一种基于样本质量的生物特征识别系统性能预测方法技术方案

本发明专利技术公开了一种基于样本质量的生物特征识别系统性能预测方法，该方法包括步骤：提取生物特征样本质量参数，根据生物特征样本标记信息将样本间匹配划分为类内匹配和类间匹配，分别对类内匹配分数和类间匹配分数进行平均采样，利用偏最小二乘回归方法建立生物特征样本质量参数和样本匹配分数的关系。本发明专利技术针对生物特征样本质量和样本匹配分数的关系，提出了基于偏最小二乘回归的方法预测识别系统的性能。本发明专利技术可用于大范围的生物特征识别系统性能预测，以及测试实际生物特征识别算法对特定样本样本质量的容忍度和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及计算机视觉、数字图像处理和模式识别
，特别是。
技术介绍
随着信息时代的高速发展，传统的密码系统面临着巨大的挑战，信息安全随之得到空前的重视。生物特征识别技术由于其唯一性，稳定性和可靠性逐渐成为传统身份识别的最有效的替代品。随着研究的逐步深入，接触式的以及需要用户高度配合的生物特征识别系统已经满足不了人们对设备易用性的需求，取而代之的是大范围、远距离监控场景下 的生物特征识别系统。随着易用性的提高，生物特征样本数量大幅增加，质量千差万别。基于高质量的生物特征识别算法的处理效率以及准确性都受到挑战。亟待解决的问题是如何将生物特征样本的质量与识别系统的性能直接关联起来。建立起这种关系，有三个方面的优点，第一，在具体识别操作之前可以大量去除根本无法识别的样本，减少系统响应时间，扩大识别系统的吞吐量；第二，根据样本质量预测的识别性能自适应改变识别系统算法，应变复杂样本质量变化需求；第三，通过人为改变生物特征样本质量分布，可以测试相应算法在极端条件下的识别效果，判断算法的优劣。目前，基于样本质量的生物特征识别系统的性能预测并不成熟，一些已有的工作仅仅集中在通过特征空间分布和性能间的关系来建立预测模型，详见文献R. Wangand B.Bhanu,“Predicting fingerprint biometrics performance from a smallgallery，，，Pattern Recognition Letters, 28 (I) :40-48, 2007 ； A. Johnson, J. Sun andA. Bobick. “Predicting large population data cumulative match characteristicperformance from small population data”， Audio-and Video-based BiometricPerson Authentication, volume 2688 of Lecture Notes in Computer Science, pages1061-1062。这部分工作更趋近于对特征统计理论模型的分析，而对于改善系统性能的帮助很小。当然，也有工作侧重于通过样本质量与识别性能的对应关系建立预测模型，详见文献G. Aggarwal, S. Biswas, P. Flynn and K. Bowyer, “Predicting performanceof face recognition systems An image characterization approach，，，In ComputerVision and Pattern Recognition Workshop, pages 52-59, june2011o 但是该方法有两方面的局限性。首先，这是基于人脸识别系统的性能预测，并没有推广到生物特征识别领域；其次，回归模型的采用上不能规避噪声的影响，使得它的准确性得到抑制；最后，由于非线性回归有一定时间复杂度，使应用受到限制。综上所述，基于样本质量的生物特征识别系统性能预测方法具有重要的意义。
技术实现思路
本专利技术的目的是针对上述现有技术存在的问题，提供。本专利技术综合了专利技术人曾经提出的虹膜样本质量确定方法，详见文献X. Li,Z. Sun and T. Tan,“Comprehensive assessment of iris image quality，，，In International Conference on Image Processing, pages 3178-3181,2011,提出了一套生物特征识别系统性能预测的方法，具体包括，生物特征样本质量参数的提取，平均分布采样以及偏最小二乘回归建模，从而建立了生物特征样本质量与识别性能的量化关系。本专利技术通过偏最小二乘回归建模的方法，抑制了噪声对预测模型的影响。在预测时间方面，本专利技术方法远远领先于其他方法，满足了系统对时间复杂度的要求，取得了良好的预测综合效果。本专利技术的基于样本质量的生物特征识别系统性能预测方法包括步骤SI，采集生物特征样本，组成训练样本库；步骤S2，对训练样本库中的生物特征样本进行预处理，提取每一生物特征样本的质量参数向量，并将训练样本库中任意两个生物特征样本进行配对，得到配对的两个生物特征样本的样本质量参数向量对； 步骤S3，根据训练样本库中样本的标记信息将所述步骤2中的生物特征样本间的匹配分为类内比对和类间比对；步骤S4，计算所述步骤2中配对的生物特征样本之间的比对分数，并基于样本的标记信息将计算得到比对分数分为类内比对分数和类间比对分数；步骤S5，分别对所述步骤S4计算得到的类内比对分数和类间比对分数进行平均采样；步骤S6，基于平均采样后的样本的生物特征样本质量参数向量对以及样本间的比对分数，通过偏最小二乘回归(PLS-R)方法分别建立生物特征样本质量参数向量对与生物特征样本比对分数之间的类内模型和类间模型；步骤S7，与所述步骤S2相似，对被测生物特征识别系统中的所有测试生物特征样本进行预处理，得到测试生物特征样本的质量参数向量；步骤S8，与所述步骤S3相似，根据样本的标记信息将测试生物特征样本间的匹配分为类内比对和类间比对；步骤S9，根据所述步骤S6训练得到的类内模型和类间模型分别预测测试生物特征样本间的类内比对分数和类间比对分数，并根据预测得到的类内比对分数和类间比对分数的分布，计算代表生物特征识别系统总体性能的性能参数来测试所述生物特征识别系统预测的性能。通过本专利技术的基于样本质量的生物特征识别系统性能预测方法能够建立生物特征样本质量和样本匹配分数的对应关系，进而预测生物特征识别系统的性能。本专利技术的基于样本质量的生物特征识别系统性能预测方法在匹配分数选取时采用了平均采样的方法，该方法保证在一定的分数取值范围内分数间分配的权重相同，从而有效地降低训练集中高概率分数对回归模型的影响。另外，本专利技术的基于样本质量的生物特征识别系统性能预测方法在匹配分数回归模型的建立上采用了偏最小二乘回归的方法，优点主要有三个方面。第一，偏最小二乘回归方法在特征空间中每次选取的是区分度最大的特征，这就有效地抑制了噪声点对回归模型的影响；第二，由于在模型建立的过程中，运用匹配分数与质量参数共同作用，从而突出两方面的相关性；第三，训练结束后，回归模块只是矩阵相乘，这样就大大降低了预测时间。因此，本专利技术解决了基于样本质量的生物特征识别系统性能预测的问题，建立起生物特征样本质量和和样本匹配分数的对应关系，在今后的应用中，不仅可以根据样本质量分布预测生物特征识别系统的性能，而且还可以用于评价相应生物特征识别算法对特定生物特征质量的容忍度和鲁棒性，进而有效的推动生物特征识别算法向正确的方向发展。附图说明图I为本专利技术基于样本质量的生物特征识别系统性能预测方法流程图；图2为决定虹膜样本质量的离焦、运动模糊、光照、眼皮及睫毛遮挡、斜眼及瞳孔伸缩示意图；图3(a)为原始采样分数分布示意图；图3(b)为平均采样分数分布示意图；图4(a)为本专利技术在ICE 2005Left数据库上的等错误率(EER)预测曲线图；图4(本文档来自技高网...

【技术保护点】
一种基于样本质量的生物特征识别系统性能预测方法，其特征在于，该方法包括以下步骤：步骤S1，采集生物特征样本，组成训练样本库；步骤S2，对训练样本库中的生物特征样本进行预处理，提取每一生物特征样本的质量参数向量，并将训练样本库中任意两个生物特征样本进行配对，得到配对的两个生物特征样本的样本质量参数向量对；步骤S3，根据训练样本库中样本的标记信息将所述步骤2中的生物特征样本间的匹配分为类内比对和类间比对；步骤S4，计算所述步骤2中配对的生物特征样本之间的比对分数，并基于样本的标记信息将计算得到比对分数分为类内比对分数和类间比对分数；步骤S5，分别对所述步骤S4计算得到的类内比对分数和类间比对分数进行平均采样；步骤S6，基于平均采样后的样本的生物特征样本质量参数向量对以及样本间的比对分数，通过偏最小二乘回归(PLS？R)方法分别建立生物特征样本质量参数向量对与生物特征样本比对分数之间的类内模型和类间模型；步骤S7，与所述步骤S2相似，对被测生物特征识别系统中的所有测试生物特征样本进行预处理，得到测试生物特征样本的质量参数向量；步骤S8，与所述步骤S3相似，根据样本的标记信息将测试生物特征样本间的匹配分为类内比对和类间比对；步骤S9，根据所述步骤S6训练得到的类内模型和类间模型分别预测测试生物特征样本间的类内比对分数和类间比对分数，并根据预测得到的类内比对分数和类间比对分数的分布，计算代表生物特征识别系统总体性能的性能参数来测试所述生物特征识别系统预测的性能。...

【技术特征摘要】

【专利技术属性】
技术研发人员：谭铁牛，孙哲南，李星光，
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：