论文总字数：26725字

摘 要

目前，许多科研机构与公司正致力于提高生物识别的速度与准确率，也提出了很多行之有效的方法，取得了不错的效果。但是，仅通过对单一特征的研究，不可避免地要受限于环境，影响了其实际性能。而使用多特征识别技术来进行身份识别，使两种特征达到互补的效果，可以在身份识别领域达到更好的效果。

人脸识别是目前人们接受程度较高的一种做法。其实人脸图像和人耳图像都具有获取方便、对用户友好的特点，其中人脸图像随着用户的年龄、表情、角度、装饰品变化，结果会产生一定的波动。而人耳位于人脸的侧面，可以利用这一点做到信息的互补，达到单一的生物特征所不能达到的效果。

本文应用ICA算法和BP神经网络来进行人脸和人耳图像的识别。ICA（独立成分分析）算法在分离混合成分和提取特征方面有不错的实际应用效果，这里将其与BP神经网络结合起来，提高了算法在身份识别方面的性能。

关键词：人脸识别 人耳识别 独立成分分析 BP神经网络

Research on multi-modality recognition based on

human face amp; ear information

Abstract

At present, many scientific research institutions and companies are working on improving the speed and accuracy of biometric identification, and put forward a lot of effective methods which achieve fine results. However, using single biometric information, such as face, ear, fingerprint to recognize a person, will be affected by environment, leading to some unsatisfying results. If we use multi feature recognition technology to identify person, we can achieve better results by combining two kinds of features.

Nowadays, face recognition is a kind of technology that people are used to. In fact, both human face images and human ear images are user-friendly, while the face image can be affected by the user's age, facial expression, angle, decoration, and the results will have a certain fluctuation. Human ear is located on the side of the human face, which can be used as a complementary to the latter to achieve a better result than single biological characteristics.

In this paper, the ICA algorithm and BP neural network are used to recognize the human face and ear images. ICA (independent component analysis) algorithm has good performance in the separation of mixed signals and feature extraction. Combined with the BP neural network, the algorithm improves the performance of the algorithm in the aspect of identity recognition.

Key words: face recognition, ear recognition, ICA, BP neural network

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 引言 1

1.2 研究的目的和意义 1

1.3 人脸识别的研究现状与主要困难 2

1.4 人耳识别的研究现状与主要困难 5

1.5 论文结构安排 6

第二章 独立成分分析的基本理论 7

2.1 独立成分分析基本模型 7

2.1.1 独立成分分析的定义 7

2.1.2 极大化非高斯性的ICA估计方法 9

2.1.3 利用极大似然方法进行ICA估计 11

2.2 独立成分分析的应用 12

2.2.1 基于ICA的特征提取 13

2.2.2 ICA用于无线通信 14

2.2.3 ICA用于其他领域 15

第三章 神经网络的基本理论 18

3.1 神经网络的研究历史 18

3.2 神经网络的种类及其训练算法 19

3.2.1 感知器神经网络 19

3.2.2 径向基神经网络 21

3.2.3 深度神经网络 21

第四章 基于ICA和BP神经网络的人脸人耳识别 23

4.1 人脸与人耳库介绍 23

4.1.1 人脸图像库介绍 23

4.1.2 人耳图像库介绍 24

4.2 基于ICA和BP神经网络的人脸识别 24

4.2.1 人脸特征提取 24

4.2.2 人脸的特征识别 28

4.3 基于ICA和BP神经网络的人耳识别 30

4.4 实验结果分析 31

第五章 总结与展望 34

5.1 全文工作总结 34

5.2 研究展望 34

致谢 36

参考文献（Reference） 37

第一章 绪论

1.1 引言

在互联网技术、产业发展的大背景下，人们的各种信息都集成在互联网上，小到门禁，大到财产信息，都与人们的个人安全、资产安全息息相关。如何准确识别人的身份，自然就成了一项十分重要的工作。传统的身份认证方式，例如个人证件、密码等，在长久的使用中暴露出了很多缺点，例如容易遗忘、易于被盗取等问题，这些问题给人们的安全带来了不少隐患。因此科研工作者开始寻求直接对个人的身份识别，即利用生物识别技术来判别身份。

很多生物特征均可以被用于身份辨别，例如DNA、指纹、掌纹、虹膜、人脸，但是各种生物特征的特性不同，也就对应着不同的应用场景。例如许多需要高度保密性的场合，往往需要掌纹和虹膜的双重验证；第一批利用生物特征识别的现代化设备出现在20世纪70年代，因为价格不菲，故仅用于对安全性要求较高的机构。经过几十年的发展，人们在计算机、算法、信号处理、微电子技术方面的巨大进步使得生物识别的成本不断降低，效果不断进步，开始逐渐走进民用领域。考虑到日常生活中的应用场景，生物特征的获取应具有便捷、快速的特性，同时也应该要具有很好的识别效果。因此利用人脸和人耳信息的技术得到了很大的重视。人脸和人耳图像均可以通过非接触的方式获得，对用户的操作十分友好，并且只需要一个摄像头就可以完成采集工作，并不需要复杂、昂贵的专业设备。

使用人脸作为识别特征也符合人的认知，日常生活中人一般就是通过人脸来辨别他人。但是实际应用中，识别效果很可能收到诸如装饰、光线、角度、图像质量的影响。此外人脸本身具有一定的不确定性，例如意外的疤痕、眼圈，或者是年龄所带来的变化。而人耳图像相比之下就有比较好的恒定性，可以用于对单一的人脸识别的补充。同时由于这两种方法所使用素材的相似性，对人脸的识别方法很可能可以移植到对人耳的识别上，同样可以取得不错的效果。

剩余内容已隐藏，请支付后下载全文，论文总字数：26725字