基于ICA和BP神经网络的人耳图像识别.pdf

D0I:10.13374/1.issnl00I53.2006.06.020 第28卷第6期北京科技大学学报 Vol.28 No.6 2006年6月 Journal of University of Science and Technology Beijing Jun.2006 基于ICA和BP神经网络的人耳图像识别张海军穆志纯张成阳北京科技大学信息工程学院，北京100083 摘要提出了一种独立分量分析和BP神经网络相结合的人耳识别新方法(ICABP法)·首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量，然后采用改进的三层BP神经网络进行分类识别.该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来，增强了系统的鲁棒性.实验表明，ICABP法取得了很高的识别率. 关键词人耳识别：独立分量分析：BP神经网络：特征提取分类号TP183:TP391.41 人耳的自动识别是生物测定学研究的内容之 ICA)是基于信号的高阶统计特性的分析方法，它一，是模式识别领域中的一个新的课题.同时，它更全面地考虑信号的概率密度函数的统计独立属于模式识别理论中比较典型的多类型判别性，经过ICA分解出的各个分量之间是相互独立问题，的.因此，提出了一种新的人耳图像识别方法模式识别的重要环节之一是如何提取被识别基于ICA和BP神经网络的人耳识别方法，物的有效特征，这些特征是今后设计分类器的基首先利用ICA进行人耳图像的特征提取，然后利础，特征的好坏将直接影响识别效果，因此特征的用改进的BP神经网络进行分类识别，与基于主提取是一项非常关键的技术，在人耳识别中，外元分析的人耳识别方法相比，基于ICA和BP神耳特征的提取和识别可看作是对3D物体的2D 经网络的人耳识别方法具有更高的识别率投影图像进行匹配的问题山.人耳图像在获取过 1 独立分量分析和人耳图像数据的程中，由于会受到成像环境（如光源方向、光照强度、距离、角度等)、成像方法（如成像方位、比例表示等)、成像对象的具体行为（如头发、饰物的遮挡、独立分量分析可是20世纪90年代伴随着盲姿态的变化等)等不确定性因素的影响，特征的选分离问题而发展起来的一种新的统计信号处理技取与识别就成为一个难点，目前人耳识别提取的术.多元混合信号的盲分离技术在语音信号处特征主要分两类：一类是基于几何特征的方理)、通信技术、生物医学信号8]和图像信号的法2]，这类方法通过寻找人耳轮廓和内部结构特征提取等领域都有很广阔的应用前景[同，通过上的关键点，形成几何特征，进行识别；一类是基 ICA技术提取的图像信号的独立分量，可以作为于代数特征的方法，如主元分析法山. 图像的特征也可用于图像的压缩编码，主元分析法(PCA)是基于信号的二阶统计特人类对本身的视觉系统研究发现，初级的视性的分析方法，其目的是去除图像各分量之间的觉系统就是利用对环境的一些先验知识，去除图相关性，大量研究表明，图像的大部分重要信息像数据中的冗余信息，获取图像的主要特征，人是包含在图像像素的高阶关系中可，而基于PCA 类的视觉皮层的神经元就是一种特征检测器，检的特征提取方法没有利用图像的这种高阶关系，测器间的相互作用是相互独立的，具有局部性和独立分量分析(independent component analysis, 方向选择性，独立分量分析的目标就是利用一种线性变换，分离出独立主元，使得图像中的统计依收稿日期：2005-03-22修回日期：2005-09-09 基金项目：国家自然科学基金资助项目(No,60375002,No- 赖性消失或减到最小程度， 60573058)和北京市教委重点学科共建项目 1.1ICA问题描述作者简介：张海军(1974-)，男，博士研究生：穆志纯(1952-)， ICA问题可描述为：在未知源信号S及其混男，教授叠矩阵A的情况下，仅从观测到的混合信号X=

基于 ICA 和 BP 神经网络的人耳图像识别张海军穆志纯张成阳北京科技大学信息工程学院北京100083 摘要提出了一种独立分量分析和 BP 神经网络相结合的人耳识别新方法（ICABP 法）．首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量然后采用改进的三层 BP 神经网络进行分类识别．该方法将 ICA 的空间局部特征提取功能和 BP 神经网络的自适应功能有机地结合起来增强了系统的鲁棒性．实验表明ICABP 法取得了很高的识别率．关键词人耳识别；独立分量分析；BP 神经网络；特征提取分类号 TP183；TP391∙41 收稿日期：20050322 修回日期：20050909 基金项目：国家自然科学基金资助项目（No．60375002No． 60573058）和北京市教委重点学科共建项目作者简介：张海军（1974—）男博士研究生；穆志纯（1952—）男教授人耳的自动识别是生物测定学研究的内容之一是模式识别领域中的一个新的课题．同时它属于模式识别理论中比较典型的多类型判别问题．模式识别的重要环节之一是如何提取被识别物的有效特征这些特征是今后设计分类器的基础特征的好坏将直接影响识别效果因此特征的提取是一项非常关键的技术．在人耳识别中外耳特征的提取和识别可看作是对3D 物体的2D 投影图像进行匹配的问题［1］．人耳图像在获取过程中由于会受到成像环境（如光源方向、光照强度、距离、角度等）、成像方法（如成像方位、比例等）、成像对象的具体行为（如头发、饰物的遮挡、姿态的变化等）等不确定性因素的影响特征的选取与识别就成为一个难点．目前人耳识别提取的特征主要分两类：一类是基于几何特征的方法［23］这类方法通过寻找人耳轮廓和内部结构上的关键点形成几何特征进行识别；一类是基于代数特征的方法如主元分析法［4］．主元分析法（PCA）是基于信号的二阶统计特性的分析方法其目的是去除图像各分量之间的相关性．大量研究表明图像的大部分重要信息是包含在图像像素的高阶关系中［5］而基于 PCA 的特征提取方法没有利用图像的这种高阶关系．独立分量分析（independent component analysis ICA）是基于信号的高阶统计特性的分析方法它更全面地考虑信号的概率密度函数的统计独立性经过 ICA 分解出的各个分量之间是相互独立的．因此提出了一种新的人耳图像识别方法 ———基于 ICA 和 BP 神经网络的人耳识别方法．首先利用 ICA 进行人耳图像的特征提取然后利用改进的 BP 神经网络进行分类识别．与基于主元分析的人耳识别方法相比基于 ICA 和 BP 神经网络的人耳识别方法具有更高的识别率． 1 独立分量分析和人耳图像数据的表示独立分量分析［6］是20世纪90年代伴随着盲分离问题而发展起来的一种新的统计信号处理技术．多元混合信号的盲分离技术在语音信号处理［7］、通信技术、生物医学信号［8］和图像信号的特征提取等领域都有很广阔的应用前景［6］．通过 ICA 技术提取的图像信号的独立分量可以作为图像的特征也可用于图像的压缩编码．人类对本身的视觉系统研究发现初级的视觉系统就是利用对环境的一些先验知识去除图像数据中的冗余信息获取图像的主要特征．人类的视觉皮层的神经元就是一种特征检测器检测器间的相互作用是相互独立的具有局部性和方向选择性．独立分量分析的目标就是利用一种线性变换分离出独立主元使得图像中的统计依赖性消失或减到最小程度． 1∙1 ICA 问题描述 ICA 问题可描述为：在未知源信号 S 及其混叠矩阵 A 的情况下仅从观测到的混合信号 X＝第28卷第6期 2006年 6月北京科技大学学报 Journal of University of Science and Technology Beijing Vol．28No．6 Jun．2006 DOI:10．13374／j．issn1001－053x．2006．06．020

Vol.28 No.6 张海军等：基于ICA和BP神经网络的人耳图像识别 .601. AS中提取出源信号，其中S=(s1,s2,…,Sn)T 为一组独立的源信号，X=（x1,x2,,xm)T为观测数据.可以证明在m≥n的条件下，如果S 分量中不含有一个以上的高斯过程，就有可能通过解混叠矩阵W取得U=WX,使U逼近于S (U中各分量的排列次序及比例尺度与S可能不同)·所以，求解混叠矩阵W使U的分量尽可能独立，那么U就是S的最佳估计.由此可知，ICA 理论及其分离算法的关键在于如何定量地判别分离结果的独立性图1ICA人耳图像合成和分解模型由中心极限定理，一个随机量如由许多相互 Fig.1 ICA compose and decompose model of ear images 独立的随机量之和组成，只要各独立的随机量具有有限的均值和方差，则不论各独立随机量为何种分布，该随机量必接近高斯分布，据此可知，由许多相互独立的随机量之和组成的随机变量，比其中任一独立的随机变量的分布更具有高斯性. 图2：人耳图像的线性组合因此可以在分离过程中，通过对分离结果非高斯 Fig.2 Linear combination of an ear image 性的度量来监测分离结果间的相互独立性，当非高斯性度量达到最大时，就表明已完成对各独立 2 基于ICA和BP神经网络的人耳分量的分离，文献[9]介绍了多种独立性度量准识别则·本文采用基于负熵的独立性判别准则和分离算法一FastICA算法[1o],进行独立分量分离. 人工神经网络具有并行处理和大规模平行计算能力，既是高度非线性动力学系统，又是自适应 1.2人耳图像数据的表示组织系统，能高度逼近非线性系统并对不确定向假设在ICA线性图像合成模型中，每个kXI 大小的人耳图像x都是由n个基图像和相互统题具有自适应能力.而BP网络和它的变化形式是目前实际应用中使用最广泛的网络模型，它计独立的权系数（特征向量）线性组合而成，其中 x=(x(1,1),x(1,2),…, 是前向网络的核心部分，体现了人工神经网络最 x(1,),x(2,1)…,x(k,)T. 精华的部分，采用改进的三层结构BP网络来实现ICA特由m个人耳图像组成的混合人耳图像的训征提取后人耳数据的分类，为了提高算法的收敛练集为X=(x1,x2,,xm).基图像构成了一速度，对BP算法进行了适当的改进，采用动量法个常数矩阵，用S表示，加权系数矩阵用A表示. 和学习率自适应调整的策略，降低了网络对于误因此人耳图像矩阵可用下列线性模型表示为：差曲面局部细节的敏感性，有效地抑制了网络陷 X-AS (1) 于局部极小的几率，提高了算法的收敛性和可靠图1是ICA的人耳合成和分解模型. 应用ICA提取图像特征，就是要找到滤波矩性阵W.对混合人耳图像的训练集X进行线性变 ICABP算法的整体结构框图如图3所示，其中ICA采用上文提到的FastICA算法，具体实现换，使得经过滤波器后的分量相互之间尽可能的步骤如下独立， U-WX (2) 层BP网其中U是对S的一种估计，就是提取出图像的特惊始人F八N山一化人人ICA提取图像耳像特征征向量，图2是每个人耳图像的表示，其中B=(b1, b2,,bn)是估计出的相互独立的系数（特征向图3 ICABP算法的结构框图量)，U=(U1,U2,…,Um)是所求出的基图像. Fig.3 Algorithm architecture of ICA-BP

AS 中提取出源信号 S其中 S＝（ s1s2…sn） T 为一组独立的源信号X＝（ x1x2…xm ） T 为观测数据．可以证明在 m≥ n 的条件下如果 S 分量中不含有一个以上的高斯过程就有可能通过解混叠矩阵 W 取得 U＝ WX使 U 逼近于 S （U 中各分量的排列次序及比例尺度与 S 可能不同）．所以求解混叠矩阵 W 使 U 的分量尽可能独立那么 U 就是 S 的最佳估计．由此可知ICA 理论及其分离算法的关键在于如何定量地判别分离结果的独立性．由中心极限定理一个随机量如由许多相互独立的随机量之和组成只要各独立的随机量具有有限的均值和方差则不论各独立随机量为何种分布该随机量必接近高斯分布．据此可知由许多相互独立的随机量之和组成的随机变量比其中任一独立的随机变量的分布更具有高斯性．因此可以在分离过程中通过对分离结果非高斯性的度量来监测分离结果间的相互独立性当非高斯性度量达到最大时就表明已完成对各独立分量的分离．文献［9］介绍了多种独立性度量准则．本文采用基于负熵的独立性判别准则和分离算法———FastICA 算法［10］进行独立分量分离． 1∙2 人耳图像数据的表示假设在 ICA 线性图像合成模型中每个 k× l 大小的人耳图像 x 都是由 n 个基图像和相互统计独立的权系数（特征向量）线性组合而成其中 x＝（ x（11）x（12）… x（1l）x（21）…x（ kl）） T．由 m 个人耳图像组成的混合人耳图像的训练集为 X＝（ x1x2…xm ） T．基图像构成了一个常数矩阵用 S 表示加权系数矩阵用 A 表示．因此人耳图像矩阵可用下列线性模型表示为： X＝ AS （1）图1是 ICA 的人耳合成和分解模型．应用 ICA 提取图像特征就是要找到滤波矩阵 W．对混合人耳图像的训练集 X 进行线性变换使得经过滤波器后的分量相互之间尽可能的独立 U＝ WX （2）其中 U 是对 S 的一种估计就是提取出图像的特征向量．图2是每个人耳图像的表示其中 B＝（ b1 b2…bn）是估计出的相互独立的系数（特征向量）U＝（ U1U2…Un）是所求出的基图像．图1 ICA 人耳图像合成和分解模型 Fig．1 ICA compose and decompose model of ear images 图2 人耳图像的线性组合 Fig．2 Linear combination of an ear image 2 基于 ICA 和 BP 神经网络的人耳识别人工神经网络具有并行处理和大规模平行计算能力既是高度非线性动力学系统又是自适应组织系统能高度逼近非线性系统并对不确定向题具有自适应能力［11］．而 BP 网络和它的变化形式是目前实际应用中使用最广泛的网络模型它是前向网络的核心部分体现了人工神经网络最精华的部分．采用改进的三层结构 BP 网络来实现 ICA 特征提取后人耳数据的分类．为了提高算法的收敛速度对 BP 算法进行了适当的改进采用动量法和学习率自适应调整的策略降低了网络对于误差曲面局部细节的敏感性有效地抑制了网络陷于局部极小的几率提高了算法的收敛性和可靠性． ICABP 算法的整体结构框图如图3所示其中 ICA 采用上文提到的 FastICA 算法．具体实现步骤如下．图3 ICABP 算法的结构框图 Fig．3 Algorithm architecture of ICA－BP Vol．28No．6 张海军等：基于 ICA 和 BP 神经网络的人耳图像识别 ·601·

,602 北京科技大学学报 2006年第6期 (1)人耳图像归一化，首先对人耳图像进行 2.0,MATLBA6.5环境下进行，结果见表1. Wiener滤波，去除噪声的干扰，然后根据人耳的表1实验结果结构特点，设计了基于外耳长宽比例不变的缩放 Table 1 Person authentication results 算法，将人耳图像缩放到相同大小，即首先根据要人耳识别特征提取特征识别归一化成的图像和原始图像的长宽比例，分别计人耳库方法时间/s 数率/% 算长与长和宽与宽的比值，采用双三次插值方法 CP人耳库 321.453 85 100.00 缩放到小的比值，然后用图像中的肤色信息，填充 ICA 自建人耳库 432.095 120 88.33 剩余部分，化成相同大小.这种算法既保存了原 CP人耳库 4.226 19 94.11 始人耳图像的结构比例，又保留了人耳的灰度信 PCA 自建人耳库 5.928 18 85.00 息，最大限度的保留了原始人耳图像特征，最后对归一化后的人耳图像进行直方图均衡化，部分实验结果表明，在相同的人耳库上，基于ICA 消除光照的影响 BP方法的识别率要高于PCA BP的方法：而后 (2)ICA方法提取人耳图像特征，由1.2的者的特征提取时间要比前者快很多，同时提取的方法组成混合人耳图像的训练集X=(x1x2… 特征也要少，这是由ICA特征提取算法本身的特 xm)I,应用Fast ICA算法提取特征，点决定的，二者在识别时间上都很快，都可以忽 (③)利用改进的三层BP神经网络对投影系略不计数进行训练和识别 4结语 3 实验方法和结果人耳图像自动识别是一个复杂的问题，目前实验中，采用了Carreira-Perpinan建立的人的研究工作还处于起步阶段，离实际应用还有很耳库2]（以下简称CP人耳库）和自建的人耳库大的距离.本文提出了基于ICA的神经网络识别 (USTB人耳库).CP人耳库包括17个人，每人6 方法，取得了很高的识别率。下一步的研究工作幅，共102幅人耳图像.人耳图像已经经过裁剪一是提高ICA算法的效率和降低识别特征的维和旋转，长宽比例为1.6，并进行了轻微的亮化处数：二是在光照变化、角度变化等条件更复杂的人理，是比较理想的人耳图像、自建的人耳库包括耳图像库上进行研究，以提高算法的通用性与鲁 60个人，每人3幅，共180幅人耳图像.图像考虑棒性· 了拍摄角度和光照的变化，比较接近实际情况，参考文献部分人耳图像如图4所示. [1】章毓晋.中国图像工程及当前的几个研究热点，计算机辅助设计与图形学学报，2002,14(6)：489 [2]Burge MJ.Burger W.Using ear biometrics for passive identi- fication//14th International Information Security Conference. Vienna,1998,139 [3]Hurley D J.Nixon MS.Carter J N.Force field energy fune tions for image feature extraction.Image Vision Comput J. 2002,20(5/6):311 (O)CP人耳库 b)USTB人耳东 [4]Chang K,Bowyer K W,Sarkar S.et al.Comparison and 图4部分人耳图像 combination of ear and face images in appearance-based biomet- Fig.4 Example of ear images rics.IEEE Trans Pattern Anal Mach Intell.2003,25(9): 1160 在CP人耳库上，取前5组人耳图像作为训 [5]Bartlett MS.Face image analysis by unsupervised learning and 练样本，第6组作为测试样本；自建的人耳库上， redundancy reduction [Dissertation].San Diego:University of 前2组作为训练样本，第3组作为测试样本，分 California,1998 别采用ICA方法和PCA方法进行特征提取·目 [6]Hyvarinen A,Oja E.A fast fixed point algorithm for indepen- dent component analysis.Neural Comput,1997.9(7):1483 前关于BP网络结构的设计还没有标准的公式， [7]Bell A J.SejnowskiT J.An information maxization approach 基本上依据经验和猜测，笔者采用3层改进的 to blind separation and blind deconvolution.Neural comput. BP神经网络进行分类识别.实验在Intel奔腾4 1995,7(6):1129

（1）人耳图像归一化．首先对人耳图像进行 Wiener 滤波去除噪声的干扰．然后根据人耳的结构特点设计了基于外耳长宽比例不变的缩放算法将人耳图像缩放到相同大小即首先根据要归一化成的图像和原始图像的长宽比例分别计算长与长和宽与宽的比值采用双三次插值方法缩放到小的比值然后用图像中的肤色信息填充剩余部分化成相同大小．这种算法既保存了原始人耳图像的结构比例又保留了人耳的灰度信息最大限度的保留了原始人耳图像特征．最后对归一化后的人耳图像进行直方图均衡化部分消除光照的影响．（2） ICA 方法提取人耳图像特征．由1∙2的方法组成混合人耳图像的训练集 X＝（ x1 x2… xm） T应用 Fast ICA 算法提取特征．（3）利用改进的三层 BP 神经网络对投影系数进行训练和识别． 3 实验方法和结果实验中采用了 Carreira-Perpinan 建立的人耳库［12］（以下简称 CP 人耳库）和自建的人耳库（USTB 人耳库）．CP 人耳库包括17个人每人6 幅共102幅人耳图像．人耳图像已经经过裁剪和旋转长宽比例为1∙6并进行了轻微的亮化处理是比较理想的人耳图像．自建的人耳库包括 60个人每人3幅共180幅人耳图像．图像考虑了拍摄角度和光照的变化比较接近实际情况．部分人耳图像如图4所示．图4 部分人耳图像 Fig．4 Example of ear images 在 CP 人耳库上取前5组人耳图像作为训练样本第6组作为测试样本；自建的人耳库上前2组作为训练样本第3组作为测试样本．分别采用 ICA 方法和 PCA 方法进行特征提取．目前关于 BP 网络结构的设计还没有标准的公式基本上依据经验和猜测．笔者采用3层改进的 BP 神经网络进行分类识别．实验在 Intel 奔腾4 2∙0MATLBA6∙5环境下进行结果见表1．表1 实验结果 Table1 Person authentication results 人耳识别方法人耳库特征提取时间／s 特征数识别率／％ ICA CP 人耳库 321∙453 85 100∙00 自建人耳库 432∙095 120 88∙33 PCA CP 人耳库 4∙226 19 94∙11 自建人耳库 5∙928 18 85∙00 实验结果表明在相同的人耳库上基于 ICA —BP 方法的识别率要高于 PCA—BP 的方法；而后者的特征提取时间要比前者快很多同时提取的特征也要少．这是由 ICA 特征提取算法本身的特点决定的．二者在识别时间上都很快都可以忽略不计． 4 结语人耳图像自动识别是一个复杂的问题目前的研究工作还处于起步阶段离实际应用还有很大的距离．本文提出了基于 ICA 的神经网络识别方法取得了很高的识别率．下一步的研究工作一是提高 ICA 算法的效率和降低识别特征的维数；二是在光照变化、角度变化等条件更复杂的人耳图像库上进行研究以提高算法的通用性与鲁棒性．参考文献［1］章毓晋．中国图像工程及当前的几个研究热点．计算机辅助设计与图形学学报200214（6）：489 ［2］ Burge M JBurger W．Using ear biometrics for passive identification ∥14th International Information Security Conference． Vienna1998：139 ［3］ Hurley D JNixon M SCarter J N．Force field energy functions for image feature extraction．Image Vision Comput J 200220（5／6）：311 ［4］ Chang KBowyer K WSarkar Set al．Comparison and combination of ear and face images in appearance-based biometrics．IEEE Trans Pattern Anal Mach Intell200325（9）： 1160 ［5］ Bartlett M S．Face image analysis by unsupervised learning and redundancy reduction ［Dissertation］．San Diego：University of California1998 ［6］ Hyvarinen AOja E．A fast fixed-point algorithm for independent component analysis．Neural Comput19979（7）：1483 ［7］ Bell A JSejnowski T J．An information-maxization approach to blind separation and blind deconvolution．Neural comput 19957（6）：1129 ·602· 北京科技大学学报 2006年第6期