基于Adaboost與CS-LBP的人臉與虹膜特征層融合識別研究.pdf

1、隨著模式識別的發(fā)展，基于生物特征識別的身份認(rèn)證系統(tǒng)正被人們重視。然而，傳統(tǒng)的生物特征識別系統(tǒng)的識別率常受到環(huán)境以及生物學(xué)特征自身局限性的影響，由此引發(fā)了對多模態(tài)生物特征識別系統(tǒng)的研究。人臉和虹膜識別作為模式識別中備受關(guān)注的兩種識別方式，也各自遇到瓶頸問題。因此，人們提出將人臉與虹膜特征進(jìn)行融合，構(gòu)成多模態(tài)生物識別系統(tǒng)，以改善單模態(tài)生物系統(tǒng)中遇到的問題。但是，在特征層對人臉識別與虹膜識別進(jìn)行融合一直都沒有被很好地實(shí)現(xiàn)，因此具有重要的研究價(jià)

2、值和應(yīng)用前景。本文研究實(shí)現(xiàn)人臉與虹膜特征層融合識別的關(guān)鍵方法，主要工作和成果如下：
　　 1)研究了經(jīng)典Discrete Adaboost算法及其擴(kuò)展Real Adaboost算法，通過實(shí)驗(yàn)對它們進(jìn)行了對比分析，結(jié)果表明，Discrete Adaboost更適用于小樣本集的分類器訓(xùn)練。
　　 2)根據(jù)人臉識別特點(diǎn)，提出一種能夠快速實(shí)現(xiàn)樣本訓(xùn)練的改進(jìn)Adaboost算法——Biased Adaboost。相比于Discre

3、te Adaboost，該算法能夠在保持分類準(zhǔn)確度的情況下，有效縮短樣本的訓(xùn)練時(shí)間。在典型數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明，該算法不但縮短了分類器訓(xùn)練時(shí)間，且所選擇的分類器相比傳統(tǒng)Adaboost顯得更為合理。
　　 3)研究了紋理描述算子LBP和CS-LBP，選擇CS-LBP算子描述人臉與虹膜。探討了在虹膜中是否存在穩(wěn)定特征區(qū)域的問題，并實(shí)驗(yàn)驗(yàn)證了采用一部分虹膜特征區(qū)域仍能夠很好地實(shí)現(xiàn)虹膜識別。因此得出結(jié)論：通過挑選特征來構(gòu)造分類器的集