一种基于眉毛建立身份标识模板及进行身份识别的方法与流程

本发明涉及身份识别
技术领域：
，更具体地说，涉及一种基于眉毛建立身份标识模板及进行身份识别的方法。
背景技术：
：眉毛识别是近年来兴起的新的生物特征识别技术，相关研究表明眉毛可以作为一种独立的用于识别的生物特征技术，如申请号为200610000048.8的专利即公开了一种基于眉毛识别的身份鉴别方法。但是，现阶段研究人员对虹膜、指纹、眼睛等生物特征研究一般较为广泛，往往对眉毛关注很少。眉毛具有鲜明的轮廓特征，且其形状具有特异性和稳定性，有效利用眉毛的轮廓信息或基于眉毛信息的几何特征，构建基于眉毛的知识表达模型，应用于身份识别，目前的相关研究和报道还很少。眉毛的特征提取是身份识别系统的关键技术，主流的眉毛特征提取方法包括主成分分析、二维主成分分析、隐马尔可夫模型等，但这些方法均是基于统计意义上的代数特征，都是通过一个线性变换，将图像进行投影以达到降维的目的，进而获得眉毛的低维特征。如文献《基于小波变换和SVM的眉毛身份验证系统研究》(《计算机应用研究》2009年第11期)即是一种通过小波变换的方法提取眉毛的纹理特征的方案。专利申请号201310149305.4，申请日为2013年4月26日，发明创造名称为：基于稀疏表示的眉毛识别方法，该申请案具体包括如下步骤：采集原始眉毛图像，灰度化后分割出纯眉毛图像，并进行归一化处理；将每幅纯眉毛图像矩阵按行连接并转置成列向量；计算向量均值；计算总体散度矩阵；求出总体散度矩阵C的前m个特征值和特征向量；计算眉毛样本和特征向量的内积；构造眉毛样本的近似向量；输入测试眉毛图像，并对其处理，得到测试眉毛图像的近似向量；计算最优稀疏系数向量；计算测试眉毛和图像的差；确定测试眉毛所属的类别。该申请案增强了图像识别的鲁棒性，也可用于人脸、指纹、虹膜等其他生物特征的识别，但该申请案眉毛特征提取的实质也是采用主成分分析的方法。基于上文分析可知，现阶段眉毛特征提取方法主要研究的都是眉毛的代数特征或纹理特征，这些特征容易受到眉毛图像本身的质量以及光照变化的影响，从而可能引起识别失效的问题，在应用上存在一定的不足，仍然需要进一步改善。技术实现要素：1.发明要解决的技术问题本发明基于生物特征技术应用，提供了一种基于眉毛建立身份标识模板及进行身份识别的方法；本发明主要针对正面人脸中的纯眉毛图像，提取精确的眉毛轮廓基础上，以特征向量的方式构建有效的眉毛知识表达模型，用于身份识别；如何获取精确眉毛轮廓以及在轮廓基础上，又如何设计有效的特征集来构建眉毛知识表达模型，是本发明的难点所在；本发明是将伪球边缘检测算子引入到基于偏移场纠正的水平集算法中，有效分割出眉毛轮廓，并在所得眉毛轮廓的基础上，计算了眉毛的形状、方向特征，再结合纹理特征，共同构建眉毛知识表达模型，该知识表达模型不仅能够实现身份识别，也能为美容业以及案件侦查技术所涉及的眉毛特征，提供关键性技术借鉴。2.技术方案为达到上述目的，本发明提供的技术方案为：本发明的一种基于眉毛建立身份标识模板的方法，其步骤为：步骤一、采集含眉毛的正脸局部图像；步骤二、截取纯眉毛区域，生成矩形纯眉毛区域图像并预处理，分别得到右眉毛与左眉毛图像；步骤三、利用边缘检测算子获得眉毛边缘线，利用形态学填充眉毛边缘线内部区域，获得粗略的闭合曲线作为水平集演化的初始轮廓线，实现眉毛粗分割；步骤四、利用偏微分方程引导水平集函数演化，得到眉毛精确外轮廓线，实现眉毛精确提取；步骤五、在步骤四的基础上，分别计算眉毛的形状特征和方向特征；步骤六、将步骤五得到的形状特征、方向特征，结合眉毛纹理特征，共同构建眉毛的知识表达模型；步骤七、重复步骤一至步骤六3次，即随机采集3次同一个人的眉毛知识表达模型，形成该人的身份标识模板，加入到身份识别的眉毛验证数据库。更进一步地，步骤一中摄像头距离正对人脸1m的位置，人脸左右及上下偏移角度不超过10°，且摄像头矩形取景框的上下部分分别靠近额头中间与鼻梁中部，左右部分靠近人脸左右边界，采集含眉毛的正脸局部图像。更进一步地，步骤二首先将步骤一所得正脸局部图像分成左眉毛与右眉毛粗区域，分别对左、右眉毛图像任意选取一组点连成含眉毛区域的多边形，该多边形要求最大化将眉毛区域包含在内，然后计算包含该多边形的最小外接矩形，生成左、右纯眉毛图像；所有采集的左、右纯眉毛图像需进行预处理，包括灰度化和尺寸归一化，用W和H分别表示归一化后眉毛图像的宽和高，要求32≤H≤128(单位：像素)，且W为H的2至5倍。更进一步地，步骤三首先对步骤二所得纯眉毛图像利用基于伪球的边缘检测算子进行轮廓检测，检测的粗糙轮廓线不是闭合的，利用形态学中的闭操作来填补轮廓线中的裂痕和小的孔洞，然后使用区域填充将眉毛边缘线区域内部填充，得到一个区域内部像素值为1，外部为0的二值图像，记为P，将P带入如下定义的水平集初始化函数中：φ0(x,y)＝2c0(0.5-P)其中c0为非负常值；水平集初始化函数取初始闭合曲线生成的符号距离函数为初始条件。更进一步地，步骤五中形状特征和方向特征分别表述如下：1)形状特征：对步骤四得到的精确眉毛轮廓图，分别计算左、右眉毛区域的周长、面积、宽度、高度、离心率5个形状特征，分别记为Li，Si，Wi，Hi，Ei，当i＝l时，表示左眉毛；i＝r时，表示右眉毛；用特征向量表示为：R1=Ll,Sl,W,Hl,ElLr,Sr,Wr,Hr,Er]]>2)方向特征：采用眉毛轮廓曲线的拟合曲线来代表眉毛的弯曲方向和程度，计算拟合曲线上5个点切线的倾斜角来刻画眉毛方向特征，5个点倾斜角分别记为：θi1、θi2、θi3、θi4和θi5，当i＝l时，表示左眉毛；i＝r时，表示右眉毛，用特征向量表示为：R2=θl1,θl2,θl3,θl4,θl5θr1,θr2,θr3,θr4,θr5.]]>更进一步地，步骤六中的纹理特征分别为角二阶距Mi1、对比度Mi2、相关性Mi3和熵Mi4，当i＝l时，表示左眉毛；i＝r时，表示右眉毛，用特征向量表示为：R3=Ml1,Ml2,Ml3,Ml4Mr1,Mr2,Mr3,Mr4]]>形状特征、方向特征结合眉毛纹理特征，共同构建的眉毛知识表达模型记为：R＝(R1,R2,R3)。本发明的一种基于眉毛进行身份识别的方法，身份识别时，将被测试人按照步骤一至步骤六获得其待识别的眉毛知识表达模型，然后将待识别眉毛知识表达模型与数据库中同一人的3个眉毛验证知识表达模型分别进行相似度检测，并将最佳匹配的身份所属人作为结果输出。更进一步地，眉毛的知识表达模型是以眉毛特征向量的方式表示的，且特征数据有三类不同刻度级别，因此分别计算出形状特征之间的相对欧式距离Dshape、方向特征之间的相对距离Ddirection和纹理特征之间的距离Dtexture，其中Dshape定义为：Dshape=|p-q|^2]]>其中，p为待识别人的眉毛知识表达模型中的形状特征集，q为眉毛验证数据库中的形状特征集；Ddirection和Dtexture均同上定义。更进一步地，综合三类特征之间的距离，刻画眉毛图像之间相似度Ssim，定义如下：Ssim=13(1Dshape+1Ddirection+1Dtexture).]]>更进一步地，如果待识别眉毛知识表达模型与数据库中同一人的3个眉毛验证知识表达模型的至少2个相似度Ssim在75％以上，则认为身份识别成功，将该最佳匹配的身份所属人作为结果输出。3.有益效果采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：(1)本发明的一种基于眉毛建立身份标识模板的方法，鉴于基于偏移场纠正的水平集算法只考虑了将偏移场加入到传统水平集算法中抑制图像全局灰度不均匀性，但未考虑到图像中目标本身的局部边缘信息，往往会出现分割效果差且迭代次数多的问题，选择基于伪球的边缘检测算子来检测眉毛的粗糙轮廓线，伪球边缘检测算子在保持平滑性的条件下，较之常见的边缘检测算子，能够获得更高的边缘定位精度，且能够在检测边缘的同时减弱噪声，实现较快且完整地分割眉毛外轮廓；(2)本发明的一种基于眉毛建立身份标识模板的方法，由原来的手动规定初始曲线改为利用边缘检测算子自动检测图像的轮廓点，得到能大致反映眉毛轮廓形状的粗糙轮廓线，并将此作为水平集的初始曲线，实现了一种基于感兴趣区域设定初始轮廓，最后利用基于偏移场的水平集算法的迭代过程来进行眉毛分割，分割效果大大改善；(3)本发明的一种基于眉毛进行身份识别的方法，在基于眉毛的基础上，再计算眉毛的形状特征和几何特征，有效避免了眉毛灰度等干扰因素，计算量较小且容易计算；将眉毛几何意义上的特征与纹理特征共同作为眉毛的一种知识表达，更加全面地考虑了描述眉毛图像内容的各个特征参数，能够解决因单一考虑眉毛特征的某一方面而引起的对身份识别失效的问题；(4)本发明的一种基于眉毛进行身份识别的方法，对人脸和虹膜等生物特征识别来说，均可以利用本发明提供的方案进行人脸外轮廓以及虹膜轮廓的提取，并计算一系列基于轮廓形状的特征值从而构建它们的知识表达模型，因此本发明具有较好的可扩展性。附图说明图1为本发明中基于眉毛的身份识别方法的流程图；图2中的(a)～(d)是原始纯眉毛图像；图2中的(e)～(h)是矩形初始轮廓，图2中的(i)～(l)是基于图2中的(e)～(h)的初始轮廓分割结果图，图2中的(m)～(p)是本发明的基于边缘检测算子后的初始轮廓图，图2中的(q)～(t)是基于图2中的(m)～(p)初始轮廓的分割结果图；图3为本发明中求取眉毛方向特征的示意图；图4为本发明中基于眉毛进行身份验证的工作流程图。具体实施方式为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。实施例1本实施例的一种基于眉毛建立身份标识模板的方法，涉及的硬件设备包括图像采集设备和计算机，其中图像采集设备由图像采集卡CG300，CP240松下摄像机和75mm高精度日本进口镜头组成，计算机选为Intel(R)Pentium(R)CPU，主频2.13GHz，RAM2GB的Dell型号。本实施例的实施流程参看图1，其步骤如下：步骤一、采集含眉毛的正脸局部图像，具体为：一般光照条件下，由图像采集设备对N(≤500)个人每人采集3幅含眉毛的原始图像，生成(3*N)幅含眉毛原始图像库，并对眉毛图像标记好所属的个人身份。在采集原始图像过程中，要求摄像机镜头安装于正对人脸距离1m的位置，人脸左右及上下偏移角度不超过10°，为了简化后续计算，直接将摄像头矩形取景框的上下部分分别靠近额头中间与鼻梁中部，左右部分靠近人脸左右边界，采集每人含眉毛的大致区域。步骤二、截取纯眉毛区域，生成矩形纯眉毛区域图像并预处理，分别得到右眉毛与左眉毛图像库；具体为：将步骤一所得图像库中的每幅含眉毛原始图像，通过计算机大致从鼻子中间位置垂直裁剪出左眉毛与右眉毛粗区域图，分别对得到的每幅左、右眉毛图像通过计算机依次任意选取一组点连成包含眉毛区域的多边形(多边形尽可能最大化将眉毛区域包含在内)，计算包含该多边形的最小外接矩形，截取矩形纯眉毛区域，生成左、右纯眉毛图像库。预处理包括灰度化和尺寸归一化，用W和H分别表示归一化后所有眉毛图像的宽和高，使得32≤H≤128(单位：像素)，且W为H的2至5倍时预处理效果最佳，具体到本实施例取H＝50，W＝150；得到已标记好个人身份的左眉毛图像库和对应的右眉毛图像库。步骤三、利用边缘检测算子获得眉毛边缘线，利用形态学填充眉毛边缘线内部区域，获得粗略的闭合曲线作为水平集演化的初始轮廓线；具体为：本实施例从纯右眉毛图像库中随机选择不同人的4幅纯眉毛图像，以图2中的(a)～(d)所示4幅纯眉毛图像进行说明。本实施例鉴于基于偏移场纠正的水平集算法只考虑了将偏移场加入到传统水平集算法中抑制图像全局灰度不均匀性，但未考虑到图像中目标本身的局部边缘信息，往往会出现分割效果差且迭代次数多的问题，选择基于伪球的边缘检测算子来检测眉毛的粗糙轮廓线，伪球边缘检测算子在保持平滑性的条件下，较之常见的边缘检测算子(如Roberts、Laplace、Sobel和Canny)来说，能够获得更高的边缘定位精度，且能够在检测边缘的同时减弱噪声，实现较快且完整地分割眉毛外轮廓。首先对纯眉毛图像利用基于伪球的检测算子进行轮廓检测，得到一个大致的纯眉毛轮廓二值图，检测的粗糙轮廓线一般都不是闭合的，使用形态学中的闭操作填补轮廓线中的裂痕和小的孔洞，然后使用区域填充将眉毛边缘线区域内部填充，得到一个区域内部像素值为1，外部为0的二值图像，记为P，然后将此二值图P带入到水平集的初始化函数中，此函数被定义为：φ0(x,y)＝2c0(0.5-P)其中c0为非负常值，一般取值为1。水平集初始化函数通常取初始闭合曲线生成的符号距离函数为初始条件，而符号距离函数满足的偏微分方程是即梯度模为1。对上式来说，P是一个二值图像，当P为1时，即点在闭合区域内部，φ0取-1；当P为0时，即点在闭合区域外部，φ0取1，所以，φ0的取值只为1或-1，因此满足符号距离函数的定义。利用Matlab中自带的等高线函数contour提取此闭合曲线，作为水平集演化的初始轮廓线，公式如下：[c,h]＝contour(φ,[0,0],'k')其中，c为等值线矩阵，存储等高线的坐标数据；h为等高线图形的句柄，φ为所述的水平集初始化函数，即z轴数据所满足的条件，[0,0]表示画出一条高度为0的等高线，即初始轮廓线，'k'表示用黑色线条表示，效果如图2中的(m)～(p)所示。传统的水平集算法中的初始轮廓线，是手动切割一个封闭曲线，例如图2中的(e)～(h)所示，设定眉毛图像中间的矩形框作为初始轮廓，图2中的(i)～(l)为分割结果图，由分割结果可看出，此方法更加耗时且未能充分利用图像本身的信息，导致最终分割效果并不太好，本实施例为克服此缺陷，改进了水平集的初始曲线部分，由原来的手动规定初始曲线改为利用边缘检测算子自动检测图像的轮廓点，得到能大致反映眉毛轮廓形状的粗糙轮廓线，并将此作为水平集的初始曲线，实现了一种基于感兴趣区域设定初始轮廓，最后利用基于偏移场的水平集算法的迭代过程来进行眉毛分割。步骤四、利用偏微分方程引导水平集函数演化，得到眉毛精确外轮廓线；具体为：步骤三得到初始轮廓线后，利用基于偏移场修正的水平集方法进行分割，其引导迭代分割过程的偏微分方程为：∂φ∂t=-δ(φ)(e1-e2)+vδ(φ)div(▿φ|▿φ|)+μdiv(dp(|▿φ|)▿φ)]]>其中，水平集函数φ的初始值即为φ0，是梯度算子，div(·)是散度算子，v是长度能量项系数，μ是惩罚能量项系数，δ(·)是狄拉克函数，dp定义为：dp(s)=p′(s)s]]>其中，p为势函数，其能引导水平集函数φ与符号距离函数之间的偏差。ei定义如下：ei(x)＝∫K(y-x)|I(x)-b(y)ci|2dy；i＝1,2其中，K为非负的窗口函数，也称为核函数，b为偏移场，ci为灰度常值，I为纯眉毛图像，K定义如下：K(u)=1αe--|u|22σ2]]>其中，α是归一化常数，σ为高斯核尺度参数。本实施例对眉毛分割中，实验参数除迭代次数不同之外，其他规定如下：核函数K中的σ＝4.0，v＝0.001×2552，μ＝1.0，时间步长t＝0.1，图2中(i)～(l)和(q)～(t)从左到右迭代次数依次均设定为5、10、10、5，最终分割效果如图2中的(q)～(t)所示，可看出，在相同的迭代次数下，本实施例分割更精确，能更快演化到眉毛的轮廓上，对图2中的(d)图像来说，灰度分布较均匀时，改进后与原来的差别不大。为了客观评价本实施例的优越性，采用Jaccardsimilarity(JS)指标来判断分割精度，即J(S1,S2)=|S1∩S2||S1∪S2|]]>其中S1，S2分别是准确分割结果(一般通过手工扣取)和需要判断的分割结果，该指标越高，意味着算法的性能越好，轮廓分割的精确度越高。将本实施例与传统的基于偏移场纠正的水平集算法(Li模型)[LiCM，HuangR，DingZH，etal.ALevelSetMethodforImageSegmentationinthePresenceofIntensityInhomogeneitieswithApplicationtoMRI[C].IEEETransactionsonimageprocessing，2011,20(7)：2007-2016.]进行比较，如表1所示：表1分割精度对比表(％)表1是随机从右眉毛图像库中抽取的8幅眉毛图像所做的分割精度对比表，由表1可知，相比较于传统算法，本实施例分割更有效。对于右眉毛图像库中的其它眉毛图像，同理均可得出眉毛的精确外轮廓线分割图。步骤五、在步骤四基础上，分别计算眉毛的形状特征和方向特征；具体为：1)形状特征：对步骤四得到的眉毛分割图进行二值化处理，轮廓区域内像素为1，区域外像素为0，然后对此二值图像进行阈值化，删除二值图像中有可能出现的小面积以及孤立区域，得到一个眉毛区域内像素为1，背景像素为0的眉毛二值图像记为BW，利用Matlab软件中的regionprops函数进行形状特征值的计算，regionprops函数语法为：STATS＝regionprops(L,properties)其中，L是和BW相同大小的矩阵，包含标记了BW中每个连通区域的类别标签，STATS是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。本实施例求得了5个特征属性：眉毛区域的周长Li、面积Si、宽度Wi、高度Hi、离心率Ei(与眉毛区域具有相同标准二阶中心矩的椭圆的离心率)，即properties分别取'Perimeter'、'Area'、'BoundingBox'和'Eccentricity'，其中BoundingBox求的是眉毛区域的最小外接矩形，包含外接矩形的右上角起始坐标和矩阵的宽度和高度，也是眉毛的宽度和高度值。当i＝l时，表示左眉毛；i＝r时，表示右眉毛，用特征向量表示为：R1=Ll,Sl,Wl,Hl,ElLr,Sr,Wr,Hr,Er]]>2)方向特征：本实施例采用眉毛轮廓曲线的拟合曲线来代表眉毛的弯曲方向和程度，计算拟合曲线上5个点切线的倾斜角(取值范围为[0,180))来刻画眉毛方向特征，5个点倾斜角分别记为：θi1、θi2、θi3、θi4和θi5(当i＝l时，表示左眉毛；i＝r时，表示右眉毛)，眉毛方向特征用特征向量表示为：R2=θl1,θl2,θl3,θl4,θl5θr1,θr2,θr3,θr4,θr5]]>值得说明的是，方向特征直接反映眉毛的弯曲方向和程度，方向特征只与眉毛轮廓线有关，关于眉毛分割图，眉毛轮廓线是一个封闭的曲线，但由于受到各种噪声的影响，不可避免的会出现轮廓线不够平滑的现象，因此采用最小二乘拟合方法求取眉毛轮廓线的拟合曲线来刻画眉毛的弯曲走向，首先计算轮廓线与拟合曲线左边与右边端点处坐标，记二个端点分别为h1和h5，再计算h1和h5的中点坐标，中点记为h3，同理，再计算h1和h3的中点h2的坐标，h3和h5的中点h4的坐标，求得五个点的坐标后，分别计算与拟合曲线在这些点的切线，最后求得切线的倾斜角(取值范围为[0,180))，以图2中的(d)为原图像，求取方向特征如图3所示，分别记为θr1、θr2、θr3、θr4和θr5。步骤六、将形状特征、方向特征，再结合眉毛纹理特征，共同构建眉毛的一种知识表达模型；具体为：由步骤五求得眉毛的形状特征和方向特征后，考虑眉毛图像不仅轮廓形态具有特异性和稳定性，纹理特征也具有这个特点。灰度共生矩阵(GLCM)即是针对灰度图像的纹理信息进行分析的一种方法，从方向上体现了灰度图像的纹理信息。考虑到已经获得较精确的眉毛轮廓，为了避免轮廓外背景灰度不均对纹理特征的要求，将眉毛分割图的轮廓外(背景部分)灰度值统一设置为0，在此图像上进行纹理特征提取，实现步骤为：计算纯眉毛图像4个方向上的共生矩阵(方向取0°，45°，90°,135°)→4个共生矩阵归一化→对归一化后的共生矩阵计算角二阶距Mi1、对比度Mi2、相关性Mi3和熵Mi4[四个纹理参数具体定义参见文献《基于灰度共生矩阵的纹理特征提取》(《计算机系统应用》2010年第19期)]，当i＝l时，表示左眉毛；i＝r时，表示右眉毛，纹理特征向量可表示为：R3=Ml1,Ml2,Ml3,Ml4Mr1,Mr2,Mr3,Mr4]]>因此，融合眉毛的几何特征和纹理特征后，眉毛图像知识表达模型以特征向量的形式表示为：R＝(R1,R2,R3)即：R=Ll,Sl,Wl,Hl,El,θl1,θl2,θl3,θl4,θl5,Ml1,Ml2,Ml3,Ml4Lr,Sr,Wr,Hr,Er,θr1,θr2,θr3,θr4,θr5,Mr1,Mr2,Mr3,Mr4]]>为了便于后续计算，将眉毛知识表达模型R由二维向量转为一维行向量，记为：R＝(Rl,Rr)其中，Rl代表R中的第一行(左眉毛特征集)，Rr代表R中的第二行(右眉毛特征集)。本实施例在基于眉毛的基础上，再计算眉毛的形状特征和几何特征，有效避免了眉毛灰度等干扰因素，计算量较小且容易计算；将眉毛几何意义上的特征与纹理特征共同作为眉毛的一种知识表达，更加全面地考虑了描述眉毛图像内容的各个特征参数，能够解决因单一考虑眉毛特征的某一方面而引起的对身份识别失效的问题。步骤七、重复步骤一至步骤六3次，即随机采集3次同一个人的眉毛知识表达模型，计算出(3*N)幅左眉毛与右眉毛图像库中的每幅眉毛图像的知识表达模型，构建出(3*N)行28列(共N个人，每个人采集三次，左右眉毛各14个特征值)大小的眉毛特征序列数据库，形成该人的身份标识模板，加入到身份识别的眉毛验证数据库。实施例2结合图4，本实施例的一种基于眉毛进行身份识别的方法，基本同实施例1，其不同之处在于，本实施例将被测试人按照步骤一至步骤六获得其待识别的眉毛知识表达模型，然后将待识别眉毛知识表达模型与实施例1所建数据库中同一人的3个眉毛验证知识表达模型分别进行相似度检测，由于知识表达模型中涉及三种不同刻度的特征，所以分别记形状特征之间的相对欧式距离为Dshape、方向特征之间的相对距离为Ddirection和纹理特征之间的距离为Dtexture，最后综合三类特征之间的距离，计算相似度Ssim，定义Ssim为：Ssim=13(1Dshape+1Ddirection+1Dtexture)]]>其中Dshape定义为：Dshape=|p-q|^2]]>p为待识别人的眉毛知识表达模型中的形状特征集，q为眉毛验证数据库中的形状特征集；Ddirection和Dtexture均同上定义。如果至少有2个相似度Ssim在75％以上，则认为身份识别成功，并将最佳匹配的身份所属人作为最佳结果输出。对人脸和虹膜等生物特征识别来说，均可以利用本实施例提供的方案进行人脸外轮廓以及虹膜轮廓的提取，并计算一系列基于轮廓形状的特征值从而构建它们的知识表达模型，因此本实施例具有较好的可推广性。以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。当前第1页1 2 3