多模态生物特征识别融合算法的研究

论文摘要

多模态生物特征识别技术为当今信息社会中身份识别提供了有效的途径,受到越来越多的研究者的关注。本文研究了多模态生物特征识别的特征层、分数层融合算法,在开集测试集上测试各种算法的性能,涉及到的生物特征有人脸、掌纹、虹膜三种。本文的主要研究成果总结如下:1为了克服典型相关分析（CCA）在信息融合应用中的不足,本文提出了一种有监督的学习方法-增强相关分析（ECA）,进而利用核技巧提出了核化的增强相关分析（KECA）,并把ECA和KECA用于多模态生物特征的特征层融合。与CCA相比,ECA有效的利用了类别信息,也适用于有样本缺失的情形。开集测试证明,采用ECA、KECA进行特征层融合时,系统的性能（等错误率和正确接收率）较CCA有所提高,且KECA的性能高于ECA。2设计了一种新颖的近红外人脸、双眼虹膜图像采集设备,构建了国内首个包含近红外人脸、左眼虹膜、右眼虹膜这三种模态的包含噪声样本的多模态数据库。在该库基础上,研究了上述三种模态的融合方法。首先,首次提出了基于联合虹膜编码的双眼虹膜特征层融合算法,其性能高于双眼虹膜分数层融合的性能。其次,采用混合融合结构将三种模态进行融合,即双眼虹膜进行特征层融合后再与近红外人脸进行分数层融合,实验表明其性能高于把三种模态进行分数层融合的方法。3提出了基于最小二乘法的分数层融合算法（LSMSF）。该算法用最小二乘法估计融合函数的参数,融合函数有三种形式:幂级数函数、多变量多项式函数、简化的多变量多项式函数。采用交叉验证的方法全面评估了LSMSF和传统分数层融合算法的性能,评估包括:单模态性能、分数归一化方法、数据库训练集和测试集的不同划分对算法性能的影响。实验表明,LSMSF的性能均高于传统分数层融合算法,采用多变量多项式函数的LSMSF的性能最好。

论文目录

• 摘要
• ABSTRACT
• 目录
• 图表目录
• 第1章 引言
• §1.1 研究背景和意义
• 1.1.1传统的身份识别方法
• 1.1.2 单模态生物特征识别技术
• 1.1.3 多模态生物特征识别技术
• §1.2 多模态生物特征识别系统
• 1.2.1 融合的不同层次分类
• 1.2.2 融合的数据来源分类
• §1.3 本文主要工作内容及工作安排
• 第2章 预备知识
• §2.1 衡量生物特征识别系统性能的指标
• 2.1.1 FAR,FRR,GAR,EER
• 2.1.2 ROC曲线
• §2.2 虹膜识别
• 2.2.1 虹膜定位
• 2.2.2 虹膜归一化
• 2.2.3 特征提取
• 2.2.4 利用Hamming距离进行特征匹配
• §2.3 掌纹图像的预处理
• §2.4 人脸、掌纹的特征提取与特征匹配
• 2.4.1 PCA用于人脸识别和掌纹识别
• 2.4.2 人脸和掌纹统一的Gabor幅度特征表示
• 2.4.3 特征匹配
• §2.5 本章小结
• 第3章 增强相关分析及其在特征层融合中的应用
• §3.1 典型相关分析
• §3.2 增强相关分析
• 3.2.1 类内相关矩阵、类间相关矩阵和增强相关矩阵
• 3.2.2 增强相关分析的目标函数
• 3.2.3 增强相关分析的目标函数的解
• 3.2.4 增强相关分析的目标函数的求解步骤
• 3.2.5 高维小样本的情形
• §3.3 增强相关分析在多模态生物特征的特征层融合中的应用
• 3.3.1 融合方法
• 3.3.2 融合前的预处理
• §3.4 实验
• 3.4.1 实验1:ECA用于多生物特征系统
• 3.4.2 实验2:ECA用于多算法（多特征）系统
• §3.5 核化的增强相关分析
• 3.5.1 KECA的引入及其求解
• 3.5.2 KECA在多模态生物特征的特征层融合中的应用
• §3.6 实验:KECA用于多生物特征系统
• §3.7 本章小结
• 第4章 双眼虹膜的特征层融合和虹膜与人脸的混合融合结构
• §4.1 引言
• §4.2 近红外人脸、双眼虹膜图像采集设备的设计
• 4.2.1 主动近红外光源
• 4.2.2 1000万像素近红外数码相机
• 4.2.3 近红外滤片
• §4.3 多模态数据库的构建
• §4.4 基于联合虹膜编码的双眼虹膜特征层融合算法
• 4.4.1 算法流程
• 4.4.2 角度归一化的虹膜样本
• 4.4.3 联合虹膜编码及其匹配
• §4.5 实验
• 4.5.1 数据库与测试协议
• 4.5.2 实验结果
• §4.6 基于混合融合结构的人脸和双眼虹膜融合
• §4.7 实验
• 4.7.1 数据库
• 4.7.2 测试协议
• 4.7.3 实验结果
• §4.8 本章小结
• 第5章 最小二乘法在多模态生物特征的分数层融合中的应用
• §5.1 引言
• §5.2 基于最小二乘法的分数层融合算法
• 5.2.1 融合函数
• 5.2.2 融合参数的确定
• 5.2.3 分类器的构建
• 5.2.4 算法流程
• 5.2.5 LSMSF不需要分数归一化的原因
• §5.3 实验
• 5.3.1 数据库
• 5.3.2 特征提取
• 5.3.3 测试协议
• 5.3.4 实验结果
• §5.4 本章小结
• 第6章 总结与展望
• §6.1 本文总结
• §6.2 展望
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的其他研究成果