多维多分辨仿生识别方法研究

论文摘要

生物特征识别技术是指利用人体固有的生理特征或行为特征来进行个人身份鉴别认证的技术。该技术利用计算机和各种传感器以及统计和分类算法等高科技手段鉴定个人身份。在目前的研究与应用领域中,生物特征识别主要涉及到计算机视觉、图像处理与模式识别、计算机听觉、语音处理、多传感器技术、虚拟现实、计算机图形学、可视化技术、计算机辅助设计、智能机器人感知系统等其他相关的研究。已被用于生物识别的生物特征有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等,行为特征有签字、声音、按键力度等。基于这些特征,生物特征识别技术已经在过去的几年中已取得了长足的进展。自20世纪90年代开始,王守觉院士在对传统模式识别进行大量研究后发现,传统的模式是从特征空间中多类样本点的最佳划分出发,将待识别样本与之前学习过的样本逐一比较,然后判定待识别样本是否属于已学习过的某一类样本。发现这种理论有两个缺点：①遇到未学习过的样本时,会把新样本划分到已学习过的某一类样本中去；②在对未学习过的样本进行学习时,容易打乱原来已经学过的知识库,表现为破坏原学习过的旧样本的识别。针对以上问题,王守觉院士依据人类认识事物的客观规律,提出了基于“人类认识过程”的仿生模式识别方法。这一新理论为计算机解决形象思维问题提供了一条新思路。本文在深入认识和全面分析现有的模式识别技术的基础上,针对传统模式识别无法处理“N+1”问题的不足和仿生模式识别在创建多维空间覆盖的难点,提出了基于多维空间仿生信息学和多分辨分析理论的多维多分辨仿生识别方法,并且为了验证方法的有效性,在虹膜识别技术上进行了验证。实验结果表明,所提的多维多分辨仿生识别方法是可行且有效的。（1）提出了一种对多种生物特征识别普遍适用的仿生识别方法——多维多分辨仿生识别方法。该方法首先利用多分辨分析方法建立样本特征空间的多分辨表示,继而通过方向梯度描述符,建立特征样本信号的多分辨鲁棒表示；然后根据多个同类样本的自组织映射聚类和距离映射分布构建同类样本的最优多维空间拓扑覆盖；最后判定待测试样本是否属于相应的样本空间拓扑覆盖,从而实现样本识别决策。（2）在对生物特征图像的特征提取和表达阶段,首次利用多分辨分析的方法对图像进行特征表示,并且为了减小采集角度、光照条件等噪声的影响,将方向梯度描述符（Histogram of Oriented Gradient, HOG）引入到多尺度空间,建立了生物特征图像的多分辨鲁棒表示。（3）在覆盖集的构建阶段,通过自组织映射聚类（Self-Organizing Mapping,SOM）算法对高维空间中的样本点数据进行聚类以获取聚类中心,并将该中心作为超球面覆盖集的质心。另采用距离映射分布和概率统计学中的"3σ-”原则可获取超球体的半径,从而,根据每个子带的同类样本聚类中心和距离映射分布半径R可构造每个子带的超球面覆盖。（4）在识别阶段,根据仿生模式识别理论,若待测试样本属于相应样本的覆盖集合,则为同类样本；否则,为不同类样本。多分辨分析将同类样本分解为不同空间上若干个子带,则同类样本在多尺度空间形成若干个拓扑覆盖空间,而由于不同频带空间具有不同的分类识别性能。为了获取统一的融合识别框架,本文将核函数引入多尺度融合识别决策,选择合适的核函数可将不同尺度频带的识别判决结果实现有机统一。（5）为了验证本文方法的有效性,将本文理论应用于虹膜识别。虹膜由于光照不同以及采集人的不同导致规格不统一,首先对虹膜图像规范化和图像增强,实现归一化的虹膜纹理区域,降低其他干扰造成的影响。通过虹膜图像预处理,获取了64×512的虹膜纹理区域,为多分辨分析提供了理论基础。然后,为了获取虹膜特征的多分辨表示,根据多小波具有优越于小波和小波包的数学特性,本文采用GHM多小波获取其多分辨表示,采用1层信号分解获取16个子带图像,然后在每个子带基础上,建立相应的HOG描述特征表示,其中每个子带包括4×4个图像块,每个图像块又包括2×2个图像子块,每个子块在[O,π]区间化分为9个方向子带。利用120个同类虹膜样本,通过自组织映射聚类和距离映射分布获取虹膜同类样本的多尺度拓扑覆盖表示,共获取16个不同频带上的拓扑覆盖。最后,基于JLUIRIS虹膜库对本文提出的识别算法进行测试。并利用国际上模式识别研究领域普遍采用的ROC（Receiver Operating Characteristic）曲线判别本文方法的识别性能,结果表明,本文方法具有良好的识别性能。综上所述,本文提出的多维多分辨仿生识别方法适用于多种生物特征模式识别,该方法可为其他模式识别方法和多维空间仿生信息学的研究提供借鉴。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 生物特征识别研究现状
• 1.2.1 生物特征的分类
• 1.2.2 常用的生物特征识别技术
• 1.2.3 多模态生物特征识别
• 1.3 生物特征识别实现技术分析
• 1.4 生物特征识别亟待解决的关键问题
• 1.5 本文的研究内容、方法和技术路线
• 1.6 论文的组织
• 第2章 生物特征仿生识别理论
• 2.1 前言
• 2.2 多维空间仿生信息学
• 2.2.1 传统模式识别与仿生识别的区别
• 2.2.2 仿生模式识别方法
• 2.3 高维空间几何分析基本理论
• 2.3.1 高维空间及高维空间的点
• 2.3.2 高维空间中的基本图形
• 2.4 高维空间几何覆盖理论
• 2.4.1 覆盖
• 2.4.2 覆盖比
• 2.4.3 局部顶点覆盖
• 2.4.4 覆盖积
• 2.5 高维空间几何的分析方法
• 2.5.1 主元分析方法及其在高维空间的几何意义
• 2.5.2 高维空间形象几何仿生信息学的原理分析
• 2.6 仿生模式识别应用效果分析
• 2.7 本章小结
• 第3章 多分辨分析
• 3.1 前言
• 3.2 小波
• 2（R）空间'>3.2.1 L²（R）空间
• 3.2.2 小波的数学定义
• 3.3 常用的小波函数
• 3.3.1 Haar小波
• 3.3.2 调频高斯类小波
• 3.3.3 Laplace小波
• 3.3.4 Marr小波
• 3.3.5 Daubechies小波
• 3.3.6 样条类小波
• 3.4 多小波
• 3.4.1 基本概念
• 3.4.2 性质分析
• 3.5 多分辨率分析的定义和性质
• 3.5.1 定义和基本思想
• 3.5.2 性质分析
• 3.5.3 实现方式
• 3.6 本章小结
• 第4章 多维多分辨仿生识别方法
• 4.1 前言
• 4.2 仿生模式识别研究现状
• 4.3 多维多分辨仿生识别框架
• 4.4 多分辨的特征表达
• 4.4.1 GHM多小波变换
• 4.4.2 梯度方向描述符表示
• 4.5 高维球面覆盖的构建
• 4.5.1 SOM聚类
• 4.5.2 距离映射分布
• 4.5.3 核函数的构建
• 4.6 多尺度融合识别决策
• 4.7 本章小结
• 第5章 基于多维多分辨仿生识别方法的虹膜识别技术
• 5.1 虹膜识别技术研究现状
• 5.2 虹膜的生理结构分析
• 5.3 虹膜仿生识别技术原理
• 5.4 虹膜预处理
• 5.4.1 虹膜定位
• 5.4.2 仿射变换
• 5.4.3 光照校正
• 5.5 虹膜特征提取与表达
• 5.5.1 多小波变换
• 5.5.2 HOG表达
• 5.5.3 空间映射
• 5.6 虹膜特征超维空间覆盖的构造
• 5.7 虹膜特征多分辨仿生识别
• 5.8 实验结果分析与比较
• 5.8.1 评价指标
• 5.8.2 实验结果分析
• 5.8.3 与隐马尔可夫模型识别方法的比较
• 5.9 本章小结
• 第6章 全文总结与展望
• 6.1 本文主要研究成果
• 6.1.1 主要研究结论
• 6.1.2 主要创新点
• 6.1.3 研究中的经验和不足
• 6.2 对未来研究的展望
• 参考文献
• 附录
• 作者简介及在攻读博士学位期间发表的学术论文
• 致谢