基于特征層與分?jǐn)?shù)層的多模態(tài)生物特征融合.pdf

1、生物特征識(shí)別在人類(lèi)的生產(chǎn)活動(dòng)中，起到了越來(lái)越重要的作用。同時(shí)，隨著生物特征識(shí)別越來(lái)越廣泛的應(yīng)用，單模態(tài)生物特征識(shí)別不足以滿(mǎn)足實(shí)際使用中的諸多需求這一問(wèn)題越發(fā)地突顯出來(lái)。而多模態(tài)生物特征融合方法能夠通過(guò)集成多個(gè)生物模態(tài)的信息，來(lái)緩解單模態(tài)生物特征識(shí)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(shí)別取得了迅猛的發(fā)展，然而仍有部分關(guān)鍵問(wèn)題有待得到進(jìn)一步解決，例如提取多模態(tài)互補(bǔ)信息、緩解噪聲影響以及利用深層次信息等問(wèn)題。本文基于多

2、模態(tài)生物特征的特征層與分?jǐn)?shù)層數(shù)據(jù)，從上述實(shí)際問(wèn)題出發(fā)，探索能夠有效緩解上述問(wèn)題的融合方法和策略，同時(shí)建立方便、準(zhǔn)確、高效的多模態(tài)生物特征識(shí)別系統(tǒng)。本文中，主要工作和貢獻(xiàn)如下:
　　在高通量的場(chǎng)景下，以提取多模態(tài)生物特征之間的互補(bǔ)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(bǔ)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(jì)算以及存儲(chǔ)消耗，進(jìn)而實(shí)現(xiàn)快速、準(zhǔn)確地對(duì)用戶(hù)身份

3、進(jìn)行識(shí)別。該模型具有所選特征稀疏、泛化能力強(qiáng)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(bǔ)性、去除冗余性，因此該方法能夠在保證融合后識(shí)別性能提升的前提下，降低計(jì)算復(fù)雜度以及融合的時(shí)間消耗。
　　針對(duì)遠(yuǎn)距離生物特征識(shí)別系統(tǒng)中，由于環(huán)境噪聲的干擾，致使融合后識(shí)別性能下降的問(wèn)題，我們提出了一種對(duì)噪聲魯棒的融合模型。在生物特征識(shí)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(qiáng)烈，并且會(huì)影響后續(xù)流程，如特征提取、特征比對(duì)等流程，進(jìn)而影

4、響最終融合的識(shí)別結(jié)果。本文針對(duì)噪聲對(duì)分?jǐn)?shù)層數(shù)據(jù)產(chǎn)生的影響，提出了一種基于對(duì)噪聲充分估計(jì)的魯棒線性規(guī)劃模型，最大限度的在分?jǐn)?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(shí)，還保證了算法的效率，保證了系統(tǒng)的實(shí)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(duì)新型魯棒線性規(guī)劃模型的快速數(shù)學(xué)求解方法，將高度非線性模型轉(zhuǎn)化為線性規(guī)劃模型進(jìn)行求解，使得求解過(guò)程更加簡(jiǎn)便高效。同時(shí)本文還從概率的角度對(duì)

5、所提出的模型進(jìn)行了闡述，計(jì)算出了該模型最優(yōu)解情況下分類(lèi)錯(cuò)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(duì)分?jǐn)?shù)中抽取隱含信息的分段線性分類(lèi)器融合方法。用戶(hù)的生物特征信息在生物特征識(shí)別系統(tǒng)中，經(jīng)由特征采集、特征提取、特征比對(duì)等模塊時(shí)，雖然所操作的數(shù)據(jù)具有了規(guī)范化、可操作性強(qiáng)等特點(diǎn)，但是其所承載的用戶(hù)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(duì)分?jǐn)?shù)與決策值之間的關(guān)系是高度非線性的，但是在通過(guò)比

6、對(duì)分?jǐn)?shù)計(jì)算得出決策值時(shí)，大部分系統(tǒng)都是采用簡(jiǎn)單的線性融合分類(lèi)器來(lái)模擬該高度非線性的關(guān)系，這進(jìn)一步導(dǎo)致了更多細(xì)節(jié)信息的丟失。為了恢復(fù)這些隱藏在分?jǐn)?shù)層中的用戶(hù)生物特征信息，本文提出了一種分段線性分類(lèi)器融合框架。該方法受到“非線性是絕對(duì)的，線性是相對(duì)的”觀點(diǎn)啟發(fā)，通過(guò)對(duì)特征空間離散化的方法，自適應(yīng)地學(xué)習(xí)得到比對(duì)分?jǐn)?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?jǐn)?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(duì)分段線性分類(lèi)器融合框架下三種性能優(yōu)異的融合分類(lèi)器進(jìn)行了分析與說(shuō)明，并指出了其分別所擅長(zhǎng)的實(shí)際應(yīng)用中的問(wèn)題。
　　由于人類(lèi)的臉部區(qū)域生物模態(tài)豐富，同時(shí)便于采集，而且在實(shí)際使用中能夠與用戶(hù)良好的交互，較多的多模態(tài)生物特征融合系統(tǒng)采用對(duì)人臉、虹膜、眼周等生物模態(tài)進(jìn)行融合，不僅提升系統(tǒng)的準(zhǔn)確性，還提高系統(tǒng)的易用性。因此，本文中也采用對(duì)人臉區(qū)域的生物模態(tài)進(jìn)行融合，來(lái)驗(yàn)證本文中所提出的方法的有效性，從實(shí)際需求出發(fā)，建立便捷、準(zhǔn)