tmplt擬合到輸入圖像img上。不斷調(diào)整生成新的AAM模型實(shí)例與待定位的對(duì)象進(jìn)行匹配， 直到生成的模型實(shí)例能和該對(duì)象相匹配從而定位出特征點(diǎn)。
3.基于長(zhǎng)軸的人耳歸一化
3.1人耳圖像長(zhǎng)軸的獲取
首先計(jì)算外耳輪廓上任意兩個(gè)特征點(diǎn)之間的距離，以距離最大的兩點(diǎn)坐標(biāo)作為外耳長(zhǎng)軸 的兩個(gè)端點(diǎn)。然后計(jì)算長(zhǎng)軸與豎直方向的夾角e，并依此角度對(duì)人耳圖像進(jìn)行旋轉(zhuǎn)，使外耳 長(zhǎng)軸呈豎直。
3.2人耳圖像的切割及尺度歸一化
計(jì)算長(zhǎng)軸AB的長(zhǎng)度，并按比例縮放圖像，使所有圖像中長(zhǎng)軸的長(zhǎng)度都等于一個(gè)固定值 160像素。然后定義人耳長(zhǎng)寬比的一個(gè)限定范圍"=0.5，對(duì)于人耳長(zhǎng)寬比在[均值- ，均值+"] 之間的圖像在歸一化時(shí)按附圖9所示分割后直接縮放；而長(zhǎng)寬比在此范圍之外的圖像，在分 割時(shí)保持矩形左邊界不變，右邊界取的是D點(diǎn)所在直線纟和標(biāo)準(zhǔn)寬度4 (按長(zhǎng)寬比均值這個(gè)
比例得到的矩形右邊界線)的中線，如附圖10所示，這樣分割后再進(jìn)行縮放，既保證人耳不 會(huì)發(fā)生太大的形變，又不至于丟失或增加太多信息。縮放時(shí)使用Matlab中的resize()函數(shù)將分 割好的人耳圖像調(diào)整至96x160像素大小。
3.3人耳圖像光照歸一化
使用Matlab中的histeq()函數(shù)進(jìn)行光照歸一化。
本實(shí)施例對(duì)人耳圖像歸一化的部分結(jié)果如附圖ll所示。可以看到，本發(fā)明提出的方法能有效 地對(duì)人耳圖像實(shí)現(xiàn)自動(dòng)的歸一化，可以達(dá)到實(shí)際應(yīng)用的要求。
權(quán)利要求
1.基于主動(dòng)表觀模型和外耳長(zhǎng)軸的人耳圖像歸一化方法，其特征在于包括人耳輪廓自動(dòng)提取過(guò)程和利用人耳長(zhǎng)軸歸一化過(guò)程兩部分，步驟如下第一步，建立人耳的平均形狀模型；A. 沿外耳輪廓線均勻標(biāo)定n個(gè)點(diǎn)來(lái)表現(xiàn)形狀，在二維空間，這些點(diǎn)位置坐標(biāo)相互連接組成一個(gè)n×2個(gè)元素的形狀向量，給定N個(gè)樣本，就得到一個(gè)2n×N維的訓(xùn)練集S；B. 對(duì)形狀向量進(jìn)行相似性變化，使得各自代表的目標(biāo)輪廓中對(duì)應(yīng)邊界點(diǎn)的距離平方和最??；C. 使用主元分析PCA的方法得到人耳的基本形狀向量s；第二步，建立人耳紋理模型；A. 對(duì)平均形狀模型進(jìn)行三角剖分，連接標(biāo)定特征點(diǎn)，連接線不能交叉，將平均人耳形狀模型劃分為小三角形的集合；B. 以每個(gè)三角形為單位，通過(guò)圖像扭曲，將人耳變形到平均人耳上；C. 取形狀無(wú)關(guān)的紋理圖像中每一像素的灰度值，生成一個(gè)紋理向量A＝g1，g2，K，gn；D. 對(duì)形狀無(wú)關(guān)的紋理向量進(jìn)行歸一化處理以克服整體光照不同帶來(lái)的影響；E. 利用PCA建立紋理模型；第三步，利用反向組合算法進(jìn)行AAM模型的擬合計(jì)算；第四步，利用人耳長(zhǎng)軸進(jìn)行圖像的歸一化處理；A. 對(duì)提取出的外耳輪廓自動(dòng)計(jì)算得出長(zhǎng)軸端點(diǎn)坐標(biāo)首先計(jì)算外耳輪廓上任意兩個(gè)特征點(diǎn)之間的距離，以距離最大的兩點(diǎn)坐標(biāo)作為外耳長(zhǎng)軸的兩個(gè)端點(diǎn)；然后計(jì)算長(zhǎng)軸與豎直方向的夾角θ，并依此角度對(duì)人耳圖像進(jìn)行旋轉(zhuǎn)，使外耳長(zhǎng)軸呈豎直；B. 利用長(zhǎng)軸的斜度進(jìn)行人耳旋轉(zhuǎn)歸一化；C. 利用人耳長(zhǎng)軸的長(zhǎng)度和人耳長(zhǎng)寬比進(jìn)行尺度的歸一化；D. 對(duì)圖像進(jìn)行光照歸一化。
2、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于所述的建立人耳平均形狀模型，對(duì) 形狀向量進(jìn)行相似性變化，具體的實(shí)現(xiàn)如下"壬意抽取5中兩個(gè)向量^和&，其中A 二02"Kl八22，y22，L ,^ ，y2 f ;b.以&為基準(zhǔn)，將&做相似性變換，得到<formula>formula see original document page 3</formula>則4-爿z，其中，z的求法為z-",s,^,gT-o^『v4)-乂Z^g，加權(quán)矩陣<formula>formula see original document page 3</formula>
3、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于所述的建立人耳的平均形狀模型中， 使用主元分析PCA的方法得到人耳的基本形狀向量s，具體實(shí)現(xiàn)步驟如下1求形狀平均向量 =丄^:1>,;b. 求形狀標(biāo)記點(diǎn)的協(xié)方差矩陣A =H>, -a)1" -a);c. 得到形狀向量s,q。+《S，其中，i ,;diag(^^，L ，"2 )是特征系數(shù)，a=[^L & ]是& 的特征向量。
4、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于所述的建立人耳的紋理模型，通過(guò)圖像扭曲，將人耳變形到平均人耳上，具體過(guò)程如下-假設(shè)待扭曲圖像為Gi，假設(shè)i^[Xjf， i^[^力f， ^=^,72], g=[AJ3]，A, A和戶3是待扭曲圖像的頂點(diǎn)，貝U， i^"6 + ^^ + rP;， 的值通過(guò)下式確定<formula>formula see original document page 4</formula>
5、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于所述的建立人耳的紋理模型，對(duì)形狀無(wú)關(guān)的紋理向量進(jìn)行歸一化處理，具體方法為按照某一固定順序取形狀無(wú)關(guān)的紋理圖像中每一個(gè)像素的灰度值，生成一個(gè)向量」=g,，g,,L,g ，其中,n為形狀無(wú)關(guān)的紋理圖像中所有像素點(diǎn)的個(gè)數(shù)，設(shè)l為歸一化后的表 觀樣本，"是伸縮因子，&是位移因子,則歸一化描述為 I = - ，- ， (g3 - 6)/"，L ，(g 爭(zhēng)]其中
6、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于，所述利用人耳長(zhǎng)軸進(jìn)行圖像的歸一 化處理中，自動(dòng)提取外耳輪廓長(zhǎng)軸，具體實(shí)現(xiàn)如下a. 任意取輪廓上一點(diǎn)P的坐標(biāo)，計(jì)算輪廓上所有點(diǎn)與它的距離，取距離最大者；b. 取步驟a中所述點(diǎn)P鄰近的一點(diǎn)Q，按步驟a所述方法計(jì)算最大距離；c. 重復(fù)步驟b，直到遍歷完輪廓上的所有坐標(biāo)點(diǎn)；d. 取距離最大的兩個(gè)點(diǎn)為長(zhǎng)軸的端點(diǎn)。
7、 根據(jù)權(quán)利要求1所述的歸一化方法，其特征在于，所述利用人耳長(zhǎng)軸進(jìn)行圖像的歸一 化處理中，計(jì)算長(zhǎng)軸與豎直方向的夾角&并依此角度對(duì)人耳圖像進(jìn)行旋轉(zhuǎn)，使外耳長(zhǎng)軸呈 豎直。
8、 根據(jù)權(quán)利要求l所述的歸一化方法，其特征在于，所述利用人耳長(zhǎng)軸進(jìn)行圖像的歸一 化處理中，利用人耳長(zhǎng)軸的長(zhǎng)度和人耳長(zhǎng)寬比進(jìn)行尺度的歸一化，具體是a.計(jì)算長(zhǎng)軸ab的長(zhǎng)度，并按比例縮放圖像，使所有圖像中長(zhǎng)軸的長(zhǎng)度都等于一個(gè)特定值160像素；b. 人耳分割定義人耳長(zhǎng)寬比的一個(gè)限定范圍"，當(dāng)人耳長(zhǎng)寬比在[均值-"，均值+ ] 之間，取其人耳左邊界線和右邊界線進(jìn)行分割；當(dāng)長(zhǎng)寬比在此范圍之外的圖像，在分割時(shí)保 持矩形左邊界線不變，取右邊界線A和標(biāo)準(zhǔn)寬度/2的中線，然后分割；c. 將分割好的耳朵按線性插值法調(diào)整至96x160像素大小。
全文摘要
基于主動(dòng)表觀模型和外耳長(zhǎng)軸的人耳圖像歸一化方法，屬于圖像處理技術(shù)領(lǐng)域。其特征在于，提出了一種全自動(dòng)的人耳圖像歸一化方法。它首先采用主動(dòng)表觀模型AAM的方法構(gòu)造出人耳的形狀模型和紋理模型，其次通過(guò)模型擬合算法自動(dòng)精確地提取出外耳輪廓，然后經(jīng)過(guò)計(jì)算找出外耳長(zhǎng)軸，最后利用長(zhǎng)軸提供的人耳大小和方向信息對(duì)圖像進(jìn)行歸一化處理。應(yīng)用本發(fā)明所述的方法，可以對(duì)人耳圖像進(jìn)行自動(dòng)的歸一化處理，提取到的外耳輪廓完整、擬合度好，為后續(xù)工作提供了良好的基礎(chǔ)。
文檔編號(hào)G06K9/00GK101369309SQ20081022308
公開日2009年2月18日 申請(qǐng)日期2008年9月26日 優(yōu)先權(quán)日2008年9月26日
發(fā)明者劉育華, 徐正光, 敦文杰, 穆志純, 立 袁 申請(qǐng)人:北京科技大學(xué)