基于增强深度特征和更具区分性的软生物特征的耳朵识别技术

《CMES - Computer Modeling in Engineering and Sciences》：Augmented Deep-Feature-Based Ear Recognition Using Increased Discriminatory Soft Biometrics

耳部生物识别中软生物特征与CNN深度特征的融合增强研究。摘要：本文提出一种新型耳部识别框架，通过融合硬生物特征（VGG19/ResNet50提取的深度特征）与自创的软生物特征（包含34维分类软特征和13维比较软特征），显著提升耳部识别准确率至99.94%，在复杂AMIC数据集上较基线模型提升14%。采用SVM和Softmax分类器验证，实验表明比较型软特征在ResNet50模型中表现更优，而分类型软特征对VGG19模型增强效果显著。通过方差分析验证，13个比较型特征（如耳形复杂度、耳蜗尺寸对比等）对耳部识别贡献度最高。研究填补了耳部比较型软生物特征应用的空白，为多模态生物识别提供新思路

　　耳部生物识别是一种非侵入式的生物特征技术，因其在多种场景下的应用潜力而受到越来越多的关注。近年来，卷积神经网络（CNN）在耳部识别领域表现出卓越的性能和可靠性，成为该技术的主流方法之一。然而，这些基于CNN的识别系统在性能上仍有进一步提升的空间，特别是在结合软生物特征的潜力方面。软生物特征，作为高阶语义特征，具有更强的环境鲁棒性，对视角变化、姿态差异、遮挡和光照条件等变量影响较小，因此在耳部识别中具有重要的补充作用。

本文提出了一种新的耳部识别增强框架，通过在特征层面上融合更具判别性的软生物特征，以提升基于CNN的耳部识别性能。该框架不仅提取了传统的硬生物特征（如VGG-19和ResNet-50模型提取的深度特征），还引入了新的软生物特征，包括更具感知能力的比较型软生物特征。这些比较型特征是通过成对比较标签、属性排序和映射到更精确的相对测量值而自动推导出来的。为了验证所提出方法的有效性，本文在不同的耳部图像数据集（如AMI和AMIC）上进行了多次识别和验证实验，并采用不同的深度特征提取器和分类器进行性能评估、分析和比较。

在实验过程中，我们发现，使用AMI和AMIC数据集时，所提出的比较型软生物特征（SoftCmp）和结合了类别型与比较型软生物特征（SoftCat&Cmp）的方法在识别和验证任务中表现出显著的优势。例如，在使用Softmax分类器时，ResNet-50与SoftCat&Cmp结合的方法在AMIC数据集上的识别准确率达到了99.5%，相比未增强的ResNet-50模型，准确率提高了14%。而在使用SVM分类器时，ResNet-50与SoftCat&Cmp结合的方法在验证任务中达到了99.94%的准确率，显著优于传统的硬生物特征方法。

在软生物特征的提取过程中，我们采用了ANOVA分析来评估不同软生物特征的显著性。结果显示，某些特征（如耳廓长度、耳部毛发密度和皮肤色斑数量）具有更高的显著性，表明它们在识别任务中更为关键。通过比较类别型和比较型软生物特征的性能，我们发现比较型特征在某些情况下能提供更强的判别能力，特别是在处理具有挑战性的数据集时，如AMIC。

此外，本文还探讨了不同深度学习模型（如VGG-19和ResNet-50）在提取耳部特征方面的表现。VGG-19和ResNet-50都是经过预训练的模型，它们在大规模图像数据集（如ImageNet）上表现出色，因此被广泛应用于各种图像识别任务。在本文的研究中，我们对这些模型进行了调整，以适应耳部识别任务，并结合软生物特征进行增强。

为了进一步验证所提出方法的有效性，本文还进行了多组实验，分别在识别和验证任务上测试了不同的分类器（如SVM和Softmax）和数据集（如AMI和AMIC）。实验结果表明，结合软生物特征的方法在多个指标上均优于未增强的基准方法。例如，在使用Softmax分类器时，ResNet-50与SoftCat&Cmp结合的方法在AMIC数据集上的验证准确率达到了99.94%，而传统的ResNet-50模型仅达到了96.8%。

总的来说，本文提出了一种基于比较型软生物特征的耳部识别增强框架，该框架通过在特征层面上融合硬生物特征和软生物特征，显著提升了识别性能。实验结果表明，比较型软生物特征在某些情况下比类别型特征更有效，特别是在处理具有挑战性的数据集时。此外，本文还探讨了不同深度学习模型在耳部识别中的表现，发现ResNet-50模型在结合软生物特征后，能够达到更高的识别准确率。这些发现为未来耳部识别技术的发展提供了重要的参考，并为实际应用中的生物识别系统提供了新的思路和方法。