人脸与掌纹识别技术研究

人脸与掌纹识别技术研究

冯贵玉[1]2007年在《人脸与掌纹识别的子空间特征提取方法研究》文中研究指明本文对人脸与掌纹识别的子空间特征提取方法进行了深入研究,主要包括流形学习导出的新子空间方法、基于矩阵的特征提取方法的图嵌入理论框架及其在人脸和掌纹识别中的应用。此外,本文还讨论了人脸和掌纹的子空间特征在特征提取层的融合问题。主要研究成果如下:1.局部保持投影算法是一种最近提出的子空间方法,它考虑了样本空间的图结构,在降维过程中,能够保持样本空间的局部结构和本质几何特性。但是在实际应用中,局部保持投影算法采用主成分分析加局部保持投影两个步骤,存在不直接、非完全的问题。针对这些问题,我们提出了一种直接局部保持投影算法,该算法通过同时对角化的方法求解局部保持投影问题,避免了矩阵的奇异性。它以高维原始图像数据作为输入,直接优化局部保持投影准则,没有任何维数削减的中间步骤。在香港理工大学掌纹库和ORL人脸库上的实验证明了这种方法的有效性。2.局部保持投影算法基于向量空间模型,在这种模型中需要把原始图像按行或列串接起来,这既破坏了图像的空间结构又导致串接后数据维数过高。受二维主成分分析算法思想的启发,我们提出了一种直接基于局部保持标准和图像矩阵投影的方法——二维局部保持投影算法。我们的算法直接处理图像矩阵,而不是处理展开的图像向量。在Yale人脸库和香港理工大学掌纹库上的实验结果证明我们的方法在识别能力上比主成分分析、基于向量的局部保持投影算法和二维主成分分析方法更加有效。3.局部保持投影算法是一种线性方法,不能提取图像的非线性的特征。为了提取图像的非线性局部保持特征,我们提出的核局部保持投影方法首先通过核函数把样本非线性地映射到一个特征空间,在这个特征空间里,数据具有一个线性的或者尽可能线性可分的结构,然后在特征空间里实施局部保持投影算法来寻找局部保持投影向量,从而完成分类任务。核方法被用来把核局部保持投影方法变成一个在核主成分分析方法变换后的空间里执行局部保持投影算法的问题。在ORL人脸库和香港理工大学掌纹库上的实验证明了这种方法的有效性。4.最近学术界提出的多种基于矩阵的方法已经被证明是解决基于向量方法的高维和小子样问题的有效方法。我们从图嵌入的角度出发,提出了一个基于矩阵的特征提取方法的一般理论框架。通过设计满足不同目标函数的图结构,这个框架可以用于导出新的算法,基于此我们提出了一种基于矩阵的算法——二维鉴别嵌入分析。它通过结合局部类内紧凑信息和非局部类间分离信息显式地考虑了基于矩阵的类内子流形和类间子流形。二维鉴别嵌入分析方法不需要对数据分布进行任何假设,因而是一个简单的数据驱动方法。我们证明目前的二维线性鉴别分析方法实际上是二维鉴别嵌入分析方法的一个特例。在叁个公开的数据库上的实验验证了二维鉴别嵌入分析方法的有效性。5.在实际应用中,由于环境的复杂性和不可预见性,基于单一生物特征的识别系统经常显现出一些难以克服的困难。因此,本文利用人脸和掌纹的子空间特征在特征层融合进行身份鉴别。我们对人脸和掌纹的特征提取使用两种常用的子空间方法:主成分分析方法和独立成分分析方法。实验结果发现,在两种情况下人脸和掌纹在特征层融合后,系统的性能都有了很大的提升,尤其是在使用独立成分分析方法提取特征的情况下,在40个人规模的测试集上,取得了99.17%的准确识别率。我们的结果有力地证明利用人脸和掌纹的多生物特征识别系统的性能要比单个人脸或掌纹系统识别好得多。

董开封[2]2004年在《人脸与掌纹识别技术研究》文中提出生物特征识别是利用人体所固有的生理特征或行为特征进行识别的技术,它涉及到模式识别、数字图像处理和人工智能等众多学科的相关知识。 人脸识别是目前研究比较热门的生物特征识别技术。本文提出了一种利用肤色模型进行人脸检测、奇异值分解进行人脸特征提取、支撑向量机进行训练分类的人脸识别方法。与传统的特征提取方法相比,奇异值分解运算量较小并且能够有效提取人脸特征,可以实现实时特征提取。已有的研究成果表明支撑向量机在处理人脸图像这种小样本高维向量时具有很大的优势。利用本实验室拍摄的包含复杂背景的人脸图像,构建了一个人脸识别原型系统,识别率达到90%。 掌纹识别是一种比较新的生物特征识别技术,Curvelet变换是一个比较新的数学工具,在描述分段非连续曲线时比小波变换更具有优越性,被应用于数字图像的降噪和增强,取得了比较好的效果。本文对传统的Curvelet变换进行改进,用来提取掌纹图像的特征,然后用最近邻分类器进行分类,取得比较好的效果。 多生物特征融合技术是生物特征识别技术发展的必然趋势,多生物特征融合可以在特征层、匹配层和决策层进行。本文对人脸和掌纹两种生物特征分别在匹配层和决策层进行融合实验,验证了多生物特征融合技术的优越性。

孙巍巍[3]2011年在《基于人脸与指纹的多模态身份识别系统研究》文中认为现代社会,随着信息技术的高速发展,数据量的指数级增加,越来越多的新技术应用到人们的日常生活当中,人们越发的能够感觉到数字化生活给我们带来的亲切和便捷。在早期,为了识别一个人的身份,传统做法是使用密码或者磁卡来进行身份认证,这种传统的技术在一定程度上解决了身份识别这一基本问题。由于传统身份识别技术的固有缺陷,人们开始转向研究基于生物特征的身份识别技术,与传统技术相比,这种新兴技术能够切实的弥补它的缺陷与不足。而且生物特征也具有良好的唯一性,稳定性与广泛性。近年来,越来越多的生物特征被用作身份识别技术,除了早期的指纹、人脸、虹膜等,还有如手型、掌纹、签名、声纹等等。如此之多的生物特征可以使用,也使得许多研究人员将注意力转向了多模态身份识别技术领域的研究。本文结合人脸识别和指纹识别技术,深入研究了多模态特征融合的理论和方法,给出了基于两种特征融合的生物特征识别系统的设计。本文的主要研究工作和取得的成果如下:(1)在人脸检测的研究中,本文对基于adaboost的人脸检测技术进行了改进,实现了通过定位人眼与人脸的位置,准确的检测出人脸区域以及人脸姿态的算法。(2)对人脸识别技术进行了深入的研究,实现了基于PCA特征、LDA特征、GABOR特征、LBP特征的人脸识别算法,对于各算法参数进行了反复实验与调整,达到了较好的效果。(3)对指纹识别技术进行了深入的研究,详细探讨了方向滤波、图像分割二值化、改进的快速细化算法等指纹图像预处理算法。研究了提取保存细节特征的方法以及去除伪特征点的方法。并对特征匹配方法进行了系统研究,内容包括了指纹细节特征的数据结构,初匹配的实现过程,以及二次匹配中的坐标调整、全局匹配的方法和匹配度判决条件等。(4)对信息融合的基本理论进行了深入探讨,并对人脸的LDA特征、GABOR特征,以及指纹的几何特征这叁种模态的特征融合方法进行了研究,对人脸的LDA特征与GABOR特征融合算法进行了研究,实现了基于GCCA的特征级融合算法。然后又对融合后的人脸特征与指纹特征的融合算法进行了深入研究,分别实现使用了自适应加权和D-S证据理论两种匹配级的融合算法。(5)提出了一种多模态身份识别系统的设计思路,描述了系统相关的结构与参数设计,其中包括数据库,文件结构的设计,以及叁个模块的具体功能结构图。同时提出了一种扩展类的设计方法,提高了系统平台的健壮性与稳定性。

徐颖[4]2013年在《基于特征融合与仿生模式的生物特征识别研究》文中指出图像识别是利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的一种模式识别领域的典型应用。作为数字图像处理与人工智能的基础,图像识别技术已成为近二十年来模式识别和图像理解研究的热点。该技术根据图像的特征进行识别(或分类),在生物特征识别(人脸、指纹、指关节、掌纹和虹膜识别)及手写体识别技术等领域中已获得了广泛的应用。本论文针对图像识别在复杂条件下的实现和鲁棒性问题,研究了基于仿生模式的图像识别算法的共异性、特征融合方法的有效性,高维复杂几何形体覆盖方法适用性以及仿生模式在特征识别方面的应用。在此,介绍本文所做主要研究内容与成果如下:1、提出了针对伪装人脸识别的局部特征融合方法。该方法依据仿生模式和信息融合理论,采用非伪装建模,提出了一种基于局部特征融合与仿生模式识别的伪装人脸识别算法。算法分别采用了局部二元模式方法与局部相位量化方法进行对伪装模式下具有较好鲁棒性的特征提取及融合,进而采用仿生神经元构建高维几何覆盖形体,有效利用了不同类别人脸特征的连续性,从而避免了伪装模式的干扰。在AR数据库及采用警用面部复合软件设计建立的伪装数据库上的仿真实验均表明,与现有主流算法相比较而言,所提识别算法在伪装条件下取得了较高的识别性能。2、构建了基于人脸与虹膜特征融合的双模态生物特征识别模型。该方法首先根据Contourlet变换和(2D)2PCA来提取虹膜和人脸特征,通过融合所获取的虹膜与人脸特征信息形成了一个新的融合特征向量。最后,融合后的新特征向量被用来构建基于超香肠神经元的高维几何空间覆盖。同时,一种基于PCA的方法被用来减少计算复杂程度并有效地提高识别率。公开数据库的实验结果表明,所提的多生物特征识别模型在保证注册过程安全的同时,能够达到很高的识别精度。该模型一方面大大提高了精确度,另一方面使得安全性得到了更充分的保证,因为入侵者很难同步窃取多个生物信息,尤其是虹膜信息。3、在研究分析多光谱对于掌纹的识别效果的基础上,分别提出了基于BP神经网路与深度CDBN网络的多光谱掌纹图像融合识别算法。首先提出一种基于Haar小波的多光谱掌纹图像融合方法,该方法采用小波分解低频融合的方式进行,接着分别采用分块奇异值方法和BP神经网络对掌纹进行特征提取和识别。实验表明,多光谱图像的融合方法能够改善并提高掌纹图像的识别效果。另外,还提出了基于深度CDBN网络的多光谱掌纹识别方法。该方法采用无监督方式进行深度特征的提取,具有不依赖于一般特征提取的优点,并且可取得更高的识别率。4、提出了基于图像集与凸壳优化模型的指背关节识别算法。该算法首先寻求出了适用于生物特征识别识别的凸壳优化模型,并对该模型的构建与优化进行一定的研究分析。接着以图像集作为生物特征识别输入,采用局部相位量化方法进行特征提取,用于解决指背关节纹问题。实验表明,在以图像集作为输入的情况下,该识别算法在公开的指背关节纹数据库中取得了不错的识别结果。5、设计了一个实时人脸识别系统。本系统的检测环节是通过YIQ色彩空间对肤色进行分割,找出眼睛的质心坐标来定位人脸的位置并校正对齐检测输出依次进行完成的;同时,分别采用局部二元模式提取人脸特征和改进的超香肠仿生模式作为识别模型。该系统在设定条件下的测试取得了较好的识别结果,并具有较好的实时性能,验证了仿生模式识别算法的可行性与有效性。

顾靖[5]2015年在《基于单幅图像的多模态生物特征识别研究》文中研究表明生物特征识别技术是利用人体本身所固有的物理特征或者行为特征,通过图像处理和模式识别等方法来鉴别个人身份的技术,具有广泛的应用前景。当前的生物特征识别应用大部分为基于单模态特征的识别技术,在识别率和防伪性上具有一定的局限性。为提高单模态特征识别技术的准确率和应用范围,本文同时利用人脸特征识别技术的社会性、公开性和掌纹特征识别技术的高识别率,提出一种基于单幅图像中人脸和掌纹特征融合的身份认证识别框架,并对两种特征的融合策略进行了深入研究、实验。本论文的主要工作和内容如下:(1)对生物特征及识别技术的研究历史进行回顾综述,详细介绍了十种最为常见的生物特征识别技术。分析了单模态生物特征识别的不足,引出本文的研究目标和研究内容。论文还对多模态融合的五个层次的主流算法进行了总结。(2)采集搭建了本研究领域首个多模态生物特征(人脸+掌纹)数据库——HFUT-MuHaF,即一幅图像中同时包含人脸和人手信息,避免了由于多模态生物特征数据库的缺失,研究者必须从不同而相互独立的数据库中分别提取人脸和掌纹特征(一般不是同一个人的人脸和掌纹特征),再进行融合的处理过程。(3)详细阐明了十一种局部算子的算法原理并进行复现,在叁个人脸数据库上进行对比实验分析。(4)提出了一种基于线特征的韦伯局部描述子(LWLD)用以掌纹识别。通过改进的有限Radon变换(MFRAT)得到的能量图和方向图,将原始WLD在源图像上进行的差励计算转换到能量图上完成,并利用方向图替代原始WLD里通过梯度计算得到的方向信息,实验获得较好的识别结果。(5)提出了单幅图像中人脸和掌纹多特征采集、融合识别的整体框架,包含:人脸和掌纹的检测、配准归一化以及最终融合识别等模块。通过人脸和掌纹的多模态融合实验验证了两种生物特征融合的有效性。

倪娜[6]2006年在《人脸与掌纹特征在决策层上的融合》文中指出生物特征识别是利用人体所固有的生理特征或行为特征进行识别的技术,它涉及到模式识别、数字图象处理和人工智能等众多学科的相关知识。近年来,由于单生物特征的局限性,很难适应实际应用的需求,多生物特征融合技术已经成为生物特征识别技术发展的必然趋势。本文主要针对人脸和掌纹两种生物特征在决策层上的融合作了一系列研究。本文的研究内容主要包括以下几个方面:(1)总结和比较了决策层上生物特征融合的主要方法,对常用分类器组合方法进行了比较和实验。(2)在单训练样本下的分类器性能进行了研究,针对单样本的特殊情况,对传统的线性加权法进行了改进,在人脸和掌纹的特征融合上得到了良好的效果。(3)利用小波变换方法提取人脸和掌纹的奇异值特征,设计了基于进化策略的融合算法,有效的解决了分类器权值的赋予问题,提高了分类的准确率。该算法计算简单,在计算时间上优于多数融合算法。(4)对用于字符识别的集成判决算法作了研究,在几个方面进行了改进,并将它用于人脸和掌纹的识别融合中,提高了分类准确率和效率。本文提出的几种算法有效的解决了生物识别中多模态融合的一些问题,其中对分类器的组合的研究,不仅对生物识别,对模式识别的其他领域也具有一定的参考价值。

孙斌[7]2006年在《基于多生物特征识别的身份鉴别》文中提出随着生物特征识别技术的发展,基于多种生物特征的身份识别技术得到了很大的发展,本文主要研究基于人脸、掌纹相融合的多生物特征识别系统,主要从优化多特征分类器组合和提高单生物特征效率两个方面来提高多生物特征识别系统的性能,主要的研究工作如下:(1)实现了一种核方法应用于高维数据的技术框架,并将其应用于多生物特征识别系统中,该方法主要用于提高对单个生物特征处理效果。为了准确的抽取单生物特征的相关信息,本文采用特征抽取中广泛采用的核方法,但是本文所涉及的数据为人脸和掌纹,均为高维数据,将核方法应用于这些数据时候,将对应着庞大的计算量,如果再将二者融合于同一系统,提高效率成为一个非常关键的问题。本文提出一种在高维数据上实现核方法的新思路及技术框架。该技术框架的一个重要内容是两步特征抽取,其中第一次特征抽取将高维数据转换为低维,然后在低维数据上实现核方法,以实现第二次特征抽取并分类。这样的技术路线可使核方法的实现效率得到较大提升。所有的核方法均可在该框架下实现。实验表明,该框架不仅极具效率优势,且能取得不低于直接基于原高维数据的核方法的分类正确率。(2)提出了一种基于输出向量细节的加权融合算法,并应用于多生物特征识别中。该方法基于单个分类器输出向量的细节,将单特征分类器下样本对应的距离度量转换为后验概率,以给出样本属于各类别的概率,然后使用乘性Bayes原则,得出多生物特征融合时样本属于某一类别的概率。这样的加权融合方法实现简便,物理意义形象直观。与常见的基于识别性能矩阵的加权融合方法相比,避免了对应于各个生物特征的识别性能矩阵的计算,不仅计算复杂度较低,而且内存开销很少。关于人脸与掌纹融合的实验表明,本文方法得出的正确识别率不仅高于基于单特征的正确率,还优于基于识别性能矩阵的加权融合方法。(3)提出了一种基于单个样本具体情况的加权融合算法,并应用于多生物特征识别系统中。该方法根据聚类的思想,具体的分析不同的样本在人脸、掌纹分类器的置信度。并根据此置信度,对于不同的样本赋予人脸、掌纹不同的权值。此方法避免了基于统计信息的加权融合方法对所有测试样本赋予相同权值的缺陷,突出了单个样本自身的特点。实验证明,该加权融合算法是一种有效的加权融合算法,取得了比较高的识别率。

李强[8]2006年在《手部特征识别及特征级融合算法研究》文中认为生物特征识别是利用人独特的生理与行为特征来进行自动身份鉴别的技术,是解决社会信息化、数字化、网络化发展中安全问题的首选方案。多模态生物特征识别利用多种生物特征,可以提高系统的准确率、抗噪性、普适性、抗假冒攻击性能,减小大库性能衰减程度,实现更为鲁棒的系统,近年来受到广泛的重视,新应用与新算法不断涌现。如何构建低成本、低数据库复杂度、高用户接受度的系统,深入研究多模态融合层次、策略、算法等已是新的热点问题。 本文提出的手部特征包括掌纹、指横纹与手形特征,在单一模态生物特征研究的基础上,总结已有的特征级融合算法并借鉴决策级融合思想,提出基于关系度量的特征级融合方法(RMF)。以实现实用系统为目标,对融合基础理论展开研究,优化手部特征融合系统并进行实验评估,主要内容如下: 1.提出手部特征的概念。使用手部特征进行身份鉴别符合人的传统观念,可在避免用户接受度、成本与数据库管理等各方面问题前提下,实现多模融合系统。为充分利用手部图像中的生物特征,本文通过掌纹、指横纹与手形融合实现系统,并将之定义为狭义的手部特征。在比较分析当前的多模数据库及以往掌纹、手形的采集方法的基础上,本文采用数码相机进行手部图像采集并建立HA-BJTU数据库。 2.在掌纹识别的研究中,论文从克服高维、小样本问题的角度出发,提出采用子空间分析方法提取掌纹特征:针对二维主成分分析特征仍处于高维空间的问题,提出进一步去除图像列相关,得到改进二维主成分分析(I2D-PCA)算法;针对小样本问题,提出使用正切子空间方法建立基于GMM的类内变化统计模型,并通过实验证实其有效性。在此基础上,使用I2D-PCA得到正切子空间,进一步提升识别准确率。

刘超[9]2013年在《基于线性分类器的多模态生物特征识别技术研究》文中进行了进一步梳理在科学技术和信息技术快速发展的当今社会,信息安全的重要性越来越突出,这也对身份识别技术提出了更高的要求。以生物特征作为识别身份的技术具有方便、安全和可靠等优点,并且已经得到了广泛的关注和迅速的发展。现有的生物特征识别系统大都是基于单一生物特征来进行身份识别的,这种方式有其自身的局限性和缺陷,比如特殊人群的某些生物特征由于损伤、缺失、病变等致使识别系统效果较差甚至不适用。基于以上原因,基于多种生物特征的识别技术应运而生,它能够利用多种生物特征的互补信息,被认为是未来身份识别技术的发展的新方向。本文介绍了融合的概念、融合的层次及融合的方法,在对融合层次比较的基础之上选取特征层进行融合。其中主要从人脸识别和掌纹识别两种单模态身份识别方式入手,研究了主成分分析、Fisher线性判别分析等线性子空间方法完成对原始数据的降维和特征的提取,利用最小距离分类器得到分类识别的结果。在完成人脸和掌纹特征的提取的基础之上,对特征进行归一化处理,实现了典型相关分析算法上人脸和掌纹特征的融合,通过对融合以后特征的典型相关变量的求解,进行分类识别。将人脸特征和掌纹特征融合扩展到复数域,将两种生物特征分别作为复数的实部和虚部,并将融合的复数特征分别用于独立成分分析和局部保持投影分析完成对生物特征的分类识别的任务。并将得到的识别结果与实数域和单模态得到的识别结果进行对比,验证本文算法的有效性。基于人脸和掌纹数据库的仿真试验结果表明,在对人脸和掌纹特征的提取之上对两种特征进行融合能够充分利用生物特征的分类信息,提高了身份识别的可靠性。

柳俊峰[10]2009年在《人脸与虹膜融合与识别若干问题研究》文中研究表明信息化时代飞速发展的今天,网络中身份的数字化和隐性化特点,使得有效的身份鉴定技术受到全世界越来越多的关注。单项生物特征用于身份识别时,有其固有而难以克服的缺点,到目前为止,任何基于单项生物特征的身份识别系统都无法完全满足实际应用的要求。多生物特征的融合与识别是将多种生物特征的信息进行融合,从而完成身份识别的技术。基于多生物特征的身份识别系统能充分利用多种生物特征提供的信息,为单项生物特征身份识别带来的一些实际问题提供了有效的解决方案,从而提高整个生物特征身份识别系统的性能。因此,研究多生物特征的融合与识别方法具有十分重要的意义。本文以人脸识别与虹膜识别为主线,探讨了多生物特征的融合与识别技术,主要内容包括:①研究Fisher辨别分析,总结Fisher辨别分析在人脸识别中的局限性,结合Fisher辨别分析基于线性特征提取的特点以及人脸识别的非线性特征,将核Fisher辨别分析用于人脸识别,有效地获取了人脸图像中由于噪声影响而产生的非线性信息;②小波分析能将图像的高频信号和低频信号进行分离,为此,提出了基于小波分析与核Fisher辨别分析的人脸识别算法,有效降低了特征维数,提高了运算效率;③在虹膜识别方面,根据虹膜的纹理分布特点,深入探讨了虹膜的特征提取方法,提出基于能量加权的子带杂交虹膜识别算法,很好地解决了噪声问题,提取了对噪声不敏感的特征信息;④详细探讨了多生物特征融合理论,结合小波分析与核Fisher辨别分析算法,实现了人脸特征与虹膜特征的融合及识别,有效提高了身份识别的准确性,降低了单项生物特征识别的错误识别率,为多生物特征身份识别提供了一种新途径。

参考文献:

[1]. 人脸与掌纹识别的子空间特征提取方法研究[D]. 冯贵玉. 国防科学技术大学. 2007

[2]. 人脸与掌纹识别技术研究[D]. 董开封. 国防科学技术大学. 2004

[3]. 基于人脸与指纹的多模态身份识别系统研究[D]. 孙巍巍. 南京理工大学. 2011

[4]. 基于特征融合与仿生模式的生物特征识别研究[D]. 徐颖. 华南理工大学. 2013

[5]. 基于单幅图像的多模态生物特征识别研究[D]. 顾靖. 合肥工业大学. 2015

[6]. 人脸与掌纹特征在决策层上的融合[D]. 倪娜. 哈尔滨工业大学. 2006

[7]. 基于多生物特征识别的身份鉴别[D]. 孙斌. 哈尔滨工业大学. 2006

[8]. 手部特征识别及特征级融合算法研究[D]. 李强. 北京交通大学. 2006

[9]. 基于线性分类器的多模态生物特征识别技术研究[D]. 刘超. 黑龙江大学. 2013

[10]. 人脸与虹膜融合与识别若干问题研究[D]. 柳俊峰. 五邑大学. 2009

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

人脸与掌纹识别技术研究
下载Doc文档

猜你喜欢