CN102750528A - 一种基于手掌特征提取身份识别方法 - Google Patents

Abstract

一种基于手掌特征提取身份识别方法：为通过提取手掌生物电阻抗频谱（BIS）特征来实现身份识别。本发明通过提取手掌生物电阻抗频谱特征来实现身份识别，识别率高，可靠性好，操作简单，使用方便。经实验证明，手掌BIS特征拥有作为生物特征的潜力的高稳定性和唯一性，符合生物特征识别的要求，本发明是一种高效的身份识别和认证技术，能够有效抵抗伪造等攻击。由于手掌BIS特征具有唯一性、普遍性、稳定性和可采集性等特点。因此本发明在身份识别领域具有重要的理论和实用价值，并具有广阔的应用前景。

Description

一种基于手掌特征提取身份识别方法

技术领域

本发明属于生物特征识别技术领域，涉及一种基于手掌特征的身份识别方法。

背景技术

目前，身份识别的方法较多，最为成熟的是指纹身份识别法，指纹身份识别法虽然使用方便且可靠性高，但由于某些人或某些群体的指纹特征很少，故而很难成像。

现有一种基于手掌掌纹和人脸提取的身份识别方法，其使用数字图像处理技术，提取人的手掌纹理信息和脸部结构信息，将两种生物信息结合，进行人的身份识别，虽然识别率较高，但操作复杂。

发明内容

本发明的目的在于提供一种操作简单且识别率高的基于手掌特征提取身份识别方法，以解决现有身份识别方法存在的不足。

本发明的目的是这样实现的，一种基于手掌特征提取身份识别方法，其特征在于：为通过提取手掌生物电阻抗频谱BIS特征来实现身份识别。

包括手掌BIS数据预处理步骤、手掌BIS特征选择步骤、手掌BIS特征提取步骤和手掌BIS特征匹配步骤。

步骤一、手掌BIS数据预处理为将BIS采集仪采集到的原始数据样本采用拉依达准则进行过滤处理；其处理方法如下：

1）求n次测量值X_i,1≤i≤n的平均值

2）求各项的残差：

$V_i=X_i-\stackrel{\‾}{X}---\left(1\right)$

3）计算标准偏差：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i^2}---\left(2\right)$

4）剔除奇异项，对测量值X_i，如果有V_i>3σ，则将其剔除；

步骤二、手掌BIS特征选择为建立散步矩阵；

假设样本中共有N个样本，分属M个类别,

则类内散布矩阵S_w，即

$S_w=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_{i}E\left[(x-{\mathrm{\μ}}_i){(x-{\mathrm{\μ}}_i)}^T\right]---\left(3\right)$

式（3）中μ_i为第i类样本的均值，x为输入样本集，T表示矩阵转置，E为期望。

同时得到类间散布矩阵S_b，即

$S_b=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_i\left[({\mathrm{\μ}}_i-{\mathrm{\μ}}_0){({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)}^T\right]---\left(4\right)$

式（4）中μ₀是全局均值，n_i表示第i类样本。

通过S_w和S_b的不同组合可构成一系列可分性测度：

$J_1=\frac{\mathrm{tr}\left(S_b\right)}{\mathrm{tr}\left(S_w\right)}$

$J_2=\ln \frac{\left|S_b\right|}{\left|S_w\right|}$ （5）

$J_3=\mathrm{tr}\left(S_w^{-1}{S}_b\right)$

$J_4=\frac{|S_w+S_b|}{\left|S_w\right|}$

J₁，J₂，J₃，J₄都是可分性测度，其中J₁是较为常用的可分性测度，迹S_b是所有类的特征方差的平均测度，迹（S_w）是每一类均值和全局均值之间的平均距离的测度。二者的比值越大，类内距离相对类间距离越小。

步骤三、手掌特征提取包括手掌BIS特征归一化、手掌BIS特征降维和手掌BIS特征提取；

1）手掌BIS特征归一化：

采用各分量的均值和方差的估计值做归一化两部分，其方法如下：

设样本集{z_i|1≤i≤N}中每一个样本为z＝R+jX∈□^d，且有实部R＝(R₁,R₂,...,R_d)，虚部X＝(X₁,X₂,...,X_d)，j表示为

为了方便后续计算，需对复阻抗样本进行拉伸得到相应的实际样本z^r=(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T。将最终的样本矩阵表示为：

对样本z^r的第k个特征的N个数据，有：

${\stackrel{\‾}{z}}_k^r=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{i,k}^r$ k=1,2,...,2d

${\mathrm{\σ}}_k^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(z_{i,k}^r-{\stackrel{\‾}{z}}_k^r)}^2---\left(7\right)$

i=1,2，...,N,k=1,2，...,2d

归一化后的特征具有零均值和单位方差，d表示维数；

2）手掌BIS特征降维：

采用主成分分析PCA(Principal Component Analysis，PCA)对BIS特征数据进行降维分析，其方法如下：

设归一化后的样本矩阵为X＝(X_ij)_K×N，即共有N组数据，每组数据有K个特征；

（1）求出样本的协方差矩阵：

$\mathrm{\Σ}=E\left[{\mathrm{XX}}^T\right]=\frac{1}{N-1}{\mathrm{XX}}^T---\left(8\right)$

（2）求出∑的K个特征值和特征向量，设不为零的特征值为λ_i,i＝1,2,...,M,M≤N，相应的特征向量为U=[u₁,u₂,...,u_M],M≤N；

（3）将样本在特征向量上投影，得到PCA变换后的样本矩阵：

Y=U^TX                               （9）

（4）使用式（5）中的J₁对Y的所有特征由大到小进行排序；同时依据特征值的累积方差贡献率选择前k个特征，作为由PCA变换得到的分类样本集，其中贡献率大小从训练样本集中得到；并将上述算法得到的样本集记为X_p；

  3）手掌BIS特征提取：

（1）对样本集X_P中的每一类数据求出平均值

设样本集包含m类样本，对ω_i类有

${\stackrel{\‾}{x}}_i=\frac{1}{K_i}\underset{x\∈{\mathrm{\ω}}_i,i=1}{\overset{m}{\mathrm{\Σ}}}x---\left(10\right)$

其中K_i为ω_i类中样本的数量；

（2）将每个类平均值

看作一个信号源，即令s类样本向量

注意此处样本以行向量的形式出现。使用fastICA方法求独立信号源

S=WX_s                      （11）

（3）此时矩阵S的每一行是一个独立分量，将其作为线性变换的基底；使用中心化后的c类样本数据X_c进行投影，得到投影后的样本矩阵Y，即

Y=SX_c                      （12）

式（12）中，矩阵Y的每一列都代表了一个投影后的样本。

步骤四、手掌BIS特征匹配为采用隐空间支持向量机机制：

1）如令X表示输入的样本集，X＝{x₁,x₂,...,x_N|x_i∈□^d}。对任意一个样本x∈X，可以定义一个由一组实值函数

生成的矢量：

矢量

将d维输入空间中的样本矢量映射到一个新的d_h维空间中:

由于函数集

的作用与前向网络中隐节点的作用类似，故称

为隐函数；相应地由隐函数集

映射所得的样本空间称为隐空间或者特征空间；

2）构造隐空间中的样本集:

类似支持向量机定义，对于已知分类的二类样本集X={(x₁,y₁),(x₂,y₂),...,(x_N,y_N)| x_i∈□^d,y_i∈{1,-1}}和核函数k(x,y)，映射得到隐空间中的样本集为：

{(z₁,y₁),(z₂,y₂),...,(z_N,y_N)|z_i=[k(x₁,x_i),k(x₂,x_i),...,k(x_N,x_i)]^T}    （15）

3）构造隐空间中的线性分类函数:

隐空间中的线性分类函数f(z)=w^Tz+b,w∈□^N，相应的优化问题为：

$\min R(w,b)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)---\left(16\right)$

s.t.y_i(w^Tz_i+b)≥1-ξ_i

ξ_i≥0(i＝1，...,N)

其中，C为惩罚因子，调节经验风险和函数集容量控制之间的平衡；

4）构造Wolfe对偶规划函数:

求解式（16）得Wolfe对偶规划函数，即：

$s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0$

0≤α_i≤C(i＝1，...,N)

其中α_i为Lagrange乘子；

求解隐空间模式识别支撑向量机的决策函数凸优化，即特征分类；隐空间模式识别支撑向量机的决策函数为：

$y=\mathrm{sign}(w^{T}x+b)=\mathrm{sign}(\underset{i.j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)k(x_j,x)+b)---\left(18\right)$

如令

${\mathrm{\λ}}_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)---\left(19\right)$

则式(18)可以简化表示如下：

$y=\mathrm{sign}(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{j}k(x_j,x)+b)$

本发明具有如下有益效果：

1、本发明针对生物特征识别技术依靠人体固有的特征进行身份验证，以手掌BIS生物特征识别的相关理论为基础，针对现有的身份识别算法存在的不足以及实际应用中的需要，提出了一种新的生物特征识别方法—基于手掌生物电阻抗频谱（BIS）特征的身份识别算法，克服了传统身份识别方法存在的缺点，更加便捷、安全、稳定。

2、本发明通过提取手掌生物电阻抗频谱特征来实现身份识别，识别率高，可靠性好，操作简单，使用方便。经实验证明，手掌BIS特征拥有作为生物特征的潜力的高稳定性和唯一性，符合生物特征识别的要求，本发明是一种高效的身份识别和认证技术，能够有效抵抗伪造等攻击。由于手掌BIS特征具有唯一性、普遍性、稳定性和可采集性等特点。因此本发明在身份识别领域具有重要的理论和实用价值，并具有广阔的应用前景。

附图说明

图1是本发明方法的数据测量电极图；

图2是本发明方法的手掌BIS测量电极分布图；

图3是本发明方法的手掌电极间的阻抗关系图；

图4是本发明方法的整体框架图；

图5是本发明方法特征生成的流程图；

图6是本发明方法身份识别算法流程图；

图7是本发明方法识别决策图；

图8是本发明方法的所有回路展开后的欧拉距离分布图；

图9是本发明方法的欧拉距离分类的ROC曲线图；

图10是本发明方法的食指-中指的欧拉距离分布图；

图11是本发明方法的食指-无名指的欧拉距离分布图；

图12是本发明方法的食指-小指的欧拉距离分布图；

图13是本发明方法的中指-无名指的欧拉距离分布图；

图14是本发明方法的中指-小指的欧拉距离分布图；

图15是本发明方法的无名指-小指的欧拉距离分布图；

图16是本发明方法对现有的手掌BIS六个回路的ROC曲线比较图；

图17是本发明方法的不同频率点的等错误率图；

图18是本发明方法的使用不同主分量数的错误率图；

图19是本发明方法的提取的每个PCA特征的J₁值图；

图20是本发明方法的J₁排序后使用不同主分量数的错误率图；

图21是本发明方法的ICA特征的欧拉距离分布图；

图22是本发明方法的ICA特征的余弦距离分布图。

具体实施方式

本发明通过提取手掌生物电阻抗频谱特征的方法来实现身份识别，具体包括以下步骤：

步骤1，手掌BIS数据预处理。由于原始特征空间中的不同特征可能会有不同的动态范围，因此在分类器训练中，大值特征会影响到小值特征。通过特征归一化，可以使不同特征位于相似范围。用每个特征各自的均值和方差估计值做归一化，归一化后的特征具有零均值和单位方差。

将BIS采集仪采集到的原始数据样本，可采用拉依达准则进行过滤处理。其算法过程可描述如下：

1.1）求n次测量值X_i,1≤i≤n的平均值

1.2）求各项的残差：

$V_i=X_i-\stackrel{\‾}{X}---\left(1\right)$

1.3）计算标准偏差：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i^2}---\left(2\right)$

1.4）剔除奇异项，对测量值X_i，如果有V_i>3σ，则将其剔除。

步骤2、手掌BIS特征选择：

2.1）建立散步矩阵。从原始特征空间中选择最小的特征子集，使得对该子集的操作可以很好地代替在原始特征空间的操作，在特征子集表示的数据上做分类等学习任务可以减少存储空间、加快算法运行速度、提高学习算法的效率，但不降低分类准确率，这是基于距离度量的评价准则。

假设样本中共有N个样本，分属M个类别，则类内散布矩阵S_w，即

$S_w=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_{i}E\left[(x-{\mathrm{\μ}}_i){(x-{\mathrm{\μ}}_i)}^T\right]---\left(3\right)$

式（3）中μ_i为第i类样本的均值，x为输入样本集，T表示矩阵转置，E为期望。

同时得到类间散布矩阵S_b，即

$S_b=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_i\left[({\mathrm{\μ}}_i-{\mathrm{\μ}}_0){({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)}^T\right]---\left(4\right)$

式（4）中μ₀是全局均值，n_i表示第i类样本。

通过S_w和s_b的不同组合可构成一系列可分性测度：

$J_1=\frac{\mathrm{tr}\left(S_b\right)}{\mathrm{tr}\left(S_w\right)}$

$J_2=\ln \frac{\left|S_b\right|}{\left|S_w\right|}$ （5）

$J_3=\mathrm{tr}\left(S_w^{-1}{S}_b\right)$

$J_4=\frac{|S_w+S_b|}{\left|S_w\right|}$

J₁，J₂，J₃，J₄都是可分性测度，其中J₁是较为常用的可分性测度，迹S_b是所有类的特征方差的平均测度，迹（S_w）是每一类均值和全局均值之间的平均距离的测度。二者的比值越大，类内距离相对类间距离越小。

步骤3、手掌BIS特征提取：

特征提取是指对某一模式的组测量值进行变换，以突出该模式具有代表性的特征的方法。特征提取的主要目的包括两个：降低特征维数和提高识别精度。特征提取是模式识别中的关键步骤，直接影响到分类器的性能。

3.1）手掌BIS特征归一化：

由于BIS频谱样本里不同频点测得的数值具有不同的动态范围，因此为了防止大特征值对小特征值的影响，需要对数据进行归一化处理。本文采用各分量的均值和方差的估计值做归一化两部分。其算法描述如下：

设样本集{z_i|1≤i≤N}中每一个样本为z=R+jX∈□^d，且有实部R=(R₁,R₂，...,R_d)，虚部X=(X₁,X₂，...,X_d)，j表示为

为了方便后续计算，需对复阻抗样本进行拉伸得到相应的实际样本z^r=(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T，将最终的样本矩阵表示为：

对样本z^r的第k个特征的N个数据，有：

${\stackrel{\‾}{z}}_k^r=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{i,k}^r$ k=1,2，...,2d

${\mathrm{\σ}}_k^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(z_{i,k}^r-{\stackrel{\‾}{z}}_k^r)}^2---\left(7\right)$

i=1,2，...,N,k=1,2，...,2d

归一化后的特征具有零均值和单位方差，d表示维数。

3.2）手掌BIS特征降维：

采用主成分分析PCA(Principal Component Analysis，PCA)对BIS特征数据进行降维分析。其目的在于使用较少的几个新特征代替原有特征集，并尽可能包含原有特征集所含信息，使新的特征间具有不相关性。其算法描述如下：

设归一化后的样本矩阵为X=(X_ij)_K×N，即共有N组数据，每组数据有K个特征。

（1）求出样本的协方差矩阵：

$\mathrm{\Σ}=E\left[{\mathrm{XX}}^T\right]=\frac{1}{N-1}{\mathrm{XX}}^T---\left(8\right)$

（2）求出∑的K个特征值和特征向量，设不为零的特征值为λ_i,i＝1,2，...,M,M≤N，相应的特征向量为U=[u₁,u₂，...,u_M],M≤N；

（3）将样本在特征向量上投影，得到PCA变换后的样本矩阵：

Y=U^TX                          （9）

（4）使用式（5）中的J₁对Y的所有特征由大到小进行排序。同时依据特征值的累积方差贡献率选择前k个特征，作为由PCA变换得到的分类样本集，其中贡献率大小从训练样本集中得到。并将上述算法得到的样本集记为X_P；

3.3）手掌BIS特征提取：

（1）对样本集X_P中的每一类数据求出平均值设样本集包含m类样本，对ω_i类有

${\stackrel{\‾}{x}}_i=\frac{1}{K_i}\underset{x\∈{\mathrm{\ω}}_i,i=1}{\overset{m}{\mathrm{\Σ}}}x---\left(10\right)$

其中K_i为ω_i类中样本的数量。

（2）将每个类平均值

看作一个信号源，即令s类样本向量

注意此处样本以行向量的形式出现。使用fastICA方法求独立信号源

S=WX_s                       （11）

（3）此时矩阵S的每一行是一个独立分量，将其作为线性变换的基底。使用中心化后的c类样本数据X_c进行投影，得到投影后的样本矩阵Y，即

Y=SX_c                       （12）

式（12）中，矩阵Y的每一列都代表了一个投影后的样本。

步骤4、手掌BIS特征匹配:

为提高手掌BIS特征匹配精度，经实验分析表明，隐空间支持向量机是基于经典支持向量机的一种核机器学习方法。通过在隐空间中引入支持向量机的方法，仅要求核函数满足对称性条件，可以不受Mercer条件的限制。同时，隐空间支持向量机继承了神经网络的强大非线性处理能力和支撑矢量机良好的推广能力。因此，本发明采用隐空间支持向量机机制。

4.1）如令X表示输入的样本集，X={x₁,x₂，...，x_N | x_i∈□^d}。对任意一个样本x∈X，可以定义一个由一组实值函数

生成的矢量：

矢量

将d维输入空间中的样本矢量映射到一个新的d_h维空间中:

由于函数集

的作用与前向网络中隐节点的作用类似，故称

为隐函数。相应地由隐函数集

映射所得的样本空间

称为隐空间或者特征空间；

4.2）构造隐空间中的样本集:

类似支持向量机定义，对于已知分类的二类样本集X={(x₁,y₁),(x₂,y₂),...,(x_N,y_N)|x_i∈□^d,y_i∈{1,-1}}和核函数k(x,y)，映射得到隐空间中的样本集为：

{(z₁,y₁),(z₂,y₂)，...,(z_N,y_N)|Z_i=[k(x_i,x_i),k(x₂,x_i)，...,k(x_N,x_i)]^T}    （15）

4.3）构造隐空间中的线性分类函数:

隐空间中的线性分类函数f(z)=w^Tz+b,w∈□^N，相应的优化问题为：

$\min R(w,b)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)---\left(16\right)$

s.t.y_i(w^Tz_i+b)≥1-ξ_i

ξ_i≥0(i＝1，...,N)

其中，C为惩罚因子，调节经验风险和函数集容量控制之间的平衡。很明显上述规划为凸区域上的凸二次规划，最优解是唯一的。

4.4）构造Wolfe对偶规划函数:

求解式（1 6）得Wolfe对偶规划函数，即：

$s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0$

0≤α_i≤C(i=1,...,N)

其中α_i为Lagrange乘子。

求解隐空间模式识别支撑向量机的决策函数凸优化，即特征分类。隐空间模式识别支撑向量机的决策函数为：

$y=\mathrm{sign}(w^{T}x+b)=\mathrm{sign}(\underset{i.j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)k(x_j,x)+b)---\left(18\right)$

如令

${\mathrm{\λ}}_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)---\left(19\right)$

则式(18)可以简化表示如下：

$y=\mathrm{sign}(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{j}k(x_j,x)+b)---\left(20\right)$

尽管生物电阻抗很早就被用于医疗诊断应用，但是其用于身份识别的能力一直没有得到开发。由于手掌BIS特征符合唯一性、普遍性、稳定性和可采集性等条件。不同个体的手掌大小、肌肉厚薄、手指粗细、手指间的距离、内部肌肉骨骼以及血管分布等个性特征千差万别，并且手指尖乳突纹分布、表皮角质层结构也因人而异，因此是唯一的；手掌BIS特性基本不受身体其他部位的病变影响，具有稳定性。另外，手掌BIS特征对环境并不敏感，即通过较为简单的方法就可以得到很好的识别性能。

本发明实现了一个手掌BIS测量原型系统并建立了一个手掌BIS样本数据库，对手掌BIS特征用于身份识别进行了检验。研究结果表明，手掌BIS特征拥有作为生物特征的潜力的高稳定性和唯一性，符合生物特征识别的要求，可以作为一种高效的身份识别和认证技术；同时手掌BIS的活体检测方法，能够有效抵抗伪造等攻击。

下面结合附图和实施例对本发明进行详细说明。

实施例，  一种基于手掌BIS身份识别方法，参照图4，按照以下步骤实施：

步骤1、手掌BIS数据的采集：在生物组织复阻抗频谱特性测量中，为了得到多种频率下电压与电流的关系，硬件上必须有电流源、电压测量系统。采用电压驱动、电流测量的方式同样可以得到阻抗特性，但过强的电流会影响生物组织活性，所以需要控制流入电流大小；另一方面从测量技术上来讲，电压测量比电流测量更容易实现。在测量手掌BIS数据时，BIS测量仪的电流激励源连接两个电流驱动电极，电压测量机构连接至两个电压测量电极。测量仪自动扫频，测量在预设频率的阻抗值。为了降低电压电极与被测组织间的接触电阻造成的影响，电极都选用Ag/AgCl材料，而且采用高输入阻抗的电压放大器进行电压测量。整个测量系统能在较宽频率范围内进行生物阻抗频谱测量并具有较高的测量精度。

步骤2、手掌BIS数据预处理：

对步骤1采集来的数据进行预先处理，由于原始特征空间中的不同特征可能会有不同的动态范围，因此在分类器训练中，大值特征会影响到小值特征。通过特征归一化，可以使不同特征位于相似范围。用每个特征各自的均值和方差估计值做归一化，归一化后的特征具有零均值和单位方差。

将BIS采集仪采集到的原始数据样本，可采用拉依达准则进行过滤处理。其算法过程可表示如下：

2.1）求n次测量值X_i,1≤i≤n的平均值

2.2）求各项的残差：

$V_i=X_i-\stackrel{\‾}{X}---\left(1\right)$

2.3）计算标准偏差：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i^2}---\left(2\right)$

1.4）剔除奇异项，对测量值X_i，如果有V_i>3σ，则将其剔除；

步骤3、手掌BIS特征选择：

特征选择是从原始特征空间中选择最小的特征子集，使得对该子集的操作可以很好地代替在原始特征空间的操作，在特征子集表示的数据上做分类等学习任务可以减少存储空间、加快算法运行速度、提高学习算法的效率，但不降低分类准确率；

最优特征子集应具有对不相关变形保持不变、对噪声不敏感等特点，它们包含对分类最有意义的信息，这些信息既能体现同一类模式的相似性，又能体现不同类模式的差异性。对最优特征子集的评价有不同的评价标准，不同的评价准则从不同方面衡量了特征子集的类别区分能力。故采用散步矩阵对其手掌BIS数据进行特征选择。

3.1）散步矩阵，从原始特征空间中选择最小的特征子集，使得对该子集的操作可以很好地代替在原始特征空间的操作，在特征子集表示的数据上做分类等学习任务可以减少存储空间、加快算法运行速度、提高学习算法的效率，但不降低分类准确率，这是基于距离度量的评价准则。

假设样本中共有N个样本，分属M个类别,

则类内散布矩阵S_w，即

$S_w=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_{i}E\left[(x-{\mathrm{\μ}}_i){(x-{\mathrm{\μ}}_i)}^T\right]---\left(3\right)$

式（3）中μ_i为第i类样本的均值，x为输入样本集，T表示矩阵转置，E为期望。

同时得到类间散布矩阵S_b，即

$S_b=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_i\left[({\mathrm{\μ}}_i-{\mathrm{\μ}}_0){({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)}^T\right]---\left(4\right)$

式（4）中μ₀是全局均值，n_i表示第i类样本。

通过S_w和S_b的不同组合可构成一系列可分性测度：

$J_1=\frac{\mathrm{tr}\left(S_b\right)}{\mathrm{tr}\left(S_w\right)}$

$J_2=\ln \frac{\left|S_b\right|}{\left|S_w\right|}$ （5）

$J_3=\mathrm{tr}\left(S_w^{-1}{S}_b\right)$

$J_4=\frac{|S_w+S_b|}{\left|S_w\right|}$

J₁，J₂，J₃，J₄都是可分性测度，其中J₁是较为常用的可分性测度，迹S_b是所有类的特征方差的平均测度，迹（S_w）是每一类均值和全局均值之间的平均距离的测度。二者的比值越大，类内距离相对类间距离越小。

步骤4、手掌BIS特征提取：

特征提取是指对某一模式的组测量值进行变换，以突出该模式具有代表性的特征的方法。特征提取的主要目的包括两个：降低特征维数和提高识别精度。特征提取是模式识别中的关键步骤，直接影响到分类器的性能。特征提取的变换包括线性变换和非线性变换。由于只涉及到线性变换，所以接下来运用归一化对其进行处理。

4.1）手掌BIS特征归一化：

由于BIS频谱样本里不同频点测得的数值具有不同的动态范围，因此为了防止大特征值对小特征值的影响，需要对数据进行归一化处理。本文采用各分量的均值和方差的估计值做归一化两部分。其算法描述如下：

设样本集{z_i|1≤i≤N}中每一个样本为z＝R+jX∈□^d，且有实部R=(R₁,R₂,...,R_d)，虚部X＝(X₁,X₂,...,X_d)，j表示为

为了方便后续计算，需对复阻抗样本进行拉伸得到相应的实际样本z^r=(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T。将最终的样本矩阵表示为：

对样本z^r的第k个特征的N个数据，有：

${\stackrel{\‾}{z}}_k^r=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{i,k}^r$ k=1,2，...,2d

${\mathrm{\σ}}_k^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(z_{i,k}^r-{\stackrel{\‾}{z}}_k^r)}^2---\left(7\right)$

i＝1,2，...,N,k=1,2，...,2d

归一化后的特征具有零均值和单位方差，d表示维数。

4.2）手掌BIS特征降维：

采用主成分分析PCA(Principal Component Analysis，PCA)对BIS特征数据进行降维分析。其目的在于使用较少的几个新特征代替原有特征集，并尽可能包含原有特征集所含信息，使新的特征间具有不相关性。其算法描述如下：

设归一化后的样本矩阵为X=(X_ij)_K×N，即共有N组数据，每组数据有K个特征。

求出样本的协方差矩阵：

$\mathrm{\Σ}=E\left[{\mathrm{XX}}^T\right]=\frac{1}{N-1}{\mathrm{XX}}^T---\left(8\right)$

求出∑的K个特征值和特征向量，设不为零的特征值为λ_i,i＝1,2,...,M,M≤N，相应的特征向量为U=[u₁,u₂,...,u_M],M≤N。

将样本在特征向量上投影，得到PCA变换后的样本矩阵：

Y=U^TX                           （9）

使用式（5）中的J₁对Y的所有特征由大到小进行排序。同时依据特征值的累积方差贡献率选择前k个特征，作为由PCA变换得到的分类样本集，其中贡献率大小从训练样本集中得到。将上述算法得到的样本集记为X_P。

4.3）手掌BIS特征提取：

对样本集X_P中的每一类数据求出平均值。设样本集包含m类样本，对ω_i类有

${\stackrel{\‾}{x}}_i=\frac{1}{K_i}\underset{x\∈{\mathrm{\ω}}_i,i=1}{\overset{m}{\mathrm{\Σ}}}x---\left(10\right)$

其中K_i为ω_i类中样本的数量；

将每个类平均值

看作一个信号源，即令s类样本向量

注意此处样本以行向量的形式出现。使用fastICA方法求独立信号源

S=WX_s                          （11）

此时矩阵S的每一行是一个独立分量，将其作为线性变换的基底。使用中心化后的c类样本数据X_c进行投影

Y=SX_c                          （12）

此时得到的矩阵Y中每一列都代表了一个投影后的样本。

步骤5、手掌BIS特征匹配:

隐空间支持向量机:隐空间支持向量机本质上类似于神经网络隐层作用，通过引入非线性函数把输入样本映射到高维隐空间，然后在隐空间中引入结构风险实现隐空间支持向量机。该方法与前向神经网络和径向基函数网络相比，由于引入了结构风险，具有更好的推广能力，目标函数不存在局部极小；与Mercer核函数支撑矢量机相比，非线性映射函数不受正定的限制，这大大推广了在支持向量机中可用非线性映射的范围。上世纪九十年代关于前向网络和径向基网络分类能力和逼近能力的研究已经揭示前向网络和径向基网络具有良好的识别复杂样本的能力。而根据统计学习理论，隐空间支撑矢量机引入结构风险，能获得良好的推广能力，使得隐空间支持向量机同时继承了上述两者的优点。

5.1）如令X表示输入的样本集，X＝{x₁,x₂，...，x_N|x_i∈□^d}。对任意一个样本x∈X，可以定义一个由一组实值函数

生成的矢量：

矢量

将d维输入空间中的样本矢量映射到一个新的d_h维空间中:

由于函数集

的作用与前向网络中隐节点的作用类似，故称

为隐函数。相应地由隐函数集

映射所得的样本空间

称为隐空间或者特征空间。

5.2）构造隐空间中的样本集:

类似支持向量机定义，对于已知分类的二类样本集X={(x₁,y₁),(x₂,y₂),...,(x_N,y_N)|x_i∈□^d,y_i∈{1,-1}}和核函数k(x,y)，映射得到隐空间中的样本集为：

{(z₁,y₁),(z₂,y₂),...,(z_N,y_N)|z_i=[k(x₁,x_i),k(x₂,x_i),...,k(x_N,x_i)]^T}  （15）

5.3）构造隐空间中的线性分类函数:

隐空间中的线性分类函数f(z)=w^Tz+b,w∈□^N，相应的优化问题为：

$\min R(w,b)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)---\left(16\right)$

s.t.y_i(w^Tz_i+b)≥1-ξ_i

ξ_i≥0(i＝1，...,N)

其中，C为惩罚因子，调节经验风险和函数集容量控制之间的平衡。很明显上述规划为凸区域上的凸二次规划，最优解是唯一的。

5.4）构造Wolfe对偶规划函数:

求解式（1 6）得Wolfe对偶规划函数，即：

$s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0$

0≤α_i≤C(i＝1，...,N)

其中α_i为Lagrange乘子。

求解隐空间模式识别支撑向量机的决策函数凸优化，即特征分类。隐空间模式识别支撑向量机的决策函数为：

$y=\mathrm{sign}(w^{T}x+b)=\mathrm{sign}(\underset{i.j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)k(x_j,x)+b)---\left(18\right)$

如令

${\mathrm{\λ}}_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)---\left(19\right)$

则式(18)可以简化表示如下：

$y=\mathrm{sign}(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{j}k(x_j,x)+b)---\left(20\right)$

本实施例中，以在校师生（年龄18-60岁）为测量对象，共采集了两组样本数据。第一组样本共32人、每人测量8次，测量频率点共取32个；第二组样本共50人，每人测量2次，6个回路，测量频率点共取23个。所有测量频率点均分布在1kHz到1MHz范围内。

实验对数据分别进行测试，数据采用线性变换提取特征。然后使用隐空间支持向量机进行分类识别。

参照图6、图7、图8与表1，是采用不同算法的手掌BIS身份识别系统其错误接受率（FAR）、错误拒绝率（FRR）、等错误率（ERR）等性能指标性能比较表。

表1、采用不同算法的错误拒绝率、等错误率对照表

表1列举了采用不同分类方法的结果。可以看出，本发明提出的基于手掌BIS特征的身份识别算法是完全可行的。其中使用SVM（支持向量机）分类结果更加优秀，是因为SVM利用了数据样本的方向信息，比起作为标量的Euclidean距离，矢量包含了更加丰富的分类信息。

Claims (3)

1.一种基于手掌特征提取身份识别方法，其特征在于：为通过提取手掌生物电阻抗频谱BIS特征来实现身份识别。

2.如权利要求1所述的基于手掌特征提取身份识别方法，其特征在于：包括手掌BIS数据预处理步骤、手掌BIS特征选择步骤、手掌BIS特征提取步骤和手掌BIS特征匹配步骤。

3.如权利要求2所述的基于手掌特征提取身份识别方法，其特征在于：

步骤一、手掌BIS数据预处理为将BIS采集仪采集到的原始数据样本采用拉依达准则进行过滤处理；其处理方法如下：

1）求n次测量值X_i,1≤i≤n的平均值

2）求各项的残差：

$V_i=X_i-\stackrel{\‾}{X}---\left(1\right)$

3）计算标准偏差：

$\mathrm{\σ}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i^2}---\left(2\right)$

4）剔除奇异项，对测量值X_i，如果有V_i>3σ，则将其剔除；

步骤二、手掌BIS特征选择为建立散步矩阵；

假设样本中共有N个样本，分属M个类别，

则类内散布矩阵S_w，即

$S_w=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_{i}E\left[(x-{\mathrm{\μ}}_i){(x-{\mathrm{\μ}}_i)}^T\right]---\left(3\right)$

式（3）中μ_i为第i类样本的均值，x为输入样本集，T表示矩阵转置，E为期望；

同时得到类间散布矩阵S_b，即

$S_b=\frac{1}{N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_i\left[({\mathrm{\μ}}_i-{\mathrm{\μ}}_0){({\mathrm{\μ}}_i-{\mathrm{\μ}}_0)}^T\right]---\left(4\right)$

式（4）中μ₀是全局均值，n_i表示第i类样本；

通过S_w和S_b的不同组合可构成一系列可分性测度：

$J_1=\frac{\mathrm{tr}\left(S_b\right)}{\mathrm{tr}\left(S_w\right)}$

$J_2=\ln \frac{\left|S_b\right|}{\left|S_w\right|}$ （5）

$J_3=\mathrm{tr}\left(S_w^{-1}{S}_b\right)$

$J_4=\frac{|S_w+S_b|}{\left|S_w\right|}$

J₁，J₂，J₃，J₄都是可分性测度，其中J₁是较为常用的可分性测度，迹S_b是所有类的特征方差的平均测度，迹（S_w）是每一类均值和全局均值之间的平均距离的测度。二者的比值越大，类内距离相对类间距离越小；

步骤三、手掌特征提取包括手掌BIS特征归一化、手掌BIS特征降维和手掌BIS特征提取；

1）手掌BIS特征归一化：

采用各分量的均值和方差的估计值做归一化两部分，其方法如下：

设样本集{z_i|1≤i≤N}中每一个样本为z＝R+jX∈□^d，且有实部R=(R₁,R₂,...,R_d)，虚部X＝(X₁,X₂,...,X_d)，j表示为

为了方便后续计算，需对复阻抗样本进行拉伸得到相应的实际样本z^r＝(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T。将最终的样本矩阵表示为：

对样本z^r的第k个特征的N个数据，有：

${\stackrel{\‾}{z}}_k^r=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{i,k}^r$ k=1,2，...,2d

${\mathrm{\σ}}_k^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(z_{i,k}^r-{\stackrel{\‾}{z}}_k^r)}^2$

i=1,2，...,N，k=1,2，...,2d      (7)

归一化后的特征具有零均值和单位方差，d表示维数；

2）手掌BIS特征降维：

采用主成分分析PCA(Principal Component Analysis，PCA)对BIS特征数据进行降维分析，其方法如下：

设归一化后的样本矩阵为X=(X_ij)_K×N，即共有N组数据，每组数据有K个特征；

（1）求出样本的协方差矩阵：

$\mathrm{\Σ}=E\left[{\mathrm{XX}}^T\right]=\frac{1}{N-1}{\mathrm{XX}}^T---\left(8\right)$

（2）求出∑的K个特征值和特征向量，设不为零的特征值为λ_i,i＝1,2,...,M,M≤N，相应的特征向量为U＝[u₁,u₂,...,u_M],M≤N；

（3）将样本在特征向量上投影，得到PCA变换后的样本矩阵：

Y=U^TX                    （9）

（4）使用式（5）中的J₁对Y的所有特征由大到小进行排序；同时依据特征值的累积方差贡献率选择前k个特征，作为由PCA变换得到的分类样本集，其中贡献率大小从训练样本集中得到；并将上述算法得到的样本集记为X_P；

3）手掌BIS特征提取：

（1）对样本集X_P中的每一类数据求出平均值

设样本集包含m类样本，对ω_i类有

${\stackrel{\‾}{x}}_i=\frac{1}{K_i}\underset{x\∈{\mathrm{\ω}}_i,i=1}{\overset{m}{\mathrm{\Σ}}}x---\left(10\right)$

其中K_i为ω_i类中样本的数量；

（2）将每个类平均值

看作一个信号源，即令s类样本向量注意此处样本以行向量的形式出现。使用fastICA方法求独立信号源

S＝WX_s                     （11）

（3）此时矩阵S的每一行是一个独立分量，将其作为线性变换的基底；使用中心化后的c类样本数据X_c进行投影，得到投影后的样本矩阵Y，即

Y=SX_c                      （12）

式（12）中，矩阵Y的每一列都代表了一个投影后的样本；

步骤四、手掌BIS特征匹配为采用隐空间支持向量机机制：

1）如令X表示输入的样本集，X={x₁,x₂,...,x_N | x_i∈□^d}，对任意一个样本x∈X，可以定义一个由一组实值函数生成的矢量：

矢量将d维输入空间中的样本矢量映射到一个新的d_h维空间中：

由于函数集

的作用与前向网络中隐节点的作用类似，故称

为隐函数；相应地由隐函数集

映射所得的样本空间

称为隐空间或者特征空间；

2）构造隐空间中的样本集:

类似支持向量机定义，对于已知分类的二类样本集X={(x₁,y₁),(x₂,y₂),...,(x_N,y_N)|x_i∈□^d,y_i∈{1,-1}}和核函数k(x,y)，映射得到隐空间中的样本集为：

{(z₁,y₁),(z₂,y₂),...,(z_N,y_N)|z_i=[k(x₁,x_i),k(x₂,x_i),...,k(x_N,x_i)]^T}    （15）

3）构造隐空间中的线性分类函数:

隐空间中的线性分类函数f(z)=w^Tz+b,w∈□^N，相应的优化问题为：

$\min R(w,b)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)---\left(16\right)$

s.t.y_i(w^Tz_i+b)≥1-ξ_i

ξ_i≥0(i=1，...,N)

其中，C为惩罚因子，调节经验风险和函数集容量控制之间的平衡；

4）构造Wolfe对偶规划函数:

求解式（1 6）得Wolfe对偶规划函数，即：

$s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0$

0≤α_i≤C(i=1,...,N)

其中α_i为Lagrange乘子；

求解隐空间模式识别支撑向量机的决策函数凸优化，即特征分类；隐空间模式识别支撑向量机的决策函数为：

$y=\mathrm{sign}(w^{T}x+b)=\mathrm{sign}(\underset{i.j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)k(x_j,x)+b)---\left(18\right)$

如令

${\mathrm{\λ}}_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x_j)---\left(19\right)$

则式(18)可以简化表示如下：

$y=\mathrm{sign}(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{j}k(x_j,x)+b)$

Images