《生物特征识别技术》公选课教学内容设计
来源:用户上传
作者:
摘要：高校普及生物特征识别技术是学生了解和掌握人工智能相关技术的重要方法和手段之一。本文对课程的教学内容进行设计，把最新的研究成果引入到教学中，能够激发学生的学习兴趣和热情，并对公选课的课程考核进行了阐述。
关键词：生物特征;公选课;人脸识别;掌纹识别;课程设计
中图分类号：G434 文献标识码：A
文章编号：1009-3044（2019）19-0182-02
Abstract： The public elective course "Biometric Authentication Technology" popularized by students is one of the crucial methods and approaches to understand and master the artificial intelligence technology. To enhance the learning enthusiasm and learning interest of students， the course content is designed by using the latest research results. Moreover， the teaching assessment of public elective course is described.
Key words： biometric; public elective course; face recognition; palmprint recognition; course design
1 引言
随着人工智能技术的快速发展，尤其是人脸识别等技术已广泛应用于政府、军队、银行、社会福利保障、零售、电子商务和安全防務等领域中。因此，我们的生活越来越智能化和信息化。作为当代的大学生，了解和掌握一些人工智能技术对于以后的生活和发展都能起到积极的促进作用。 随着人身份信息的数字化和隐性化，如何保护信息安全和准确鉴定人的身份是当今世界面临的一个关键性问题。作为人工智能领域的一个重要研究分支，生物特征识别技术受到越来越多的关注。
生物特征识别技术利用计算机与光学、声学、生物传感器和生物统计学等相关技术原理，根据人体固有的生理特征或行为特征对个人身份进行鉴别和认证的技术。 人体固有的特征包括人脸、掌纹、指纹、声纹、人像、虹膜等。人的行为特征包括笔迹、声音和步态等。与传统的身份鉴定方法相比，生物特征识别技术具有防伪性能好以及不易丢失和遗忘，不易伪造或被盗，而且生物特征识别技术具有“随身携带”和随时随地可用的特点。因此，掌握和了解生物特征识别技术对于提升大学生的科学素质具有重要的促进作用。但是目前高校开设生物特征识别技术课程较少，尤其是非理工科的学生更难以接触到生物特征识别的相关知识。由于公选课是面向全校各专业、各年级学生开设的以科学素质和人文素质为核心的综合素质教育课程，因此，《生物特征识别技术》公选课的开设可以帮助大学生优化知识结构、拓宽学习视野、强化实践创新，全面提高综合素质能力。
2 生物特征识别技术公选课的教学内容
为了让学生掌握生物特征识别技术的理论知识和工程实践，利用本人主持的国家自然科技基金项目的相关研究成果设计生物特征识别技术公选课的部分教学内容。 由于人脸和掌纹是学生比较容易采集和熟悉的特征，本课程设计人脸识别和掌纹识别两个方面的教学内容。
2.1 人脸识别技术
由于人脸图像易于获取，并且不令人反感和引起人的注意，已经被广泛应用于人们的日常生活中。人脸识别技术主要包括人脸图像采集、人脸的检测、人脸图像预处理、人脸图像特征提取和人脸图像的识别等五个部分。
（1）人脸图像的采集
人脸图像的采集主要通过摄像镜头，在红外或日光等条件下采集的静态图像或动态图像。在课堂中，可以让学生通过手机进行人脸图像的采集。教学内容主要包括图像的像素和颜色空间等基本知识。
（2）人脸的检测
人脸检测在图像或视频中准确标定出人脸的位置和大小[1]。在课堂中，可以让学生通过手机进行人脸检测。教学内容是常见的人脸检测方法，主要是 Adaboost人脸检测算法[2]的基本知识。
（3）人脸图像预处理
人脸图像的预处理是在人脸检测的基础上，对人脸图像进行处理以利于人脸特征的提取。在课堂中，可以让学生通过手机进行人脸图像的预处理。教学内容主要是光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等常用的人脸图像预处理方法。
（4）人脸图像特征提取
人脸特征提取是对人脸进行特征建模的过程，包括基于知识的表征方法和基于代数特征或统计学习的表征方法。人脸图像中包含的特征十分丰富，如直方图特征、颜色特征、模板特征和结构特征等。人脸识别常用的特征有视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。基于知识的表征方法包括基于几何特征的方法和模板匹配法，利用人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据。基于代数特征的方法包括线性投影表征方法和非线性投影表征方法，利用人脸在空域内的高维描述转化为频域或者其他空间内的低维描述提取特征。教学内容主要是基于本人主持的国基自然基金项目中的相关研究内容，也即基于字典学习的人脸特征提取方法。
（5）人脸图像的识别
人脸图像的识别主要包括两大类。第一类是一对一进行人类图像比较，第二类是一对多进行人脸图像的识别。教学的内容主要是基于深度学习的人脸识别方法。
2.2 掌纹识别技术 掌纹类似于指纹，其上的线条、脊末梢、分叉点以及皱纹等均可以作为特征[3]。 此外，掌纹采集方便，也是一种非侵犯性的识别方法。掌纹识别技术主要由掌纹图像采集、掌握图像的预处理、掌纹图像特征提取和掌纹图像的识别等四个部分组成。
（1）掌纹图像采集
掌纹图像采集的目的就是利用掌纹采集仪实现把掌纹转换成可以用计算机处理的矩阵数据，通常的掌纹图像为二值图像。教学内容主要是掌纹图像的二值化等知识。
（2）掌纹图像的预处理
掌纹图像的预处理主要是去除噪声使掌纹图像更清晰。教学内容主要是均值滤波、自适应维纳滤波、形态学和小波去噪等方法以及掌纹图像的归一化处理。
（3）掌纹图像的特征提取
根据文献[3]，掌纹特征可以分为三级。第一级掌纹特征主要包括主线、皱线和纹理。第二级主要包括掌纹细节特征点、脊线的方向以及脊线频率等。第三级主要包括掌纹中的汗孔、脊线宽度和脊线轮廓等非常细微的特征。常用的掌纹特征提取算法包括Canny 和Sobel算子以及Gabor 滤波等[4，5，6]。教学内容主要是如何提取掌纹的第一级特征。
（4）掌纹图像的识别
根据掌纹提取特征的不同，掌纹图像的识别主要包括四类方法[3]。第一类是基于掌纹线特征的识别方法。第二类是基于掌纹的纹理方向特征的识别方法。第三类是基于掌纹的细节点特征的识别方法。第四类是基于掌纹的图像特征的识别方法。教学内容是如何利用稀疏理论设计基于掌纹图像的特征识别方法。
3 教学效果評价
由于公选课的选课学生来自不同的专业和年级，学生的知识储备差异较大，导致难以选择合适的公选课评价方式。针对这种情况，在生物特征识别技术公选课中采取差异化的考核方式。针对文科专业的学生，以了解和应用生物特征识别技术为主要考核目的。考核方式主要包括平时成绩和期末成绩。其中平时成绩占40%，期末成绩占60%。期末成绩主要是完成一个关于生物特征识别技术的应用领域的一个相关调查报告。报告的题目和形式不定，可以是论文形式，但是必须是与生物特征识别技术相关。针对理工科专业的学生，以掌握生物特征识别技术为主要考核目的。考核方式是平时成绩占30%，期末成绩占70%。期末成绩主要是设计一个简单的生物特征识别模块。通过对不同专业学生的分类评价考核，让不同专业的学生都能主动参与课堂中的学习，能够充分调动所有学生的学习主动性和参与性，让学生通过这种方式将课堂的知识根据自身情况转化为已有。
4 结论
《生物特征识别技术》公选课利用人脸识别和掌纹识别设计教学内容，让学生了解和掌握生物特征识别技术在日常生活中的应用。并根据学生的专业设计不同的考核方案，让学生主动参与课堂学习，提高了学生的学习兴趣。
参考文献：
[1] 李争名. 《人脸检测技术》公选课课程设计与实践[J].电脑知识与技术， 2018， 14（15）：130-132.
[2] P. Viola， M. J. Jones. Robust real-time face detection[J]. International Journal of Computer Vision， 2004， 57（ 2） ：137-154.
[3] 费伦科. 掌纹图像多级特征提取与识别算法研究[D].哈尔滨：哈尔滨工业大学，2016：3-4.
[4] L. Liu， D. Zhang， J. You. Detecting wide lines using isotropic nonlinear filtering[J]. IEEE Transactions on Image Procession， 2007， 16（6）：1584-1595.
[5] T. S. Lee. Image representation using 2d gabor wavelets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1996， 18（10）：959-971.
[6] V. Deemter， D. Buf. Simultaneous detection of lines and edges using compound gabor filters[J]. International Journal of Pattern Recognition and Artificial Intelligence， 2000， 14（6）：757-777.
【通联编辑：王力】
转载注明来源:https://www.xzbu.com/8/view-15005600.htm
