基于SVM的生物特征融合技術(shù)研究.pdf

1、生物特征識別技術(shù)擁有傳統(tǒng)身份識別技術(shù)沒有的獨(dú)特優(yōu)點(diǎn)，在金融、公共安全等許多領(lǐng)域都有廣泛的應(yīng)用需求。近年來，隨著生物特征識別研究的日漸深入和相關(guān)應(yīng)用的飛速發(fā)展，多生物特征融合的身份識別已經(jīng)引起了國內(nèi)外學(xué)術(shù)界的廣泛關(guān)注。本文以多生物特征的融合識別為研究方向，根據(jù)多生物特征識別不同層次的融合框架，重點(diǎn)討論基于支持向量機(jī)（SVM）的融合算法，并以人臉和虹膜為例分析比較 SVM和常用典型融合算法的識別性能。主要包括三個方面的內(nèi)容：
　　首先

2、，利用已有的虹膜和人臉圖像庫，采用不同的特征提取算法及相應(yīng)的匹配算法獲取匹配結(jié)果，在此基礎(chǔ)上研究基于決策層的多生物特征融合識別。多生物特征識別的決策層融合一般是在分類的過程中實(shí)現(xiàn)融合以提高識別性能，通常利用分類器對多維向量（多種單一生物特征識別決策層輸出的匹配結(jié)果組成的向量）進(jìn)行二類劃分。本文引入貝葉斯分類器、Fisher分類器等幾種典型的分類器、以及SVM分類器實(shí)現(xiàn)決策層融合，進(jìn)而比較其性能，實(shí)驗結(jié)果表明基于SVM的決策層融合具有良好

3、的識別性能。
　　其次，利用虹膜和人臉串行組合成的一個融合特征向量來進(jìn)行特征層融合的研究，并引入現(xiàn)有的對多維特征向量進(jìn)行分類的典型方法如KNN最鄰近分類、LDA線性分類、神經(jīng)網(wǎng)絡(luò)算法，與SVM進(jìn)行比較，實(shí)驗數(shù)據(jù)表明SVM在特征層融合識別的研究方向上也具有突出的表現(xiàn)。
　　最后，針對在特征層融合識別中經(jīng)常出現(xiàn)的高維特征向量造成大量冗余信息的問題，本文提出在融合識別之前加入特征選擇的手段，基于SVM的特征選擇，并且與一些典型的特