基于局部线性嵌入和最近特征线的人耳识别

doi:10.3778/j.issn.1002-8331.2008.25.007

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (25): 24-27.DOI: 10.3778/j.issn.1002-8331.2008.25.007

基于局部线性嵌入和最近特征线的人耳识别

谢朝霞¹,穆志纯¹,谢建军²

1.北京科技大学信息工程学院，北京 100083
2.河南科技大学机电工程学院，河南洛阳 471003

收稿日期:2008-04-14 修回日期:2008-05-12 出版日期:2008-09-01 发布日期:2008-09-01
通讯作者: 谢朝霞

Ear recognition based on locally linear embedding and nearest feature line

XIE Zhao-xia¹,MU Zhi-chun¹,XIE Jian-jun²

1.Information Engineering School，University of Science and Technology Beijing，Beijing 100083，China
2.Mechatronics Engineering School，Henan University of Science and Technology，Luoyang，Henan 471003，China

Received:2008-04-14 Revised:2008-05-12 Online:2008-09-01 Published:2008-09-01
Contact: XIE Zhao-xia

摘要/Abstract

摘要： 针对人耳生物特征，通过分析早期人耳识别方法的不足，提出了一种局部线性嵌入（LLE）和最近特征线（NFL）相结合的人耳识别方法。首先依据流形学习思想，采用局部线性嵌入算法提取人耳图像特征，然后采用最近特征线分类器进行人耳识别。实验结果表明，该方法在人耳姿态变化时能够取得非常理想的识别率，提高了人耳识别的鲁棒性，增强了人耳识别技术的实用性。

关键词: 人耳识别, 流形学习, 局部线性嵌入, 最近特征线

Abstract: Based on the simply analysis of the advantages of the early ear recognition methods，an ear recognition method combining locally linear embedding（LLE） and the nearest feature line（NFL） are proposed.The LLE algorithm which based on the manifold learning technique is applied for ear feature extraction，and the NFL-based classifier is used for ear recognition.Experiment results show that this method can obtain the satisfied recognition rate perfectly as for pose variation in ear recognition，improve the robustness of ear recognition，and enhance the practicability of the ear recognition technology.

Key words: ear recognition, manifold learning, locally linear embedding, nearest feature line

谢朝霞¹,穆志纯¹,谢建军². 基于局部线性嵌入和最近特征线的人耳识别[J]. 计算机工程与应用, 2008, 44(25): 24-27.

XIE Zhao-xia¹,MU Zhi-chun¹,XIE Jian-jun². Ear recognition based on locally linear embedding and nearest feature line[J]. Computer Engineering and Applications, 2008, 44(25): 24-27.

[1]	徐承志，万方. 两级邻域采样的孪生网络在流形学习中的应用[J]. 计算机工程与应用, 2021, 57(9): 233-239.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	邱建荣，罗汉. 改进的局部线性嵌入算法及其应用[J]. 计算机工程与应用, 2020, 56(3): 176-179.
[4]	陈媛，陈晓云. 流形极限学习机自编码特征表示[J]. 计算机工程与应用, 2020, 56(17): 150-155.
[5]	董安国，张倩，刘洪超，梁苗苗. 基于TSNE和多尺度稀疏自编码的高光谱图像分类[J]. 计算机工程与应用, 2019, 55(21): 177-182.
[6]	王育坚，高倩，谭卫雄，李深圳. 融合Haar型局部特征的人耳识别算法[J]. 计算机工程与应用, 2019, 55(18): 127-131.
[7]	魏迪，刘德山，闫德勤，张悦. 应用于人脸图像识别的邻域保持极限学习机[J]. 计算机工程与应用, 2019, 55(11): 187-191.
[8]	邓廷权，刘金艳，王宁. 高维数据离群点检测的局部线性嵌入方法[J]. 计算机工程与应用, 2018, 54(6): 115-122.
[9]	曹中义，吉根林，谈超. 改进的多流形LLE学习算法[J]. 计算机工程与应用, 2018, 54(24): 156-163.
[10]	蒋伟东，黄睿. 基于流形学习的约束Laplacian分值多标签特征选择[J]. 计算机工程与应用, 2018, 54(19): 147-150.
[11]	汤春明，赵红波，张小玉. 基于流形学习2D-LDLPA的东亚人脸表情识别算法[J]. 计算机工程与应用, 2018, 54(17): 146-150.
[12]	李云红，王珍，张凯兵，章为川，闫亚娣. 基于学习的图像超分辨重建方法综述[J]. 计算机工程与应用, 2018, 54(15): 13-21.
[13]	崔鹏，张雪婷. 基于流形学习的泛化改进的LTSA算法[J]. 计算机工程与应用, 2017, 53(3): 201-204.
[14]	常静雅，张晓俊，顾玲玲，袁悦，顾济华，陶智. 小波域能量谱和非线性降维的病理嗓音识别[J]. 计算机工程与应用, 2017, 53(2): 166-171.
[15]	邵　　超，万春红，李洁颖. 用于多流形分类的核等距映射算法[J]. 计算机工程与应用, 2016, 52(4): 121-128.

基于局部线性嵌入和最近特征线的人耳识别

Ear recognition based on locally linear embedding and nearest feature line

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics