论文总字数：48661字

摘 要

人耳由于具有较为丰富的生物特征信息，成为了身份识别的重要环节，因此，人耳识别也成为了新兴的生物特征识别手段，同时也是模式识别中的一个重要分支，具有很高的研究价值。

本文首先介绍了人耳识别技术的发展过程、研究现状、识别方法、发展前景，对人耳检测与识别技术的相关方法进行了综述。

其次，本文重点描述了通过神经网络训练进行人耳区域检测以及通过主成分提取进行人耳识别的方法。神经网络训练检测人耳区域的方法为了提升精确度，采用先取中心点之后进行区域的缩小，来减少背景的影响。然后介绍了PCA主成分分析方法(Principal Component Analysis ,PCA)，即离散K-L变换，是对人耳图像进行的一种最优正交变换方法，也实现了降维的目的。人耳图像经过正交变换后生成一组正交基，通过选取适当的特征系数组成一个低维子空间，即特征人耳子空间，在识别时将待识别图像投影到子空间，得到其与特征子空间的欧式距离之差，差值最小的即为目标图片。这种变换方法得到的低维子空间具备较高的识别准确率，同时在图片压缩前后的相差的均方误差是最小的，既降低了数据运算量，提升识别速度，也提高了识别精度。

关键词：人耳识别，神经网络，预处理，主成分分析

Abstract

Because the human ear has rich biometric information, it has become an important part of identity recognition. Therefore, human ear recognition has become an emerging biometric identification method, and it is also an important branch of pattern recognition, which has high research value.

First,the development process, research status, identification methods and development prospects of human ear recognition technology are emphasized. It reviews the related methods of human ear detection and recognition technology.

Secondly, it focuses on the method of human ear region detection through neural network training and human ear recognition through principal component extraction. The method of neural network training to detect the human ear area is to reduce the influence of the background by first taking the center point and then reducing the area. Then introduces PCA Principal Component Analysis, which is the discrete K-L transform, which is the optimal orthogonal transform method for human ear images, and also achieves the purpose of dimensionality reduction. The human ear image is orthogonally transformed to generate a set of orthogonal bases, and a low-dimensional subspace is formed by selecting appropriate feature coefficients, that is, the feature human ear subspace, projects the image to be recognized into the subspace during recognition, and obtains the difference between the Euclidean distance from the feature subspace, and the smallest difference is the target image. The low-dimensional subspace obtained by this transformation method has high recognition accuracy, and the mean square error of phase difference before and after image compression is the smallest, which improves the recognition accuracy.

KEY WORDS: ear recognition,neural network,preprocessing,principal component analysis

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 课题背景 1

1.2 人耳检测与识别目的和意义 2

1.3 人耳检测与识别主要内容 3

1.4 本文主要工作及内容安排 5

第二章 人耳检测与识别研究现状 7

2.1 引言 7

2.2 人耳区域检测相关方法综述 7

2.3 人耳特征提取 10

2.4 人耳识别相关方法综述 12

2.5 本章小结 18

第三章 人耳检测与识别系统实现 19

3.1 引言 19

3.2 人耳库 19

3.3 人耳区域检测 20

3.3.1 Faster r-cnn神经网络 20

3.3.2 神经网络训练检测器 21

3.3.3 人耳检测效果 22

3.4 人耳识别 23

3.4.1 PCA人耳识别原理 23

3.4.2 PCA特征人耳算法 29

3.4.3 PCA人耳识别算法的步骤 29

3.4.4 PCA成分提取训练与识别过程 32

3.4.5 人耳识别效果 30

3.5 GUI界面 31

3.6 按键功能与界面设计 32

3.7 本章小结 38

第四章 实验结果 39

4.1 图像来源 39

4.2 算法有效性验证 39

4.2.1 人耳检测模型样本数对比实验 39

4.2.2 神经网络训练参数对比实验 40

4.2.3 缩小系数选取对比实验 42

4.2.4 特征系数选取对比实验 44

4.2.5 PCA主成分分析算法有效性试验 46

4.3 实验结论 48

第五章 总结与展望 49

5.1 工作总结 49

5.2 研究展望 50

参考文献 51

致 谢 54

绪论

课题背景

如今，信息化进程快速发展，信息无处不在，我们的生活各个方面都离不开计算机和互联网，信息的安全程度越来越受到人们的重视，开始采取措施不断提高信息的安全性。在这其中，身份鉴别是非常重要的一部分，现代社会中，信息化程度不断提升，生活中处处充满信息化，快捷支付、网络办理等确实为我们的生活提供了很多的便利性，但是其中也存在很大的风险，要降低风险就需要在这些领域对使用者的身份进行准确的鉴别。与此同时，从国家社会等安全的角度，对每个人进行精确的鉴别是非常重要的，尤其在当下发生的恐怖事件之后，安全问题更加受到大家的重视。所以，身份鉴别在信息安全中起到了极其重要的作用。

剩余内容已隐藏，请支付后下载全文，论文总字数：48661字