CN110390353B - 一种基于图像处理的生物识别方法和系统 - Google Patents
一种基于图像处理的生物识别方法和系统 Download PDFInfo
- Publication number
- CN110390353B CN110390353B CN201910572949.1A CN201910572949A CN110390353B CN 110390353 B CN110390353 B CN 110390353B CN 201910572949 A CN201910572949 A CN 201910572949A CN 110390353 B CN110390353 B CN 110390353B
- Authority
- CN
- China
- Prior art keywords
- feature
- image data
- class
- feature set
- features
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开了一种基于图像处理的生物识别方法和系统，该方法包括：采集图像数据；采用图像归一法和图像增强法对图像数据进行预处理，获取预处理后的图像数据；对预处理后的图像数据进行图像特征提取，获取第一特征集合；利用SFCBF算法对第一特征集合进行选择，获取第三特征集合；根据第三特征集合进行生物识别。该系统包括：采集模块、预处理模块、特征提取模块、特征选择模块以及识别模块。通过本申请，能够大大提高生物识别准确性、可靠性和识别速度。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种基于图像处理的生物识别方法和系统。
背景技术
生物识别方法通常应用于门禁系统、打卡机以及手机等场景中。以最常见的人脸识别为例，人脸识别通常受到外界因素的影响，如：眼镜、距离以及周围环境等。因此，如何提高生物识别的准确性和识别速度是一个重要的技术问题。
目前的生物识别方法通常是：采集图像数据、提取图像特征，然后根据所提取的图像特征利用PCA(Principal Component Analysis，主成分分析)方法进行数据降维，根据数据降维结果进行生物识别。
然而，目前的生物识别方法中，由于采用PCA方法进行数据降维处理，以人脸识别为例，PCA方法中主成分的个数K是人为指定的，K的选择对人脸识别的分类率具有直接影响，并且对不同的数据集K的选择也是不同的，因此利用PCA方法降维所获取的识别结果不够准确。而且PCA方法对原有的特征进行转换的过程中，会同时把所采集的数据中存在的冗余和不相干特征转换到主成分中，从而降低生物识别的准确率。另外，PCA 转换是通过分解协方差矩阵的方式执行的，对于高维数据来说，这种计算方式使得计算速度较慢，从而导致生物识别的速度较慢。
发明内容
本申请提供了一种基于图像处理的生物识别方法和系统，以解决现有技术中的生物识别方法识别准确性不够高和识别速度较慢的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于图像处理的生物识别方法，所述方法包括：
S1：采集图像数据，所述图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据；
S2：采用图像归一法和图像增强法对所述图像数据进行预处理，获取预处理后的图像数据；
S3：对所述预处理后的图像数据进行图像特征提取，获取第一特征集合；
S4：利用SFCBF(Subset based Fast Correlation-Basd Feature Selection，基于集合判断快速相关的特征选择算法)算法对所述第一特征集合进行选择，获取第三特征集合；
S5：根据所述第三特征集合进行生物识别。
可选地，步骤S4包括：
S41：根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合；
S42：根据所述第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合。
可选地，步骤S41包括：
S411：计算第一特征集合中任一特征与类之间的关联程度；
S412：判断所述任一特征与类之间的关联程度是否＞设定的关联程度阈值；
S413：如果是，保留所述任一特征，并将所述任一特征添加至第二特征集合；
S414：如果否，删除所述任一特征。
可选地，所述关联程度阈值为
位置的相关性值。
可选地，步骤S42包括：
S421：根据所述任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序；
S422：获取第二特征集合中第一个特征Fi；
S423：遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc，其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数， Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值；
S424：判断SUij和SCjc是否满足：SUjc<SUij且SCic>SCjc；
S425：如果是，判定特征Fj为冗余特征，删除特征Fj；
S426：获取Fi后的第一个特征Fi+1，重复步骤S423到S425；
S427：重复步骤S423到S426，直到第二特征集合中的最后一个特征，获取第三特征集合。
可选地，步骤S5包括：
对所述第三特征集合采用十折交叉验证法进行训练和测试，且测试时采用SVM分类器进行分类；
根据10份测试结果的均值，获取识别结果。
一种基于图像处理的生物识别系统，所述系统包括：
采集模块，用于采集图 像数据，所述图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据；
预处理模块，用于采用图像归一法和图像增强法对所述图像数据进行预处理，获取预处理后的图像数据；
特征提取模块，用于对所述预处理后的图像数据进行图像特征提取，获取第一特征集合；
特征选择模块，用于利用SFCBF算法对所述第一特征集合进行选择，获取第三特征集合；
识别模块，用于根据所述第三特征集合进行生物识别。
可选地，所述特征选择模块包括：
不相关特征删除单元，用于根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合；
冗余特征删除单元，用于根据所述第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合。
可选地，所述不相关特征删除单元包括：
计算子单元，用于计算第一特征集合中任一特征与类之间的关联程度；
第一判断子单元，用于判断所述任一特征与类之间的关联程度是否＞设定的关联程度阈值；
保留子单元，用于当所述任一特征与类之间的关联程度＞设定的关联程度阈值时，保留所述任一特征，并将所述任一特征添加至第二特征集合；
第一删除子单元，用于当所述任一特征与类之间的关联程度≤设定的关联程度阈值时，删除所述任一特征。
可选地，所述冗余特征删除单元包括：
排序子单元，用于根据所述任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序；
特征获取子单元，用于获取第二特征集合中第一个特征Fi；
遍历子单元，遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc，其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数，Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值；
第二判断子单元，用于判断SUij和SCjc是否满足：SUjc<SUij且SCic>SCjc，如果是，判定特征Fj为冗余特征，否则，判定特征Fj不为冗余特征；
第二删除子单元，用于当判定特征Fj为冗余特征时，删除特征Fj；
所述特征获取子单元，还用于获取Fi后的第一个特征Fi+1；
循环子单元，用于根据特征获取子单元所获取的特征，依次重新启动遍历子单元、第二判断子单元以及第二删除子单元。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请提供一种基于图像处理的生物识别方法，该方法首先采集图像数据，其次对其进行预处理，并对预处理后的图像数据进行图像特征提取，获取第一特征集合，然后利用SFCBF算法对第一特征集合进行选择，获取到第三特征集合，最后根据第三特征集合进行生物识别。本申请采用SFCBF算法进行特征选择，即：在FCBF算法的基础上加入了基于集合与类相关性的判断，这种基于集合判断相关性的特征选择算法，能够考虑到特征子集与类之间的关联性，有利于全面考察生物识别相关的特征，提高生物识别准确性，而且SFCBF算法能够移除不相关特征和冗余特征，避免生物识别的干扰因素，有利于进一步提高生物识别的准确性。由于移除不相关特征和冗余特征后，最终仅保留对生物识别相对更有效的特征集合，采用算法进行生物识别的集合相对更小，有利于减小算法的时间复杂度，从而提高生物识别的速度。
本申请还提供一种基于图像处理的生物识别系统，该系统主要包括：采集模块、预处理模块、特征提取模块、特征选择模块以及识别模块。其中特征选择模块采用SFCBF 算法进行特征选择，在FCBF算法的基础上加入了基于集合与类相关性的判断，这种基于集合判断相关性的特征选择算法，能够移除不相关的特征和冗余特征，避免生物识别的干扰因素，有利于提高生物识别的准确性。由于移除不相关特征和冗余特征后，最终仅保留对生物识别相对更有效的特征集合，有效特征集合更小，有利于减小算法的时间复杂度，从而提高生物识别的速度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例所提供的一种基于图像处理的生物识别方法的流程示意图；
图2为本申请实施例所提供的一种基于图像处理的生物识别系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1，图1为本申请实施例所提供的一种基于图像处理的生物识别方法的流程示意图。由图1可知，本实施例中基于图像处理的生物识别方法主要包括如下过程：
S1：采集图像数据。
本申请中的生物识别主要包括人脸识别、虹膜识别以及指纹识别等。本实施例中的图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据，实际使用中根据具体的生物识别类型采集相应的图像数据。
获取到图像数据后，执行步骤S2：采用图像归一法和图像增强法对图像数据进行预处理，获取预处理后的图像数据。
首先，利用图像归一化的方法，将所采集的图像数据调整到相同的尺寸和对应的位置，从而能够消除平移、缩放以及旋转等对生物识别的影响。然后，利用图像增强法对归一化后的图像进行亮度、对比度和平滑度处理，从而能够避免对比度较低、光照不均匀等现象对图像处理的干扰，进而提高图像数据中信息的识别率。
通过预处理，能够有效恢复图像数据中真实有效的信息、消除图像中无关的干扰信息，从而增强图像信息的可检测性，有利于提高图像识别效率。
S3：对预处理后的图像数据进行图像特征提取，获取第一特征集合。
具体地，针对人脸识别，步骤S3具体可以采用卷积神经网络法获取人脸特征；针对虹膜识别，步骤S3中可以采用小波变换法提取虹膜特征；针对指纹识别，步骤S3中可以采用FingerCode方法提取指纹特征。
对不同的生物识别类型选择不同的算法进行特征提取，例如：人脸识别可以提取常用的128个人脸特征点；指纹识别可以提取纹形和纹数等相关特征；虹膜识别可以提取与虹膜纹理相关的特征点。
S4：利用SFCBF算法对第一特征集合进行选择，获取第三特征集合。
步骤S4又包括如下过程：
S41：根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合。
具体地，步骤S41包括如下步骤：
S411：计算第一特征集合中任一特征与类之间的关联程度。
S412：判断任一特征与类之间的关联程度是否＞设定的关联程度阈值。
S413：如果是，保留该任一特征，并将任一特征添加至第二特征集合。
S414：如果否，删除该任一特征。
移除不相关特征之后，执行步骤S42：根据第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合。
具体地，步骤S42又包括：
S421：根据任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序。
S422：获取第二特征集合中第一个特征Fi。
S423：遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc。
其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数，Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值。
S424：判断SUij和SCjc是否满足：SUjc<SUij且SCic>SCjc。
S425：如果是，判定特征Fj为冗余特征，删除特征Fj。
如果SUjc<SUij且SCic>SCjc，说明特征Fj与特征Fi的关联性更强，且特征Fj不能提升整个子集与类之间的相关性，因此特征Fj为冗余特征，删除特征Fj，这种删除冗余特征的方式有利于提高保留第二特征集合中的有效特征，并且避免无效特征的干扰，从而提高生物识别的准确性和可靠性。
S426：在删除特征Fj后的第二特征集合中，获取Fi后的第一个特征Fi+1，重复步骤S423 到S425。
S427：重复步骤S423到S426，直到第二特征集合中的最后一个特征，获取第三特征集合。
由以上步骤S421-S427可知，通过对第二特征集合移除冗余特征，能够获取到有效的第三特征集合，从而大大提高生物识别的效率。需要注意的是，本实施例中关联程度阈值优选
位置的相关性值，利用该关联程度阈值，保留下来的相关联的特征个数较少。假设第三特征集合中保留下来的特征个数为N1个，则从删除冗余特征的算法上可以看出，该算法的时间复杂度为O(N12)，但由于在执行的过程中冗余特征会被删除，因此本实施例中SFCBF算法的时间复杂度会远远低于O(N12)。因此，根据该算法，能够得到与分类相关的有效的特征子集，避免无效的特征子集的干扰，有利于提高生物识别的准确性，而且由于SFCBF算法的时间复杂度较低，还有利于提高生物识别的速度。
由图1可知，本实施例中利用SFCBF算法对第一特征集合进行选择，获取第三特征集合之后，还包括步骤S5：根据第三特征集合进行生物识别。
具体地，步骤S5包括：
S51：对第三特征集合采用十折交叉验证法进行训练和测试，且测试时采用SVM分类器进行分类。
具体地，对第三特征集合采用十折交叉验证法，即把经过特征选择之后的数据分成 10份，轮流将其中9份进行训练，1份进行测试。测试时，采用SVM分类器进行分类，训练和测试的过程均执行10次。
S52：根据10份测试结果的均值，获取识别结果。
通过步骤S5，能够进一步提高生物识别的稳定性和可靠性。
本实施例中SFCBF算法可以采用如下伪代码：
综上所述，本实施例通过利用SFCBF算法进行特征选择，在FCBF算法的基础上增加了集合与类相关性的判断，由于考虑到特征子集与类之间的关联性，有利于全面考察生物识别相关的特征，提高生物识别的准确性。且SFCBF算法能够移除不相关的特征和冗余特征，避免生物识别的干扰因素，仅保留有效特征，有利于进一步提高生物识别的准确性和识别速度。
实施例二
在图1所示实施例的基础之上参见图2，图2为本申请实施例所提供的一种基于图像处理的生物识别系统的结构示意图。由图2可知，本实施例中基于图像处理的生物识别系统主要包括：采集模块、预处理模块、特征提取模块、特征选择模块以及识别模块。
其中，采集模块用于采集图 像数据，图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据。预处理模块，用于采用图像归一法和图像增强法对图像数据进行预处理，获取预处理后的图像数据。特征提取模块，用于对预处理后的图像数据进行图像特征提取，获取第一特征集合。特征选择模块，用于利用SFCBF算法对第一特征集合进行选择，获取第三特征集合。识别模块用于根据第三特征集合进行生物识别。
进一步地，特征选择模块包括：不相关特征删除单元和冗余特征删除单元。其中，不相关特征删除单元，用于根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合。冗余特征删除单元，用于根据第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合。
不相关特征删除单元又包括：计算子单元、第一判断子单元、保留子单元和第一删除子单元。其中，计算子单元用于计算第一特征集合中任一特征与类之间的关联程度；第一判断子单元用于判断任一特征与类之间的关联程度是否＞设定的关联程度阈值；保留子单元用于当任一特征与类之间的关联程度＞设定的关联程度阈值时，保留任一特征，并将任一特征添加至第二特征集合；第一删除子单元用于当任一特征与类之间的关联程度≤设定的关联程度阈值时，删除任一特征。
冗余特征删除单元又包括：排序子单元、特征获取子单元、遍历子单元、第二判断子单元、第二删除子单元和循环子单元。其中，排序子单元，用于根据任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序；
特征获取子单元，用于获取第二特征集合中第一个特征Fi；
遍历子单元，遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc，其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数，Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值；
第二判断子单元，用于判断SUij和SCjc是否满足：SUjc<SUij且SCic>SCjc，如果是，判定特征Fj为冗余特征，否则，判定特征Fj不为冗余特征；
第二删除子单元，用于当判定特征Fj为冗余特征时，删除特征Fj；
特征获取子单元，还用于在删除特征Fj后的第二特征集合中，获取Fi后的第一个特征 Fi+1；
循环子单元，用于根据特征获取子单元所获取的特征，依次重新启动遍历子单元、第二判断子单元以及第二删除子单元。
本实施例中未详细描述的部分可以参见图1所示的实施例一，两个实施例之间可以互相参照，本实施例中基于图像处理的生物识别系统的工作原理和工作方法在图1所示的实施例中已经详细描述，在此不再赘述。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于图像处理的生物识别方法，其特征在于，所述方法包括：
S1：采集图像数据，所述图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据；
S2：采用图像归一法和图像增强法对所述图像数据进行预处理，获取预处理后的图像数据；
S3：对所述预处理后的图像数据进行图像特征提取，获取第一特征集合；
S4：利用SFCBF算法对所述第一特征集合进行选择，获取第三特征集合；
S5：根据所述第三特征集合进行生物识别；
其中，步骤S4包括：
S41：根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合；
S42：根据所述第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合；
步骤S42包括：
S421：根据所述任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序；
S422：获取第二特征集合中第一个特征Fi；
S423：遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc，其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数，Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值；
S424：判断SUij和SCjc是否满足：SUjc<SUij且SCic>SCjc；
S425：如果是，判定特征Fj为冗余特征，删除特征Fj；
S426：在删除特征Fj后的第二特征集合中，获取Fi后的第一个特征Fi+1，重复步骤S423到S425；
S427：重复步骤S423到S426，直到第二特征集合中的最后一个特征，获取第三特征集合。
2.根据权利要求1所述的一种基于图像处理的生物识别方法，其特征在于，步骤S41包括：
S411：计算第一特征集合中任一特征与类之间的关联程度；
S412：判断所述任一特征与类之间的关联程度是否＞设定的关联程度阈值；
S413：如果是，保留所述任一特征，并将所述任一特征添加至第二特征集合；
S414：如果否，删除所述任一特征。
3.根据权利要求2所述的一种基于图像处理的生物识别方法，其特征在于，所述关联程度阈值为
位置的相关性值。
4.根据权利要求1所述的一种基于图像处理的生物识别方法，其特征在于，步骤S5包括：
对所述第三特征集合采用十折交叉验证法进行训练和测试，且测试时采用SVM分类器进行分类；
根据10份测试结果的均值，获取识别结果。
5.一种基于图像处理的生物识别系统，其特征在于，所述系统包括：
采集模块，用于采集图 像数据，所述图像数据包括：人脸图像数据、虹膜图像数据或指纹图像数据；
预处理模块，用于采用图像归一法和图像增强法对所述图像数据进行预处理，获取预处理后的图像数据；
特征提取模块，用于对所述预处理后的图像数据进行图像特征提取，获取第一特征集合；
特征选择模块，用于利用SFCBF算法对所述第一特征集合进行选择，获取第三特征集合；
识别模块，用于根据所述第三特征集合进行生物识别；
其中，所述特征选择模块包括：
不相关特征删除单元，用于根据第一特征集合中每个特征与类之间的关联程度，从第一特征集合中移除与当前的类不相关的特征，获取第二特征集合；
冗余特征删除单元，用于根据所述第二特征集合中每个特征与类以及特征子集与类之间的关联程度，从第二特征集合中移除冗余的特征，获取第三特征集合；
所述冗余特征删除单元包括：
排序子单元，用于根据所述任一特征与类之间的关联程度，对所有关联程度按照从大到小的顺序排序；
特征获取子单元，用于获取第二特征集合中第一个特征Fi；
遍历子单元，遍历特征Fi之后的每个特征Fj，将特征Fj放入特征Fi所在的集合中，利用公式
计算得出SUij，并利用公式
计算得出SCjc，其中，IG(X|Y)指两个变量之间的互信息多少，H(X)、H(Y)指变量的信息熵，N为特征个数，Avg(SUic)为所有特征与类之间的相关性的平均值，Avg(SUij)为特征与特征之间的相关性的平均值；
第二判断子单元，用于判断SUij和SCyc是否满足：SUjc<SUij且SCic>SCjc，如果是，判定特征Fj为冗余特征，否则，判定特征Fj不为冗余特征；
第二删除子单元，用于当判定特征Fj为冗余特征时，删除特征Fj；
所述特征获取子单元，还用于在删除特征Fj后的第二特征集合中，获取Fi后的第一个特征Fi+1；
循环子单元，用于根据特征获取子单元所获取的特征，依次重新启动遍历子单元、第二判断子单元以及第二删除子单元。
6.根据权利要求5所述的一种基于图像处理的生物识别系统，其特征在于，所述不相关特征删除单元包括：
计算子单元，用于计算第一特征集合中任一特征与类之间的关联程度；
第一判断子单元，用于判断所述任一特征与类之间的关联程度是否＞设定的关联程度阈值；
保留子单元，用于当所述任一特征与类之间的关联程度＞设定的关联程度阈值时，保留所述任一特征，并将所述任一特征添加至第二特征集合；
第一删除子单元，用于当所述任一特征与类之间的关联程度≤设定的关联程度阈值时，删除所述任一特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572949.1A CN110390353B (zh) | 2019-06-28 | 2019-06-28 | 一种基于图像处理的生物识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572949.1A CN110390353B (zh) | 2019-06-28 | 2019-06-28 | 一种基于图像处理的生物识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110390353A CN110390353A (zh) | 2019-10-29 |
| CN110390353B true CN110390353B (zh) | 2021-08-06 |
Family
ID=68285915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910572949.1A Active CN110390353B (zh) | 2019-06-28 | 2019-06-28 | 一种基于图像处理的生物识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390353B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310725A (zh) * | 2020-03-13 | 2020-06-19 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种对象识别方法、系统、机器可读介质及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622590A (zh) * | 2012-03-13 | 2012-08-01 | 上海交通大学 | 基于人脸—指纹协同的身份识别方法 |
| CN106991447A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种嵌入式多类别属性标签动态特征选择算法 |
| CN106991446A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种互信息的组策略嵌入式动态特征选择方法 |
| CN107992722A (zh) * | 2017-11-07 | 2018-05-04 | 大连理工大学 | 基于对称不确定性和信息交互增益的特征选择方法 |
| CN108509388A (zh) * | 2018-01-30 | 2018-09-07 | 天津大学 | 基于最大相关最小冗余和排序的特征选择方法 |
| CN109190660A (zh) * | 2018-07-24 | 2019-01-11 | 西安理工大学 | 基于条件互信息的特征选择与评价方法 |
-
2019
- 2019-06-28 CN CN201910572949.1A patent/CN110390353B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622590A (zh) * | 2012-03-13 | 2012-08-01 | 上海交通大学 | 基于人脸—指纹协同的身份识别方法 |
| CN106991447A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种嵌入式多类别属性标签动态特征选择算法 |
| CN106991446A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种互信息的组策略嵌入式动态特征选择方法 |
| CN107992722A (zh) * | 2017-11-07 | 2018-05-04 | 大连理工大学 | 基于对称不确定性和信息交互增益的特征选择方法 |
| CN108509388A (zh) * | 2018-01-30 | 2018-09-07 | 天津大学 | 基于最大相关最小冗余和排序的特征选择方法 |
| CN109190660A (zh) * | 2018-07-24 | 2019-01-11 | 西安理工大学 | 基于条件互信息的特征选择与评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| Detection of Depression in Speech;Zhenyu Liu等;《2015 International Conference on ACII》;20151231;第743~747页 * |
| 基于归一化互信息的FCBF特征选择算法;段宏湘等;《华中科技大学学报（自然科学版）》;20170131;第45卷(第1期);第52~56页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110390353A (zh) | 2019-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020077866A1 (zh) | 基于摩尔纹的图像识别方法、装置、设备和存储介质 | |
| Syarif et al. | Enhanced maximum curvature descriptors for finger vein verification | |
| WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
| Zhu et al. | Biometric personal identification based on iris patterns | |
| CN108564026B (zh) | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 | |
| JP2015529365A5 (zh) | ||
| CN104134061A (zh) | 一种基于特征融合的支持向量机的数字手势识别方法 | |
| CN113591747B (zh) | 一种基于深度学习的多场景虹膜识别方法 | |
| CN111429359B (zh) | 小面积指纹图像拼接方法、装置、设备及存储介质 | |
| CN111488943A (zh) | 人脸识别的方法及设备 | |
| Badrinath et al. | Score level fusion of voting strategy of geometric hashing and SURF for an efficient palmprint-based identification | |
| CN110390353B (zh) | 一种基于图像处理的生物识别方法和系统 | |
| Mahalingam et al. | Is the eye region more reliable than the face? A preliminary study of face-based recognition on a transgender dataset | |
| CN116758590B (zh) | 用于身份认证的手掌特征处理方法、装置、设备和介质 | |
| Krichen et al. | Specific texture analysis for iris recognition | |
| CN109409322B (zh) | 活体检测方法、装置及人脸识别方法和人脸检测系统 | |
| US20200151419A1 (en) | Template matching of a biometric object | |
| CN112801034A (zh) | 一种指静脉识别装置 | |
| CN112270218A (zh) | 一种用于指纹自动识别的方法及系统 | |
| Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures | |
| CN114463792B (zh) | 一种多光谱识别方法、装置、设备及可读存储介质 | |
| CN112613489A (zh) | 一种数据采集方法及系统 | |
| Guan et al. | Research of finger vein recognition based on fusion of wavelet moment and horizontal and vertical 2DPCA | |
| WO2021098772A1 (zh) | 人脸验证的评估方法和系统、及计算机存储介质 | |
| Song et al. | A survey of visible iris recognition |
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 |