Deep learning approach for human ear recognition

Abstract

Nowadays, human identification based on the biometrictraits has received growing interest from researchers and it has become a very active area of research due to its vital applications. However, extracting the relevant features that faithfully describe the image represents the challenge of most existing systems. This thesis is mainly dedicated to the to the development of a new powerful offline human identification system based on the ear print. As features extraction is the most important for any identification/recognition system, we propose, in this work, to propose a new efficient, simple yet, and speedy CNN like network. The proposed network uses ICA, PCA, and DCT to learn filters. A binary hashing and blockwise histogramming are used then to compute the local features. At the final stage of network, we proposed to use an effective normalization method namely Tied Rank normalization in order to eliminate the disparity within blockwise feature vectors. Moreover, to get rid of unconstrained conditions (e.g., scale and pose variations), we suggested first normalizing all images using CNN. To evaluate the performance of our proposed system,several experiments based on several parameters have been performed using the public challengedAWE dataset of unconstrained ear.The obtained experimental results proved the effectiveness of the proposed system against deep CNN architectures as well as with recent stateoftheart methods.

في الوقت الحاضر ، تلقى تحديد هو ية الإنسان بناء على سمات القياسات الحيو ية اهتماما متزايدا من الباحثين وأصبح مجالا نشطا جدا للبحث بسبب تطبيقاته الحيو ية. ومع ذلك ، فإن استخراج الميزات ذات الصلة التي تصف الصورة بأمانة يمثل تحديا لمعظم الأنظمة الحالية. هذه الأطروحة مخصصة بشكل أساسي لتطوير نظام تحديد هو ية بشري جديد قوي غير متصل بالإنترنت يعتمد على بصمة الأذن. نظرا لأن استخراج الميزات هو الأهم لأي نظام تحديد / التعرف ، فإننا نقترح ، في هذا العمل ، اقتراح شبكة لتعلم المرشحات. ثم يتم DCT و PCA وICA تستخدم الشبكة المقترحة و . CNN جديدة فعالة وبسيطة وسريعة مثل استخدام تجزئة ثنائية ومدرج تكراري للكتل لحساب الميزات المحلية. في المرحلة الأخيرة من الشبكة ، اقترحنا استخدام طر يقة تطبيع فعالة وهي تسو ية التصنيف المقيد من أجل القضاء على التباين داخل نواقل الميزات الكتلية. علاوة على ذلك ، للتخلص من الظروف غير المقيدة (على سبيل المثال ، تغيرات المقياس والوضعية) ، اقترحنا أولا تطبيع جميع الصور . CNN باستخدام AWE لتقييم أداء نظامنا المقترح ، تم إجراء العديد من التجارب بناء على العديد من المعلمات باستخدام مجموعة بيانات CNN العامة ذات الأذن غير المقيدة. أثبتت النتائج التجريبية التي تم الحصول عليها فعالية النظام المقترح ضد معمار يات العميقة وكذلك مع أحدث الأساليب.