CN103745242A - 一种跨设备生物特征识别方法 - Google Patents

Abstract

本发明公开了一种跨设备生物特征识别方法。该方法包括以下步骤：对不同采集设备采集到的生物特征图像组分别进行预处理，并提取每幅生物特征图像的局部子区域特征；以相似度为导向选取关联特征；对关联特征训练得到分类器模型；对待测试的来自于不同采集设备的生物特征图像进行预处理和关联特征提取；将关联特征分别输入分类器模型中进行分类；对于来自不同采集设备的生物特征图像经过分类器模型的分类结果进行比对，最终得到跨设备生物特征识别结果。本发明选择到的特征能够很好的克服跨设备图像比对中带来的噪声，提高跨设备生物特征图像识别的性能，可用于大规模的生物特征识别的身份认证系统和其他需要安全性防范的诸应用系统中。

Description

一种跨设备生物特征识别方法

技术领域

本发明涉及数字图像处理、模式识别和统计学习等技术领域，特别是通过提取针对跨设备的关联特征空间的图像比对的关联特征来进行生物特征的识别。

背景技术

身份识别是社会生活的基本问题，不仅关系于个人的利益，也关系于国家的安全和社会的稳定。由于传统的身份认证方式如密码、门禁卡等存在一定的局限性，生物特征识别作为新型的身份认证手段越来越受到大家的欢迎。而随着人类社会信息化进程的深入发展，各种生物图像获取装置呈现出广泛发展的趋势，同时互联网的图像和视频数据的规模呈爆炸式增长，为生物特征识别提供了新的机遇和挑战。例如“平安城市”工程建设将在全国各地部署千万级别的高清监控终端，其中生物特征是确定人员身份的重要手段。同时我国每年新增数以亿计的智能手机和平板电脑上的千万像素高清摄像头构建了广泛分布的移动视觉感知平台，这为采集多种模态的生物特征提供了新的途径。

以虹膜识别为例，虹膜识别是基于人眼虹膜纹理的特征来进行人的身份识别的一种识别方法，具有唯一性、稳定性、非侵犯性等特点，由于其可靠性，已经广泛应用到机场、海关、银行等场合的身份鉴别。虹膜图像获取设备可以是近红外相对于可见光、CCD相对于CMOS、高清相对于低分辨率、固定式相对于移动式、专用装置相对于普通相机等，用户状态可以是近距离相对于远距离、静态相对于动态(行进中)、眼镜相对于裸眼、正视相对于斜视等，虹膜图像来源的网络环境可以是物联网、互联网、移动互联网等，总之虹膜图像的数据来源呈现多元化的趋势。而不同的生产厂商在生产自己的虹膜识别系统的时候，都会设计出不同的上述提到的组件，从而导致获取的虹膜图像在分辨率、对比度、纹理细节、形变等方面有较大的差异。当来自于不同设备采集到的虹膜图像进行比对的时候，虹膜识别的准确将会大大降低。

目前在跨设备的虹膜识别研究领域，近两年来学术界才有关于跨设备虹膜识别的讨论，指出了虹膜传感器和虹膜识别算法的选择都会对虹膜识别的准确率产生影响。随后印度学者Arora等人(Arora，S.S.；Vatsa，M.；Singh，R.；Jain，A.，″On iris camera interoperability，″Biometrics：Theory，Applications and Systems(BTAS2012))为解决该问题，提出对需要比对的图像，先进行虹膜传感器分类，然后对其进行一定的图像增强方法来提高虹膜识别设备的互用性。跨设备的人脸识别的方法一般主要有两大类，一类以合成为主，即将来自一个人脸采集设备的图像转化到另一个人脸采集设备的图像空间，从而实现同类图像的比对。另一类以子空间方法为主，即将两类来自不同采集设备的图像共同转化到相同的子空间中去进行比对。其他诸如跨设备的指纹、掌纹等生物特征模态之间的比对也有了一定的发展。但是之前的方法很少从图像本身的特点进行分析。因此，本发明考虑从特征层面出发，通过选择出一组最优特征，来更好的表达跨设备的生物特征图像的特性，从而达到鲁棒跨设备的生物特征图像识别的目标。

发明内容

本发明的目的是提供一种跨设备生物特征识别方法，通过抽取出最优的描述跨设备图像纹理的特征，来提高跨设备生物特征图像识别的准确率和稳定性。

为了实现上述目的，本发明提出的一种跨设备生物特征识别方法包括以下步骤：

步骤S1，对不同采集设备采集到的生物特征图像组分别进行预处理，并提取所述生物特征图像组中每幅生物特征图像的局部子区域特征；

步骤S2，以相似度为导向，从所述步骤S1提取到的局部子区域特征中选取关联特征；

步骤S3，对所述步骤S2得到的关联特征，训练学习得到分类器模型；

步骤S4，输入待测试的来自于不同采集设备的生物特征图像，并按照所述步骤S1和步骤S2分别对待测试生物特征图像进行预处理和关联特征提取；

步骤S5，将所述步骤S4提取得到的关联特征分别输入所述步骤S3得到的分类器模型中，进行分类；

步骤S6，对于来自不同采集设备的生物特征图像经过分类器模型的分类结果进行比对，最终得到跨设备生物特征识别结果。

本发明提出的一种跨设备生物特征图像识别的关联特征选择方法，对于提高跨设备生物特征图像识别准确性和鲁棒性具有重要的意义，其主要优点如下：

1.本发明使用的关联特征选择方法，充分利用了同设备分类性能较好的特征的选择，同时又考虑了跨设备的相关特征的选择，从而综合选择出适合于跨设备生物特征图像识别的鲁棒特征。

2.本发明对跨设备特征空间的特征权重进行约束，构建跨设备特征空间的关系，以保证不同特征空间，选择出的特征具有相似性，即相似的特征分类能力；并通过对各自的同特征空间的回归误差进行约束，以保证所选择的特征能够在同特征空间中具有较强的分类性能。

3.本发明采用了线性规划的方法解决优化关联特征选择问题。该方法具有较快的收敛速度。

4.本发明可以应用到多种不同模态的跨设备身份鉴别问题中。

附图说明

图1是本发明跨设备生物特征识别方法的流程图；

图2(a)、图2(b)、图2(c)、图2(d)、图2(e)、图2(f)分别是来自于不同采集设备的虹膜图像；

图3是来自于不同采集设备的人脸图像；

图4是来自于不同采集设备的指纹图像。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明通过构建跨设备特征空间的关系的同时，对单个设备特征空间的回归误差进行约束，来学习到跨设备的生物特征图像的多组特征权重。通过对该多组特征权重进行排序等操作，选择出最终的适用于表达来自于多种不同设备采集到的生物特征图像的特征，使其在跨设备的生物特征图像比对中，仍然具有较高的准确性能。

图1是本发明跨设备生物特征识别方法的流程图，如图1所示，本发明方法包括以下步骤：

步骤S1，对不同采集设备采集到的生物特征图像组分别进行预处理，并提取所述生物特征图像组中每幅生物特征图像的局部子区域特征；

所述预处理包括生物特征定位和归一化等处理。

在本发明一实施例中，采用区域多级子定序测量特征对所述生物特征图像中的生物特征进行表达，以得到相应生物特征图像的局部子区域特征。

优选地，所述步骤S1进一步包括如下步骤：

步骤S11，将经过预处理后得到的生物特征图像分割成多个局部子区域；

步骤S12，采用多级子滤波器对每个局部子区域进行滤波，抽取相应局部子区域的定序测量特征作为该局部子区域的特征以表达该局部子区域的生物特征。

步骤S2，以相似度为导向，从所述步骤S1提取到的局部子区域特征中选取关联特征；

所述关联特征是适用于关联特征空间的分类性能最强的特征。

优选地，所述步骤S2进一步包括如下步骤：

步骤S21，构建特征训练样本集；

所述步骤S21进一步包括以下步骤：

步骤S211，在不同采集设备采集到的生物特征图像组中分别选取相应数量的生物特征图像，组成多个训练集；

步骤S212，对每一个训练集中的生物特征图像进行两两比对，计算任意两幅生物特征图像的各相应局部子区域特征之间的汉明距离，作为该局部子区域特征之间的相似度分数，对于每一个训练集，得到多个分数序列；

步骤S213，将所述分数序列中来自于同一类生物特征图像的相似度分数作为正样本(N+)，将来自于不同类生物特征图像的相似度分数作为负样本(N-)，这样就得到来自不同采集设备的样本组成的特征训练样本集。

步骤S22，基于所述特征训练样本集，通过构建多组特征权重的约束的优化问题，得到适用于该训练样本集的特征权重向量S；

该步骤中，对分类误差、特征稀疏性和关联特征空间的关联特征同时进行约束而构建出优化问题，通过最小化该优化问题，求解所述多组特征权重w^a，w^b，从而最终得到适用于该训练样本集的特征权重向量S；

优选地，所述步骤S22包括以下步骤：

步骤S221，设立并求解目标函数，得到所述特征训练样本集中各训练样本的权重w^a，w^b；

所述目标函数表示为：

$\begin{array}{c}\min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1-y_i^a(w_0^a+\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{w}_j^a{x}_{\mathrm{ij}}^a)]}_{+}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1-y_i^b(w_0^b+\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{w}_j^b{x}_{\mathrm{ij}}^b)]}_{+}\\ +\mathrm{\λ}\underset{j=1}{\overset{D}{\mathrm{\Σ}}}(w_j^a+w_j^b)+\mathrm{\γ}{\left|\right|w^a-w^b\left|\right|}_1,w_j^a,w_j^b\≥0\end{array}---\left(1\right)$

其中，

代表来自A设备的第i个训练样本的第j维特征；w^a，w^b∈R^D是来自A设备和B设备的训练样本的权重；

是训练样本的类别标号，+1表示正样本，-1表示负样本；D是特征维度；N是训练样本数

量；分别是A设备和B设备训练样本的第i维的特征权重；λ和γ是该目标函数的参数，通过调整λ和γ的值来选择出合适的w^a，w^b，所述目标函数是以两个采集设备为例，对于大于两个采集设备的情况，可按照所述目标函数的形式类推。

上式通过最小化构建的约束问题，求解所述多组特征权重，从而得到适用于该训练样本集的特征权重向量S。

所述目标函数中，前两项是分类误差项，第三项是对来自两个设备空间的特征稀疏性的约束，以确保较强分类性能的特征具有较大的特征权重，而较弱分类性能的特征权重则将被约束为接近于零。第四项是用来构建两个设备特征空间中对应特征维度权重的约束，以为了避免在一个设备空间中选择出来具有较强分类性能的特征在另一个设备空间中不具有相应的分类性能，从而产生的总体识别性能的下降。

由于引入的||w^a-w^b||₁这项约束，(1)式难于直接优化。为了计算方便，引入参数ε，将||w^a-w^b||₁放缩为两个线性不等式，用来限制w^a，w^b两个特征权重序列中的每一维特征分类能力的差别。

$\left\{\begin{array}{c}{w}_j^a-w_j^b\≤\mathrm{\ϵ}\\ w_j^a-w_j^b\≥-\mathrm{\ϵ}\end{array}\right.,j=\mathrm{1,2}\·\·\·,D---\left(2\right)$

然后再引入松弛变量ξ来进行增强，即将公式(1)结合公式(2)转化为下式，从而可以通过采用线性规划的工具包来很好的求解所述目标函数：

$\begin{array}{c}\min \underset{j=1}{\overset{D}{\mathrm{\Σ}}}(w_j^a+w_j^b)+\mathrm{\λ}\underset{o=1}{\overset{2N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\\ s.t.\left\{\begin{array}{ccc}{w}_0+\underset{j=1}{\overset{2D}{\mathrm{\Σ}}}{w}_j{x}_{\mathrm{ij}}^{+}& \≤1+{\mathrm{\ξ}}_i.& i=1\·\·\·{2N}^{+}\\ w_0+\underset{j=1}{\overset{2D}{\mathrm{\Σ}}}{w}_j{x}_{\mathrm{ij}}^{-}& \≥1-{\mathrm{\ξ}}_i.& i=1\·\·\·{2N}^{-}\\ w_j^a-w_j^b& \≤\mathrm{\ϵ}& j=1,\·\·\·,D\\ {-w}_j^a+w_j^b& \≤\mathrm{\ϵ}& j=1,\·\·\·,D\\ w_j^a,w_j^b,\mathrm{\ξ}& \≥0,& j=1,\·\·\·,D\end{array}\right.\end{array}---\left(3\right)$

其中，为了便于表示，将来自A设备和B设备的样本约束写到一起，公式中，为正样本中第i个训练样本的第j维特征，

为负样本中第i个训练样本的第j维特征，ε为一个极小数。

比如可以通过经典的线性规划工具包来求解上式，得到各训练样本的权重w^a，w^b。

步骤S222，通过求取[w^aw^b]的

范数来得到最终的训练样本权重向量S，公式化表达如下：

$S_j=\sqrt{{\left(w_j^a\right)}^2+{\left(w_j^b\right)}^2},j=1,\·\·\·,D.$

步骤S23，对所述步骤S22求得的适用于训练样本集的特征权重向量S，根据具体需求选择一定数量的特征来描述跨设备生物特征识别中来自不同采集设备的生物特征图像的本质特性，最终得到适用于跨设备的关联特征空间的关联特征。

在本发明一实施例中，若需要选取K个特征，则可以通过对特征权重向量S进行降序排序，并选择排在前K个的权重对应的特征作为关联特征。

步骤S3，对所述步骤S2得到的关联特征，训练学习得到分类器模型；

该步骤中，通过支持向量机等方法来训练学习得到分类器模型。

步骤S4，输入待测试的来自于不同采集设备的生物特征图像，并按照所述步骤S1和步骤S2分别对待测试生物特征图像进行预处理和关联特征提取；

步骤S5，将所述步骤S4提取得到的关联特征分别输入所述步骤S3得到的分类器模型中，进行分类；

步骤S6，对于来自不同采集设备的生物特征图像经过分类器模型的分类结果进行比对，最终得到跨设备生物特征识别结果。

在本发明一实施例中，如果来自不同采集设备的生物特征图像经过分类器模型的分类结果达到预设的同类相似度标准，则说明所述来自不同采集设备的生物特征图像是同一个生物特征。

本发明可以广泛应用于使用虹膜等生物特征进行身份认证和识别的场景。以虹膜为例，在高安全要求的比如海关系统等场合，在注册终端注册虹膜图像的时候，一般选取近距离的虹膜采集设备来进行高质量虹膜图像的采集，而在识别终端，为了在更短的时间内通过更多的人，采用远距离虹膜识别系统来进行个人的通关认证。为了确保来自近距离虹膜识别系统和来自远距离虹膜识别系统的虹膜图像之间比对的准确性，采用本发明选择出这两种设备采集的虹膜图像的稳定又有区分性能的局部子区域特征。在实际系统的运行中，首先在识别终端采集到虹膜图像，然后抽取采用本发明选择出来的最优局部子区域特征，与注册端的注册虹膜图像的相应对象模板进行一一比对，最终得到识别的身份信息。

图2(a)、图2(b)、图2(c)、图2(d)、图2(e)、图2(f)分别是来自于不同采集设备的虹膜图像，图3是来自于不同采集设备的人脸图像，图4是来自于不同采集设备的指纹图像，对于不同采集设备的生物特征图像，本发明均可实现有效的跨设备生物特征识别。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种跨设备生物特征识别方法，其特征在于，该方法包括以下步骤：

步骤S1，对不同采集设备采集到的生物特征图像组分别进行预处理，并提取所述生物特征图像组中每幅生物特征图像的局部子区域特征；

步骤S2，以相似度为导向，从所述步骤S1提取到的局部子区域特征中选取关联特征；

步骤S3，对所述步骤S2得到的关联特征，训练学习得到分类器模型；

步骤S4，输入待测试的来自于不同采集设备的生物特征图像，并按照所述步骤S1和步骤S2分别对待测试生物特征图像进行预处理和对偶特征提取；

步骤S5，将所述步骤S4提取得到的关联特征分别输入所述步骤S3得到的分类器模型中，进行分类；

步骤S6，对于来自不同采集设备的生物特征图像经过分类器模型的分类结果进行比对，最终得到跨设备生物特征识别结果。

2.根据权利要求1所述的方法，其特征在于，所述预处理包括生物特征定位和归一化。

3.根据权利要求1所述的方法，其特征在于，采用区域多级子定序测量特征对所述生物特征图像中的生物特征进行表达，以得到相应生物特征图像的局部子区域特征。

4.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括如下步骤：

步骤S11，将经过预处理后得到的生物特征图像分割成多个局部子区域；

步骤S12，采用多级子滤波器对每个局部子区域进行滤波，抽取相应局部子区域的定序测量特征作为该局部子区域的特征以表达该局部子区域的生物特征。

5.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括如下步骤：

步骤S21，构建特征训练样本集；

步骤S22，基于所述特征训练样本集，通过构建多组特征权重的约束的优化问题，得到适用于训练样本集的特征权重向量S；

步骤S23，对所述步骤S22求得的适用于训练样本集的特征权重向量S，根据具体需求选择一定数量的特征来描述跨设备生物特征识别中来自不同采集设备的生物特征图像的本质特性，最终得到适用于跨设备的关联特征空间的关联特征。

6.根据权利要求5所述的方法，其特征在于，所述步骤S21进一步包括以下步骤：

步骤S211，在不同采集设备采集到的生物特征图像组中分别选取相应数量的生物特征图像，组成多个训练集；

步骤S212，对每一个训练集中的生物特征图像进行两两比对，计算任意两幅生物特征图像的各相应局部子区域特征之间的汉明距离，作为该局部子区域特征之间的相似度分数，对于每一个训练集，得到多个分数序列；

步骤S213，将所述分数序列中来自于同一类生物特征图像的相似度分数作为正样本，将来自于不同类生物特征图像的相似度分数作为负样本，这样就得到来自不同采集设备的样本组成的特征训练样本集。

7.根据权利要求5所述的方法，其特征在于，所述步骤S22包括以下步骤：

步骤S221，设立并求解目标函数，得到所述特征训练样本集中各训练样本的权重w^a，w^b；

步骤S222，通过求取[w^aw^b]的

范数来得到最终的训练样本权重向量S。

8.根据权利要求7所述的方法，其特征在于，所述目标函数表示为：

$\begin{array}{c}\min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1-y_i^a(w_0^a+\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{w}_j^a{x}_{\mathrm{ij}}^a)]}_{+}+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[1-y_i^b(w_0^b+\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{w}_j^b{x}_{\mathrm{ij}}^b)]}_{+}\\ +\mathrm{\λ}\underset{j=1}{\overset{D}{\mathrm{\Σ}}}(w_j^a+w_j^b)+\mathrm{\γ}{\left|\right|w^a-w^b\left|\right|}_1,w_j^a,w_j^b\≥0\end{array}$

其中，

代表来自A设备的第i个训练样本的第j维特征；w^a，w^b∈R^D是来自A设备和B设备的训练样本的权重；

是训练样本的类别标号，+1表示正样本，-1表示负样本；D是特征维度；N是训练样本数量；

分别是A设备和B设备训练样本的第i维的特征权重；λ和γ是该目标函数的参数。

9.根据权利要求5所述的方法，其特征在于，所述步骤S23中，通过对特征权重向量S进行降序排序，并选择排在前K个的权重对应的特征作为关联特征。

10.根据权利要求1所述的方法，其特征在于，所述步骤S3中，通过支持向量机来训练学习得到分类器模型。

Images