CN109508658B - 一种多生物特征联合识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种多生物特征联合识别方法及装置，涉及人工智能领域。本发明实施例能够快速高效的利用多种生物特征对用户身份进行识别。该方法包括：获取待识别用户的至少两种生物特征；分别计算待识别用户的至少两种生物特征，与已注册用户的至少两种生物特征的相似度，生成至少两种生物特征各自对应的相似度；利用遗传算法计算至少两种生物特征各自对应的预设加权值；根据至少两种生物特征各自对应的预设加权值，对至少两种生物特征各自对应的相似度加权求和，得到待识别用户与已注册用户的最终相似度；若最终相似度大于预设相似度阈值，则确定待识别用户的身份识别成功。本发明应用于生物识别。

Description

一种多生物特征联合识别方法及装置

技术领域

本发明涉及人工智能领域，尤其涉及一种多生物特征联合识别方法及装置。

背景技术

随着信息技术快速地发展，基于生物识别技术的身份认证的需求不断增加。传统的生物识别技术已经可以被赋值并仿造出来，例如通过伪造指纹或人脸来进行身份验证，所以单模态生物识别系统在匹配精度、难度、普遍性和易攻击性方面都显示出了限制。多生物特征识别系统融合面部、指纹、掌纹、声音和虹膜等多种特征来提高生物特征识别的稳定性、准确性和不可伪造性。多模态生物识别技术为实现安全性更高的身份验证和识别提供了极大的帮助。生物特征的选择以及融合方式的选择成为目前多模态融合的技术难点。

发明内容

本发明的实施例提供了一种多生物特征联合识别方法及装置，能够快速高效的利用多种生物特征对用户身份进行识别。

为达到上述目的，本发明采用如下技术方案：

第一方面，本发明实施例提供一种多生物特征联合识别方法，包括：获取待识别用户的至少两种生物特征；分别计算待识别用户的至少两种生物特征，与已注册用户的至少两种生物特征的相似度，生成至少两种生物特征各自对应的相似度；利用遗传算法计算至少两种生物特征各自对应的预设加权值；根据至少两种生物特征各自对应的预设加权值，对至少两种生物特征各自对应的相似度加权求和，得到待识别用户与已注册用户的最终相似度；若最终相似度大于预设相似度阈值，则确定待识别用户的身份识别成功。

可选的，利用遗传算法计算至少两种生物特征各自对应的预设加权值，具体包括：将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算AUC值最大时至少两种生物特征各自对应的加权值。

可选的，该方法具体包括：建立染色体群，染色体群中包括n条初始染色体，n条初始染色体中每条染色体分别包括预先生成的至少两种生物特征各自对应的加权值；利用遗传算法，对染色体群中的染色体进行遗传迭代，生成新的染色体，并将新的染色体添加至染色体群中；当满足终止条件时停止遗传迭代，获取染色体群中AUC值最大的染色体所包括的至少两种生物特征各自对应的预设加权值。

可选的，至少两种生物特征包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

第二方面，本发明实施例提供一种多生物特征联合识别装置，包括：获取单元，用于获取待识别用户的至少两种生物特征；单模相似度计算单元，用于分别计算待识别用户的至少两种生物特征，与已注册用户的至少两种生物特征的相似度，生成至少两种生物特征各自对应的相似度；预设加权值计算单元，用于利用遗传算法计算至少两种生物特征各自对应的预设加权值；最终相似度计算单元，用于根据至少两种生物特征各自对应的预设加权值，对至少两种生物特征各自对应的相似度加权求和，得到待识别用户与已注册用户的最终相似度；识别单元，用于若最终相似度大于预设相似度阈值，则确定待识别用户的身份识别成功。

可选的，预设加权值计算单元，具体用于将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算AUC值最大时至少两种生物特征各自对应的加权值。

可选的，预设加权值计算单元，具体包括：建立子单元、迭代子单元、获取子单元；其中：建立子单元，用于建立染色体群；染色体群中包括n条初始染色体，n条初始染色体中每条染色体分别包括预先生成的至少两种生物特征各自对应的加权值；迭代子单元，用于利用遗传算法，对染色体群中的染色体进行遗传迭代，生成新的染色体，并将新的染色体添加至染色体群中；获取子单元，用于当满足终止条件时停止遗传迭代，获取染色体群中AUC值最大的染色体所包括的至少两种生物特征各自对应的预设加权值。

可选的，至少两种生物特征包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

第三方面，本发明实施例提供一种多生物特征联合识别装置，包括：处理器、存储器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接，当多生物特征联合识别装置运行时，处理器执行存储器存储的计算机执行指令，以使多生物特征联合识别装置执行如上述第一方面所提供的多生物特征联合识别方法。

第四方面，本发明实施例提供一种计算机存储介质，包括指令，当其在多生物特征联合识别装置上运行时，使得多生物特征联合识别装置执行如上述第一方面所提供的多生物特征联合识别方法。

本发明实施例通过先分别计算待识别用户的多种生物特征与已注册用户的生物特征的相似度，再根据利用遗传算法计算出的预设加权值对多种生物特征的相似度进行加权求和得到最终相似度，然后根据最终相似度判断待识别用户的身份。通过上述方法，能够快速高效的利用多种生物特征对用户身份进行识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种多生物特征联合识别方法的流程示意图；

图2为本发明实施例提供的一种计算预设加权值的流程示意图；

图3为本发明实施例提供的一种计算综合相似度的流程示意图；

图4为本发明实施例提供的一种多生物特征联合识别装置的结构示意图；

图5为本发明实施例提供的另一种多生物特征联合识别装置的结构示意图；

图6为本发明实施例提供的又一种多生物特征联合识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如本发明所使用的术语“单元”、“模块”旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，单元可以是，但不限于是：在处理器上运行的处理对象、处理器、可执行文件、执行中的线程、程序和/或计算机。

首先，对本发明的发明原理进行介绍：目前为了保证生物识别的可靠性，多模态生物识别技术逐渐被人们所重视。多模态生物识别技术是指利用多种生物特征来进行生物识别，以提高生物识别的稳定性、准确性和不可伪造性。针对这一情况，现有技术中存在一种身份认证方法和系统，其中提出了一种声纹，指纹人脸联合认证的方法，该方法将三种模态的特征矩阵先合并再一起，然后共同输入到训练该模型的卷积神经网络之中，一起进行训练，然后利用训练好的卷积神经网络模型进行身份识别。这种身份认证方法存在输入的特征矩阵的维数太高导致训练难度大，训练效率低下，训练完成之后的模型在使用时的反应也会相应的慢的问题。针对上述问题，本发明中通过先利用遗传算法算出不同生物特征在进行身份识别时的预设加权值，然后对待识别用户的不同生物特征对应的相似度进行加权求和，得到最终相似度，然后利用最终相似度判断用户的身份。本发明的这一方法中由于不同生物特征分开计算相似度，特征参数的维度低，因此大大降低了在进行模型训练时的运算量，同时在进行识别过程中的反映也更快。

实施例一：

基于上述发明原理，本发明实施例提供一种多生物特征联合识别方法，如图1所示，该方法具体包括：

S101、获取待识别用户的至少两种生物特征。

具体的，其中至少两种生物特征可以包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

S102、分别计算待识别用户的至少两种生物特征与已注册用户的至少两种生物特征的相似度，生成至少两种生物特征各自对应的相似度。

在一种实现方式中，步骤S102包括：

S1021、将获取的待识别用户的至少两种生物特征分别转换为预设维度的生物特征矩阵；

S1022、依次将生成的生物特征矩阵中的每一个生物特征矩阵和已注册用户对应的生物特征矩阵输入对应的神经网络，计算待识别用户的生物特征和已注册用户的该生物特征之间的相似度。

例如，获取的待识别用户的生物特征包括指纹特征A和虹膜特征B，则分别将该指纹特征A和虹膜特征B转换为预设维度的矩阵。然后，将指纹特征A对应的矩阵和已注册用户的指纹特征的矩阵输入神经网络X，得到待识别用户的指纹特征和已注册用户的指纹特征之间的相似度；将虹膜特征B对应的矩阵和已注册用户的虹膜特征的矩阵输入神经网络Y，得到待识别用户的虹膜特征和已注册用户的虹膜特征之间的相似度。

S103、利用遗传算法计算至少两种生物特征各自对应的预设加权值。

利用遗传算法计算至少两种生物特征各自对应的预设加权值，具体可以包括：将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算AUC值最大时至少两种生物特征各自对应的加权值。

具体的，在给生物特征对应的预设加权值赋予不同的数值时，在利用该预设加权值进行用户身份识别(即利用该预设加权值对生物特征的相似度进行加权求和得到最终相似度，然后利用最终相似度确定进行用户身份识别)的ROC曲线，也有所不同。本发明中通过将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，并且利用遗传算法计算AUC值最大时至少两种生物特征各自对应的加权值，从而能够确定出最优的预设加权值。

其中本发明中的AUC(Area Under Curve，曲线下面积)值，代表ROC(receiveroperating characteristic curve，受试者工作特征曲线)曲线下的面积大小，该值能够量化地反映基于ROC曲线衡量出的模型性能。计算AUC值只需要沿着ROC横轴做积分就可以了。其中，ROC曲线的横坐标为假阳性率(FalsePositiveRate，FPR)；纵坐标为真阳性(TruePositiveRate，TPR)。FPR和TPR的计算方法分别为：

其中，P是真实的正样本的数量，N是真实的负样本的数量，TP是P个正样本中被分类器预测为正样本的个数，FP是N个负样本中被分类器预测为正样本的个数。由于ROC曲线一般都处于y＝x这条直线的上方(如果不是的话，只要把模型预测的概率反转成1-p就可以得到一个更好的分类器)，所以AUC的取值一般在0.5～1之间。AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。

示例性的，在一种实现方式中，将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算AUC值最大时至少两种生物特征各自对应的加权值，具体包括：

S1031、建立染色体群，染色体群中包括n条初始染色体，n条初始染色体中每条染色体分别包括预先生成的至少两种生物特征各自对应的加权值。

S1032、利用遗传算法，对染色体群中的染色体进行遗传迭代，生成新的染色体，并将新的染色体添加至染色体群中。

S1033、当满足终止条件时停止遗传迭代，获取染色体群中AUC值最大的染色体所包括的至少两种生物特征各自对应的预设加权值。

其中，终止条件可以为迭代次数达到阈值次数。

本发明实施例中利用遗传算法，找到AUC值最大时至少两种生物特征各自对应的加权值，以便利用计算出的加权值计算待识别用户与已注册用户的最终相似度。

示例性的，如图2所示，为本发明实施例提供的一种利用遗传算法，计算至少两种生物特征各自对应的预设加权值的方法流程图，其中包括：

S103a、产生初始群体，即建立染色体群，该染色体群中的每条染色体分别包括预先生成的至少两种生物特征各自对应的加权值。例如，染色体群中包括染色体a，染色体a中包括数值60％、40％，表示第一生物特征的加权值为60％，第二生物特征的加权值为40％。此处第一生物特征与第二生物特征可以为指纹特征、虹膜特征、面部特征、掌纹特征、声音特征以及其他特征中的任意两种，对此本发明可不做限制。染色体群中还包括染色体b、c、d等等，染色体b、c、d中的数值意义参考染色体a。

S103b、判断是否满足终止条件。例如，判断迭代次数是否达到阈值次数。若不满足则执行S103c；若满足则执行S103d。

S103c、计算个体的适应值AUC值。即计算染色体群中每个染色体对应的AUC值。

S103d、得到AUC值最大的染色体，结束程序。

S103e、依概率选择遗传算子，进行遗传迭代。然后分别选择执行S103f或者S103g或者S103h。

S103f、选择新个体复制到新的群体。

S103g、通过两个个体的交叉产生新个体放入新的群体。

S103h、使个体进行变异放入新的群体。

S103i、得到新的群体，并重新执行S103b。

直至判断满足终止条件后，得到结果并结束程序。

在利用遗传算法计算至少两种生物特征各自对应的预设加权值之后，本发明实施例所提供的方法还包括：

S104、根据至少两种生物特征各自对应的预设加权值，对至少两种生物特征各自对应的相似度加权求和，得到待识别用户与已注册用户的最终相似度。

示例性的，如图3所示，本发明中首先对待识别用户的至少两种生物特征(在本实例中具体为声纹、人脸以及指纹三种生物特征)分别进行特征提取并将提取的特征分别输入各自的神经网络中，计算待识别用户与已注册用户的至少两种生物特征的相似度，即单模相似度。然后根据计算出的生物特征各自对应的预设加权值(本实例中声纹的预设加权值为λ₁、人脸的预设加权值为λ₂以及指纹的预设加权值为λ₃)，对至少两种生物特征的单模相似度进行加权求和，得到最终相似度即综合相似度。

S105、若最终相似度大于预设相似度阈值，则确定待识别用户的身份识别成功。

本发明实施例通过先分别计算待识别用户的多种生物特征与已注册用户的生物特征的相似度，再根据利用遗传算法计算出的预设加权值对多种生物特征的相似度进行加权求和得到最终相似度，然后根据最终相似度判断待识别用户的身份。通过上述方法，能够快速高效的利用多种生物特征对用户身份进行识别。

实施例二：本发明实施例提供一种多生物特征联合识别装置，该多生物特征联合识别装置用于执行上述多生物特征联合识别方法。如图4所示，为本发明实施例提供的多生物特征联合识别装置的一种可能的结构示意图。具体的，该多生物特征联合识别装置20包括：获取单元201、单模相似度计算单元202、预设加权值计算单元203、最终相似度计算单元204、识别单元205。其中：

获取单元201，用于获取待识别用户的至少两种生物特征；

单模相似度计算单元202，用于分别计算待识别用户的至少两种生物特征，与已注册用户的至少两种生物特征的相似度，生成至少两种生物特征各自对应的相似度；

预设加权值计算单元203，用于利用遗传算法计算至少两种生物特征各自对应的预设加权值；

最终相似度计算单元204，用于根据至少两种生物特征各自对应的预设加权值，对至少两种生物特征各自对应的相似度加权求和，得到待识别用户与已注册用户的最终相似度；

识别单元205，用于若最终相似度大于预设相似度阈值，则确定待识别用户的身份识别成功。

可选的，预设加权值计算单元203，具体用于将利用至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算AUC值最大时至少两种生物特征各自对应的加权值。

可选的，预设加权值计算单元203，具体包括：建立子单元2031、迭代子单元2032、获取子单元2033；其中：建立子单元2031，用于建立染色体群；染色体群中包括n条初始染色体，n条初始染色体中每条染色体分别包括预先生成的至少两种生物特征各自对应的加权值；

迭代子单元2032，用于利用遗传算法，对染色体群中的染色体进行遗传迭代，生成新的染色体，并将新的染色体添加至染色体群中；

获取子单元2033，用于当满足终止条件时停止遗传迭代，获取染色体群中AUC值最大的染色体所包括的至少两种生物特征各自对应的预设加权值。

可选的，至少两种生物特征包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

本发明实施例中提供的多生物特征联合识别装置中各模块所的功能以及所产生的效果可以参照上述实施例一多生物特征联合识别方法中的对应的描述内容，在此不再赘述。

在采用集成的单元的情况下，图5示出了上述实施例中所涉及的多生物特征联合识别装置的一种可能的结构示意图。多生物特征联合识别装置30包括：处理模块301、通信模块302和存储模块303。处理模块301用于对多生物特征联合识别装置30的动作进行控制管理，例如，处理模块301用于支持多生物特征联合识别装置30执行图1中的过程S102-S105。通信模块302用于支持多生物特征联合识别装置与其他实体的通信。存储模块303用于存储多生物特征联合识别装置的程序代码和数据。

其中，处理模块301可以是处理器或控制器，例如可以是中央处理器(centralprocessing unit，CPU)，通用处理器，数字信号处理器(digital signal processor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信模块302可以是收发器、收发电路或通信接口等。存储模块303可以是存储器。

当处理模块301为如图6所示的处理器，通信模块302为图6的收发器，存储模块303为图6的存储器时，本申请实施例所涉及的多生物特征联合识别装置可以为如下的模型训练装置40。

参照图6所示，该多生物特征联合识别装置40包括：处理器401、收发器402、存储器403和总线404。

其中，处理器401、收发器402、存储器403通过总线404相互连接；总线404可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器401可以是一个通用中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

存储器403可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器402用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。收发器402用于接收外部设备输入的内容，处理器401用于执行存储器403中存储的应用程序代码，从而实现本申请实施例中所述多生物特征联合识别方法。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种多生物特征联合识别方法，其特征在于，包括：

获取待识别用户的至少两种生物特征；

分别计算所述待识别用户的至少两种生物特征，与已注册用户的所述至少两种生物特征的相似度，生成所述至少两种生物特征各自对应的相似度；

利用遗传算法计算所述至少两种生物特征各自对应的预设加权值；

根据所述至少两种生物特征各自对应的预设加权值，对所述至少两种生物特征各自对应的相似度加权求和，得到所述待识别用户与所述已注册用户的最终相似度；

若所述最终相似度大于预设相似度阈值，则确定所述待识别用户的身份识别成功；

所述利用遗传算法计算所述至少两种生物特征各自对应的预设加权值，具体包括：

将利用所述至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将所述至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算所述AUC值最大时所述至少两种生物特征各自对应的预设加权值；

建立染色体群，所述染色体群中包括n条初始染色体，所述n条初始染色体中每条染色体分别包括预先生成的所述至少两种生物特征各自对应的加权值；

利用遗传算法，对所述染色体群中的染色体进行遗传迭代，生成新的染色体，并将所述新的染色体添加至所述染色体群中；

当满足终止条件时停止所述遗传迭代，获取所述染色体群中所述AUC值最大的染色体所包括的所述至少两种生物特征各自对应的预设加权值。

2.根据权利要求1所述多生物特征联合识别方法，其特征在于，所述至少两种生物特征包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

3.一种多生物特征联合识别装置，其特征在于，包括：

获取单元，用于获取待识别用户的至少两种生物特征；

单模相似度计算单元，用于分别计算所述待识别用户的至少两种生物特征，与已注册用户的所述至少两种生物特征的相似度，生成所述至少两种生物特征各自对应的相似度；

预设加权值计算单元，用于利用遗传算法计算所述至少两种生物特征各自对应的预设加权值；

最终相似度计算单元，用于根据所述至少两种生物特征各自对应的预设加权值，对所述至少两种生物特征各自对应的相似度加权求和，得到所述待识别用户与所述已注册用户的最终相似度；

识别单元，用于若所述最终相似度大于预设相似度阈值，则确定所述待识别用户的身份识别成功；

所述预设加权值计算单元，具体用于将利用所述至少两种生物特征各自对应的预设加权值进行生物识别时的ROC曲线的AUC值作为遗传算法的目标函数，将所述至少两种生物特征各自对应的预设加权值作为需要被优化的参数，利用遗传算法，计算所述AUC值最大时所述至少两种生物特征各自对应的预设加权值；

所述预设加权值计算单元，具体包括：建立子单元、迭代子单元、获取子单元；其中：

所述建立子单元，用于建立染色体群；所述染色体群中包括n条初始染色体，所述n条初始染色体中每条染色体分别包括预先生成的所述至少两种生物特征各自对应的加权值；

所述迭代子单元，用于利用遗传算法，对所述染色体群中的染色体进行遗传迭代，生成新的染色体，并将所述新的染色体添加至所述染色体群中；

所述获取子单元，用于当满足终止条件时停止所述遗传迭代，获取所述染色体群中所述AUC值最大的染色体所包括的所述至少两种生物特征各自对应的预设加权值。

4.根据权利要求3所述多生物特征联合识别装置，其特征在于，所述至少两种生物特征包括：指纹特征、虹膜特征、面部特征、掌纹特征、声音特征中的至少两项。

5.一种多生物特征联合识别装置，其特征在于，包括：处理器、存储器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述多生物特征联合识别装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述多生物特征联合识别装置执行如权利要求1-2中任一项所述多生物特征联合识别方法。

6.一种计算机存储介质，其特征在于，包括指令，当其在多生物特征联合识别装置上运行时，使得所述多生物特征联合识别装置执行如权利要求1-2中任一项所述多生物特征联合识别方法。

Images