基于特征層與分數(shù)層的多模態(tài)生物特征融合.pdf

1、生物特征識別在人類的生產(chǎn)活動中，起到了越來越重要的作用。同時，隨著生物特征識別越來越廣泛的應(yīng)用，單模態(tài)生物特征識別不足以滿足實際使用中的諸多需求這一問題越發(fā)地突顯出來。而多模態(tài)生物特征融合方法能夠通過集成多個生物模態(tài)的信息，來緩解單模態(tài)生物特征識別系統(tǒng)在使用中所遇到的障礙。在最近的十幾年里，多模態(tài)生物特征識別取得了迅猛的發(fā)展，然而仍有部分關(guān)鍵問題有待得到進一步解決，例如提取多模態(tài)互補信息、緩解噪聲影響以及利用深層次信息等問題。本文基于多

2、模態(tài)生物特征的特征層與分數(shù)層數(shù)據(jù)，從上述實際問題出發(fā)，探索能夠有效緩解上述問題的融合方法和策略，同時建立方便、準確、高效的多模態(tài)生物特征識別系統(tǒng)。本文中，主要工作和貢獻如下:
　　在高通量的場景下，以提取多模態(tài)生物特征之間的互補信息為目的，本文提出了一種基于稀疏線性規(guī)劃的異質(zhì)特征選擇模型?；谠撃Ｐ偷娜诤戏椒軌蛱崛《嗄B(tài)互補信息、去除冗余信息、降低所使用的異質(zhì)特征維度并且減少所需的計算以及存儲消耗，進而實現(xiàn)快速、準確地對用戶身份

3、進行識別。該模型具有所選特征稀疏、泛化能力強等諸多優(yōu)良特性。由于該融合方法能夠充分提取特征之間的互補性、去除冗余性，因此該方法能夠在保證融合后識別性能提升的前提下，降低計算復雜度以及融合的時間消耗。
　　針對遠距離生物特征識別系統(tǒng)中，由于環(huán)境噪聲的干擾，致使融合后識別性能下降的問題，我們提出了一種對噪聲魯棒的融合模型。在生物特征識別系統(tǒng)中，噪聲的干擾往往在獲取數(shù)據(jù)環(huán)節(jié)最為強烈，并且會影響后續(xù)流程，如特征提取、特征比對等流程，進而影

4、響最終融合的識別結(jié)果。本文針對噪聲對分數(shù)層數(shù)據(jù)產(chǎn)生的影響，提出了一種基于對噪聲充分估計的魯棒線性規(guī)劃模型，最大限度的在分數(shù)層面上消除了噪聲的影響。該方法采用特征的線性組合模式，因此消除噪聲影響的同時，還保證了算法的效率，保證了系統(tǒng)的實用性。該方法可以在系統(tǒng)的保守性與魯棒性之間取得較好的平衡。本文提出了針對新型魯棒線性規(guī)劃模型的快速數(shù)學求解方法，將高度非線性模型轉(zhuǎn)化為線性規(guī)劃模型進行求解，使得求解過程更加簡便高效。同時本文還從概率的角度對

5、所提出的模型進行了闡述，計算出了該模型最優(yōu)解情況下分類錯誤率的上確界，具有較為深刻的物理意義。
　　在特征數(shù)量有限的情況下，提出了一種能夠從比對分數(shù)中抽取隱含信息的分段線性分類器融合方法。用戶的生物特征信息在生物特征識別系統(tǒng)中，經(jīng)由特征采集、特征提取、特征比對等模塊時，雖然所操作的數(shù)據(jù)具有了規(guī)范化、可操作性強等特點，但是其所承載的用戶生物特征信息隨著數(shù)據(jù)處理而減少。而且生物特征比對分數(shù)與決策值之間的關(guān)系是高度非線性的，但是在通過比

6、對分數(shù)計算得出決策值時，大部分系統(tǒng)都是采用簡單的線性融合分類器來模擬該高度非線性的關(guān)系，這進一步導致了更多細節(jié)信息的丟失。為了恢復這些隱藏在分數(shù)層中的用戶生物特征信息，本文提出了一種分段線性分類器融合框架。該方法受到“非線性是絕對的，線性是相對的”觀點啟發(fā)，通過對特征空間離散化的方法，自適應(yīng)地學習得到比對分數(shù)與決策值之間的非線性函數(shù)關(guān)系。本方法可看作是將低維分數(shù)映射到高維空間的映射函數(shù)，因此也可以從核函數(shù)的角度，作為一種自適應(yīng)的核函數(shù)映

7、射方法。本文還對分段線性分類器融合框架下三種性能優(yōu)異的融合分類器進行了分析與說明，并指出了其分別所擅長的實際應(yīng)用中的問題。
　　由于人類的臉部區(qū)域生物模態(tài)豐富，同時便于采集，而且在實際使用中能夠與用戶良好的交互，較多的多模態(tài)生物特征融合系統(tǒng)采用對人臉、虹膜、眼周等生物模態(tài)進行融合，不僅提升系統(tǒng)的準確性，還提高系統(tǒng)的易用性。因此，本文中也采用對人臉區(qū)域的生物模態(tài)進行融合，來驗證本文中所提出的方法的有效性，從實際需求出發(fā)，建立便捷、準