论文部分内容阅读
生物特征识别技术因为具有安全性、稳定性和便捷性等特点,被广泛地应用于身份鉴别领域。常用于识别的生物特征包括指纹、人脸、声纹、虹膜、视网膜、掌形、签名、掌纹等。由于人类的眉毛能够满足普遍性、唯一性、可采集性、可接受性、稳定性、性能要求以及安全性等要求,因此也可以被用于身份鉴别的研究。对眉毛识别的研究在生物特征识别领域中有巨大的理论和实际意义。
本文提出了一种基于Adaboost的视频眉毛定位方法和基于分水岭和K-均值的自动眉毛图像分割算法,主要研究工作如下:
1.基于Adaboost的视频眉毛检测与定位本文使用类Haar特征对眉毛区域进行特征提取,使用Adaboost算法构建分类器,实现了基于Adaboost的视频眉毛检测与定位,建立了小规模的眉毛视频数据库并进行了试验,结果表明该方法能够较好的实现视频眉毛区域的检测与定位。
2.眉毛图像预处理本文使用基于分水岭和K-均值的自动眉毛图像分割算法提取纯眉毛图像,并其高度归一为256像素；利用改进的w—k算法进行颜色筛选,使用投影分析方法实现眉毛区域的定位,从而提取纯眉毛图像。本文还进行了相关实验,结果说明:该方法能稳定准确的对纯眉毛图像进行提取,可提高识别的准确率。
3.眉毛识别实验本文对提取的纯眉毛图像进行傅里叶变换,使用32维的低频系数作为特征。用自组织神经网络(Self-Organization Neural Network,SOM)作为矢量量化(Vector Quantization,VQ)工具对二维眉毛特征进行处理,压缩得到一维的观察序列,使用一维隐马尔可夫模型(Hidden Markov Model,HMM)进行训练和识别。
实验结果说明:该方法在103个人的眉毛数据库上最高识别率可以达到84.4％,能够更加准确稳定地进行眉毛的识别。