首页 匹配层多生物特征融合识别理论研究

匹配层多生物特征融合识别理论研究

举报
开通vip

匹配层多生物特征融合识别理论研究匹配层多生物特征融合识别理论研究 李秀艳1,2,刘铁根2,袁臣虎1 (1. 天津工业大学电子与信息工程学院,天津,300387; 5 2. 天津大学精仪学院,光电信息技术科学教育部重点实验室,天津,300072;) 摘要:多生物特征融合识别分为特征层融合、匹配层融合和决策层融合三个层次,其中匹配 层融合策略既能融合若干个单模态生物特征各自的信息量,其融合实现难度相对较小,且融 合效果显著的特点。本文研究了均值融合方法和最大值融合方法的匹配层融合识别理论,推 导了多生物特征融合系统中降低识别错误拒绝率(FRR...

匹配层多生物特征融合识别理论研究
匹配层多生物特征融合识别理论研究 李秀艳1,2,刘铁根2,袁臣虎1 (1. 天津工业大学电子与信息 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 学院,天津,300387; 5 2. 天津大学精仪学院,光电信息技术科学教育部重点实验室,天津,300072;) 摘要:多生物特征融合识别分为特征层融合、匹配层融合和决策层融合三个层次,其中匹配 层融合策略既能融合若干个单模态生物特征各自的信息量,其融合实现难度相对较小,且融 合效果显著的特点。本文研究了均值融合方法和最大值融合方法的匹配层融合识别理论,推 导了多生物特征融合系统中降低识别错误拒绝率(FRR)、错误接受率(FAR)和等错率(ERR) 识别性能的约束条件,并基于手背静脉、虹膜和指纹三种生物特征进行了融合实验验证,对 10 于多生物特征识别应用具有指导意义。 关键词:图像处理;生物特征;融合;身份识别;理论研究;约束条件 中图分类号:TP391.41 15 Study on Multi-Modal Biometric Theory at Matching Score Level LI Xiuyan1,2, LIU Tiegen2, YUAN Chenhu1 (1. School of Electronics and Information Engineering,Tianjin Polytechnic university,Tianjin,300387; 2. Key Laboratory of Opto-electronics Information and Technical Science of MOE, College of 20 Precision Instrument and Opto-electronics Engineering, Tianjin University, Tianjin, 300072;) Abstract: The data fusion in a multi-modal biometric system can be realized at feature extraction level, matching score level and decision level. At the matching score level, each individual system provides a matching score and those scores are combined to affirm the authenticity of the claimed identity, which is effective to improve the recognition performance and easy to realize. The data fusion theory based 25 on Average and Max methods at matching score level was studied in the paper. The constraint conditions on improving recognition performance including FRR, FAR and ERR reduction were deduced and verified by fusion recognition tests using hand vein, iris and fingerprint, which has guiding significance for multi-modal biometric application system. Key words: Image processing; Biometric; Fusion; Personal identity recognition; theoretical research; 30 constraint conditions 0 引言 随着科技的飞速发展,现代社会对于身份识别系统的准确性及安全性要求日益提高,仅 靠单一生物特征常常无法满足实际需要[1]。将数据融合方法用于身份识别,结合多种生理和 行为特征进行身份识别的多生物特征识别具有低错误率,特征变化的适应性强,安全可靠性 35 高等优点[2,3],成为身份识别领域发展的趋势。 基于多模态生物特征进行融合识别时,首先要考虑在哪个层次上进行数据融合,即融合 策略选择问题。A.K Jain 等提出了融合理论框架并将其分为特征层融合、匹配层融合和决策 层融合 3 个层次[4]。特征层融合属于底层融合策略,它是指单模态生物特征图像经过前端预 处理后,分别对每种单模态生物特征提取特征描述向量,然后经过特征向量融合的处理,将 40 多个低维的特征描述向量融合,形成一个新的更高维的联合特征向量,用这个高维联合特征 基金项目:教育部博士点基金(20090032110051) 作者简介:李秀艳(1981-),女,讲师,主要研究方向:图像处理与模式识别 通信联系人:刘铁根(1955-),男,教授,主要研究方向:光纤传感技术、嵌入式图像处理. E-mail: tgliu@tju.edu.cn -1- 向量代 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 多模态生物特征的模式进行身份识别。匹配层融合属于中间层次的融合策略,首先 对单模态生物特征分别进行独立的特征向量提取与特征匹配处理,输出各自的特征匹配分 数,然后将多个匹配分数进行融合决策实现身份识别。决策层融合属于最顶层的融合策略, 这种融合方式通过分别对各单模态生物特征进行独立的特征向量提取、特征匹配处理之后, 45 将各单模态生物特征匹配的决策信息进行融合,将多个决策结果经过一定的算法进行综合, 输出最终的决策结果。 匹配层融合既能融合若干个单模态生物特征各自的信息量,其融合实现难度相对又较 小,不同的单个特征可以分别进行独立的匹配处理,融合输入为各自的特征匹配分数,融合 效果显著。本文主要对匹配层融合方法进行理论研究和实验分析,分析多生物特征融合识别 50 性能提高的理论条件。 1 匹配分数分布数学模型 生物特征匹配过程通过将待识别特征样本与存储在数据库中的注册样本模板进行匹配 之后输出匹配分数,根据匹配分数与设定阈值进行比较得到最终的决策结果。通过对大量样 本进行一对一匹配实验,可以得到匹配分数集合 S,典型的匹配分数分布如图 1 所示。 55 p(s | H1 ) p(s | H 0 ) 图 1 典型的匹配分数分布示意图 Fig. 1 The schematic of typical matching score distribution 根据一一匹配的两个特征所属类别的关系,可以将匹配分数分为 H0 和 H1 两类,即相同 类别特征之间的匹配分数和不同类别特征之间的匹配分数。则匹配分数集合 60 S , {si | i , 1, 2,..., N}中包含互斥子集 Sgen 和 Simp,其中 Sgen , {sn | sn H0} 为类内匹配分 数集合, Simp , {sm | sm H1} 为类间匹配分数集合,满足 S , Sgen , Simp 。定义集合 Sgen 和 Simp 的分布函数分别为 Fgen (s) 和 Fimp (s) ,其对应的概率密度函数分别为 p(s | H0 ) 和 p(s | H1) 。理论上来说,对于一个具有区分性的特征,它的匹配分数分布应该遵循双峰分 布,如图 1 所示。为了简化和统一匹配分数分布的描述,建立匹配分数集合正态分布模型[5]: 65 2 2 Sgen ~ N (, 0 ,, 0 ), Simp ~ N (,1,, 1 ) 生物特征识别系统中,决策结果的分类面由阈值 T 决定,根据设定的阈值 T,决策结果 分为两类:D0 和 D1。其中 D0 , {si | s , T }决策为匹配,即参与匹配的生物特征样本属于同 一类别; D1 , {si | s , T }决策为不匹配,即参与匹配的生物特征样本属于不同类别。理想 70 的生物特征识别系统中 Sgen 和 Simp 分布应完全分开没有交叠,此时决策结果 D0、D1 和匹配 分数类别 H0 和 H1 完全重合。但在一个实际生物特征识别系统中,Sgen 和 Simp 分布总是交叠 在一起,这种情况下无论如何选择阈值 T 决策结果都会产生两类错误:错误接受率 FAR 和 错误拒绝率 FRR,FAR 和 FRR 与 Sgen 和 Simp 的概率密度有关,其定义如下: T (1) |H )=P( s , T | H FRR(T )=P(D1 0 0 )=, p(s | H 0 ) 75 |H )=P(s , T | H FAR(T )=P(D0 1 1)=, p(s | H1) , 1 , p(s | H1) -2- 2 匹配层均值融合方法 多生物特征识别匹配层融合策略如图 2 所示。这种融合方式通过分别对各单模态生物特 征进行独立的特征向量提取、特征匹配处理之后,得到各自的匹配分数,匹配层融合对各单 模态生物特征的匹配分数进行融合之后进行最终的决策判决,得到最终的身份识别结果。由 于各单模态生物特征提取的特征向量及其输出的匹配分数的物理意义和值域范围都不相同, 80 对匹配分数进行融合之前,需要对匹配分数进行归一化处理。 图 2 多生物特匹配层融合识别策略 Fig.2 The fusion recognition method of multi-modal biometric at matching score level 2.1 均值融合方法 85 匹配分数均值融合算法可以分为简单均值(Simple Average,SA)方法和加权均值 (Weighting Average,WA)方法。加权均值法融合函数为: M M (3) yi , w j sij , i , w j , 1 j ,1 j ,1 式中,j 为待融合的单模态生物特征序号,M 为待融合的生物特征个数,i 为匹配次数序号, 90 w j 为分配给各单模态生物特征的权重系数。 简单均值法融合函数为: M 1 j (4) yi , s , i i M j ,1 式中各物理量与(3)相同,简单均值融合方法为加权均值融合方法的特例,即 w j , 1/ M 。 为了简化理论模型,本文以两种生物特征融合为例分析简单均值融合方法的理论意义, 95 类内匹配分数集 Sgen 和类间匹配分数集 Simp 近似遵循正态分布,即: 1 (s , gen ), 2 2 exp[ ] Sgen ~, genN ,, gen ( ), pgen ( ,s) , , 2, gen 2 2 , gen , 1 (s , imp ) 2 2 exp[ ] Simp ~ N (,imp , , imp ) , pimp (s) , , , 2, imp 2 2 , imp ,, 2 1 (s , gen ) 2 exp[ ] S gen ~ N, ( gen ,, gen ) , p gen (s ,) ,, ,, 2, gen 2 2 , gen ,, 1 (s ,imp ) 2 2 exp[ Simp ~ N ,(imp ,, imp ) , pimp (s) , ] ,, 2, imp 2 ,, 2 , imp 100 , , , ,, 其中, , gen , , gen 分别为特征 1 类内匹配分数分布的期望和 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差, ,imp , , imp 分别 -3- 1 1 , gen ,imp 1 1 , gen ,imp erf [ ] , ERR1 , ERR2 , erf [ ] , , ,, ,, 2 2 2(, gen , , imp ) 2 2 2(, gen , , imp ) 由于误差函数 erf ( x) 为关于 x 的单调增函数,而 ERR 随着 erf ( x) 增加单调递减,因此 如果要求融合后的 ERR 小于融合前,则要求融合前匹配分数集满足: , ,, , ,, , , ,, ,, , gen , , gen ,imp ,imp , gen ,imp , gen ,imp 135 (8) , max( , ) 2 2 2 2 , , , , 同理,将以上结论推广到 M 个特征融合的情况,则可以得到以下结论: (1) 要降低融合后识别系统的 FRR 和 FAR,则需满足以下约束条件: M j 2 j (9) , M 2 min (, gen ) , gen 1, j ,M j,1 M j 2 j (10) , M 2 min (, imp ) , imp 1, j , M j ,1 140 若式(9)成立,则融合后识别系统的 FRR 要低于融合前,若式(10)成立,则融合后识别 系统的 FAR 要低于融合前。 (2) 要降低融合后识别系统的 EER,需要满足约束条件: M M j j , gen ,imp j j (11) j ,1 j ,1 , max( ) j j M M 1, j , M j 2 j 2 , , gen , imp j ,1 j ,1 加权均值融合算法的理论模型与简单均值融合算法的区别在于加权均值融合算法仅仅 多了一个权重系数,将简单均值增加一个对应的权重系数,即可将约束条件推广到加权均值 145 融合算法。 2.2 最大值融合方法 最大值法(Max-Score,MAS)融合函数为: (12) yi , max(si1, sij ,...siM ), i 150 其中,j为待融合的单模态生物特征序号,M为待融合的生物特征个数,i为匹配次数序 j 号, si 为待融合的第j个特征的第i次匹配的匹配分数,即最大值法融合的输出为待融合的M 个特征匹配分数的最大值。 最大值法融合类内匹配分数集定义为 Ygen,类间匹配分数集定义为 Yimp。根据融合函数 (12),可以得出类内匹配分数集 Ygen 和类间匹配分数集 Yimp 的分布函数: M M 155 (s) , P(S1 , s,S2 , s,...SM j Fgen gen gen gen , s) , P(Sgen , s) , Fgenj (s) j ,1 j ,1 M M 1 2 M j , s,S , s,...S Fimp ( s) , P(Simp imp imp imp , s) , P(S , s) , Fimpj ( s) j ,1 j ,1 j j 其中, S j 对应的类内匹配分数集和类间匹配分数集, Fgenj (s) 和 S gen 和 imp 分别为特征 Fimpj (s) 分别为特征 j 类内匹配分数的分布函数和类间匹配分数的分布函数,其概率密度函 数: M MM j i M 160 pgen ( s) , pgen (s) Fgen ( s) , pimp imp impi (s) (s) , p j ( s) F j ,1 i ,1, ,i j j ,1 i,1, ,i j 为了便于分析,将式(12)变形为: -5- yi , max(s1, max(s 2 , max(..., max(siM 1, siM )))), i i i 即 M 个特征的最大值融合可以分解为 M 1个两个特征的最大值融合的嵌套,当 M=2 时, Ygen 和 Yimp 的概率密度都满足以下形式: 165 F (s) , F 1 (s)F 2 (s) 假设融合前两组匹配分数归一化为相同的期望,即 ,1 , ,2 , ,0 ,则: F (,0 ) , F 1 (,0 ) F 2 (,0 ) , 0.5 , 0.5 , 0.25 而最大值融合后匹配分数的期望 , 满足: F (, ) , F 1 (, )F 2 (, ) , 0.5 170 根据概率统计知识可知,分布函数 F ( x) 为增函数,可以得出 , , ,0 。 最大值融合后匹配分数的分布可以看成是对融合前的分布做了某种形式的叠加,从直观 上看,融合后的分布正方向趋向于融合前方差大的分布曲线,负方向趋向于方差小的分布曲 融 合 后 的 数 学 期 望 向 正 方 向 移 动 。 根 据 FRR 和 FAR 的 数 学 表 达 式 线 , FRR(T ) , Fgen (T ), FAR(T ) , 1 Fimp (T ) ,得到相同阈值条件下,融合前后的 FRR 和 FAR 之间的关系为: 175 1 (13) ) , FRR (t )FRR 2 FRR(t0 0 0t( ) 1 2 1 2 (14) FAR(t0 ) , FAR (t0 ) , FAR (t0 ) FAR (t0 )FAR (t0 ) 因此,可以得出最大值法融合的意义是降低 FRR 而提高 FAR,而这两个识别性能不可 能同时降低。 180 3 实验验证 本文基于手背静脉、虹膜和指纹三种生物特征进行多生物特征识别实验,考虑到这三种 生物特征的独立性,将 TJU 手背静脉图像数据库、CASIA 虹膜图像数据库和 Fingerpass 指 纹数据库中提取的指纹测试数据库以一一指配的方式进行融合身份识别实验。我们将 108 个类别的手背静脉图像和 108 个类别的虹膜图像以及 108 个类别的指纹图像一一指配为来自 同一用户的三种生物特征,组成多生物特征融合识别实验数据库。对三种生物特征进行特征 185 提取与匹配、匹配分数归一化处理[8,9],分别基于简单均值融合方法和最大值融合方法进行 融合识别实验。简单均值融合实验结果如表 1、2 所示,从表中可以看出,经 SA 融合后识 别性能提高与否基本与融合后提高系统识别 EER 的约束条件(式(11)))相符。最大值融合 实验结果如图 3、图 4 所示,从图中可以看出 MAS 融合识别等错率 ERR 与手背静脉识别 ERR 没有明显降低,但 MAS 融合识别降低了 FRR 而提高了 FAR。 190 表, 归一化匹配分数期望、标准差与SA约束条件对照表 Tab. , Mathematical expectation and standard deviation of scores comparisons 约束条件 期望 标准差 归一化算法 (式(11)) 左侧 右侧 特征 1 特征 2 特征 3 特征 1 特征 2 特征 3 3.0310 0.5837 0.6256 0.9954 0.1651 0.1247 0.0088 Sgen MM 3.5852 2.2601 0.0247 0.2314 0.9328 0.0193 0.0497 0.0544 Simp 0.9892 3.0310 9.3795 6.1639 1.1377 2.7971 1.9687 0.1623 Sgen Z-score 3.5558 2.2601 -0.0877 -0.0576 -0.0106 0.3263 0.7841 0.9984 Simp 0.9892 i i 识别方法 EER (%) ) , FRR (t )FRR 2 -6- FRR(t0 0 0t( ) FAR(t0 ) , FAR (t0 ) , FAR (t0 ) FAR (t0 )FAR (t0 ) 识别系统 识别方法 EER (%) 单模态生物 手背静脉 0.07% 特征识别 虹膜 0.96% 指纹 1.29% 表, ERR 列表 MM-SA 0.0045% 多模态生物特征 Tab. , The EER Listing 195 Z score-SA 0.0062% 融合识别 i i 识别方法 EER (%) Tanh-SA 0.0038% ) , FRR (t )FRR 2 单模态生物 手背静脉 0.07% 3.0447 0.5467 0.5308 0.5057 0.0139 0.0098 0.0008 gen SFRR(t0 0 0t( ) 3.5658 Tanh 特征识别 2.2631 虹膜 0.96% FAR(t0 ) , FAR (t0 ) , FAR (t0 ) FAR (t0 )FAR (t0 ) 0.4996 0.4997 0.4999 0.0016 0.0039 0.0050 Simp 0.9897 指纹 1.29% MM-SA 0.0045% 多模态生物特征 Z score-SA 0.0062% 融合识别 Tanh-SA 0.0038% 3.0447 0.5467 0.5308 0.5057 0.0139 0.0098 0.0008 gen S 3.5658 Tanh 0.3 2.2631 0.4996 0.4997 0.4999 0.0016 0.0039 0.0050 Simp 0.9897 0.25 0.2 0.15 p(s) 0.1 0.05 0 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 匹配分数 (b) 特征匹配分数对应的标准差 (a) 类内类间匹配分数分布 图, MAS融合前后类内类间匹配分数分布对比 Fig 3 Matching distribution of same class and different class of unimodal and multimodal based on MAS 0.4 融合 ROC 曲线 0.35 0.3 手背静脉 ROC 曲线 0.25 0.2 FRR(%) 0.15 ERR 线 0.1 0.05 识别系统 0 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 FAR(%) 图, MAS 融合前后 ROC 曲线 200 Fig , ROC curves of hand vein and fusion system based on MAS 4 结论 本文给出了匹配层融合策略识别的一般方法,研究了匹配层经典融合算法中均值融合算 法和最大值融合算法融合识别理论,推导了多生物特征融合识别性能提高的理论条件,并基 -7- 于手背静脉、虹膜和指纹三种生物特征进行了融合识别实验,实验结果与理论推导相符合。 205 在实际多生物特征融合识别系统中可以根据具体需求选择适用的融合方法,对实际多生物融 合识别系统具有指导意义,同时对生物特征识别领域的研究具有重要意义。 [参考文献] (References) 210 [1] Kresimir Delac , Mislav Grgic. A survey of biometric recognition methods[A]. Kresimir Delac.46th International Symposium Electronics in Marine[C]. Zadar. Croatia:2004.184-193. [2] Anil Jain, Li Hong, Sharath Pankanti. Can multibiometrics improve performance[A]. Anil Jain. Proc. of IEEE on Automatic Identification Advanced Technologies (AutoID 99)[C]. 2000. 9-13. [3] Hong, L., Jain, A. K.. Integrating faces and fingerprints for personal identification[J]. IEEE Trans. PAMI, 1998, 20(12): 1295-1307. 215 [4] Arun Ross, Anil Jain. Information fusion in biometrics[J]. Pattern Recognition Letters, 2003, 24: 2115-2125. [5] 周斌,林喜荣,贾惠波等. 量化层多生物特征融合的最佳权值[J]. 清华大学学报(自然科学版),2008, 48(2):192-195. [6] 杜之韩. 概率统计简明教程[M]. 成都:西南财经大学出版社,2004. [7] 徐士良. C 常用算法程序集(第二版)[M]. 北京:清华大学出版社,2001. 220 [8] 李秀艳,刘铁根,邓仕超. 基于手背静脉虹膜和指纹融合身份识别算法[J].光电工程, 2010, 37(8):104-110. [9] 李秀艳,刘铁根,邓仕超等. 基于 SURF 算子的快速手背静脉识别算法[J].仪器仪表学报,2011, 32(4): 831-835. -8-
本文档为【匹配层多生物特征融合识别理论研究】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
下载需要: 免费 已有0 人下载
最新资料
资料动态
专题动态
is_180829
暂无简介~
格式:doc
大小:102KB
软件:Word
页数:14
分类:生活休闲
上传时间:2017-11-14
浏览量:45