一種跨設(shè)備生物特征識別方法
【專利摘要】本發(fā)明公開了一種跨設(shè)備生物特征識別方法。該方法包括以下步驟：對不同采集設(shè)備采集到的生物特征圖像組分別進行預(yù)處理，并提取每幅生物特征圖像的局部子區(qū)域特征；以相似度為導(dǎo)向選取關(guān)聯(lián)特征；對關(guān)聯(lián)特征訓(xùn)練得到分類器模型；對待測試的來自于不同采集設(shè)備的生物特征圖像進行預(yù)處理和關(guān)聯(lián)特征提??；將關(guān)聯(lián)特征分別輸入分類器模型中進行分類；對于來自不同采集設(shè)備的生物特征圖像經(jīng)過分類器模型的分類結(jié)果進行比對，最終得到跨設(shè)備生物特征識別結(jié)果。本發(fā)明選擇到的特征能夠很好的克服跨設(shè)備圖像比對中帶來的噪聲，提高跨設(shè)備生物特征圖像識別的性能，可用于大規(guī)模的生物特征識別的身份認(rèn)證系統(tǒng)和其他需要安全性防范的諸應(yīng)用系統(tǒng)中。
【專利說明】一種跨設(shè)備生物特征識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)字圖像處理、模式識別和統(tǒng)計學(xué)習(xí)等【技術(shù)領(lǐng)域】，特別是通過提取針對跨設(shè)備的關(guān)聯(lián)特征空間的圖像比對的關(guān)聯(lián)特征來進行生物特征的識別。
【背景技術(shù)】
[0002]身份識別是社會生活的基本問題，不僅關(guān)系于個人的利益，也關(guān)系于國家的安全和社會的穩(wěn)定。由于傳統(tǒng)的身份認(rèn)證方式如密碼、門禁卡等存在一定的局限性，生物特征識別作為新型的身份認(rèn)證手段越來越受到大家的歡迎。而隨著人類社會信息化進程的深入發(fā)展，各種生物圖像獲取裝置呈現(xiàn)出廣泛發(fā)展的趨勢，同時互聯(lián)網(wǎng)的圖像和視頻數(shù)據(jù)的規(guī)模呈爆炸式增長，為生物特征識別提供了新的機遇和挑戰(zhàn)。例如“平安城市”工程建設(shè)將在全國各地部署千萬級別的高清監(jiān)控終端，其中生物特征是確定人員身份的重要手段。同時我國每年新增數(shù)以億計的智能手機和平板電腦上的千萬像素高清攝像頭構(gòu)建了廣泛分布的移動視覺感知平臺，這為采集多種模態(tài)的生物特征提供了新的途徑。
[0003]以虹膜識別為例，虹膜識別是基于人眼虹膜紋理的特征來進行人的身份識別的一種識別方法，具有唯一性、穩(wěn)定性、非侵犯性等特點，由于其可靠性，已經(jīng)廣泛應(yīng)用到機場、海關(guān)、銀行等場合的身份鑒別。虹膜圖像獲取設(shè)備可以是近紅外相對于可見光、CCD相對于CMOS、高清相對于低分辨率、固定式相對于移動式、專用裝置相對于普通相機等，用戶狀態(tài)可以是近距離相對于遠(yuǎn)距離、靜態(tài)相對于動態(tài)(行進中)、眼鏡相對于裸眼、正視相對于斜視等，虹膜圖像來源的網(wǎng)絡(luò)環(huán)境可以是物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)等，總之虹膜圖像的數(shù)據(jù)來源呈現(xiàn)多元化的趨勢。而不同的生產(chǎn)廠商在生產(chǎn)自己的虹膜識別系統(tǒng)的時候，都會設(shè)計出不同的上述提到的組件，從而導(dǎo)致獲取的虹膜圖像在分辨率、對比度、紋理細(xì)節(jié)、形變等方面有較大的差異。當(dāng)來自于不同設(shè)備采集到的虹膜圖像進行比對的時候，虹膜識別的準(zhǔn)確將會大大降低。
[0004]目前在跨設(shè)備的虹膜識別研究領(lǐng)域，近兩年來學(xué)術(shù)界才有關(guān)于跨設(shè)備虹膜識別的討論，指出了虹膜傳感器和虹膜識別算法的選擇都會對虹膜識別的準(zhǔn)確率產(chǎn)生影響。隨后
度學(xué)者 Arora 等人(Arora, S.S.；Vatsa, M.；Singh, R.；Jain, A., " On iris camerainteroperability, " Biometrics:Theory,Applications and Systems(BTAS2012))為角軍決該問題，提出對需要比對的圖像，先進行虹膜傳感器分類，然后對其進行一定的圖像增強方法來提高虹膜識別設(shè)備的互用性?？缭O(shè)備的人臉識別的方法一般主要有兩大類，一類以合成為主，即將來自一個人臉采集設(shè)備的圖像轉(zhuǎn)化到另一個人臉采集設(shè)備的圖像空間，從而實現(xiàn)同類圖像的比對。另一類以子空間方法為主，即將兩類來自不同采集設(shè)備的圖像共同轉(zhuǎn)化到相同的子空間中去進行比對。其他諸如跨設(shè)備的指紋、掌紋等生物特征模態(tài)之間的比對也有了一定的發(fā)展。但是之前的方法很少從圖像本身的特點進行分析。因此，本發(fā)明考慮從特征層面出發(fā)，通過選擇出一組最優(yōu)特征，來更好的表達跨設(shè)備的生物特征圖像的特性，從而達到魯棒跨設(shè)備的生物特征圖像識別的目標(biāo)。
【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是提供一種跨設(shè)備生物特征識別方法，通過抽取出最優(yōu)的描述跨設(shè)備圖像紋理的特征，來提高跨設(shè)備生物特征圖像識別的準(zhǔn)確率和穩(wěn)定性。
[0006]為了實現(xiàn)上述目的，本發(fā)明提出的一種跨設(shè)備生物特征識別方法包括以下步驟:
[0007]步驟SI，對不同采集設(shè)備采集到的生物特征圖像組分別進行預(yù)處理，并提取所述生物特征圖像組中每幅生物特征圖像的局部子區(qū)域特征；
[0008]步驟S2，以相似度為導(dǎo)向，從所述步驟SI提取到的局部子區(qū)域特征中選取關(guān)聯(lián)特征；
[0009]步驟S3，對所述步驟S2得到的關(guān)聯(lián)特征，訓(xùn)練學(xué)習(xí)得到分類器模型；
[0010]步驟S4，輸入待測試的來自于不同采集設(shè)備的生物特征圖像，并按照所述步驟SI和步驟S2分別對待測試生物特征圖像進行預(yù)處理和關(guān)聯(lián)特征提?。?br> [0011]步驟S5，將所述步驟S4提取得到的關(guān)聯(lián)特征分別輸入所述步驟S3得到的分類器模型中，進行分類；
[0012]步驟S6，對于來自不同采集設(shè)備的生物特征圖像經(jīng)過分類器模型的分類結(jié)果進行比對，最終得到跨設(shè)備生物特征識別結(jié)果。
[0013]本發(fā)明提出的一種跨設(shè)備生物特征圖像識別的關(guān)聯(lián)特征選擇方法，對于提高跨設(shè)備生物特征圖像識別準(zhǔn)確性和魯棒性具有重要的意義，其主要優(yōu)點如下:
[0014]1.本發(fā)明使用的關(guān)聯(lián)特征選擇方法，充分利用了同設(shè)備分類性能較好的特征的選擇，同時又考慮了跨設(shè)備的相關(guān)特征的選擇，從而綜合選擇出適合于跨設(shè)備生物特征圖像識別的魯棒特征。
[0015]2.本發(fā)明對跨設(shè)備特征空間的特征權(quán)重進行約束，構(gòu)建跨設(shè)備特征空間的關(guān)系，以保證不同特征空間，選擇出的特征具有相似性，即相似的特征分類能力；并通過對各自的同特征空間的回歸誤差進行約束，以保證所選擇的特征能夠在同特征空間中具有較強的分類性能。
[0016]3.本發(fā)明采用了線性規(guī)劃的方法解決優(yōu)化關(guān)聯(lián)特征選擇問題。該方法具有較快的收斂速度。
[0017]4.本發(fā)明可以應(yīng)用到多種不同模態(tài)的跨設(shè)備身份鑒別問題中。
【專利附圖】

【附圖說明】
[0018]圖1是本發(fā)明跨設(shè)備生物特征識別方法的流程圖；
[0019]圖2 (a)、圖2 (b)、圖2 (C)、圖2 (d)、圖2 (e)、圖2 (f)分別是來自于不同采集設(shè)備的虹膜圖像；
[0020]圖3是來自于不同采集設(shè)備的人臉圖像；
[0021]圖4是來自于不同采集設(shè)備的指紋圖像。
【具體實施方式】
[0022]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細(xì)說明。
[0023]本發(fā)明通過構(gòu)建跨設(shè)備特征空間的關(guān)系的同時，對單個設(shè)備特征空間的回歸誤差進行約束，來學(xué)習(xí)到跨設(shè)備的生物特征圖像的多組特征權(quán)重。通過對該多組特征權(quán)重進行排序等操作，選擇出最終的適用于表達來自于多種不同設(shè)備采集到的生物特征圖像的特征，使其在跨設(shè)備的生物特征圖像比對中，仍然具有較高的準(zhǔn)確性能。
[0024]圖1是本發(fā)明跨設(shè)備生物特征識別方法的流程圖，如圖1所示，本發(fā)明方法包括以下步驟:
[0025]步驟SI，對不同采集設(shè)備采集到的生物特征圖像組分別進行預(yù)處理，并提取所述生物特征圖像組中每幅生物特征圖像的局部子區(qū)域特征；
[0026]所述預(yù)處理包括生物特征定位和歸一化等處理。
[0027]在本發(fā)明一實施例中，采用區(qū)域多級子定序測量特征對所述生物特征圖像中的生物特征進行表達，以得到相應(yīng)生物特征圖像的局部子區(qū)域特征。
[0028]優(yōu)選地，所述步驟SI進一步包括如下步驟:
[0029]步驟S11，將經(jīng)過預(yù)處理后得到的生物特征圖像分割成多個局部子區(qū)域；
[0030]步驟S12，采用多級子濾波器對每個局部子區(qū)域進行濾波，抽取相應(yīng)局部子區(qū)域的定序測量特征作為該局部子區(qū)域的特征以表達該局部子區(qū)域的生物特征。
[0031]步驟S2，以相似度為導(dǎo)向，從所述步驟SI提取到的局部子區(qū)域特征中選取關(guān)聯(lián)特征；
[0032]所述關(guān)聯(lián)特征是適用于關(guān)聯(lián)特征空間的分類性能最強的特征。
[0033]優(yōu)選地,所述步驟S2進一步包括如下步驟:
[0034]步驟S21，構(gòu)建特征訓(xùn)練樣本集；
[0035]所述步驟S21進一步包括以下步驟:
[0036]步驟S211，在不同采集設(shè)備采集到的生物特征圖像組中分別選取相應(yīng)數(shù)量的生物特征圖像，組成多個訓(xùn)練集；
[0037]步驟S212，對每一個訓(xùn)練集中的生物特征圖像進行兩兩比對，計算任意兩幅生物特征圖像的各相應(yīng)局部子區(qū)域特征之間的漢明距離，作為該局部子區(qū)域特征之間的相似度分?jǐn)?shù)，對于每一個訓(xùn)練集，得到多個分?jǐn)?shù)序列；
[0038]步驟S213，將所述分?jǐn)?shù)序列中來自于同一類生物特征圖像的相似度分?jǐn)?shù)作為正樣本(N+)，將來自于不同類生物特征圖像的相似度分?jǐn)?shù)作為負(fù)樣本(N-)，這樣就得到來自不同采集設(shè)備的樣本組成的特征訓(xùn)練樣本集。
[0039]步驟S22，基于所述特征訓(xùn)練樣本集，通過構(gòu)建多組特征權(quán)重的約束的優(yōu)化問題，得到適用于該訓(xùn)練樣本集的特征權(quán)重向量S ；
[0040]該步驟中，對分類誤差、特征稀疏性和關(guān)聯(lián)特征空間的關(guān)聯(lián)特征同時進行約束而構(gòu)建出優(yōu)化問題，通過最小化該優(yōu)化問題，求解所述多組特征權(quán)重wa，wb，從而最終得到適用于該訓(xùn)練樣本集的特征權(quán)重向量S ；
[0041]優(yōu)選地，所述步驟S22包括以下步驟:
[0042]步驟S221，設(shè)立并求解目標(biāo)函數(shù)，得到所述特征訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重
a b
WjW;
[0043]所述目標(biāo)函數(shù)表示為:
【權(quán)利要求】
1.一種跨設(shè)備生物特征識別方法，其特征在于，該方法包括以下步驟: 步驟SI，對不同采集設(shè)備采集到的生物特征圖像組分別進行預(yù)處理，并提取所述生物特征圖像組中每幅生物特征圖像的局部子區(qū)域特征； 步驟S2，以相似度為導(dǎo)向，從所述步驟SI提取到的局部子區(qū)域特征中選取關(guān)聯(lián)特征； 步驟S3，對所述步驟S2得到的關(guān)聯(lián)特征，訓(xùn)練學(xué)習(xí)得到分類器模型； 步驟S4，輸入待測試的來自于不同采集設(shè)備的生物特征圖像，并按照所述步驟SI和步驟S2分別對待測試生物特征圖像進行預(yù)處理和對偶特征提?。? 步驟S5，將所述步驟S4提取得到的關(guān)聯(lián)特征分別輸入所述步驟S3得到的分類器模型中，進行分類； 步驟S6，對于來自不同采集設(shè)備的生物特征圖像經(jīng)過分類器模型的分類結(jié)果進行比對，最終得到跨設(shè)備生物特征識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)處理包括生物特征定位和歸一化。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用區(qū)域多級子定序測量特征對所述生物特征圖像中的生物特征進行表達，以得到相應(yīng)生物特征圖像的局部子區(qū)域特征。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟SI進一步包括如下步驟: 步驟S11，將經(jīng)過預(yù)處理后得到的生物特征圖像分割成多個局部子區(qū)域； 步驟S12，采用多級子濾波器對每個局部子區(qū)域進行濾波，抽取相應(yīng)局部子區(qū)域的定序測量特征作為該局部子區(qū)域的特征以表達該局部子區(qū)域的生物特征。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2進一步包括如下步驟: 步驟S21，構(gòu)建特征訓(xùn)練樣本集； 步驟S22，基于所述特征訓(xùn)練樣本集，通過構(gòu)建多組特征權(quán)重的約束的優(yōu)化問題，得到適用于訓(xùn)練樣本集的特征權(quán)重向量S ； 步驟S23，對所述步驟S22求得的適用于訓(xùn)練樣本集的特征權(quán)重向量S，根據(jù)具體需求選擇一定數(shù)量的特征來描述跨設(shè)備生物特征識別中來自不同采集設(shè)備的生物特征圖像的本質(zhì)特性，最終得到適用于跨設(shè)備的關(guān)聯(lián)特征空間的關(guān)聯(lián)特征。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S21進一步包括以下步驟: 步驟S211，在不同采集設(shè)備采集到的生物特征圖像組中分別選取相應(yīng)數(shù)量的生物特征圖像，組成多個訓(xùn)練集； 步驟S212，對每一個訓(xùn)練集中的生物特征圖像進行兩兩比對，計算任意兩幅生物特征圖像的各相應(yīng)局部子區(qū)域特征之間的漢明距離，作為該局部子區(qū)域特征之間的相似度分?jǐn)?shù)，對于每一個訓(xùn)練集，得到多個分?jǐn)?shù)序列； 步驟S213，將所述分?jǐn)?shù)序列中來自于同一類生物特征圖像的相似度分?jǐn)?shù)作為正樣本，將來自于不同類生物特征圖像的相似度分?jǐn)?shù)作為負(fù)樣本，這樣就得到來自不同采集設(shè)備的樣本組成的特征訓(xùn)練樣本集。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S22包括以下步驟: 步驟S221，設(shè)立并求解目標(biāo)函數(shù)，得到所述特征訓(xùn)練樣本集中各訓(xùn)練樣本的權(quán)重wb ； 步驟S222，通過求取[wawb]的12范數(shù)來得到最終的訓(xùn)練樣本權(quán)重向量S。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述目標(biāo)函數(shù)表示為:
9.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S23中，通過對特征權(quán)重向量S進行降序排序，并選擇排在前K個的權(quán)重對應(yīng)的特征作為關(guān)聯(lián)特征。
10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3中，通過支持向量機來訓(xùn)練學(xué)習(xí)得到分類器模型。
【文檔編號】G06K9/66GK103745242SQ201410043933
【公開日】2014年4月23日 申請日期:2014年1月30日 優(yōu)先權(quán)日:2014年1月30日
【發(fā)明者】譚鐵牛, 孫哲南, 赫然, 校利虎 申請人:中國科學(xué)院自動化研究所