基于子空間的特征級(jí)信息融合——及其在身份識(shí)別中的應(yīng)用.pdf

1、隨著當(dāng)前社會(huì)的信息化、數(shù)字化、網(wǎng)絡(luò)化急速發(fā)展，傳統(tǒng)的口令、密碼已經(jīng)無法滿足人們對(duì)安全認(rèn)證的需求。應(yīng)運(yùn)而生的生物特征識(shí)別技術(shù)已經(jīng)成為身份認(rèn)證的發(fā)展趨勢(shì)。單一的生物識(shí)別技術(shù)不是因?yàn)槠渥R(shí)別精度不高，就是因?yàn)槠渥陨黼y以克服的缺點(diǎn)，難以達(dá)到實(shí)用化的地步。目前多生物特征融合技術(shù)正成為生物識(shí)別技術(shù)的熱點(diǎn)，其中包括了多傳感器上的信息融合，多算法的信息融合，多模態(tài)的信息融合等。而按照國(guó)際上信息融合層次的劃分，包括了數(shù)據(jù)級(jí)，特征級(jí)，分?jǐn)?shù)級(jí)和決策級(jí)上的融合。

2、本文也正是在國(guó)家自然科學(xué)基金項(xiàng)目“特征級(jí)信息融合理論及其應(yīng)用研究”背景下完成的。 本文從特征級(jí)信息融合的思路出發(fā)，在子空間分析的框架下采用多算法和多模態(tài)的信息融合技術(shù)對(duì)生物特征進(jìn)行融合，以達(dá)到更高的身份識(shí)別率和更低的認(rèn)證錯(cuò)誤率，包括錯(cuò)誤接受率(FAR)，錯(cuò)誤拒絕率(FRR)等。本文的主要工作如下： 1.通過線性主成分分析(PCA)和基于核的主成分分析(KPCA)抽取特征的自融合算法，用在掌紋識(shí)別上得到了較單一特征高的識(shí)別

3、率。PCA和KPCA分別抽取的是線性特征和非線性特征，基于融合特征總類間距離最大準(zhǔn)則，計(jì)算出其最佳的融合系數(shù)，使得融合特征的可分性最大。 2.對(duì)類內(nèi)散度矩陣的雙子空間(零空間和秩空間)進(jìn)行了研究分析，并給出了融合雙子空間鑒別信息的算法。線性判決分析(LDA)是子空間分析中的經(jīng)典算法，不過由于小樣本問題導(dǎo)致其類內(nèi)散度矩陣的奇異，傳統(tǒng)的解決方法比如Fisherpalm是舍棄了存在于類內(nèi)散度矩陣零空間中的鑒別向量，而另外一些方法比如共