CN110378414B - 基于进化策略的多模态生物特征融合的身份识别方法 - Google Patents

基于进化策略的多模态生物特征融合的身份识别方法 Download PDF

Info

Publication number
CN110378414B
CN110378414B CN201910653510.1A CN201910653510A CN110378414B CN 110378414 B CN110378414 B CN 110378414B CN 201910653510 A CN201910653510 A CN 201910653510A CN 110378414 B CN110378414 B CN 110378414B
Authority
CN
China
Prior art keywords
image
vector
biological
feature
training
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.)
Active
Application number
CN201910653510.1A
Other languages
English (en)
Other versions
CN110378414A (zh
Inventor
陈俊
赵子恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201910653510.1A priority Critical patent/CN110378414B/zh
Publication of CN110378414A publication Critical patent/CN110378414A/zh
Application granted granted Critical
Publication of CN110378414B publication Critical patent/CN110378414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Abstract

本发明公开了一种基于进化策略的多模态生物特征融合的身份识别方法，该方法具体步骤如下：首先采集人脸、静态手型和掌纹三个生物特征的图像数据，分别对提取的每个生物特征进行特征提取和采用最近邻分类器进行特征认证；然后利用进化策略对各分类器的权值进行自适应调整；最后利用自适应调整后的权值，对人脸、静态手型和掌纹三个生物特征所对应的三个分类器输出的识别结果进行加权融合，得到最终的识别结果。本发明利用进化策略来对权值进行自适应的调整，在决策层上通过加权法融合多生物特征的分类器，减少周围环境对识别结果的影响程度，使得识别方法的安全性和适应性都相比其他融合方法有了很大的提高，也提高了识别方法的容错性。

Description

基于进化策略的多模态生物特征融合的身份识别方法
技术领域
本发明涉及计算机数据处理、身份特征识别领域，尤其涉及一种基于进化策略的多模态生物特征融合的身份识别方法。
背景技术
随着信息技术的不断发展，个人的信息安全保障已经成为现在信息技术研究中的重要问题。近年来，因为生物特征具有唯一性和稳定性，利用生物特征来进行身份认证识别已经变得越来越普及。但是现在广泛应用于我们现实生活中的多是基于单一生物特征的，例如指纹、人脸、手势、虹膜。但是单模态生物特征识别具有几个局限性：(1)数据采集过程中的噪声影响：采集系统采集到的生物特征数据一般都是含有噪声的，这些包含着噪声的生物特征数据会影响系统识别结果的准确性；(2)非普遍性：有些人可能天生不具备某种生物特征或者因为外在原因某种生物特征遭到破坏而无法采集和识别；(3)安全性：伪装者可能盗用复制某种特征冒充合法用户。
近年来，基于多生物特征融合的身份认证技术逐渐兴起，融合系统由于利用了不同生物特征之间的互补信息，克服了单生物特征认证系统的缺点，提高了身份认证的安全性和准确性。但是目前最广泛的多生物特征融合采用的是直接线性加权融合的方法。这种方法虽然可以解决一部分单生物特征身份识别的缺点，但是仍然存在对不同的环境识别准确率和识别速度不稳定的主要问题。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于进化策略的多模态生物特征融合的身份识别方法。
本发明的目的是通过以下技术方案来实现的：一种基于进化策略的多模态生物特征融合的身份识别方法，该方法包括以下步骤：
(1)采集人脸、静态手型和掌纹三个生物特征的图像数据，分别对采集的每个生物特征的图像数据进行特征识别和认证；具体步骤如下：
(1.1)生物特征提取：采用主成分分析(principal component analysis,PCA)方法，对于一幅像素M*N的生物特征的图像数据，将M*N的像素矩阵按列排开，再进行转置，构成一个大小为D＝M*N维的图像向量，采集n幅生物特征的图像数据作为训练样本，构成训练图像库，xi为第i个图像形成的图像向量，训练样本的协方差矩阵为：
Figure BDA0002136089020000021
其中
Figure BDA0002136089020000022
为训练样本的平均图像向量：
Figure BDA0002136089020000023
对协方差矩阵进行K-L变换，由协方差矩阵Sr的非零特征值对应的特征向量组成新的特征空间坐标系；假设协方差矩阵Sr的秩为R，特征值为λ1,λ2,…,λR(λ1≥λ2≥…≥λR)，对应的特征向量分别为ω1，ω2，…，ωR；将协方差矩阵Sr特征值从大到小排列，根据阈值e选择前m(m<<R)个特征值所对应的特征向量来构建新的投影矩阵Wm＝[ω1，ω2，…，ωm]，完成数据降维；计算公式如下：
Figure BDA0002136089020000024
其中，em为前m个特征值的和与协方差矩阵Sr的所有特征值的和的比值。
得到投影矩阵Wm之后，将图像向量与平均图像向量的差值矢量投影到特征空间坐标系上，即
Figure BDA0002136089020000025
其中，Ωi为第i个图像向量与平均图像向量的差值矢量投影到特征空间坐标系的特征向量；
将待识别的图像μ投影到特征空间坐标系，得到待识别图像μ的特征向量，即：
Figure BDA0002136089020000026
(1.2)生物特征认证；具体为，采用最近邻分类器进行分类，假设训练图像库中共有L类，每类有Q张训练图片；则训练图像库中第i类样本的图像均值向量gi为：
Figure BDA0002136089020000027
式中，xj′为第i类样本中的第j个图像形成的图像向量；
计算待识别图像μ的特征向量ΩT与训练图像库中第i类样本的均值向量gi的欧式距离di；
di 2＝||ΩT-gi||2(i＝1,2,…,L)
根据后验概率公式，计算生物特征认证的结果：
Figure BDA0002136089020000028
Li表示第i类样本的类别；P表示待识别图像μ属于类别Li的概率，即为生物特征认证的结果；
(2)利用进化策略对各分类器的权值进行自适应调整；具体步骤如下：
(2.1)随机产生一个由确定长度的个体字符串组成的初始群体；具体为，随机选择20个染色体作为初始群体，每个染色体的值都是随机产生的3*1的向量，作为确定长度的个体字符串；向量中的3个值分别代表人脸、静态手型和掌纹三个生物特征进行分类的三个分类器的权值，每个分类器权值在0到1之间，并且三个值之和为1；
(2.2)对该群体迭代的进行以下步骤，直到达到预定的迭代次数后停止；
(2.2.1)计算群体中每个个体字符串的适应度；具体位，利用训练样本中的图像进行生物认证，得出的认证结果的准确度作为适应度；
(2.2.2)应用交叉和变异遗传算子产生下一代群体；具体为，随机取两个染色体并取平均值作为交叉遗传算子，而变异遗传算子则随机取若干个染色体，在向量的每个值上随机加上0.1或减去0.1；并通过归一化保证每次交叉和变异之后，每个值都在[0,1]之间，且3个值之和为1；选择适应度前10的染色体进行交叉和变异的操作，用交叉变异后产生的10个染色体替代上一代适应度后10的染色体；再计算适应度值，循环迭代操作；
(2.3)把在后代中出现的适应度最高的个体字符串指定为进化策略的执行结果，作为三个分类器的权值。
(3)利用自适应调整后的权值，对人脸、静态手型和掌纹三个生物特征所对应的三个分类器输出的识别结果进行加权融合：假设自适应调整后的最优的一组权值为[f1,f2,f3]；按照下列公式进行加权融合计算：
Figure BDA0002136089020000031
其中Hi表示待识别图像μ属于第i类样本加权融合后的识别结果，Pc为第c类生物特征所对应分类器中待识别图像μ属于类别Li的后验概率；fc为第c类生物特征分类器所对应的权值。
计算待识别图像μ的最终的识别结果:
Hl＝max(Hi)(1≤i≤L)，
Hl为最终的识别结果；根据最终的识别结果判定待识别图像μ属于类别Ll。
进一步地，所述步骤(1.1)中，阈值e为85％～95％。
进一步地，所述步骤(2.2)中，通过控制迭代次数来控制迭代的时间，迭代次数越多，最后得到的个体字符串适应度越高。
本发明的有益效果：本发明利用对多生物特征(人脸，静态手型，掌纹)的识别认证结果的融合，给出最终的认证结果，提高了本发明识别方法的容错性，在融合多分类器结果时，采用的进化策略对分类器权值进行自适应调整，可减少周围环境对识别结果的影响程度。即使人的掌纹在识别时不是很清楚的情况下，本发明的方法也能将掌纹识别的分类器权值调整到一个较小额值，提高人脸和静态手型的权值，仍然可以得出一个可信的结果。增强了识别认证结果的适应性和可靠性。
附图说明
图1是本发明基于进化策略对多生物特征融合识别的系统框图；
图2是进化策略的流程框图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示，本发明提供的一种基于进化策略的多模态生物特征融合的身份识别方法，该方法包括以下步骤：
(1)采集人脸、静态手型和掌纹三个生物特征的图像数据，分别对采集的每个生物特征的图像数据进行特征识别和认证；具体步骤如下：
(1.1)生物特征提取：采用主成分分析(principal component analysis,PCA)方法，对于一幅像素M*N的生物特征的图像数据，将M*N的像素矩阵按列排开，再进行转置，构成一个大小为D＝M*N维的图像向量，采集n幅生物特征的图像数据作为训练样本，构成训练图像库，xi为第i个图像形成的图像向量，训练样本的协方差矩阵为：
Figure BDA0002136089020000041
其中
Figure BDA0002136089020000045
为训练样本的平均图像向量：
Figure BDA0002136089020000042
对协方差矩阵进行K-L变换，由协方差矩阵Sr的非零特征值对应的特征向量组成新的特征空间坐标系；假设协方差矩阵Sr的秩为R，特征值为λ1,λ2,…,λR(λ1≥λ2≥…≥λR)，对应的特征向量分别为ω1，ω2，…，ωR；将协方差矩阵Sr特征值从大到小排列，选择前m(m<<R)个特征值对应的特征向量来构建新的投影矩阵Wm＝[ω1，ω2，…，ωm]，完成数据降维；前m个特征值的和与协方差矩阵Sr的所有特征值的和的比值大于阈值e；e为85％～95％，计算公式为：
Figure BDA0002136089020000043
其中，em为前m个特征值的和与协方差矩阵Sr的所有特征值的和的比值，得到投影矩阵Wm之后，将图像向量与平均图像向量的差值矢量投影到特征空间坐标系上，即
Figure BDA0002136089020000044
其中，Ωi为第i个图像向量与平均图像向量的差值矢量投影到特征空间坐标系的特征向量。
将待识别的图像μ投影到特征空间坐标系，得到待识别图像μ的特征向量，即：
Figure BDA0002136089020000051
(1.2)生物特征认证；具体为，采用最近邻分类器进行分类，假设训练图像库中共有L类，每类有Q张训练图片；则训练图像库中第i类样本的图像均值向量gi为：
Figure BDA0002136089020000052
式中，xj′为第i类样本中的第j个图像形成的图像向量；
计算待识别图像μ的特征向量ΩT与训练图像库中第i类样本的均值向量gi的欧式距离di；
di 2＝||ΩT-gi||2(i＝1,2,…,L)
根据后验概率公式，计算生物特征认证的结果：
Figure BDA0002136089020000053
Li表示第i类样本的类别；P表示待识别图像μ属于类别Li的概率，即为生物特征认证的结果；
(2)利用进化策略对各分类器的权值进行自适应调整；
首先对问题进行编码，确定染色体的表示；选用3*1的向量来表示初始群体中的单个染色体，向量中的3个值分别代表人脸、静态手型和掌纹三个生物特征进行分类的3个分类器的权值，每个分类器权值在0到1之间，并且三个值之和为1；
然后选择适应度函数，利用训练样本中的图像进行生物认证，得出的认证结果的准确度作为适应度函数；然后进行交叉和变异的操作：随机取两个染色体并取平均值作为交叉算子，而变异算子则随机取若干个染色体，在向量的每个值上随机加上0.1或减去0.1；并通过归一化保证每次交叉和变异之后，每个值都在[0,1]之间，且3个值之和为1。
如图2所示，进化策略具体步骤如下：
(2.1)随机产生一个由确定长度的个体字符串组成的初始群体；具体为，随机选择20个染色体作为初始群体，每个染色体的值都是随机产生的3*1的向量，作为确定长度的个体字符串；向量的三个值为[0,1]之间且和为1；
(2.2)对该群体迭代的进行以下步骤，直到达到预定的迭代次数后停止，通过控制迭代次数来控制迭代的时间，迭代次数越多，适应度越高；
(2.2.1)计算群体中每个个体字符串的适应度；具体为，利用训练样本中的图像进行生物特征认证，认证的准确率作为适应度；
(2.2.2)应用交叉和变异遗传算子产生下一代群体；具体为，选择适应度前10的染色体进行交叉和变异的操作，用交叉变异后产生的10个染色体替代上一代适应度后10的染色体；再计算适应度值，循环迭代操作；
(2.3)把在后代中出现的适应度最高的个体字符串指定为进化策略的执行结果，作为三个分类器的权值；
(3)利用自适应调整后的权值，对人脸、静态手型和掌纹三个生物特征所对应的三个分类器输出的识别结果进行加权融合：假设自适应调整后的最优的一组权值为[f1,f2,f3]；按照下列公式进行加权融合计算：
Figure BDA0002136089020000061
其中Hi表示待识别图像μ属于第i类样本加权融合后的识别结果，Pc为第c类生物特征所对应分类器中待识别图像μ属于类别Li的后验概率；fc为第c类生物特征分类器所对应的权值。
计算待识别图像μ的最终的识别结果：
Hl＝max(Hi)(1≤i≤L)，
Hl为最终的识别结果；根据最终的识别结果判定待识别图像μ属于类别Ll。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (3)

1.一种基于进化策略的多模态生物特征融合的身份识别方法，其特征在于，该方法包括以下步骤：
(1)采集人脸、静态手型和掌纹三个生物特征的图像数据，分别对采集的每个生物特征的图像数据进行特征识别和认证；具体步骤如下：
(1.1)生物特征提取：采用主成分分析(principal component analysis，PCA)方法进行生物特征识别，对于一幅像素M*N的生物特征的图像数据，将M*N的像素矩阵按列排开，再进行转置，构成一个大小为D＝M*N维的图像向量，采集n幅生物特征的图像数据作为训练样本，构成训练图像库，xi为第i个图像形成的图像向量，训练样本的协方差矩阵为：
Figure FDA0003159347510000011
其中
Figure FDA0003159347510000012
为训练样本的平均图像向量：
Figure FDA0003159347510000013
对协方差矩阵进行K-L变换，由协方差矩阵Sr的非零特征值对应的特征向量组成新的特征空间坐标系；假设协方差矩阵Sr的秩为R，特征值为λ1，λ2，...，λR，λ1≥λ2≥…≥λR，对应的特征向量分别为ω1，ω2，...，ωR；将协方差矩阵Sr特征值从大到小排列，根据阈值e选择前m个特征值所对应的特征向量来构建新的投影矩阵Wm＝[ω1，ω2，...，ωm]，完成数据降维；m＜＜R，计算公式如下：
Figure FDA0003159347510000014
其中，em为前m个特征值的和与协方差矩阵Sr的所有特征值的和的比值；
得到投影矩阵Wm之后，将图像向量与平均图像向量的差值矢量投影到特征空间坐标系上，即
Figure FDA0003159347510000015
其中，Ωi为第i个图像向量与平均图像向量的差值矢量投影到特征空间坐标系的特征向量；
将待识别的图像μ投影到特征空间坐标系，得到待识别图像μ的特征向量，即：
Figure FDA0003159347510000016
(1.2)生物特征认证；采用最近邻分类器进行分类，具体为，假设训练图像库中共有L类，每类有Q张训练图片；则训练图像库中第k类样本的图像均值向量gk为：
Figure FDA0003159347510000017
式中，xj′为第k类样本中的第j个图像形成的图像向量；
计算待识别图像μ的特征向量ΩT与训练图像库中第k类样本的均值向量gk的欧式距离dk；
dk 2＝||ΩT-gk||2k＝1，2，...，L
根据后验概率公式，计算生物特征认证的结果：
Figure FDA0003159347510000021
Lk表示第k类样本的类别；P表示待识别图像μ属于类别Lk的概率，即为生物特征认证的结果；
(2)利用进化策略对各分类器的权值进行自适应调整；具体步骤如下：
(2.1)随机产生一个由确定长度的个体字符串组成的初始群体；具体为，随机选择20个染色体作为初始群体，每个染色体的值都是随机产生的3*1的向量，作为确定长度的个体字符串；向量中的3个值分别代表人脸、静态手型和掌纹三个生物特征进行分类的三个分类器的权值，每个分类器权值在0到1之间，并且三个值之和为1；
(2.2)对该群体迭代的进行以下步骤，直到达到预定的迭代次数后停止；
(2.2.1)计算群体中每个个体字符串的适应度；具体为，利用训练样本中的图像进行生物认证，得出的认证结果的准确度作为适应度；
(2.2.2)应用交叉和变异遗传算子产生下一代群体；具体为，随机取两个染色体并取平均值作为交叉遗传算子，而变异遗传算子则随机取若干个染色体，在向量的每个值上随机加上0.1或减去0.1；并通过归一化保证每次交叉和变异之后，每个值都在[0，1]之间，且3个值之和为1；选择适应度前10的染色体进行交叉和变异的操作，用交叉变异后产生的10个染色体替代上一代适应度后10的染色体；再计算适应度值，循环迭代操作；
(2.3)把在后代中出现的适应度最高的个体字符串指定为进化策略的执行结果，作为三个分类器的权值；
(3)利用自适应调整后的权值，对人脸、静态手型和掌纹三个生物特征所对应的三个分类器输出的识别结果进行加权融合：假设自适应调整后的最优的一组权值为[f1，f2，f3]；按照下列公式进行加权融合计算：
Figure FDA0003159347510000022
其中Hk表示待识别图像μ属于第k类样本加权融合后的识别结果，Pc为第c类生物特征所对应分类器中待识别图像μ属于类别Lk的后验概率；fc为第c类生物特征分类器所对应的权值；
计算待识别图像μ的最终的识别结果：
Hl＝max(Hk)1≤k≤L，
Hl为最终的识别结果；根据最终的识别结果判定待识别图像μ属于类别Ll。
2.根据权利要求1所述的一种基于进化策略的多模态生物特征融合的身份识别方法，其特征在于，所述步骤(1.1)中，阈值e为85％～95％。
3.根据权利要求1所述的一种基于进化策略的多模态生物特征融合的身份识别方法，其特征在于，所述步骤(2.2)中，通过控制迭代次数来控制迭代的时间，迭代次数越多，最后得到的个体字符串适应度越高。
CN201910653510.1A 2019-07-19 2019-07-19 基于进化策略的多模态生物特征融合的身份识别方法 Active CN110378414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910653510.1A CN110378414B (zh) 2019-07-19 2019-07-19 基于进化策略的多模态生物特征融合的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910653510.1A CN110378414B (zh) 2019-07-19 2019-07-19 基于进化策略的多模态生物特征融合的身份识别方法

Publications (2)

Publication Number Publication Date
CN110378414A CN110378414A (zh) 2019-10-25
CN110378414B true CN110378414B (zh) 2021-11-09

Family

ID=68254185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910653510.1A Active CN110378414B (zh) 2019-07-19 2019-07-19 基于进化策略的多模态生物特征融合的身份识别方法

Country Status (1)

Country Link
CN (1) CN110378414B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368628B (zh) * 2019-11-21 2022-09-16 武汉烽火众智数字技术有限责任公司 一种基于视频数据的身份认证方法与系统
CN112287315A (zh) * 2020-07-29 2021-01-29 航天信息股份有限公司 一种基于Skyline查询生物特征对身份进行认证的方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758263A (zh) * 2005-10-31 2006-04-12 浙江大学 基于得分差加权融合的多模态身份识别方法
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN101901351A (zh) * 2010-07-28 2010-12-01 中国科学院自动化研究所 基于层次结构的人脸和虹膜图像融合识别方法
CN102982323A (zh) * 2012-12-19 2013-03-20 重庆信科设计有限公司 快速步态识别方法
CN103516682A (zh) * 2012-06-19 2014-01-15 Tcl集团股份有限公司 一种基于人脸追踪的身份认证方法、系统及电视机
CN103646251A (zh) * 2013-09-14 2014-03-19 江南大学 基于嵌入式的苹果采后田间分级检测方法及系统
CN104573634A (zh) * 2014-12-16 2015-04-29 苏州福丰科技有限公司 一种三维人脸识别方法
CN104820977A (zh) * 2015-05-22 2015-08-05 无锡职业技术学院 一种基于自适应遗传算法的bp神经网络图像复原算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100745980B1 (ko) * 2006-01-11 2007-08-06 삼성전자주식회사 분류기 통합을 위한 스코어 합성 방법 및 장치
CN109508658B (zh) * 2018-10-29 2020-07-14 国家电网有限公司 一种多生物特征联合识别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758263A (zh) * 2005-10-31 2006-04-12 浙江大学 基于得分差加权融合的多模态身份识别方法
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN101901351A (zh) * 2010-07-28 2010-12-01 中国科学院自动化研究所 基于层次结构的人脸和虹膜图像融合识别方法
CN103516682A (zh) * 2012-06-19 2014-01-15 Tcl集团股份有限公司 一种基于人脸追踪的身份认证方法、系统及电视机
CN102982323A (zh) * 2012-12-19 2013-03-20 重庆信科设计有限公司 快速步态识别方法
CN103646251A (zh) * 2013-09-14 2014-03-19 江南大学 基于嵌入式的苹果采后田间分级检测方法及系统
CN104573634A (zh) * 2014-12-16 2015-04-29 苏州福丰科技有限公司 一种三维人脸识别方法
CN104820977A (zh) * 2015-05-22 2015-08-05 无锡职业技术学院 一种基于自适应遗传算法的bp神经网络图像复原算法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Indentity Recognition Scheme Based on User Access Behavior;Long Chen , Feiyue Tan;《ITAIC 2019》;20190531;第125-129页 *
Multimodeal Biometric Recogniton Using Sclera and Fingerprint Based on ANFIS;M.Pallikonda Rajasekaran et al.;《2014 International Conference on Recent Trends in Information Technology》;20141231;第1-8页 *
基于PCA的人脸特征提取和识别;王惠 宗玉萍;《计算机产品与流通》;20190131;第153页，第156页 *
基于单幅图像的多模态生物特征识别研究;顾靖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160515;I138-1287 *
基于多模态生物特征识别的身份认证技术研究;王婧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;I138-5463 *
基于改进进化策略的线性参数估计方法;郭德龙 等;《广西科学》;20101130;第17卷(第4期);第318-320页 *
基于遗传算法和加权D-S信息融合的结构多损伤位置识别;郭惠勇 张陵;《机械工程学报》;20040930;第40卷(第9期);第148-153页 *

Also Published As

Publication number Publication date
CN110378414A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
JP5010905B2 (ja) 顔認証装置
US8150109B2 (en) Large volume face recognition apparatus and method
US20090046901A1 (en) Personal identity verification process and system
JP2004005622A (ja) 顔要素に基づく顔記述子を用いた顔認識方法及びその装置
JP2005149506A (ja) 対象物自動認識照合方法および装置
WO2006078265A2 (en) Efficient classification of three dimensional face models for human identification and other applications
CN110378414B (zh) 基于进化策略的多模态生物特征融合的身份识别方法
TWI325568B (en) A method for face varification
Jadhav et al. HDL-PI: hybrid DeepLearning technique for person identification using multimodal finger print, iris and face biometric features
Yin et al. Fusion of face recognition and facial expression detection for authentication: a proposed model
Gona et al. Multimodal biometric reorganization system using deep learning convolutional neural network
Chen et al. Expand training set for face detection by GA re-sampling
Zafeiriou et al. The discriminant elastic graph matching algorithm applied to frontal face verification
Adedeji et al. Clonal Selection Algorithm for feature level fusion of multibiometric systems
Shatnawi et al. The impact of the number of eigen-faces on the face recognition accuracy using different distance measures
KR100621883B1 (ko) 학습에 기반을 둔 적응형 실시간 얼굴검출방법
Sivasankari et al. A review on recent techniques in multimodal biometrics
Ashalatha et al. Face recognition using local features by LPP approach
Reddy et al. Comparison of HOG and fisherfaces based face recognition system using MATLAB
Tulyakov et al. Utilizing template diversity for fusion of face recognizers
Moussa et al. Comparing feature and matching score fusion levels of multimodal biometrics recognition system using particle swarm optimization
Raghavendra Novel mixture model–based approaches for person verification using multimodal biometrics
Arunkumar et al. PALMPRINT AND FACE BASED MULTIMODAL RECOGNITION USING PSO DEPENDENT FEATURE LEVEL FUSION.
JP3841482B2 (ja) 顔画像認識装置
Kittler et al. Face identification and verification via ECOC

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant