matlab 嘴唇 提取,基于内唇轮廓标定的唇印提取算法

摘要：针对现有特征唇印提取中信息处理量较大、识别率不高等问题,本文提出了基于内唇轮廓的特征唇印提取算法。算法首先在基元图像上对内唇轮廓特征点进行标定，建立基元唇印模型,然后通过均值计算构造普通模型,并利用Gabor变换对基元唇印和普通模型进行联合特征信息提取，最后通过相似度对比选择出特征唇印,以实现身份识别。仿真实验验证，本文的特征唇印提取算法在较低时空消耗下,具有较高的识别率，具有有效性和可用性。

关键词：内唇轮廓；基元唇印；特征唇印；特征点标定；Gabor变换

0引言

特征唇印的提取是动态唇形身份识别技术中的核心环节，主要分为基于像素、基于模型以及混合型三类特征提取算法。基于像素的特征提取是直接对唇部的灰度图像进行特征提取。如文献［1］采用主成分分析法对唇部的灰度图像进行特征提取，虽然算法对唇部的灰度图像的质量要求较低，但易受其他因素的影响致使识别率有所差异。基于模型的特征提取通过对唇部建立相应的模型，以模型参数作为特征信息。文献［2］将自适应的均值模板引入到ASM中，虽然对唇部轮廓有更强的描述能力，但算法复杂，实用性较差。混合型的唇印提取算法结合了上述两种算法的优点。文献［3］采用AAM(Active Appearance Model)来提取特征，算法将轮廓模型与主成分分析法相结合，具有较好的效果，但过程较复杂。文献［4］提出了基于唇色滤波器的嘴唇特征提取, 适用于口型识别的实时唇定位。文献［5］运用DCT+LDA 的方法提取唇读视觉特征，但现有特征唇印提取中信息处理量较大、识别率不高。针对嘴唇的外沿变化不是特别明显、需要对大量数据进行验证和概括的问题，本文采用模型点和Gabor变换相融合的唇印提取算法，利用内唇轮廓上关键点建立唇印模型，利用Gabor变换进行特征提取，算法在一定程度上降低了复杂度，同时具有较高的特征表征能力。

1特征唇印提取模型及相关规定

11提取模型的相关规定

(1)为了便于叙述，设{a;o;i;u;sh;z}为关键基元,这6个声、韵母充分涵盖了说话人的唇型特征。

(2)对每个关键基元进行图像标定特征点、边，构造不同关键基元的唇部模型，称为基元唇印。

(3)对所有基元唇印进行多次训练，对标定的特征点、边取平均值计算得唇部均值模型，称为普通模型。

(4)将以身份识别的唇动特征模型称为特征唇印。

12特征唇印的提取模型

特征唇印的提取主要由基元唇印建立、普通模型构造、特征唇印选择等几个阶段组成。

(1)基元唇印的建立：从待识别的基元图像中选出一幅尚未提取特征的图像，对其内唇轮廓进行特征点标定，得到特征点的坐标及欧氏距离；(2)普通模型的构造：在基元唇印库中随机选择一定数量的基元唇印作为训练集，并根据基元类型分类，对每一类每个特征点求取平均坐标，构造六组普通模型；(3)特