生物特征识别技术比传统身份鉴别方法更安全、更方便,同时能够克服传统身份鉴别方法易丢失、易仿冒、易破解的缺点,是近些年兴起的热门学科,已经逐渐成为国内外的一个研究热点和各国竞相发展的重点战略技术,目前已经广泛应用在了政府、军队、银行、人机交互、电子商务、电子政务以及安全防务等领域。现有的生物特征识别技术,包括指纹识别、虹膜识别、人脸识别等,虽已达到较好的识别效果,但仍有必要对新的生物特征识别技术进行研究。眉毛具备可用于身份鉴别生物特征所要求的普遍性、唯一性、稳定性和可采集性,所以可能被用于身份的鉴别,即眉毛识别。眉毛识别是近些年兴起的新生物特征识别技术,在国际上已经获得了一定的认知心理学证据。本文简要介绍了已有的眉毛识别方法,并将研究重点放在“自动”之上,主要包括眉毛区域的自动选择和矢量量化分类模型初始聚类中心的自动选择,主要研究内容如下。(1)眉毛区域的自动提取:首先对眉毛数据库中的真彩眉毛图像进行灰度变换得到眉毛的灰度图像;接着通过对比几种图像增强方法,最终选择阈值膨胀方法对图像进行增强操作;在图像二值化时使用大津展之方法自动计算阈值并利用连通区域去掉靠近边缘的黑色像素以擦除头发;之后利用眉毛的水平投影和垂直投影得到包含眉毛的最小矩形;最后去掉眉毛区域之外的图像得到纯眉毛图像;(2)特征向量的提取:对训练集中的所有纯眉毛图像的每一列进行列傅立叶变换,并对每一个变换结果提取32个低频分量构成矢量量化分类器的训练集;(3)特征序列的构造:使用基于极大紧邻子树的聚类方法对输入矢量的训练集聚类,计算所有类的质心作为K均值聚类算法初始聚类中心,从而解决了聚类中心的自动选择问题。接着利用K均值算法对训练样本聚类,完成矢量量化分类器的训练过程。之后利用训练好的矢量量化分类器生成纯眉毛图像的特征序列。(4)眉毛的识别:利用编辑距离方法进行眉毛特征序列与模板序列间的匹配,识别眉毛。(5)实验:用该方法在100人的眉毛数据库上进行了4组实验,正确率最高达到了91%,实验结果进一步表明了利用眉毛进行身份识别的有效性和可行性。在论文的最后,对现有工作的不足做出了总结,并对下一步研究的方向进行了展望。