基于DWT和PCA及LDA的人耳识别

吕秀丽　郑江红　段吉国　赵丽华　于波

摘要： 根据主成分分析（PCA）和线性判别分析（LDA）在人耳识别过程中存在识别率不高的问题，提出一种基于离散小波变换（DWT）和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT，选择包含图像大部分信息的低频子带，先利用PCA再利用LDA提取最优样本映射空间，最后利用最近邻法则进行人耳图像的分类。实验结果表明，该方法识别效果优于基于PCA及LDA的方法。

关键词： 人耳识别； 离散小波变换； 主成分分析； 线性判别分析

中图分类号： TP 391文献标志码： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

随着科学技术的日新月异，人类对智能化的要求越来越高，人耳识别作为生物识别技术的一个新方向可以单独应用，也可以将人耳和人脸结合进行组合识别，应用前景广泛[12]。典型人耳识别算法有基于主成分分析（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）、独立成分分析（independent component analysis，ICA），二维主成分分析（2DPCA）、二维线性判别分析（2DLDA）等，单独使用这些方法会存在识别率低或适应条件差的问题[37]。本文提出将DWT和PCA及LDA相结合的人耳识别算法。该方法先对人耳图像进行二维小波分解，选择其中的低频子带，并在低频子带利用PCA及LDA降维提取人耳特征，最后用最近邻法则进行分类。实验结果表明，该方法可提高识别率。

1主成分分析（PCA）

主成分分析[1，8] 是一种基于统计分析的特征提取方法，可以将图像的多数特征映射为少数几个特征，本质是将图像的高维数据投影到低维数据空间得到低维数据，使得到的低维数据仍然能够代表原图像的大部分能量，能够保留所需要的识别信息。主成分又称主分量，主成分分析的数学原理如下。

的4个不同频带的子带图。LL1子带图表示原始图像的低频信息，包含原图像的主要特征；HL1表示原始图像垂直方向的高频信息；LH1表示原始图像水平方向的高频信息；HH1表示原始图像对角方向的高频信息。图1（c）是二层小波分解的示意图，其中LL2、HL2、LH2、HH2是将一层小波低频子图进一步分解得到的。图像经过小波分解后，高频分量取值较小，大部分数值趋近于零，低频分量取值较大，集中了图像的大部分能量。本文采用Haar小波作为基函数对待识别图像进行预处理。4基于DWT和PCA及LDA人耳识别算法运用PCA、LDA进行人耳特征提取时，二维人耳图像矩阵需要降维成一维向量，通常一维向量的维数远高于样本个数，直接求解投影特征向量困难。可采用DWT对原始图像进行预处理，再将PCA和LDA结合进行人耳识别。本文算法原理框图如图2所示，算法步骤如下。

5实验结果及分析实验采用MATLAB软件编写，在Intel（R）Core（TM）i3 CPU 2.53 GHz，内存2 GB的计算机上运行。图像库采用北京科技大学人耳图像库，该图像库有60人的180张人耳图像，每一张图像为80×150像素。每个人3张人耳图像，3张图像分别为正面人耳图像及角度微变化人耳图像及光照微变化人耳图像。本实验用每个人的正面人耳图像和角度微变化人耳图像作为训练样本，每个人的光照微变化人耳图像作为测试样本。实验对原始人耳图像进行一层小波分解和二层小波分解，分别提取低频分量，再将其进行PCA降维和LDA映射求取最优样本空间，最后利用最近邻法则分类。表1给出了采用一层小波和二层小波分解再进图3人耳图像识别率对照图

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接进行PCA及LDA方法的正确识别率实验数据，能量阈值Te取0.94，选取的最大特征值的个数K取5，6，…，17，提出的方法与PCA及LDA方法的识别率比较如图3所示。由表1和图3可知，在相同人耳图像库测试条件下，PCA及LDA加入DWT的方法总体识别率高于基于PCA及LDA的方法；且加入一层DWT前提下，当K取11、12时达到最高识别率98.33%，高于PCA及LDA方法的最高识别率96.67%。实验结果表明，提出的方法识别效果优于PCA及LDA方法。6结论在人耳图像识别中将离散小波变换应用于图像的预处理，通过提取包含图像主要信息的低频分量，减少了包含人耳图像细节信息的高频噪声分量，降低了原始图像的冗余信息，也大大降低了人耳图像的维数。实验结果表明，采用DWT和PCA及LDA相结合的方法，识别率最高达到了98.33%，显示了本文算法的优越性。参考文献：

[1]苑玮琦，柯丽，白云.生物特征识别技术[M].北京：科学出版社，2009.

[2]袁立，穆志纯，徐正光，等.基于人耳生物特征的身份识别[J].模式识别与人工智能，2005，18（3）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志纯.基于独立分量分析的人耳识别方法[J].计算机工程，2006，32（19）：178180.

[5]王杨，程科.基于PCA与Fisherface互补双特征提取的人耳图像识别[J].微电子学与计算机，2012，29（2）：153158.

[6]赵海龙，穆志纯.基于小波变换和LDA/FKT及SVM的人耳识别[J].仪器仪表学报，2009，30（11）：22732277.

[7]吕秀丽，申屠红峰，等.基于2DLDA与FSVM的人耳识别[J].科学技术与工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式识别[M].4版.北京：电子工业出版社，2010.

[9]华顺刚，周羽，刘婷.基于PCA+LDA的热红外成像人脸识别[J].模式识别与人工智能，2008，21（2）：160164.

[10]孙延奎.小波变换与图像、图形处理技术[M].北京：清华大学出版社，2012.

[11]邸继征.小波分析原理[M].北京：科学出版社，2010.第36卷第5期2014年10月光学仪器OPTICAL INSTRUMENTSVol.36， No.5October， 2014

摘要： 根据主成分分析（PCA）和线性判别分析（LDA）在人耳识别过程中存在识别率不高的问题，提出一种基于离散小波变换（DWT）和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT，选择包含图像大部分信息的低频子带，先利用PCA再利用LDA提取最优样本映射空间，最后利用最近邻法则进行人耳图像的分类。实验结果表明，该方法识别效果优于基于PCA及LDA的方法。

关键词： 人耳识别； 离散小波变换； 主成分分析； 线性判别分析

中图分类号： TP 391文献标志码： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

随着科学技术的日新月异，人类对智能化的要求越来越高，人耳识别作为生物识别技术的一个新方向可以单独应用，也可以将人耳和人脸结合进行组合识别，应用前景广泛[12]。典型人耳识别算法有基于主成分分析（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）、独立成分分析（independent component analysis，ICA），二维主成分分析（2DPCA）、二维线性判别分析（2DLDA）等，单独使用这些方法会存在识别率低或适应条件差的问题[37]。本文提出将DWT和PCA及LDA相结合的人耳识别算法。该方法先对人耳图像进行二维小波分解，选择其中的低频子带，并在低频子带利用PCA及LDA降维提取人耳特征，最后用最近邻法则进行分类。实验结果表明，该方法可提高识别率。

1主成分分析（PCA）

主成分分析[1，8] 是一种基于统计分析的特征提取方法，可以将图像的多数特征映射为少数几个特征，本质是将图像的高维数据投影到低维数据空间得到低维数据，使得到的低维数据仍然能够代表原图像的大部分能量，能够保留所需要的识别信息。主成分又称主分量，主成分分析的数学原理如下。

的4个不同频带的子带图。LL1子带图表示原始图像的低频信息，包含原图像的主要特征；HL1表示原始图像垂直方向的高频信息；LH1表示原始图像水平方向的高频信息；HH1表示原始图像对角方向的高频信息。图1（c）是二层小波分解的示意图，其中LL2、HL2、LH2、HH2是将一层小波低频子图进一步分解得到的。图像经过小波分解后，高频分量取值较小，大部分数值趋近于零，低频分量取值较大，集中了图像的大部分能量。本文采用Haar小波作为基函数对待识别图像进行预处理。4基于DWT和PCA及LDA人耳识别算法运用PCA、LDA进行人耳特征提取时，二维人耳图像矩阵需要降维成一维向量，通常一维向量的维数远高于样本个数，直接求解投影特征向量困难。可采用DWT对原始图像进行预处理，再将PCA和LDA结合进行人耳识别。本文算法原理框图如图2所示，算法步骤如下。

5实验结果及分析实验采用MATLAB软件编写，在Intel（R）Core（TM）i3 CPU 2.53 GHz，内存2 GB的计算机上运行。图像库采用北京科技大学人耳图像库，该图像库有60人的180张人耳图像，每一张图像为80×150像素。每个人3张人耳图像，3张图像分别为正面人耳图像及角度微变化人耳图像及光照微变化人耳图像。本实验用每个人的正面人耳图像和角度微变化人耳图像作为训练样本，每个人的光照微变化人耳图像作为测试样本。实验对原始人耳图像进行一层小波分解和二层小波分解，分别提取低频分量，再将其进行PCA降维和LDA映射求取最优样本空间，最后利用最近邻法则分类。表1给出了采用一层小波和二层小波分解再进图3人耳图像识别率对照图

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接进行PCA及LDA方法的正确识别率实验数据，能量阈值Te取0.94，选取的最大特征值的个数K取5，6，…，17，提出的方法与PCA及LDA方法的识别率比较如图3所示。由表1和图3可知，在相同人耳图像库测试条件下，PCA及LDA加入DWT的方法总体识别率高于基于PCA及LDA的方法；且加入一层DWT前提下，当K取11、12时达到最高识别率98.33%，高于PCA及LDA方法的最高识别率96.67%。实验结果表明，提出的方法识别效果优于PCA及LDA方法。6结论在人耳图像识别中将离散小波变换应用于图像的预处理，通过提取包含图像主要信息的低频分量，减少了包含人耳图像细节信息的高频噪声分量，降低了原始图像的冗余信息，也大大降低了人耳图像的维数。实验结果表明，采用DWT和PCA及LDA相结合的方法，识别率最高达到了98.33%，显示了本文算法的优越性。参考文献：

[1]苑玮琦，柯丽，白云.生物特征识别技术[M].北京：科学出版社，2009.

[2]袁立，穆志纯，徐正光，等.基于人耳生物特征的身份识别[J].模式识别与人工智能，2005，18（3）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志纯.基于独立分量分析的人耳识别方法[J].计算机工程，2006，32（19）：178180.

[5]王杨，程科.基于PCA与Fisherface互补双特征提取的人耳图像识别[J].微电子学与计算机，2012，29（2）：153158.

[6]赵海龙，穆志纯.基于小波变换和LDA/FKT及SVM的人耳识别[J].仪器仪表学报，2009，30（11）：22732277.

[7]吕秀丽，申屠红峰，等.基于2DLDA与FSVM的人耳识别[J].科学技术与工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式识别[M].4版.北京：电子工业出版社，2010.

[9]华顺刚，周羽，刘婷.基于PCA+LDA的热红外成像人脸识别[J].模式识别与人工智能，2008，21（2）：160164.

[10]孙延奎.小波变换与图像、图形处理技术[M].北京：清华大学出版社，2012.

[11]邸继征.小波分析原理[M].北京：科学出版社，2010.第36卷第5期2014年10月光学仪器OPTICAL INSTRUMENTSVol.36， No.5October， 2014

摘要： 根据主成分分析（PCA）和线性判别分析（LDA）在人耳识别过程中存在识别率不高的问题，提出一种基于离散小波变换（DWT）和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT，选择包含图像大部分信息的低频子带，先利用PCA再利用LDA提取最优样本映射空间，最后利用最近邻法则进行人耳图像的分类。实验结果表明，该方法识别效果优于基于PCA及LDA的方法。

关键词： 人耳识别； 离散小波变换； 主成分分析； 线性判别分析

中图分类号： TP 391文献标志码： Adoi： 10.3969/j.issn.10055630.2014.05.004

引言

随着科学技术的日新月异，人类对智能化的要求越来越高，人耳识别作为生物识别技术的一个新方向可以单独应用，也可以将人耳和人脸结合进行组合识别，应用前景广泛[12]。典型人耳识别算法有基于主成分分析（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）、独立成分分析（independent component analysis，ICA），二维主成分分析（2DPCA）、二维线性判别分析（2DLDA）等，单独使用这些方法会存在识别率低或适应条件差的问题[37]。本文提出将DWT和PCA及LDA相结合的人耳识别算法。该方法先对人耳图像进行二维小波分解，选择其中的低频子带，并在低频子带利用PCA及LDA降维提取人耳特征，最后用最近邻法则进行分类。实验结果表明，该方法可提高识别率。

1主成分分析（PCA）

主成分分析[1，8] 是一种基于统计分析的特征提取方法，可以将图像的多数特征映射为少数几个特征，本质是将图像的高维数据投影到低维数据空间得到低维数据，使得到的低维数据仍然能够代表原图像的大部分能量，能够保留所需要的识别信息。主成分又称主分量，主成分分析的数学原理如下。

的4个不同频带的子带图。LL1子带图表示原始图像的低频信息，包含原图像的主要特征；HL1表示原始图像垂直方向的高频信息；LH1表示原始图像水平方向的高频信息；HH1表示原始图像对角方向的高频信息。图1（c）是二层小波分解的示意图，其中LL2、HL2、LH2、HH2是将一层小波低频子图进一步分解得到的。图像经过小波分解后，高频分量取值较小，大部分数值趋近于零，低频分量取值较大，集中了图像的大部分能量。本文采用Haar小波作为基函数对待识别图像进行预处理。4基于DWT和PCA及LDA人耳识别算法运用PCA、LDA进行人耳特征提取时，二维人耳图像矩阵需要降维成一维向量，通常一维向量的维数远高于样本个数，直接求解投影特征向量困难。可采用DWT对原始图像进行预处理，再将PCA和LDA结合进行人耳识别。本文算法原理框图如图2所示，算法步骤如下。

5实验结果及分析实验采用MATLAB软件编写，在Intel（R）Core（TM）i3 CPU 2.53 GHz，内存2 GB的计算机上运行。图像库采用北京科技大学人耳图像库，该图像库有60人的180张人耳图像，每一张图像为80×150像素。每个人3张人耳图像，3张图像分别为正面人耳图像及角度微变化人耳图像及光照微变化人耳图像。本实验用每个人的正面人耳图像和角度微变化人耳图像作为训练样本，每个人的光照微变化人耳图像作为测试样本。实验对原始人耳图像进行一层小波分解和二层小波分解，分别提取低频分量，再将其进行PCA降维和LDA映射求取最优样本空间，最后利用最近邻法则分类。表1给出了采用一层小波和二层小波分解再进图3人耳图像识别率对照图

Fig.3The contrast chart of ear recognition rate行PCA及LDA和直接进行PCA及LDA方法的正确识别率实验数据，能量阈值Te取0.94，选取的最大特征值的个数K取5，6，…，17，提出的方法与PCA及LDA方法的识别率比较如图3所示。由表1和图3可知，在相同人耳图像库测试条件下，PCA及LDA加入DWT的方法总体识别率高于基于PCA及LDA的方法；且加入一层DWT前提下，当K取11、12时达到最高识别率98.33%，高于PCA及LDA方法的最高识别率96.67%。实验结果表明，提出的方法识别效果优于PCA及LDA方法。6结论在人耳图像识别中将离散小波变换应用于图像的预处理，通过提取包含图像主要信息的低频分量，减少了包含人耳图像细节信息的高频噪声分量，降低了原始图像的冗余信息，也大大降低了人耳图像的维数。实验结果表明，采用DWT和PCA及LDA相结合的方法，识别率最高达到了98.33%，显示了本文算法的优越性。参考文献：

[1]苑玮琦，柯丽，白云.生物特征识别技术[M].北京：科学出版社，2009.

[2]袁立，穆志纯，徐正光，等.基于人耳生物特征的身份识别[J].模式识别与人工智能，2005，18（3）：310315.

[3]VICTOR B，BOWYER K，SARKAR S.An evaluation of face and ear biometrics[C]∥Proceedings of 16th International Conference on Pattern Recognition，Quebec：IEEE，2002，1：429432.

[4]徐正光，武楠，穆志纯.基于独立分量分析的人耳识别方法[J].计算机工程，2006，32（19）：178180.

[5]王杨，程科.基于PCA与Fisherface互补双特征提取的人耳图像识别[J].微电子学与计算机，2012，29（2）：153158.

[6]赵海龙，穆志纯.基于小波变换和LDA/FKT及SVM的人耳识别[J].仪器仪表学报，2009，30（11）：22732277.

[7]吕秀丽，申屠红峰，等.基于2DLDA与FSVM的人耳识别[J].科学技术与工程，2012，12（12）：28522855.

[8]THEODORIDIS S，KOUTROUMBAS K.模式识别[M].4版.北京：电子工业出版社，2010.

[9]华顺刚，周羽，刘婷.基于PCA+LDA的热红外成像人脸识别[J].模式识别与人工智能，2008，21（2）：160164.

[10]孙延奎.小波变换与图像、图形处理技术[M].北京：清华大学出版社，2012.

[11]邸继征.小波分析原理[M].北京：科学出版社，2010.第36卷第5期2014年10月光学仪器OPTICAL INSTRUMENTSVol.36， No.5October， 2014