CN101178767A - 人脸和虹膜混合识别的新方法-识别层融合 - Google Patents
人脸和虹膜混合识别的新方法-识别层融合 Download PDFInfo
- Publication number
- CN101178767A CN101178767A CNA2007100561947A CN200710056194A CN101178767A CN 101178767 A CN101178767 A CN 101178767A CN A2007100561947 A CNA2007100561947 A CN A2007100561947A CN 200710056194 A CN200710056194 A CN 200710056194A CN 101178767 A CN101178767 A CN 101178767A
- Authority
- CN
- China
- Prior art keywords
- face
- identification
- iris
- adopt
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于计算智能、模式识别和图像处理技术领域,在研究人脸和虹膜的单一生物特征识别技术的基础上,讨论人脸和虹膜在识别层进行信息融合的理论和算法。通过对关键特征空间进行聚类,采用基于小样本学习理论的SVM对识别模型进行多级粗匹配,通过尽量少的学习样本,获得具有广泛适应性的识别模型。采用拟线性曲面拟合光照补偿技术校正光线,克服环境光线对识别效果的不利影响,进一步提高识别率。改进传统的FFT方法,提出了波进式快速Fourier变换方法(WFFT),提高了检测速度。基于自相似组合标准脸特征函数的神经网络模型方法实现了在复杂背景下动态人脸的快速检测和定位。采用双正交小波方法,进行滤波和特征分析,构造适用人脸和指纹图像细节特征分析的多小波尺度函数,并应用于识别之中。对海量图像数据库,采用基于聚类决策树算法和多级组合式ART2(自适应谐振理论)粗聚类,用支持向量积(SVM)方法进行进一步聚类分析。依据人脸特征信息将图像库中的所有图像归入到有交集的不同簇中,然后在簇内和相临簇间进行检索,有效地提高了检索效率。本发明采用多种技术,提高识别鲁棒性,促进基于人脸和虹膜混合识别的系统性能向实用性、可靠性和可接受性发展。
Description
【技术领域】
本发明专利属于计算智能、模式识别和图像处理技术领域,在研究人脸和虹膜的单一生物特征识别技术的基础上,讨论人脸和虹膜在识别层进行信息融合的理论和算法。
【背景技术】
随着对社会安全和身份鉴别的准确性和可靠性要求的日益提高,目前单一的生物特征识别系统产品还不能满足社会的需要,因此,研究新的模型和算法,进一步提高识别率,降低误识率和误拒率仍然是一个发展趋势。另外,多模态生物特征识别(Multimodal biometrics)的研究和应用也逐渐兴起和深入,是生物特征识别发展的必然趋势。基于多生物特征融合的身份鉴别的优点主要有三个方面:准确性,多个生物特征的识别可以提高身份鉴别的准确性;可靠性,伪造多个生物特征显然比伪造单个生物特征更为困难;适用性,可有效避免单一生物特征存在的应用局限性。
目前,单项生物识别技术和相关产品已经取得了很好的效果,获得了很高的识别率,其中人脸识别具有直接、友好和方便等特点,虹膜识别具有唯一性、稳定性等优点。为了更好地提高生物特征识别的效率和准确性,本发明专利研究人脸和虹膜在识别层融合的新方法,探求生物特征的内在联系,构建新的型模型和算法,以提高生物识别系统的鲁棒性和可靠性,充分发挥人脸和虹膜识别的优势,应用于安全防范、电子政务、电子商务和金融业,保持良好的经济环境,具有深远的社会经济意义。
【发明内容】
本发明的主要目的在于研究人脸与虹膜在识别层融合识别的方法,通过对关键特征空间进行聚类,采用基于小样本学习理论的SVM对识别模型进行多级粗匹配,通过尽量少的学习样本,获得具有广泛适应性的识别模型,见图1。
采用拟线性曲面拟合方法降低光照的影响,波进式快速傅立叶变换方法提高检测速度,构建适用人脸和虹膜图像细节特征分析的多小波尺度函数,并对海量人脸和虹膜数据库进行聚类,减小搜索范围。
附图说明
图1为本发明结构示意图。
图2是大规模数据库快速检索系统流程图。
具体实施方式
拟线性曲面拟合光照补偿技术的研究,对检测到的人脸特征信息区域,进行光线恒常性变换,校正光线的差别,克服环境光线对识别效果的不利影响,进一步提高识别率。
改进了传统的FFT方法,提出了波进式快速Fourier变换方法(WFFT),提高了检测速度。基于自相似组合标准脸特征函数的神经网络模型方法实现了在复杂背景下动态人脸的快速检测和定位。
采用双正交小波方法,进行滤波和特征分析,构造适用人脸和虹膜图像细节特征分析的多小波尺度函数,并应用于识别之中。
对海量图像数据库,采用基于聚类决策树算法和多级组合式ART2(自适应谐振理论)粗聚类,用支持向量积(SVM)方法进行进一步聚类分析。依据人脸特征信息将图像库中的所有图像归入到有交集的不同簇中,然后在簇内和相临簇间进行检索,见图2。
【本发明的技术指标】
(1)使用虹膜和人脸在识别层融合的方法实现身份识别,识别时间小于1秒,误识率接近于零,拒识率小于0.1%。
(2)对于包含十万人的人脸和虹膜库,其识别检索时间小于2秒,首选识别率95%以上,等错误率2%以下。
Claims (5)
1.人脸与虹膜混合识别的新方法—识别层融合,包括如下步骤:
步骤一:对关键特征空间进行聚类;
步骤二:采用基于小样本学习理论的SVM对识别模型进行多级粗匹配的方法;
步骤三:在识别过程中,通过尽量少的学习样本,获得具有广泛适应性的识别模型。
2.根据权利要求1所述的识别层融合算法,在对图像进行光照补偿处理时,其特征如下:采用拟线性曲面拟合技术进行光照补偿。具体步骤:对已经定位出的人脸区域,进行光照恒常性变换,校正光线的差别,并把平面拟合技术推广到拟线性曲面情况,鲁棒地克服光照对识别效果的影响。
3.根据权利要求1所述的识别层融合算法,为提高动态人脸检测速度,其特征如下:采用了波进式快速傅立叶变换和基于自相似组合标准脸特征函数的神经网络模型方法。具体步骤:波进式快速傅立叶变换方法,提高了检测速度;基于自相似组合标准脸特征函数的神经网络模型方法实现了在复杂背景下动态人脸的快速检测和定位。
4.根据权利要求1所述的识别层融合算法,为提高识别精度,其特征如下:采用图像细节特征分析的多小波变换方法。
步骤一:采用双正交小波方法,进行滤波和特征分析;
步骤二:构造适用人脸和指纹图像细节特征分析的多小波尺度函数,应用在识别过程中。
5.根据权利要求1所述的识别层融合算法,为提高大规模虹膜及人脸数据库的检索识别速度,其特征如下:采用聚类和多级组合式自适应谐振理论的方法进行预处理。
步骤一:依据人脸特征将图像库中的所有图像归入到有交集的不同的簇中;
步骤二:检索时,首先计算待检图像与各簇中心的距离;
步骤三:然后根据距离由小到大的顺序,仅就几个簇进行检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100561947A CN101178767A (zh) | 2007-10-18 | 2007-10-18 | 人脸和虹膜混合识别的新方法-识别层融合 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100561947A CN101178767A (zh) | 2007-10-18 | 2007-10-18 | 人脸和虹膜混合识别的新方法-识别层融合 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101178767A true CN101178767A (zh) | 2008-05-14 |
Family
ID=39405015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007100561947A Pending CN101178767A (zh) | 2007-10-18 | 2007-10-18 | 人脸和虹膜混合识别的新方法-识别层融合 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101178767A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908143A (zh) * | 2010-08-09 | 2010-12-08 | 哈尔滨工程大学 | 基于子带特征融合的活体指纹滑移缺陷检测方法 |
CN102262729A (zh) * | 2011-08-03 | 2011-11-30 | 山东志华信息科技股份有限公司 | 基于集成学习的混合融合人脸识别方法 |
CN101909216B (zh) * | 2009-06-02 | 2012-04-18 | 华晶科技股份有限公司 | 数字影像的细节的补偿方法 |
CN101533467B (zh) * | 2009-04-28 | 2013-07-31 | 南京航空航天大学 | 一种基于决策树的多种人体姿态识别方法 |
CN106446652A (zh) * | 2016-09-13 | 2017-02-22 | 青岛海信移动通信技术股份有限公司 | 移动终端的解锁方法及装置 |
CN111368921A (zh) * | 2020-03-05 | 2020-07-03 | 中国工商银行股份有限公司 | 多模态生物识别方法及装置 |
CN111401211A (zh) * | 2020-03-11 | 2020-07-10 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
-
2007
- 2007-10-18 CN CNA2007100561947A patent/CN101178767A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533467B (zh) * | 2009-04-28 | 2013-07-31 | 南京航空航天大学 | 一种基于决策树的多种人体姿态识别方法 |
CN101909216B (zh) * | 2009-06-02 | 2012-04-18 | 华晶科技股份有限公司 | 数字影像的细节的补偿方法 |
CN101908143A (zh) * | 2010-08-09 | 2010-12-08 | 哈尔滨工程大学 | 基于子带特征融合的活体指纹滑移缺陷检测方法 |
CN101908143B (zh) * | 2010-08-09 | 2012-05-09 | 哈尔滨工程大学 | 基于子带特征融合的活体指纹滑移缺陷检测方法 |
CN102262729A (zh) * | 2011-08-03 | 2011-11-30 | 山东志华信息科技股份有限公司 | 基于集成学习的混合融合人脸识别方法 |
CN102262729B (zh) * | 2011-08-03 | 2013-01-02 | 山东志华信息科技股份有限公司 | 基于集成学习的混合融合人脸识别方法 |
CN106446652A (zh) * | 2016-09-13 | 2017-02-22 | 青岛海信移动通信技术股份有限公司 | 移动终端的解锁方法及装置 |
CN111368921A (zh) * | 2020-03-05 | 2020-07-03 | 中国工商银行股份有限公司 | 多模态生物识别方法及装置 |
CN111401211A (zh) * | 2020-03-11 | 2020-07-10 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111401211B (zh) * | 2020-03-11 | 2023-01-06 | 山东大学 | 一种采用图像增广和小样本学习的虹膜识别方法 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN111612053B (zh) * | 2020-05-14 | 2023-06-27 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN101178767A (zh) | 人脸和虹膜混合识别的新方法-识别层融合 | |
Si et al. | Novel approaches to improve robustness, accuracy and rapidity of iris recognition systems | |
Cappelli et al. | A fingerprint retrieval system based on level-1 and level-2 features | |
Dash et al. | Handwritten numeral recognition using non‐redundant stockwell transform and bio‐inspired optimal zoning | |
Jung et al. | Noisy and incomplete fingerprint classification using local ridge distribution models | |
JP2002304626A (ja) | データ分類装置および物体認識装置 | |
CN1304114A (zh) | 基于多生物特征的身份鉴定融合方法 | |
Song et al. | Fingerprint indexing based on pyramid deep convolutional feature | |
Thepade et al. | Face gender recognition using multi layer perceptron with OTSU segmentation | |
CN110263726B (zh) | 一种基于深度相关性特征学习的指静脉识别方法及装置 | |
Nguyen et al. | Automatic identification fingerprint based on machine learning method | |
CN105701462A (zh) | 一种身份识别方法 | |
Sarin et al. | Cnn-based multimodal touchless biometric recognition system using gait and speech | |
Li et al. | A fingerprint indexing scheme with robustness against sample translation and rotation | |
CN103207993B (zh) | 基于核的判别随机近邻嵌入分析的人脸识别方法 | |
CN102368291B (zh) | 基于指纹图像隐形意识的个人身份验证系统 | |
Omara et al. | LDM-DAGSVM: learning distance metric via DAG support vector machine for ear recognition problem | |
Saffar et al. | Online signature verification using deep representation: a new descriptor | |
Houtinezhad et al. | Off-line signature verification system using features linear mapping in the candidate points | |
Abdelrahaman et al. | K-nearest neighbor classifier for signature verification system | |
Mehri et al. | A pixel labeling approach for historical digitized books | |
Ren et al. | A novel method of score level fusion using multiple impressions for fingerprint verification | |
Padmajadevi et al. | A review of handwritten signature verification systems and methodologies | |
Safavipour et al. | A hybrid approach for multimodal biometric recognition based on feature level fusion in reproducing kernel Hilbert space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080514 |