基于機器學(xué)習(xí)方法的若干生物特征識別關(guān)鍵問題研究.pdf

1、生物特征識別技術(shù)作為一種新型的身份認(rèn)證手段，其研究價值和良好的應(yīng)用前景得到了學(xué)術(shù)界和企業(yè)界的公認(rèn)。自上世紀(jì)九十年代中期以來，經(jīng)國內(nèi)外學(xué)術(shù)界和企業(yè)界同行的多年推進(jìn)，生物特征識別的研究取得了巨大進(jìn)展，已有較多的生物特征識別技術(shù)在諸多領(lǐng)域得到有效應(yīng)用。但是，現(xiàn)有生物特征識別系統(tǒng)性能上的不完善性，在很大程度上影響了生物特征識別技術(shù)的推廣應(yīng)用。如何進(jìn)一步提高生物特征識別系統(tǒng)的性能，使其能夠更好地滿足實際應(yīng)用的需求，仍是富有挑戰(zhàn)性的、值得深入研究的

2、問題。近年來，機器學(xué)習(xí)技術(shù)成為計算機領(lǐng)域中的研究熱點，并且不斷發(fā)展，在很多方面得到成功應(yīng)用。在生物特征識別研究領(lǐng)域，利用機器學(xué)習(xí)相關(guān)方法解決問題已成為一個主流的趨勢。例如利用集成學(xué)習(xí)思想成功解決多模板集成問題，利用半監(jiān)督學(xué)習(xí)思想成功處理生物特征的類內(nèi)差異性問題等。
　　本文深入分析目前在指紋識別、人臉識別及多模態(tài)生物特征識別領(lǐng)域影響生物特征識別系統(tǒng)性能及其應(yīng)用的幾個關(guān)鍵問題，設(shè)計并運用合理的機器學(xué)習(xí)技術(shù)解決這些問題，從而提高了人臉

3、識別、指紋識別系統(tǒng)的識別準(zhǔn)確率，并且獲得了多模態(tài)生物識別系統(tǒng)使用方便性和識別準(zhǔn)確率的同時提升。本文的主要工作和貢獻(xiàn)有:
　　1、基于細(xì)節(jié)點的指紋匹配一直是指紋識別中最為主流的方法。迄今為止，基于細(xì)節(jié)點的指紋匹配中，未能形成匹配的細(xì)節(jié)點都被視為無用信息。實際上，由于同源指紋和異源指紋匹配中未匹配細(xì)節(jié)點的成因和特點不同，未匹配細(xì)節(jié)點中包含一定的區(qū)分性信息。如何合理挖掘和利用這些信息，是提升自動指紋識別系統(tǒng)性能的一個關(guān)鍵問題?；诖朔治?/p>

4、，本文定義和提取7個未匹配細(xì)節(jié)點特征作為輔助特征，獲取7個輔助匹配得分，并利用集成學(xué)習(xí)的方法，將輔助匹配得分與傳統(tǒng)匹配得分進(jìn)行融合，實現(xiàn)指紋識別。在FVC2000、FVC2002和FVC2004國際指紋識別競賽數(shù)據(jù)庫上驗證了未匹配細(xì)節(jié)點特征的區(qū)分能力和所提方法在提高系統(tǒng)識別性能方面的有效性。在3個競賽數(shù)據(jù)庫所包含的12個子數(shù)據(jù)庫上，本文方法將等錯誤率（Equal Error Rate）最少降低了33.6％，最多降低了77.0％。

5、　　2、在目前的人臉識別技術(shù)中，判斷兩個人臉樣本是否屬于同一個體，只利用了這兩個人臉樣本的相似度信息，而忽略了其他的可用信息。經(jīng)分析，取自不同個體的人臉樣本之間的異源相似度信息具有穩(wěn)定規(guī)律，且少數(shù)顯著異源相似度信息具有好的區(qū)分能力，如何合理挖掘和利用這些信息并運用于人臉識別是提高人臉識別系統(tǒng)識別性能的關(guān)鍵問題?；诖?，本文提出基于稀疏相似度序列的人臉識別方法(S3M)，用相似度序列定義和提取異源相似度信息，并利用Lasso稀疏學(xué)習(xí)方法提

6、取其中少數(shù)顯著信息，在此過程中，提出區(qū)分性判定準(zhǔn)則優(yōu)化稀疏參數(shù)，最后利用稀疏相似度序列作為高一級特征進(jìn)行人臉識別。經(jīng)實驗驗證，S3M在兩個公開人臉數(shù)據(jù)庫上等錯誤率分別達(dá)到了0.05％和0.01％，有效提升了系統(tǒng)的識別性能。
　　3、現(xiàn)有的多模態(tài)生物特征識別系統(tǒng)主要采用并行集成模式，在注冊和識別階段均需采用系統(tǒng)內(nèi)所有生物特征進(jìn)行識別，給用戶帶來極大不便。在使用方便性和效率方面的這一缺點限制了多模態(tài)生物特征識別系統(tǒng)的廣泛應(yīng)用。本文分析

7、并提出最符合廣大用戶使用需求的多模態(tài)生物特征識別系統(tǒng)應(yīng)采用序列化集成框架，將采集（使用）方便的特征放在序列前端，而盡量減少對采集不方便特征的使用。一切對系統(tǒng)性能的優(yōu)化應(yīng)該在這個框架下進(jìn)行。然而，采集方便的生物特征往往識別性能較低，特征的使用方便性和識別準(zhǔn)確率存在矛盾。這一矛盾問題下，為保證系統(tǒng)的識別準(zhǔn)確性，仍有大量用戶需要使用方便性較差的特征進(jìn)行識別，抵消了序列化集成系統(tǒng)在使用方便性方面的優(yōu)勢。如何解決這一矛盾，是同時提高多模態(tài)生物特征

8、識別系統(tǒng)的方便性和識別性能的關(guān)鍵問題。本文將半監(jiān)督學(xué)習(xí)(SSL)技術(shù)引入序列化集成框架，通過提高方便性強而識別能力弱的弱特征的識別性能解決這一矛盾問題。其中的核心技術(shù)是依賴最大化降維方法(DMDR)，該方法利用帶標(biāo)記和未標(biāo)記樣本及特征樣本之間的對應(yīng)關(guān)系，以最大化強特征與弱特征信息依賴性為目標(biāo)，將弱特征投影到低維特征空間，從而實現(xiàn)以強特征為指導(dǎo)，提高弱特征識別性能的目的。在兩個原型系統(tǒng)上，驗證了半監(jiān)督學(xué)習(xí)方法在提高弱特征性能方面的有效性，