CN113822308A - 多模态生物识别的比对分数融合方法、装置、介质及设备 - Google Patents
多模态生物识别的比对分数融合方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN113822308A CN113822308A CN202010569168.XA CN202010569168A CN113822308A CN 113822308 A CN113822308 A CN 113822308A CN 202010569168 A CN202010569168 A CN 202010569168A CN 113822308 A CN113822308 A CN 113822308A
- Authority
- CN
- China
- Prior art keywords
- comparison
- specific value
- score
- biological
- normalization
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种多模态生物识别的比对分数融合方法、装置、介质及设备,属于生物识别领域。该方法包括:获取多种生物特征的比对分数;根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中所述若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值;将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。本发明在银行等类数据集上能够达到较高的精度。
Description
技术领域
本发明涉及生物识别领域,特别是指一种多模态生物识别的比对分数融合方法、装置、介质及设备。
背景技术
目前,常用来进行身份识别的生物特征有人脸、指纹、虹膜、指静脉、掌纹、声纹和步态等。由于技术的不断发展,单一的生物特征识别已经达到了较高精度,比如人脸识别在常用的LFW(Labled Faces in the Wild)测试库上已经达到了99.8%的精度。但在实际应用中,单一的生物特征识别会因为一些固有的局限性导致其精度下降,比如人脸识别会受光照、姿态、化妆等的影响,指纹识别会受磨损、蜕皮等的影响,声纹识别会受感冒哑嗓子等的影响。现有的研究表明:利用不同生物特征之间的互补信息进行多模态生物识别,可以消除单一种类生物特征的缺点,从而有助于提高识别准确率和安全性。
多模态生物识别中需要进行数据信息的融合,根据融合的信息层次,可以将多模态生物识别分为传感器级融合、特征级融合、分数级融合和决策级融合等。其中,分数级融合即比对分数融合,其为一种最常用的融合方式,是直接根据已经得到的几个比对分数再融合得出一个新的分数的方法。
比对分数融合的方法有多种,不同的方法适用于不同种类(即应用场景)的数据集,研究表明,目前没有任何一种比对分数融合方法可以在任意场景的多模态数据集、各种不同的单模态的算法以及测试标准上的结果都是最优的。银行类等的数据集中对生物识别的安全性要求较高,目前的比对分数融合方法在银行类的数据集上不能达到很好的识别精度。
发明内容
为解决现有技术中目前的比对分数融合方法在银行类的数据集上不能达到很好的识别精度的问题,本发明提供一种多模态生物识别的比对分数融合方法、装置、介质及设备,在银行等类数据集上能够达到较高的精度。
本发明提供技术方案如下:
第一方面,本发明提供一种多模态生物识别的比对分数融合方法,所述方法包括:
获取多种生物特征的比对分数;
根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中所述若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值;
将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
进一步的,所述根据设定的若干阈值对每种生物特征的比对分数进行归一化,包括:
对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围;
将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中所述分段函数按照所述若干阈值进行分段。
进一步的,所述分段函数为:
其中,i为生物特征的种类,i=1,2,...,K,si'为第一次归一化后的第i种生物特征的比对分数,si”为第二次归一化后的第i种生物特征的比对分数,ai为第i种生物特征在训练集上得到的所有是同一个用户的比对分数的最小值,bi为第i种生物特征在训练集上得到的所有非同一个用户的比对分数的最大值,Ti 1,Ti 2,Ti 3,Ti 4分别为第i种生物特征在训练集上的FAR为第一特定值、第二特定值、第三特定值和第四特定值时对应的比对阈值,所述第一特定值<第二特定值<第三特定值<第四特定值,系数的取值范围为[0.95,1.05]。
进一步的,第i种比对分数的加权系数wi为
进一步的,所述第一次归一化的函数为
其中,si为第i种生物特征的比对分数,maxi,mini分别为第i种生物特征在训练集上得到的所有比对分数的最大值和最小值;
所述第一特定值为10^-5,所述第二特定值为10^-6,所述第三特定值为10^-7,所述第四特定值为10^-8,所述第五特定值为10^-5,所述第六特定值为10^-6,所述第七特定值为10^-7,所述第八特定值为10^-8。
进一步的,融合后的比对分数s为
s=w1×s1”+w2×s2”+...+wK×sK”
第二方面,本发明提供一种多模态生物识别的比对分数融合装置,所述装置包括:
比对分数获取模块,用于获取多种生物特征的比对分数;
归一化模块,用于根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中所述若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值;
融合模块,用于将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
进一步的,所述归一化模块包括:
第一归一化单元,用于对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围;
第二归一化单元,用于将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中所述分段函数按照所述若干阈值进行分段。
进一步的,所述分段函数为:
其中,i为生物特征的种类,i=1,2,...,K,si'为第一次归一化后的第i种生物特征的比对分数,si”为第二次归一化后的第i种生物特征的比对分数,ai为第i种生物特征在训练集上得到的所有是同一个用户的比对分数的最小值,bi为第i种生物特征在训练集上得到的所有非同一个用户的比对分数的最大值,Ti 1,Ti 2,Ti 3,Ti 4分别为第i种生物特征在训练集上的FAR为第一特定值、第二特定值、第三特定值和第四特定值时对应的比对阈值,所述第一特定值<第二特定值<第三特定值<第四特定值,系数的取值范围为[0.95,1.05]。
进一步的,第i种比对分数的加权系数wi为
进一步的,所述第一次归一化的函数为
其中,si为第i种生物特征的比对分数,maxi,mini分别为第i种生物特征在训练集上得到的所有比对分数的最大值和最小值;
所述第一特定值为10^-5,所述第二特定值为10^-6,所述第三特定值为10^-7,所述第四特定值为10^-8,所述第五特定值为10^-5,所述第六特定值为10^-6,所述第七特定值为10^-7,所述第八特定值为10^-8。
进一步的,融合后的比对分数s为
s=w1×s1”+w2×s2”+...+wK×sK”
第三方面,本发明提供一种多模态生物识别的比对分数融合的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括第一方面所述的多模态生物识别的比对分数融合方法的步骤。
第四方面,本发明提供一种用于多模态生物识别的比对分数融合的设备,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现第一方面所述的多模态生物识别的比对分数融合方法的步骤。
本发明具有以下有益效果:
本发明获取各生物特征的比对分数,并提出了一种新的归一化方法和加权求和的融合规则:使用当FAR等于若干特定值时对应的对比阈值和FRR等数值进行归一化和加权求和。经过测试,在银行等类对安全性要求较高的数据集中,通过本发明的多模态生物识别的比对分数融合方法融合后的识别精度比只用单个生物特征的识别精度都有较大的提高,在银行等类数据集上能够达到较高的精度。
附图说明
图1为本发明的多模态生物识别的比对分数融合方法的流程图;
图2为图1所示的多模态生物识别的比对分数融合方法中步骤S200的流程图;
图3为本发明的多模态生物识别的比对分数融合装置的示意图;
图4为图3所示的多模态生物识别的比对分数融合装置中归一化模块的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
实施例1:
本发明实施例提供了一种多模态生物识别的比对分数融合方法,如图1所示,该方法包括:
S100:获取多种生物特征的比对分数。
假设在当前的多模态生物识别中有K种生物特征,且每种生物特征都有一个对应的比对算法,则对于一次比对,可以通过比对算法得到K个比对分数组成的集合{s1,s2,...,sK},该集合中第i个比对分数si即为第i种生物特征的比对分数,其中i=1,2,...,K。比对分数融合就是将这K个比对分数融合成一个分数s。
S200:根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中该若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值。
本步骤用于对比对分数进行归一化,归一化时,基于训练集上训练时的比对阈值进行,比对阈值的取值根据练集上的FAR确定。FAR(False accept rate):错误接受率,也称为认假率,是假冒者(impostor)被接受的概率。
S300:将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
本发明使用加权求和的方法进行比对分数融合,主要是因为考虑到不同生物特征或者不同算法的性能本身可能不同,通过对性能表现好的算法赋以较高的加权系数,可以得到更好的融合结果。
加权系数根据训练集上的FRR计算得到,FRR通过训练集上的FAR确定。FRR(Falsereject rate):错误拒绝率,也称为拒真率,是真正有身份的用户(client)被拒绝的概率。
本发明获取各生物特征的比对分数,并提出了一种新的归一化方法和加权求和的融合规则:使用当FAR等于若干特定值时对应的对比阈值和FRR等数值进行归一化和加权求和。经过测试,在银行等类对安全性要求较高的数据集中,通过本发明的多模态生物识别的比对分数融合方法融合后的识别精度比只用单个生物特征的识别精度都有较大的提高,在银行等类的数据集上能够达到较高的精度。
本发明的归一化步骤(即S200)具体包括(如图2所示):
S210:对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围。
本发明不限制第一次归一化使用的具体函数,只要能够将比对分数映射到[0,1]的范围即刻。例如可以使用Min-Max归一化函数,Min-Max归一化函数的表达式如下:
其中,si为第i种生物特征的比对分数,maxi,mini分别为第i种生物特征在训练集上得到的所有比对分数的最大值和最小值,si'为第一次归一化后的第i种生物特征的比对分数。
S210:将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中分段函数按照前述的若干阈值进行分段。
分段函数的表达式为:
其中,i为生物特征的种类,i=1,2,...,K,si'为第一次归一化后的第i种生物特征的比对分数,si”为第二次归一化后的第i种生物特征的比对分数,ai为第i种生物特征在训练集上得到的所有是同一个用户的比对分数的最小值,bi为第i种生物特征在训练集上得到的所有非同一个用户的比对分数的最大值,Ti 1,Ti 2,Ti 3,Ti 4分别为第i种生物特征在训练集上的FAR为第一特定值、第二特定值、第三特定值和第四特定值时对应的比对阈值,第一特定值<第二特定值<第三特定值<第四特定值,系数的取值范围为[0.95,1.05]。
本发明不限制第一特定值、第二特定值、第三特定值和第四特定值的具体取值,在其中一个示例中,第一特定值为10^-5,第二特定值为10^-6,第三特定值为10^-7,第四特定值为10^-8。
综上所述,本发明先将获取的K个比对分数分别进行Min-Max归一化处理,此时的取值范围是[0,1];之后分别再做分段函数处理,这些分段函数的分段点包括当FAR等于10^-5、10^-6、10^-7、10^-8时分别对应的4个比对阈值,从而完成归一化。
S300中进行加权求和时,第i种比对分数的加权系数wi为
为第五特定值~第八特定值的取值可以与第一特定值~第四特定值的取值相同,也可以不同,在其中一个示例中,第五特定值为10^-5,第六特定值为10^-6,第七特定值为10^-7,第八特定值为10^-8。
融合后的比对分数s为
s=w1×s1”+w2×s2”+...+wK×sK”
前述的系数i=1,2,...,K,总共5*K个系数的,每个系数的取值范围都是[0.95,1.05]。在确定系数的具体取值时,可以使用穷举法进行:在训练集上,以0.01为步长,将[0.95,1.05]划分为0.95,0.96,0.97,0.98,0.99,1.0,1.01,1.02,1.03,1.04,1.05共11个数值,利用穷举法可知所有的系数组合有161051个,即对应161051个FRR数值,寻找使得按照前述的加权求和方式融合后,FAR=10^-6时对应的FRR最小的那个系数组合,作为最后优选的系数。
下面以一个具体的试验示例对本发明进行详细阐述:
1、获取多种生物特征的比对分数
以人脸+指纹的多模态生物识别为例,该多模态生物识别实际的应用场景如下:
对于一个用户,先注册他的一张人脸图像和一张左手食指的指纹图像,之后在识别时,采集该用户的一张人脸图像和一张左手食指的指纹图像,之后通过人脸比对算法将采集的人脸图像和注册的人脸图像进行比对,得到比对分数s1,同样的,通过指纹比对算法将采集的指纹图像和注册的指纹图像进行比对,得到比对分数s2。
之后,需要做的就是将这两个分数s1和s2根据本发明的融合算法融合成一个分数s。
2、训练阶段
1)首先,准备两个训练集,每个训练集都是10万用户(两个训练集的10万用户是同一群用户),在每个训练集中每一个用户都准备好一张人脸图像和一张左手食指的指纹图像。并且同一个用户在两个训练集中的两张人脸图像是不一样的,两张指纹图像也是不一样的。
具体的符号表示如下:
两个训练集为训练集A和训练集B;
10万用户的集合为{M1,M2,...,Mk,...,M100000}
人脸图像的符号为:Face
指纹图像的符号为:Fingerprint。
因此:
训练集A={
M1(FaceA1,FingerprintA1),
M2(FaceA2,FingerprintA2),
....
M10000(FaceA100000,FingerprintA100000)
}
训练集B={
M1(FaceB1,FingerprintB1),
M2(FaceB2,FingerprintB2),
....
M10000(FaceB100000,FingerprintB100000)
}
2)然后,训练集A和训练集B中每个图像的都进行交叉比对,即:
将训练集A中的第一个用户M1(FaceA1,FingerprintA1)和训练集B中的所有用户的都做比对,比对时通过前述的人脸比对算法将A中的人脸图像和B中的人脸图像做比对,通过前述的指纹比对算法将A中的指纹图像和B中的指纹图像做比对,于是得到相应的人脸比对分数s1和指纹比对分数s2。
将训练集A中的第二个用户M2(FaceA2,FingerprintA2)和训练集B中的所有用户的都做比对,比对方法同前述;依次类推,直至将训练集A中的所有用户均与训练集B中的所有用户比对完毕。
记训练集A中第i个用户(FaceAi,FingerprintAi)和训练集B中第j个用户(FaceBj,FingerprintBj)比对后得到的人脸分数和指纹分数(即一个分数对)为(score_face(i,j),score_fingerprint(i,j)).i=1,2,...,10万,j=1,2,...,10万。
可以得到10万*10万个人脸比对分数score_face(i,j)i=1,2,...,10万,j=1,2,...,10万,其中有10万个同一个用户的比对分数,(10万*10万-10万)个非同一个用户的比对分数。
计算FAR,FRR等数值,特别的得到FAR等于10^-5、10^-6、10^-7、10^-8时分别对应的比对阈值T和FRR等数值。
同样的,可以得到10万*10万个指纹比对分数score_fingerprint(i,j).i=1,2,...,10万,j=1,2,...,10万,其中有10万个同一用户的比对分数,(10万*10万-10万)个非同一个用户的比对分数。
计算其FAR,FRR等数值,特别的得到FAR等于10^-5、10^-6、10^-7、10^-8时分别对应的阈值T和FRR等数值。
FAR,FRR其实是两个关于比对阈值T的函数
故当FAR(T)=10^-5时,就确定了此时的比对阈值T,也就确定了此时对应的FRR。
3、测试阶段
前述已经计算出了训练集A中第i个用户(FaceAi,FingerprintAi)和训练集B中第j个用户(FaceBj,FingerprintBj)的比对分数对(score_face(i,j),score_fingerprint(i,j)),i=1,2,...,10万,j=1,2,...,10万。根据本发明的比对分数融合方法,即可得到融合后分数s(i,j),i=1,2,...,10万,j=1,2,...,10万,其中,当i=j时代表同一个用户的融合后的比对分数,当i不等于j时代表非同一个用户的融合后的比对分数,之后可计算融合后的FAR,FRR等数值。
关于分段函数中的系数i=1,2,...,K,总共5*K个系数,取值范围都是[0.95,1.05]。本发明的融合方法里只有这些是变量,而其他的数值都是固定的数值,是根据训练过程得到的。所以这些系数的每一种组合,都对应于一个融合后当FAR=10^-6时的FRR数值。这些系数如果只取0.95,0.96,0.97,0.98,0.99,1.0,1.01,1.02,1.03,1.04,1.05共11个数值时,利用穷举法,所有的系数组合有161051个,即对应161051个融合后的FRR数值,我们选择使FRR最小时的那个系数组合,作为最后优选的系数。
综上所述:
目前,在银行等数据集中对人脸算法精度的要求比较高,比如要求在特定的某个人脸图像质量较高的测试集上,当FAR=10^-6(百万分之一)时要求FRR<1%,而当FAR=10^-7(千万分之一)时要求FRR<2%。这里,所以要求比对分数融合方法能够降低各生物特征比对算法在FAR=10^-6时对应的FRR数值。
本发明利用各生物特征的比对分数,以及当FAR等于10^-5、10^-6、10^-7、10^-8时对应的阈值T和FRR等数值,提出了一种新的归一化函数和一种新的加权求和的融合方法。经过测试,在银行等数据集中(具体可以为前述的一个特定的人脸图像和指纹图像的多模态测试集,即训练集A、B),本发明提供的比对分数融合方法比只用人脸识别或只用指纹识别的精度都有提高,当FAR=10^-6时的FRR比人脸降低了约0.7%、比指纹下降了约1.2%,这样在银行等数据集上证明了本发明的可行性及有效性。
实施例2:
本发明实施例提供一种多模态生物识别的比对分数融合装置,如图3所示,该装置包括:
比对分数获取模块10,用于获取多种生物特征的比对分数。
归一化模块20,用于根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值。
融合模块30,用于将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
本发明获取各生物特征的比对分数,并提出了一种新的归一化方法和加权求和的融合规则:使用当FAR等于若干特定值时对应的对比阈值和FRR等数值进行归一化和加权求和。经过测试,在银行等类对安全性要求较高的数据集中,通过本发明的多模态生物识别的比对分数融合方法融合后的识别精度比只用单个生物特征的识别精度都有较大的提高,在银行等类数据集上能够达到较高的精度。
如图4所示,前述的归一化模块20包括:
第一归一化单元21,用于对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围。
第一次归一化的函数优选为
其中,si为第i种生物特征的比对分数,maxi,mini分别为第i种生物特征在训练集上得到的所有比对分数的最大值和最小值。
第二归一化单元22,用于将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中分段函数按照若干阈值进行分段。
该分段函数的表达式为:
其中,i为生物特征的种类,i=1,2,...,K,si'为第一次归一化后的第i种生物特征的比对分数,si”为第二次归一化后的第i种生物特征的比对分数,ai为第i种生物特征在训练集上得到的所有是同一个用户的比对分数的最小值,bi为第i种生物特征在训练集上得到的所有非同一个用户的比对分数的最大值,Ti 1,Ti 2,Ti 3,Ti 4分别为第i种生物特征在训练集上的FAR为第一特定值、第二特定值、第三特定值和第四特定值时对应的比对阈值,第一特定值<第二特定值<第三特定值<第四特定值,系数的取值范围为[0.95,1.05]。
第一特定值的取值可以为10^-5,第二特定值的取值可以为10^-6,第三特定值的取值可以为10^-7,第四特定值的取值可以为10^-8
融合模块30中,第i种比对分数的加权系数wi为
其中,第五特定值的取值可以为10^-5,第六特定值的取值可以为10^-6,第七特定值的取值可以为10^-7,第八特定值的取值可以为10^-8。
融合后的比对分数s为
s=w1×s1”+w2×s2”+...+wK×sK”
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例1相同,为简要描述,该装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。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,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例1中的对应过程,在此不再赘述。
实施例3:
本发明提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例1所描述方案的效果。因此,本发明还提供用于多模态生物识别的比对分数融合的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括实施例1的多模态生物识别的比对分数融合方法的步骤。
本发明具有以下有益效果:
本发明获取各生物特征的比对分数,并提出了一种新的归一化方法和加权求和的融合规则:使用当FAR等于若干特定值时对应的对比阈值和FRR等数值进行归一化和加权求和。经过测试,在银行等类对安全性要求较高的数据集中,通过本发明的多模态生物识别的比对分数融合方法融合后的识别精度比只用单个生物特征的识别精度都有较大的提高,在银行等类数据集上能够达到较高的精度。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述所述的存储介质根据方法实施例1的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
实施例4:
本发明还提供一种用于多模态生物识别的比对分数融合的设备,所述的设备可以为单独的计算机,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述多模态生物识别的比对分数融合的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器,处理器执行所述指令时实现上述任意一个或者多个实施例1中所述多模态生物识别的比对分数融合方法的步骤。
本发明具有以下有益效果:
本发明获取各生物特征的比对分数,并提出了一种新的归一化方法和加权求和的融合规则:使用当FAR等于若干特定值时对应的对比阈值和FRR等数值进行归一化和加权求和。经过测试,在银行等类对安全性要求较高的数据集中,通过本发明的多模态生物识别的比对分数融合方法融合后的识别精度比只用单个生物特征的识别精度都有较大的提高,在银行等类数据集上能够达到较高的精度。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置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,装置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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种多模态生物识别的比对分数融合方法,其特征在于,所述方法包括:
获取多种生物特征的比对分数;
根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中所述若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值;
将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
2.根据权利要求1所述的多模态生物识别的比对分数融合方法,其特征在于,所述根据设定的若干阈值对每种生物特征的比对分数进行归一化,包括:
对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围;
将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中所述分段函数按照所述若干阈值进行分段。
3.根据权利要求2所述的多模态生物识别的比对分数融合方法,其特征在于,所述分段函数为:
7.一种多模态生物识别的比对分数融合装置,其特征在于,所述装置包括:
比对分数获取模块,用于获取多种生物特征的比对分数;
归一化模块,用于根据设定的若干阈值对每种生物特征的比对分数进行归一化,其中所述若干阈值为该种生物特征在训练集上的FAR为若干特定值时对应的比对阈值;
融合模块,用于将归一化后的比对分数按照加权系数进行加权求和,得到融合后的比对分数,其中,每种生物特征的比对分数的加权系数根据该种生物特征在训练集上的FAR为若干特定值时对应的FRR计算得到。
8.根据权利要求7所述的多模态生物识别的比对分数融合装置,其特征在于,所述归一化模块包括:
第一归一化单元,用于对每种生物特征的比对分数进行第一次归一化,将比对分数映射到[0,1]的范围;
第二归一化单元,用于将第一次归一化后的比对分数按照设定的分段函数进行第二次归一化,其中所述分段函数按照所述若干阈值进行分段。
9.一种用于多模态生物识别的比对分数融合的计算机可读存储介质,其特征在于,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括权利要求1-6任一所述多模态生物识别的比对分数融合方法的步骤。
10.一种用于多模态生物识别的比对分数融合的设备,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-6中任意一项所述多模态生物识别的比对分数融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010569168.XA CN113822308B (zh) | 2020-06-20 | 2020-06-20 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010569168.XA CN113822308B (zh) | 2020-06-20 | 2020-06-20 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822308A true CN113822308A (zh) | 2021-12-21 |
CN113822308B CN113822308B (zh) | 2024-04-05 |
Family
ID=78924748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010569168.XA Active CN113822308B (zh) | 2020-06-20 | 2020-06-20 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822308B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143077A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京眼神智能科技有限公司 | 多模态身份认证方法及装置、存储介质,和用于多模态身份认证的设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6591224B1 (en) * | 2000-06-01 | 2003-07-08 | Northrop Grumman Corporation | Biometric score normalizer |
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 |
CN102045162A (zh) * | 2009-10-16 | 2011-05-04 | 电子科技大学 | 一种三模态生物特征持证人身份鉴别系统及其控制方法 |
CN102542258A (zh) * | 2011-12-16 | 2012-07-04 | 天津理工大学 | 基于手指生物特征信息的成像设备及多模态身份识别方法 |
US8250008B1 (en) * | 2009-09-22 | 2012-08-21 | Google Inc. | Decision tree refinement |
CN102844766A (zh) * | 2011-04-20 | 2012-12-26 | 中国科学院自动化研究所 | 基于人眼图像的多特征融合身份识别方法 |
US20130294642A1 (en) * | 2012-05-01 | 2013-11-07 | Hulu Llc | Augmenting video with facial recognition |
US20130304710A1 (en) * | 2010-07-26 | 2013-11-14 | Ucl Business Plc | Method and system for anomaly detection in data sets |
CN105740683A (zh) * | 2016-01-20 | 2016-07-06 | 北京信安盟科技有限公司 | 基于多因素、多引擎、人机相结合的身份验证方法与系统 |
US20170039357A1 (en) * | 2015-08-03 | 2017-02-09 | Samsung Electronics Co., Ltd. | Multi-modal fusion method for user authentication and user authentication method |
CN106548134A (zh) * | 2016-10-17 | 2017-03-29 | 沈阳化工大学 | Ga优化svm和归一化相结合的掌纹与掌静脉融合识别方法 |
CN106845445A (zh) * | 2017-02-16 | 2017-06-13 | 东华大学 | 一种基于无线网络和虹膜识别的个人身份认证方法 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN109190460A (zh) * | 2018-07-23 | 2019-01-11 | 南京航空航天大学 | 基于累积匹配和等错误率的手形手臂静脉融合识别方法 |
CN109614880A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种多模态生物特征融合方法及装置 |
CN110162948A (zh) * | 2018-02-14 | 2019-08-23 | 三星电子株式会社 | 用于执行组合认证的方法和设备 |
US20190347391A1 (en) * | 2018-05-08 | 2019-11-14 | Lg Electronics Inc. | Electronic device and method for controlling the same |
-
2020
- 2020-06-20 CN CN202010569168.XA patent/CN113822308B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6591224B1 (en) * | 2000-06-01 | 2003-07-08 | Northrop Grumman Corporation | Biometric score normalizer |
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 |
US8250008B1 (en) * | 2009-09-22 | 2012-08-21 | Google Inc. | Decision tree refinement |
CN102045162A (zh) * | 2009-10-16 | 2011-05-04 | 电子科技大学 | 一种三模态生物特征持证人身份鉴别系统及其控制方法 |
US20130304710A1 (en) * | 2010-07-26 | 2013-11-14 | Ucl Business Plc | Method and system for anomaly detection in data sets |
CN102844766A (zh) * | 2011-04-20 | 2012-12-26 | 中国科学院自动化研究所 | 基于人眼图像的多特征融合身份识别方法 |
CN102542258A (zh) * | 2011-12-16 | 2012-07-04 | 天津理工大学 | 基于手指生物特征信息的成像设备及多模态身份识别方法 |
US20130294642A1 (en) * | 2012-05-01 | 2013-11-07 | Hulu Llc | Augmenting video with facial recognition |
US20170039357A1 (en) * | 2015-08-03 | 2017-02-09 | Samsung Electronics Co., Ltd. | Multi-modal fusion method for user authentication and user authentication method |
CN105740683A (zh) * | 2016-01-20 | 2016-07-06 | 北京信安盟科技有限公司 | 基于多因素、多引擎、人机相结合的身份验证方法与系统 |
CN106548134A (zh) * | 2016-10-17 | 2017-03-29 | 沈阳化工大学 | Ga优化svm和归一化相结合的掌纹与掌静脉融合识别方法 |
CN106845445A (zh) * | 2017-02-16 | 2017-06-13 | 东华大学 | 一种基于无线网络和虹膜识别的个人身份认证方法 |
CN110162948A (zh) * | 2018-02-14 | 2019-08-23 | 三星电子株式会社 | 用于执行组合认证的方法和设备 |
US20190347391A1 (en) * | 2018-05-08 | 2019-11-14 | Lg Electronics Inc. | Electronic device and method for controlling the same |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN109190460A (zh) * | 2018-07-23 | 2019-01-11 | 南京航空航天大学 | 基于累积匹配和等错误率的手形手臂静脉融合识别方法 |
CN109614880A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种多模态生物特征融合方法及装置 |
Non-Patent Citations (10)
Title |
---|
ANIL JAIN等: "Score normalization in multimodal biometric systems", PATTERN RECOGNITION, vol. 38, no. 12, pages 2270 - 2285 * |
HERBADJI ABDERRAHMANE 等: "Weighted quasi-arithmetic mean based score level fusion for multi-biometric systems", HTTPS://DOI.ORG/10.1049/IET-BMT.2018.5265, pages 1 - 8 * |
MADASU HANMANDLU等: "Score level fusion of multimodal biometrics using triangular norms", PATTERN RECOGNITION LETTERS, vol. 32, no. 14, pages 1843 - 1850, XP028302282, DOI: 10.1016/j.patrec.2011.06.029 * |
MANEET SINGH等: "A comprehensive overview of biometric fusion", INFORMATION FUSION, vol. 52, pages 187 - 205, XP085705939, DOI: 10.1016/j.inffus.2018.12.003 * |
SANDIP KUMAR SINGH MODAK等: "Multibiometric fusion strategy and its applications: A review", INFORMATION FUSION, vol. 49, pages 174 - 204 * |
张闻彬等: "基于信号质量动态加权的多模生物特征识别研究", 网络与信息安全学报, vol. 4, no. 3, pages 1 - 4 * |
李徐周: "生物特征识别若干关键问题研究", 中国博士学位论文全文数据库 (信息科技辑), no. 2018, pages 138 - 59 * |
李永;殷建平;梁小龙;: "基于匹配分数的多生物特征识别融合综述", 计算机科学, no. 10, pages 11 - 14 * |
李永;殷建平;祝恩;李宽;: "基于FAR和FRR融合的多模态生物特征识别", 自动化学报, vol. 37, no. 04, pages 408 - 417 * |
苗迪: "基于特征层与分数层的多模态生物特征融合", 中国博士学位论文全文数据库 (信息科技辑), no. 2017, pages 138 - 58 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143077A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京眼神智能科技有限公司 | 多模态身份认证方法及装置、存储介质,和用于多模态身份认证的设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113822308B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522945B (zh) | 一种群体情感识别方法、装置、智能设备及存储介质 | |
KR20040037180A (ko) | 학습 모델 부분들을 사용하는 안면 인식 시스템 및 방법 | |
CN108985133B (zh) | 一种人脸图像的年龄预测方法及装置 | |
WO2023050708A1 (zh) | 一种情感识别方法、装置、设备及可读存储介质 | |
CN112509600A (zh) | 模型的训练方法、装置、语音转换方法、设备及存储介质 | |
Wu et al. | Centroid transformers: Learning to abstract with attention | |
Li et al. | A deep feature based multi-kernel learning approach for video emotion recognition | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN114127785A (zh) | 点云补全方法、网络训练方法、装置、设备及存储介质 | |
CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
CN113177892A (zh) | 生成图像修复模型的方法、设备、介质及程序产品 | |
CN116010902A (zh) | 基于跨模态融合的音乐情感识别方法及系统 | |
JP3998628B2 (ja) | パターン認識装置及びその方法 | |
Nguyen et al. | Joint deep cross-domain transfer learning for emotion recognition | |
CN113822308B (zh) | 多模态生物识别的比对分数融合方法、装置、介质及设备 | |
Zeng et al. | Mitigating inconsistencies in multimodal sentiment analysis under uncertain missing modalities | |
JP3896868B2 (ja) | パターンの特徴選択方法及び分類方法及び判定方法及びプログラム並びに装置 | |
CN113870863A (zh) | 声纹识别方法及装置、存储介质及电子设备 | |
CN114519898A (zh) | 生物特征多模态融合识别方法、装置、存储介质及设备 | |
CN115954019A (zh) | 一种融合自注意力和卷积操作的环境噪声识别方法及系统 | |
José Vicente et al. | Using the fisher vector approach for cold identification | |
CN114332905A (zh) | 生物特征多模态融合识别方法、装置、存储介质及设备 | |
CN115544227A (zh) | 多模态数据的情感分析方法、装置、设备及存储介质 | |
CN114863949A (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN114359952A (zh) | 多模态分数融合方法、装置、计算机可读存储介质及设备 |
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 |