论文部分内容阅读
生物特征识别是指利用人体固有的生理特征（指纹、静脉、虹膜）或者行为特征进行身份识别的技术，广泛应用于智能家居、智能安防等领域。赤足是人体的重要组成部分之一，具有唯一性、稳定性和易采集性，是一种有效安全的生物特征。赤足识别可被广泛应用到考勤系统、门禁系统和报警系统中，是一种应用前景广泛的生物特征识别。然而目前为止，关于赤足识别的系统性研究较少。因此，本文对基于赤足足底纹理的身份识别算法进行了研究。下面是本文内容的简要概述。
1.赤足数据库构建
本文构建了一个包含100个人的赤足数据集。每个人拍摄10幅图像，总共拍摄了1000幅的赤足图。使用数码相机进行拍摄，拍摄所有的赤足图像时需要添加特殊的照明。赤足图像使用JPEG格式进行保存，尺寸为4128×2322像素，分辨率为72dpi。赤足图像的主要来源是20到35岁的中国学生或者外国学生。其中，外国学生占60％，中国学生占40％。除此之外，数据集还记录了每个人的年龄、身高和体重等信息，以便更好地进行实验测试，获得更准确的结果。
赤足图像获取的注意事项如下所示:
1)要求每个人脱掉鞋袜，以便对赤足拍摄图像;
2)如果一个人的脚底有污垢，他或者她需要清除污垢，以便影响赤足识别的结果;
3)在2-3分钟内以随机的时间间隔拍摄赤足图像10次;
4)确保每个人都是自愿提供赤足图像，即不存在强迫情况;
5)在距离赤足的15-20cm时拍摄图像。
将所有采集的赤足图像构建成一个名为NALIN_SET的数据集。
2.赤足图像预处理
在本论文中，在进行足底匹配之前，需要完成几个预处理步骤。所涉及的第一个预处理步骤是将捕获的足底图像的背景变为黑色，并进行裁剪。然后，将这些图像重新调整大小并转化为灰度图。之后还需要进行图像增强，本文采用自适应直方图均衡的方法以增加足底图像对比度。最后为获得足底的骨架图像，使用Canny算子进行边缘检测，并为数据集中的每个足底图像选择特定阈值。
3.特征提取
在进行足底图像识别时，特征的提取是非常关键的一步。它主要涉及执行一系列程序，提取所需输入足底图像的相关数据。提取的这些特征在其分类方面需要是具有代表性的，能够体现足底图像的本质的特征和独特的特征。在本论文中，提取了几种不同的特征，由于提取的特征不同，足底图像必须通过不同的预处理方法来提高其质量。
在本论文中，由于局部描述子的众多优点，本文使用了局部描述子。本文从足底图像的感兴趣区域提取了部纹理图案特征，主要包括基于细节的纹理信息，HOG特征向量，LBP向量特征和SURF特征。本文解释了细节点表示算法，以及如何使用交叉数算法检测和提取它们，并且还描述了如何从脊周围的块区域提取LBP，HOG和SURF特征。特征提取过程为:首先，提取脊和分叉的细节点;然后在脊周围裁剪块区域;之后，在裁剪区域中提取HOG，LBP和SURF三个特征。
本文引入了具有尺度、旋转和平移不变性的SURF特征以获得更好地结果，从而提高算法的性能。虽然在使用SURF特征进行提取特征时选择了较低的阈值O，以便能从每幅赤足图像的每个块区域检测到更多特征。因为默认的SURF特征的阈值1000检测到的特征较少，所以需要将其减少到0，此时算法性能为31％。将HOG特征和SURF特征融合进行识别，此时算法性能达到48％。然后将HOG特征和SURF特征的距离匹配结果与HOG特征和LBP特征的距离匹配结果进行融合以提高算法性能，即将HOG特征、LBP特征和SURF特征的距离相结合进行匹配，此时算法性能提高到62％。
4.足底匹配与识别
就足底识别而言，匹配是一个关键过程，并且为了获得更高的精度，需要进行合理的脚底匹配。尽管已经有了很多脚底匹配相关的各种研究，但是仍然存在许多阻碍有效匹配过程的问题，这些问题可能包括以下内容。
1)拍摄的图像质量较差。在拍摄足底图像时，发现其中一些有瘀伤，污垢，汗湿和脚底干燥。这类东西可能影响脊结构，因此导致产生错误的细节并且难以获得真正的匹配分数。此外，从劣质足底图像获得真正的图像也变得具有挑战性，这会在特征提取和匹配过程中导致更多错误。
2)相机质量。用于拍摄脚底图像的大多数数码相机的分辨率较低，并且即使使用了闪光灯也可能无法获得所有细节纹理特征，这导致一些信息的遗漏。进而在特征提取期间导致不准确的结果。
3)表示限制。大多数研究者认为足底图像中存在着重要的信息并且应该被用于匹配阶段。由于现如今，在匹配层面极少有研究该信息的方法。更多的基于细节的算法通常忽略了足底图像中存在的图形和纹理信息，而一些基于纹理的方法没能完全利用细节的位置和方向。
4)传感器的尺寸。用于捕获足底图像的大多数传感器照明有限，因此大多数细节信息未被完全获得。并且传感器区域与匹配的准确度有关，处于更敏感传感器区域的足部区域将捕获更多的纹理和细节特征，因此在匹配过程中导致更好的准确性。
5)除了存在虚假细节或实际细节的丢失之外，标记的细节位置和方向的错误计算可能对导致细节一致性中大量错误，因此降低识别阶段的准确性。
4.1赤足识别算法过程
本节阐述了为实现基于赤足的身份识别所采取的步骤，基于足底纹的身份识别算法流程见图4.1。相机拍摄的赤足图像的背景是复杂且不均匀的，因此需要将所有的赤足图像都变成均匀的黑色背景并进行裁剪，使得赤足图像的对比度更大，脊图案更加清晰。本文自建了一个NALIN_SET数据集，由来自100个人的接近1000幅赤足图像组成。然后进入到预过程，将赤足图像变为灰度图像并进行尺寸调整，以获得赤足图像的感兴趣区域。通常情况下由数码相机拍摄的赤足图像会受到噪声的影响，因此需要采取某些措施来消除赤足图像中的噪声。为了在脊特征提取期间去除掉光照的影响，赤足图像需要先进行自适应直方图均衡化，再使用Canny算子进行边缘检测，并为每幅赤足图像设定双阈值。然后使用交叉数算法进行脊特征提取。再对脊周围的区域进行裁剪，对这些裁剪区域均提取HOG特征、LBP特征和SURF特征。本文采用欧几里得距离实现匹配，计算赤足图像间三个特征向量间的距离并求和作为加权距离，计算最小的加权距离。然后获得数据集中每幅赤足图像的平均距离，即加权分数。最后使用附加标签的升序算法和KNN算法对加权分数进行分类，从而实现基于赤足的身份识别。
4.2基于欧氏距离的匹配
本文提出了一种基于欧几里得距离的赤足匹配的方法。该匹配算法使用局部特征描述子HOG特征、LBP特征和SURF特征的加权分数来识别赤足图像。下面介绍算法实现用于识别的加权分数所采取的步骤。足底的匹配见图4.2。
5.实验结果
为了测试所设计算法的性能，将算法在名为NALIN_SET的数据集上进行实验评估。NALIN_SET数据集是由100个人的接近1000幅赤足图像组成。基于赤足的身份识别算法具有不同的实验性能，因为在进行特征提取的匹配阶段中，使用的脊的数量会发生变化，然后使用不同K值的KNN分类进行评估以确定算法性能。
5.1脊数的变化
在从赤足图像中提取脊特征之后，在脊的周围进行切割提取块区域，然后在大小为41×41的块区域内提取HOG特征、LBP特征和SURF特征。在匹配之前，消除了没有脊特征的块区域。那么在匹配阶段，脊特征数量就随之产生了变化。
5.2.KNN分类
使用KNN分类器来验证算法性能。在NALIN SET数据集中使用不同的K值的KNN进行分类评价。其中NALIN_SET数据集由100个人的1000幅的赤足图像组成，其中每个人有10幅赤足图像。使用HOG特征、LBP特征和SURF特征的加权分数的匹配分数在不同的K值（1，3，5和7）下的算法性能如下表5.1所示。
对于所设计的基于足底的个人识别算法，实验结果表明，K=5时效果最好，识别准确率为62％。将不同的算法和本文所提出的算法进行性能比较，经测试，本文算法的识别准确率为62％。
本文提出了一种赤足匹配的算法，该算法使用局部特征描述子HOG特征、LBP特征和SURF特征的加权分数来识别赤足图像。由表5.2可以看出，本文提出的算法识别准确率还有待提升，算法的局限性主要体现在足底数据及特征点提取方法上。
1.赤足数据库构建
本文构建了一个包含100个人的赤足数据集。每个人拍摄10幅图像，总共拍摄了1000幅的赤足图。使用数码相机进行拍摄，拍摄所有的赤足图像时需要添加特殊的照明。赤足图像使用JPEG格式进行保存，尺寸为4128×2322像素，分辨率为72dpi。赤足图像的主要来源是20到35岁的中国学生或者外国学生。其中，外国学生占60％，中国学生占40％。除此之外，数据集还记录了每个人的年龄、身高和体重等信息，以便更好地进行实验测试，获得更准确的结果。
赤足图像获取的注意事项如下所示:
1)要求每个人脱掉鞋袜，以便对赤足拍摄图像;
2)如果一个人的脚底有污垢，他或者她需要清除污垢，以便影响赤足识别的结果;
3)在2-3分钟内以随机的时间间隔拍摄赤足图像10次;
4)确保每个人都是自愿提供赤足图像，即不存在强迫情况;
5)在距离赤足的15-20cm时拍摄图像。
将所有采集的赤足图像构建成一个名为NALIN_SET的数据集。
2.赤足图像预处理
在本论文中，在进行足底匹配之前，需要完成几个预处理步骤。所涉及的第一个预处理步骤是将捕获的足底图像的背景变为黑色，并进行裁剪。然后，将这些图像重新调整大小并转化为灰度图。之后还需要进行图像增强，本文采用自适应直方图均衡的方法以增加足底图像对比度。最后为获得足底的骨架图像，使用Canny算子进行边缘检测，并为数据集中的每个足底图像选择特定阈值。
3.特征提取
在进行足底图像识别时，特征的提取是非常关键的一步。它主要涉及执行一系列程序，提取所需输入足底图像的相关数据。提取的这些特征在其分类方面需要是具有代表性的，能够体现足底图像的本质的特征和独特的特征。在本论文中，提取了几种不同的特征，由于提取的特征不同，足底图像必须通过不同的预处理方法来提高其质量。
在本论文中，由于局部描述子的众多优点，本文使用了局部描述子。本文从足底图像的感兴趣区域提取了部纹理图案特征，主要包括基于细节的纹理信息，HOG特征向量，LBP向量特征和SURF特征。本文解释了细节点表示算法，以及如何使用交叉数算法检测和提取它们，并且还描述了如何从脊周围的块区域提取LBP，HOG和SURF特征。特征提取过程为:首先，提取脊和分叉的细节点;然后在脊周围裁剪块区域;之后，在裁剪区域中提取HOG，LBP和SURF三个特征。
本文引入了具有尺度、旋转和平移不变性的SURF特征以获得更好地结果，从而提高算法的性能。虽然在使用SURF特征进行提取特征时选择了较低的阈值O，以便能从每幅赤足图像的每个块区域检测到更多特征。因为默认的SURF特征的阈值1000检测到的特征较少，所以需要将其减少到0，此时算法性能为31％。将HOG特征和SURF特征融合进行识别，此时算法性能达到48％。然后将HOG特征和SURF特征的距离匹配结果与HOG特征和LBP特征的距离匹配结果进行融合以提高算法性能，即将HOG特征、LBP特征和SURF特征的距离相结合进行匹配，此时算法性能提高到62％。
4.足底匹配与识别
就足底识别而言，匹配是一个关键过程，并且为了获得更高的精度，需要进行合理的脚底匹配。尽管已经有了很多脚底匹配相关的各种研究，但是仍然存在许多阻碍有效匹配过程的问题，这些问题可能包括以下内容。
1)拍摄的图像质量较差。在拍摄足底图像时，发现其中一些有瘀伤，污垢，汗湿和脚底干燥。这类东西可能影响脊结构，因此导致产生错误的细节并且难以获得真正的匹配分数。此外，从劣质足底图像获得真正的图像也变得具有挑战性，这会在特征提取和匹配过程中导致更多错误。
2)相机质量。用于拍摄脚底图像的大多数数码相机的分辨率较低，并且即使使用了闪光灯也可能无法获得所有细节纹理特征，这导致一些信息的遗漏。进而在特征提取期间导致不准确的结果。
3)表示限制。大多数研究者认为足底图像中存在着重要的信息并且应该被用于匹配阶段。由于现如今，在匹配层面极少有研究该信息的方法。更多的基于细节的算法通常忽略了足底图像中存在的图形和纹理信息，而一些基于纹理的方法没能完全利用细节的位置和方向。
4)传感器的尺寸。用于捕获足底图像的大多数传感器照明有限，因此大多数细节信息未被完全获得。并且传感器区域与匹配的准确度有关，处于更敏感传感器区域的足部区域将捕获更多的纹理和细节特征，因此在匹配过程中导致更好的准确性。
5)除了存在虚假细节或实际细节的丢失之外，标记的细节位置和方向的错误计算可能对导致细节一致性中大量错误，因此降低识别阶段的准确性。
4.1赤足识别算法过程
本节阐述了为实现基于赤足的身份识别所采取的步骤，基于足底纹的身份识别算法流程见图4.1。相机拍摄的赤足图像的背景是复杂且不均匀的，因此需要将所有的赤足图像都变成均匀的黑色背景并进行裁剪，使得赤足图像的对比度更大，脊图案更加清晰。本文自建了一个NALIN_SET数据集，由来自100个人的接近1000幅赤足图像组成。然后进入到预过程，将赤足图像变为灰度图像并进行尺寸调整，以获得赤足图像的感兴趣区域。通常情况下由数码相机拍摄的赤足图像会受到噪声的影响，因此需要采取某些措施来消除赤足图像中的噪声。为了在脊特征提取期间去除掉光照的影响，赤足图像需要先进行自适应直方图均衡化，再使用Canny算子进行边缘检测，并为每幅赤足图像设定双阈值。然后使用交叉数算法进行脊特征提取。再对脊周围的区域进行裁剪，对这些裁剪区域均提取HOG特征、LBP特征和SURF特征。本文采用欧几里得距离实现匹配，计算赤足图像间三个特征向量间的距离并求和作为加权距离，计算最小的加权距离。然后获得数据集中每幅赤足图像的平均距离，即加权分数。最后使用附加标签的升序算法和KNN算法对加权分数进行分类，从而实现基于赤足的身份识别。
4.2基于欧氏距离的匹配
本文提出了一种基于欧几里得距离的赤足匹配的方法。该匹配算法使用局部特征描述子HOG特征、LBP特征和SURF特征的加权分数来识别赤足图像。下面介绍算法实现用于识别的加权分数所采取的步骤。足底的匹配见图4.2。
5.实验结果
为了测试所设计算法的性能，将算法在名为NALIN_SET的数据集上进行实验评估。NALIN_SET数据集是由100个人的接近1000幅赤足图像组成。基于赤足的身份识别算法具有不同的实验性能，因为在进行特征提取的匹配阶段中，使用的脊的数量会发生变化，然后使用不同K值的KNN分类进行评估以确定算法性能。
5.1脊数的变化
在从赤足图像中提取脊特征之后，在脊的周围进行切割提取块区域，然后在大小为41×41的块区域内提取HOG特征、LBP特征和SURF特征。在匹配之前，消除了没有脊特征的块区域。那么在匹配阶段，脊特征数量就随之产生了变化。
5.2.KNN分类
使用KNN分类器来验证算法性能。在NALIN SET数据集中使用不同的K值的KNN进行分类评价。其中NALIN_SET数据集由100个人的1000幅的赤足图像组成，其中每个人有10幅赤足图像。使用HOG特征、LBP特征和SURF特征的加权分数的匹配分数在不同的K值（1，3，5和7）下的算法性能如下表5.1所示。
对于所设计的基于足底的个人识别算法，实验结果表明，K=5时效果最好，识别准确率为62％。将不同的算法和本文所提出的算法进行性能比较，经测试，本文算法的识别准确率为62％。
本文提出了一种赤足匹配的算法，该算法使用局部特征描述子HOG特征、LBP特征和SURF特征的加权分数来识别赤足图像。由表5.2可以看出，本文提出的算法识别准确率还有待提升，算法的局限性主要体现在足底数据及特征点提取方法上。