人耳识别是生物特征识别中的一种新兴技术。与其他生物识别技术相比,它具有独特的生理和结构优势。既可以作为其他生物识别技术的有益补充,也可以单独应用于一些个体身份鉴别的场合。目前关于人耳识别的研究多关注于特征的提取。但人耳图像在采集时往往带有人耳区域周围的各种干扰信息,而这些干扰会导致特征信息的失效。为此,本文将标记分水岭算法应用于人耳有效区域的分割。这使得特征提取时只需处理人耳区域本身,提高了特征信息的有效性。在标记分水岭算法实施之前,本文采用万有引力场转换对图像进行了预处理。这种算法本来用于人耳的特征提取。但通过实验观察,它对图像的边缘有强化效果,并对噪声有一定的抑制作用。因此,本文把万有引力场转换作为一种图像的预处理方法。但从实际效果来看,直接对预处理后的图像采用传统分水岭算法的效果并不理想,出现了严重的过分割现象。为此,本文对多种边缘检测算法进行了横向的比较,最后选择了标记分水岭算法。通过利用图像的统计特性来获得标记的初始值,标记分水岭算法收到了良好的效果,成功地分割出了有效人耳区域。在获得了有效人耳区域的基础上,本文采用纹理和不变矩两种特征提取算法来实现对人耳的描绘。这两种算法都基于区域的统计特性,具有旋转不变形的特点。这可有效避免在采集时由于各种原因造成的图像平移、缩放和旋转对识别结果的影响。为了验证人耳区域的纹理和不变矩特征的有效性,本文采用BP前向神经网络作为分类器,对上述两种特征向量进行了识别实验,并通过对测试数据的分析,比较了这两种特征的正确率识别。从实验结果看,在200个训练样本的条件下,两种特征提取算法分别保持了99%和100%的较高识别正确率。对于加噪图像,虽然识别正确率有一定下滑,分别为96.5%和99%,还是保持了较高水平。特别是对旋转图像的识别率,这两种特征的识别正确率下滑很小或基本没有下滑。但在对未注册图像的进行实验时,拒绝率则未能达到像注册图像识别那样的高正确率,分别为96%和92%。总体来看,本文应用分水岭算法和神经网络相结合的人耳识别方案还是令人满意的,有望为人耳识别技术的发展和应用提供有价值的研究思路。