基于多生物特征的身份鉴定融合方法技术

基于多生物特征的身份鉴定融合方法是一种对身份鉴定的新方法。该技术属于模式识别领域。本发明专利技术利用人的生物特征如脸像、虹膜、指纹、笔迹等对人进行身份鉴定，并将鉴定结果用标准归一化方法将全部特征输出归一化到同一范围，再分别采用自组织特征映射神经网络及模糊神经网络技术等方法进行融合。本方法应用灵活，身份鉴定结果可靠、准确，具有良好的应用前景。（*该技术在2019年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术是一种对身份进行鉴别的方法，该系统属于模式识别
原有的身份鉴定方法有使用钥匙、密码、证件等。这些方法具有很大的局限性。比如钥匙容易丢失，证件可能会被伪造，密码容易被遗忘，等等。事实上，人本身是最可靠的密码。基于人体的生物、行为特征进行身份识别是近年来一个热门的研究方向，用来进行身份鉴别的生物和行为特征有指纹、声音、虹膜、脸像和笔迹等。众所周知，每一种识别方式或每一种特征各具其优缺点，都在不同方面获得成功。经过这些年来的发展，脸像识别、指纹识别等都取得了一定的成果。在对身份鉴别系统的准确性及安全性要求日益增高的今天，单一特征的身份判断已不能满足人们的需要。不同特征、不同鉴别方式的结合可改善身份鉴定系统的安全性能，不同鉴别结果互为补充，又可提高准确性。本专利技术的目的在于利用多个生物特征进行身份鉴定，并把基于各种生物特征的身份鉴定结果利用神经网络和模糊技术进行融合，得到更为可靠的身份鉴定结果。本专利技术的技术要点如图1所示，有以下六部分构成(1)脸像识别本专利技术采用脸像图像的奇异值特征或其他代数特征，并采用融合方法将各个特征的识别结果加以综合，得出更为准确的身份鉴定结果。(2)虹膜识别本专利技术采用摄像头获取虹膜图像，利用全局纹理分析及局部特征分析相结合的方法进行测试图像与数据库中图像匹配，获得身份鉴定结果。(3)指纹识别本专利技术采用指纹录入仪，将获得的指纹图像经方向图估计、纹路提取、细化、细节提取过程，提取细节作为指纹的基本特征，并利用模糊匹配的方法计算出身份鉴定结果。(4)笔迹识别把包含某种字体或者笔迹的文档作为一种具有一定特征的纹理图像来处理，也就是对原始输入图像进行预处理，得到标准的图像即纹理图像；然后进行特征提取，即用多通道的Gabor滤波器提取这些纹理图像的特征；再对这些图像的特征用加权欧氏距离分类器进行模式匹配，得到身份鉴定结果。(5)声音识别本专利技术采用麦克风，并利用带通滤波器族处理以提取特征，再采用隐马尔可夫模型与神经网络相结合的方法进行识别，得出身份鉴定结果。(6)融合系统将前面几部分的身份鉴定结果利用标准归一化方法将其输出归一化到同一范围，分别采用自组织特征映神经网络、模糊神经网络融合方法进行融合。其中，可通过设计软件界面控制选择采用那几种生物特征的身份鉴定结果进行融合；亦可根据每种数据的质量，自动选择是否选取该特征进行识别，如在指纹图像质量不好或声音质量不好的情况下可舍弃该特征；且各生物特征身份鉴定系统可自成系统，独立工作。本专利技术提出了一种身份鉴定的新方法。与现有的方法不同的是，首先，该方法采用多种生物特征，其次，采用融合方法将多个生物特征鉴定结果相结合。本方法的优点在于以下几个方面(1)本方法采用生物特征作为人的基本特征，具有易携带，不易遗忘或被窃取等优点。(2)本方法采用灵活的融合系统，可通过软件控制选择或根据每种数据质量自动筛选可用特征决定采用那几种生物特征的身份鉴定结果进行融合，且各生物特征身份鉴定系统可自成系统，独立操作，以适合不同场合应用。(3)融合方法提高了可靠性和准确性，整个系统具有更强的鲁棒性。综上所述，“基于多生物特征的身份鉴定融合技术”应用灵活，身份鉴定结果可靠、准确，具有良好的应用前景。 附图说明图1为基于多生物特征的身份鉴定融合系统的框2为基于脸像的身份鉴定方法框3为基于虹膜的身份鉴定方法框4为基于指纹的身份鉴定方法框5为基于笔迹的身份鉴定方法框6为基于声音的身份鉴定方法框图实施例仅以利用脸像、虹膜、指纹、笔迹为例说明本专利技术的使用方法。首先，在软件界面上选定欲采取的身份鉴定方式或自动选择良好特征及是否需要融合，然后根据软件提示，依次输入各种生物特征。第一步，脸像识别如图2所示，被测人直立平视前方，由彩色摄像机摄取脸像图像，利用皮肤颜色与背景的差异，首先通过模糊聚类找出可能含有人脸的区域，再利用椭圆环匹配的方法进行人脸定位、分割，提取脸部图像，采用提取脸像矩阵的奇异值等代数特征，与样本库中相应的已注册的人脸利用提取不同的特征匹配的方法进行比对，在将不同特征的匹配结果进行决策融合得出更为准确的结果。具体的特征提取、匹配及决策融合过程为(一)特征提取矩阵可被分解为A=USVT(1)上面的等式可表示为A=Σi=1σiuiviT--(2)]]>U,V和S分别用来作为样本的特征，通过匹配的方法进行身份鉴别。(二)匹配A．基于奇异值的匹配每幅图像矩阵的奇异值作为特征向量。每个人的脸像训练样本构成的特征数据库可按照其分布情况聚类为若干个中心，这样在亮度和视角变化的较大条件下，可用不同的聚类中心表示这些变化，提高鉴别准确率。此处利用模糊C均值方法聚类。匹配输出依照测试样本与已知训练样本空间的匹配程度以隶属度函数值给出，匹配程度以距离衡量，具体采用π隶属度函数，表示如下 此处d=‖x-c‖2(4)dmax=max(‖xd-c‖2) (5)dmin=min(‖xd-c‖2) (6)r=dmax-dminl=dmax+1/3*r (7)x是测试样本的奇异值，xd是训练样本库中每个训练样本的奇异值，c是模糊聚类得的聚类中心。匹配输出以隶属度函数值表示。B．基于重建误差的匹配通过奇异值分解，矩阵A可由S、U、V表示，换言之，S、U、V决定了矩阵A。SVD是经典的图像压缩和重建方法。此处我们利用脸像的重建误差来鉴别人的身份。特征提取和匹配的具体步骤如下所示对某个特定的人，假设有M个脸像样本矩阵，平均矩阵为A-=1MΣi=1MA--(8)]]>A的SVD为A-=US-V-T=Σi=1kσi-ui-v-iT--(9)]]>假如前σl个奇异值的和在所有奇异值σi的和中占很大部分，我们可将图像按下列方式压缩A*-=Σi=1lσi-u-ivi-T--(10)]]>A的重建误差为E-=||A--A*-||2=Σi=1kσi-ui-viT---(11)]]>设B为测试样本矩阵，B可分解为B=WSbQT=Σi=1kθiωiqiT--(12)]]>B在A特征空间中的重建形式为B*=Σi=1lθiui-viT---(13)]]>B的重建误差为E=‖B-B*‖2(14)假设Am为训练样本库中的一幅脸像图像，其重建误差形式为Am*=Σi=1lαiu-iv-iT--(15)]]>Em=||Am-Am*||=Σi=1kαiui-v-iT--(16)]]>此处m是属于某个特定人的脸像数据库的样本个数。A的SVD如等式(2)所示。匹配过程与A类似，隶属度函数为 此处E由等式(14)定义。Emax=max(Em)(18) Emin=min(Em) (19)R=Emax-Eminl=Emax+1/3*R(20)Rommdhani提出了一种基于脸像重建误差的性别鉴别方法，该方法将测试样本分本文档来自技高网...

【技术保护点】
一种基于多生物特征的身份鉴定融合方法，其特征在于利用人的多种生物特征脸像、虹膜、指纹、笔迹、声音来鉴定人的身份，并将鉴定结果用标准归一化方法将全部特征输出归一化到同一范围，再分别采用（１）利用部分监督的神经网络实现融合，采用与人脑映射方式类似的自组织特征映射神经网络，并限制部分监督学习。（２）利用模糊神经网络进行融合。

【技术特征摘要】
1．一种基于多生物特征的身份鉴定融合方法，其特征在于利用人的多种生物特征脸像、虹膜、指纹、笔迹、声音来鉴定人的身份，并将鉴定结果用标准归一化方法将全部特征输出归一化到同一范围，再分别采用(1)利用部分监督的神经网络实现融合，采用与人脑映射方式类似的自组织特征映射神经网络，并限制部分监督学习。(2)利用模糊神经网络进行融合。2．根据权利要求1所述的基于多生物特征的身份鉴定融合方法，其特征在于利用脸像矩阵的代数特征或脸部器官轮廓以及头部三维形状等几何特征进行脸像的匹配识别，并采用融合方法论将各个特征的结果加以综合。3．根据权利要求1所述的基于多生物特征的身份鉴定融合方法，其特征在于利用虹膜的纹理进行身份鉴定，利用全局纹理分析及局部特征相结合的方法进行测试图象与数据库中图象匹配。4．根据权利要求1所述的基于...

【专利技术属性】
技术研发人员：谭铁牛，王蕴红，朱勇，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]