学位论文 > 优秀研究生学位论文题录展示

基于多生物特征识别的身份鉴别

作　者: 孙斌
导　师: 张大鹏
学　校: 哈尔滨工业大学
专　业: 计算机科学与技术
关键词: 多生物特征融合多分类器融合人脸识别掌纹识别加权算法
分类号: TP309
类　型: 硕士论文
年　份: 2006年
下　载: 362次
引　用: 2次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  4-6
Abstract  6-11
第1章绪论  11-15
  1.1 课题背景  11-12
  1.2 本课题研究的目的及意义  12
  1.3 国内外相关技术发展现状  12-14
    1.3.1 国外多生物特征识别的研究状况  12-13
    1.3.2 国内多生物特征识别的研究现状  13-14
  1.4 本文主要研究内容  14-15
第2章多生物特征识别系统  15-25
  2.1 信息融合技术概述  15-20
    2.1.1 多模式信息融合  15-20
  2.2 多生物特征融合系统框架  20-21
  2.3 多分类器组合问题  21-24
    2.3.1 单个分类器三种不同层次的输出信息  21-23
    2.3.2 三种不同类型的多分类器组合问题  23-24
  2.4 本章小结  24-25
第3章人脸、掌纹识别技术  25-39
  3.1 人脸识别技术简介  25
  3.2 常见的人脸识别方法  25-27
    3.2.1 基于人脸图像的人脸识别方法  25-26
    3.2.2 基于人脸特征的人脸识别方法  26-27
    3.2.3 多方法组合的人脸识别方法  27
  3.3 核方法应用于高维数据的技术框架  27-32
    3.3.1 应用于高维数据的技术框架概述  27-30
    3.3.2 应用于高维数据的技术框架在不同数据库上的实验  30-31
    3.3.3 应用于高维数据的技术框架的实验结果分析  31-32
  3.4 掌纹识别技术简介  32-33
  3.5 常见的掌纹识别方法  33-38
    3.5.1 基于模版匹配的掌纹识别  34-35
    3.5.2 基于掌纹线特征的掌纹识别  35
    3.5.3 基于傅立叶变换的掌纹识别  35
    3.5.4 基于Sobel算子和形态学的掌纹识别  35-36
    3.5.5 基于主成分分析的掌纹识别  36
    3.5.6 基于二维Gabor滤波器的掌纹识别  36-37
    3.5.7 基于Fisher-Palm的掌纹识别  37
    3.5.8 基于模板学习的掌纹识别  37-38
    3.5.9 基于小波的掌纹识别  38
  3.6 本文采用的掌纹特征抽取方法  38
  3.7 本章小结  38-39
第4章基于人脸和掌纹的多生物特征识别系统  39-56
  4.1 多生物特征识别方法概述  39-40
  4.2 人脸、掌纹多生物特征融合  40-41
  4.3 基于识别性能矩阵的加权融合算法  41-43
  4.4 基于输出向量细节的加权融合算法  43-46
    4.4.1 单个分类器输出向量的求取  43-44
    4.4.2 输出向量加权流程  44
    4.4.3 基于经验知识对输出向量各分量加权  44-45
    4.4.4 基于输出向量细节数据特征的加权  45-46
  4.5 基于单个样本具体情况分析的加权融合算法  46-48
    4.5.1 基于单个样本具体情况加权融合的基本思想  46-47
    4.5.2 基于样本具体情况加权融合在多生物特征融合中的应用  47-48
    4.5.3 自适应加权融合算法  48
  4.6 融合分类器的设计  48-49
  4.7 实验结果分析  49-55
    4.7.1 实验数据  50
    4.7.2 本文多生物特征融合与单生物特征识别的性能比较  50-54
    4.7.3 本文多生物特征融合算法与传统加权融合算法性能比较  54-55
  4.8 本章小结  55-56
结论  56-57
参考文献  57-61
攻读硕士期间发表的学术论文  61-63
致谢  63

基于多生物特征识别的身份鉴别

内容摘要

全文目录

相似论文