本發(fā)明專利技術(shù)公開了一種基于線性規(guī)劃模型的生物特征圖像識別方法，該方法包括以下步驟：生物特征訓(xùn)練樣本圖像歸一化；得到基于局部子區(qū)域特征的生物特征圖像表達(dá)；若特征個(gè)數(shù)過大，基于并行隨機(jī)采樣處理和線性規(guī)劃模型選擇最優(yōu)特征，若否基于線性規(guī)劃模型選擇最優(yōu)特征；將最優(yōu)特征按權(quán)重大小降序排列，選擇排名靠前的特征通過SVM得到分類器模型；待測試生物特征圖像歸一化；提取其最優(yōu)局部子區(qū)域特征并輸入分類器模型中，得到該生物特征圖像的識別結(jié)果。本發(fā)明專利技術(shù)得到的生物特征圖像特征魯棒性好，識別精度高，因此本發(fā)明專利技術(shù)方法效率高，能夠提高大規(guī)模生物特征數(shù)據(jù)比對的速度和精度，可用于生物特征識別的身份認(rèn)證系統(tǒng)和其他需要安全性防范的諸應(yīng)用系統(tǒng)中。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及計(jì)算機(jī)視覺、數(shù)字圖像處理、模式識別和統(tǒng)計(jì)機(jī)器學(xué)習(xí)等
，特別是一種基于線性規(guī)劃模型的生物特征圖像分析與識別方法。
技術(shù)介紹
隨著網(wǎng)絡(luò)信息社會的高速發(fā)展，自動高效的鑒定一個(gè)人的身份已成為關(guān)鍵的社會安全問題。生物特征識別技術(shù)應(yīng)運(yùn)而生，并得到了各個(gè)國家和地區(qū)政府的高度關(guān)注。例如印度已經(jīng)啟動的WD (唯一身份認(rèn)證)計(jì)劃，要為每一位公民建立唯一的生物特征標(biāo)識，包括人臉、虹膜、指紋等數(shù)字圖像信息；我國在二代居民身份證或電子護(hù)照中加入個(gè)人生物特征(如虹膜、指紋和臉相等)的議案已經(jīng)開始執(zhí)行。在生物特征識別技術(shù)中，虹膜識別具有高可靠性和非接觸采集等優(yōu)點(diǎn)，而人臉識別具有易采集，自然非侵犯性等優(yōu)點(diǎn)，指紋識別則設(shè)備輕便，經(jīng)濟(jì)適用。總之，生物特征識別技術(shù)以其獨(dú)特的優(yōu)勢，廣泛應(yīng)用于銀行、煤礦、海 關(guān)進(jìn)出口安檢等身份鑒定的系統(tǒng)。特別的，虹膜是介于人眼瞳孔和鞏膜之間的環(huán)狀部分區(qū)域。虹膜圖像具有豐富的紋理信息，保證幾乎每個(gè)人都具有獨(dú)特的特征。人臉圖像也保證了每個(gè)人具有獨(dú)特的紋理和結(jié)構(gòu)信息。當(dāng)前基于局部區(qū)域特征的提取與匹配算法的生物特征識別方法達(dá)到了世界領(lǐng)先技術(shù)水平。定序測量特征(OM)、Gabor小波特征、局部二值模式(LBP)等，均能夠很好的描述生物特征圖像的紋理和結(jié)構(gòu)信息。并且最終可采用二進(jìn)制編碼方式，在匹配階段利用漢明距離準(zhǔn)則，一定程度上加快了圖像的比對速度。基于局部區(qū)域特征的算法主要存在的缺陷有(I)局部特征維數(shù)很高，存在大量冗余，是過完備集合，易造成維數(shù)災(zāi)難，即隨著特征維數(shù)的增加模型性能反而下降；(2)生物特征圖像的質(zhì)量容易受光照、噪聲和遮擋等噪聲干擾，出現(xiàn)特征不穩(wěn)定的區(qū)域；(3)高維度的特征的匹配降低了大規(guī)模人群生物特征圖像數(shù)據(jù)庫檢索的速度，也是影響生物特征識別技術(shù)大范圍應(yīng)用的重要瓶頸因素。因此如何去除不穩(wěn)定區(qū)域，選擇少量具有足夠區(qū)分力的特征，加快大數(shù)據(jù)庫的比對速度是一個(gè)急需解決的問題。當(dāng)前主流的特征分析與選擇方法有兩大類，基于Adaboost及其各種變體算法(如RealBoost、GentleBoost、SoBoost等)和基于I1范數(shù)正則化方法。尤其在實(shí)際應(yīng)用中訓(xùn)練樣本不足情況下，基于I1范數(shù)正則化方法的要優(yōu)于基于Adaboost的算法。而本專利技術(shù)針對生物特征識別技術(shù)，設(shè)計(jì)出獨(dú)特有效的數(shù)學(xué)優(yōu)化模型，包括目標(biāo)函數(shù)和約束條件，能更好解決實(shí)際應(yīng)用中的上述問題。
技術(shù)實(shí)現(xiàn)思路
有鑒于以上所述現(xiàn)有技術(shù)存在的問題，本專利技術(shù)提出一種基于線性規(guī)劃模型的生物特征圖像分析與識別方法，即通過統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法，從大量冗余的過完備特征集合中快速的選取少量具有足夠區(qū)分力的魯棒的特征，用以進(jìn)一步鑒別身份，提高系統(tǒng)的魯棒性和識別效率。為實(shí)現(xiàn)上述目的，本專利技術(shù)提出的一種基于線性規(guī)劃模型的生物特征圖像識別方法，其特征在于，該方法包括以下步驟步驟SI，對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理；步驟S2，對于歸一化后的生物特征訓(xùn)練樣本圖像，提取其局部子區(qū)域特征，得到基于局部子區(qū)域特征的生物特征圖像表達(dá)；步驟S3，判斷所述生物特征圖像表達(dá)中所包含的局部子區(qū)域特征個(gè)數(shù)是否過大，如是則轉(zhuǎn)向步驟S5，如否則進(jìn)入步驟S4 ；步驟S4，基于線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征；步驟S5，基于并行隨機(jī)采樣處理和線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征；步驟S6，將所述步驟S4或者S5得到的最優(yōu)特征按其權(quán)重的取值大小進(jìn)行降序排·列，選擇排名靠前的一定數(shù)量的特征，通過支持向量機(jī)SVM方法訓(xùn)練學(xué)習(xí)得到分類器模型；步驟S7，輸入待測試生物特征圖像；步驟S8，按照所述步驟SI對該待測試生物特征圖像進(jìn)行歸一化處理；步驟S9，對于歸一化后的待測試生物特征圖像，提取其所述步驟S4或S5得到的最優(yōu)局部子區(qū)域特征；步驟S10，將提取出的最優(yōu)局部子區(qū)域特征輸入到所述步驟S6得到的分類器模型中，從而得到對于該生物特征圖像的識別結(jié)果。本專利技術(shù)對比傳統(tǒng)兩類特征選擇方法-基于Adaboost的算法和基于I1范數(shù)正則化方法，引入生物特征識別中的可區(qū)分性參數(shù)信息，以及該模型具有的優(yōu)勢，使本專利技術(shù)特別適用于實(shí)際中的生物特征識別系統(tǒng)。附圖說明圖I為本專利技術(shù)基于線性規(guī)劃模型的生物特征圖像識別方法流程圖；圖2為生物特征圖像歸一化過程示意圖，其中，(a)為人臉圖像歸一化過程示意圖；(b)為虹膜圖像歸一化過程示意圖；(c)為掌紋圖像歸一化過程示意圖；圖3為歸一化虹膜圖像局部子區(qū)域特征提取示意圖，其中，(a)為歸一化虹膜圖像；(b)為定序測量特征；(C)為虹膜特征編碼圖像；圖4為根據(jù)不同參數(shù)空間形成的定序測量特征模板；圖5為Hinge函數(shù)表示圖；圖6為EER和AUC示意圖；圖7為DI示意圖；圖8為松弛變量對訓(xùn)練學(xué)習(xí)的影響示意圖；圖9為基于并行隨機(jī)采樣處理和線性規(guī)劃模型的最優(yōu)特征選擇流程圖；圖10為通過單純形算法得到的一個(gè)稀疏解示意圖；圖11為根據(jù)本專利技術(shù)一實(shí)施例選擇的前四個(gè)最優(yōu)局部子區(qū)域特征示意圖。具體實(shí)施例方式為使本專利技術(shù)的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本專利技術(shù)進(jìn)一步詳細(xì)說明。以下以用區(qū)域定序測量特征進(jìn)行虹膜識別為例，來對本專利技術(shù)進(jìn)行闡述。虹膜圖像具有豐富的隨機(jī)分布的紋理特征以及環(huán)向相似和徑向延展的特性。定序測量特征編碼恰好能夠很好的描述這種紋理分布。圖I為本專利技術(shù)基于線性規(guī)劃模型的生物特征圖像識別方法流程圖，如圖I所示，本專利技術(shù)提出的一種基于線性規(guī)劃模型的生物特征圖像識別方法具體包括以下步驟本專利技術(shù)方法包括學(xué)習(xí)過程和測試過程，所述學(xué)習(xí)過程包括步驟S1-S6，所述測試過程包括步驟S7-S10。步驟SI，對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理； 所述對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理包括以基準(zhǔn)點(diǎn)為參考，通過旋轉(zhuǎn)、平移或縮放將圖像歸一化到相同尺度大小。例如對于人臉圖像，以雙眼位置為參考點(diǎn)，按雙眼之間的距離將人臉圖像歸一化到相同尺度，如圖2(a)所示；對于虹膜圖像，以虹膜內(nèi)外圓的邊界為參考，將環(huán)形的虹膜圖像歸一化到相同尺度的矩形區(qū)域圖像，如圖2(b)所示；對于掌紋圖像，以相鄰手指間的角點(diǎn)為參考點(diǎn)，將圖像進(jìn)行旋轉(zhuǎn)、平移等處理歸一化到相同尺度的掌紋圖像，如圖2(c)所示。根據(jù)本專利技術(shù)的一實(shí)施例,在CASIA-IrisV4_Thousand公開數(shù)據(jù)庫中選取來自于25個(gè)不同人的500張虹膜圖像(每人20張圖像)作為訓(xùn)練數(shù)據(jù)集合，每張圖像按照步驟SI，根據(jù)人工標(biāo)定或者虹膜分割算法得到的訓(xùn)練樣本圖像的虹膜內(nèi)外圓邊界進(jìn)行極坐標(biāo)變換，將環(huán)形圖像區(qū)域歸一化至70x540的統(tǒng)一尺度大小，如圖2(b)所示。步驟S2，對于歸一化后的生物特征訓(xùn)練樣本圖像，提取其局部子區(qū)域特征，得到基于局部子區(qū)域特征的生物特征圖像表達(dá)；所述步驟S2進(jìn)一步包括以下子步驟步驟S21，將歸一化后的生物特征訓(xùn)練樣本圖像劃分為多個(gè)不同大小的局部子區(qū)域(如圖3(a)所示)；所述局部子區(qū)域的大小甚至可以是整個(gè)圖像的大小。比如所述子區(qū)域的大小MxP可以為8x32、16x20，甚至是70x540。多個(gè)局部子區(qū)域之間是可重疊的，所有局部子區(qū)域的并集覆蓋整個(gè)圖像區(qū)域，以保證候選局部子區(qū)域的完備性。為方便起見，本專利技術(shù)的一實(shí)施例中對所述生物特征訓(xùn)練樣本圖像在行列方向上分別每隔4個(gè)和8個(gè)像素點(diǎn)重疊性劃分區(qū)域，每個(gè)矩形區(qū)域的大小均為8x32，這樣一共約產(chǎn)生900個(gè)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于線性規(guī)劃模型的生物特征圖像識別方法，其特征在于，該方法包括以下步驟：步驟S1，對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理；步驟S2，對于歸一化后的生物特征訓(xùn)練樣本圖像，提取其局部子區(qū)域特征，得到基于局部子區(qū)域特征的生物特征圖像表達(dá)；步驟S3，判斷所述生物特征圖像表達(dá)中所包含的局部子區(qū)域特征個(gè)數(shù)是否過大，如是則轉(zhuǎn)向步驟S5，如否則進(jìn)入步驟S4；步驟S4，基于線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征；步驟S5，基于并行隨機(jī)采樣處理和線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征；步驟S6，將所述步驟S4或者S5得到的最優(yōu)特征按其權(quán)重的取值大小進(jìn)行降序排列，選擇排名靠前的一定數(shù)量的特征，通過支持向量機(jī)SVM方法訓(xùn)練學(xué)習(xí)得到分類器模型；步驟S7，輸入待測試生物特征圖像；步驟S8，按照所述步驟S1對該待測試生物特征圖像進(jìn)行歸一化處理；步驟S9，對于歸一化后的待測試生物特征圖像，提取其所述步驟S4或S5得到的最優(yōu)局部子區(qū)域特征；步驟S10，將提取出的最優(yōu)局部子區(qū)域特征輸入到所述步驟S6得到的分類器模型中，從而得到對于該生物特征圖像的識別結(jié)果。
【技術(shù)特征摘要】
1.一種基于線性規(guī)劃模型的生物特征圖像識別方法，其特征在于，該方法包括以下步驟 步驟SI，對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理； 步驟S2，對于歸一化后的生物特征訓(xùn)練樣本圖像，提取其局部子區(qū)域特征，得到基于局部子區(qū)域特征的生物特征圖像表達(dá)； 步驟S3，判斷所述生物特征圖像表達(dá)中所包含的局部子區(qū)域特征個(gè)數(shù)是否過大，如是則轉(zhuǎn)向步驟S5，如否則進(jìn)入步驟S4 ； 步驟S4，基于線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征； 步驟S5，基于并行隨機(jī)采樣處理和線性規(guī)劃模型從局部子區(qū)域特征中選擇最優(yōu)特征；步驟S6，將所述步驟S4或者S5得到的最優(yōu)特征按其權(quán)重的取值大小進(jìn)行降序排列，選擇排名靠前的一定數(shù)量的特征，通過支持向量機(jī)SVM方法訓(xùn)練學(xué)習(xí)得到分類器模型； 步驟S7，輸入待測試生物特征圖像； 步驟S8，按照所述步驟SI對該待測試生物特征圖像進(jìn)行歸一化處理； 步驟S9，對于歸一化后的待測試生物特征圖像，提取其所述步驟S4或S5得到的最優(yōu)局部子區(qū)域特征； 步驟S10，將提取出的最優(yōu)局部子區(qū)域特征輸入到所述步驟S6得到的分類器模型中，從而得到對于該生物特征圖像的識別結(jié)果。2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述對生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理包括以基準(zhǔn)點(diǎn)為參考，通過旋轉(zhuǎn)、平移或縮放將圖像歸一化到相同尺度大小。3.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S2進(jìn)一步包括以下子步驟 步驟S21，將歸一化后的生物特征訓(xùn)練樣本圖像劃分為多個(gè)不同大小的局部子區(qū)域； 步驟S22，對劃分得到的每個(gè)局部子區(qū)域分別使用濾波器進(jìn)行濾波，根據(jù)所述濾波器的參數(shù)組合提取得到每個(gè)局部子區(qū)域的特征，所有局部子區(qū)域特征的集合即為對原始生物特征訓(xùn)練樣本圖像的過完備的特征表達(dá)。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述局部子區(qū)域的大小甚至可以是整個(gè)圖像的大小。5.根據(jù)權(quán)利要求3所述的方法，其特征在于，多個(gè)局部子區(qū)域之間是可重疊的，所有局部子區(qū)域的并集覆蓋整個(gè)圖像區(qū)域，以保證候選局部子區(qū)域的完備性。6.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟S4進(jìn)一步包括以下子步驟 步驟S41，建立具有最大間隔性質(zhì)的損失函數(shù)模型； 步驟S42，建立對所述損失函數(shù)模型中的特征權(quán)重的非負(fù)約束，即第i維特征的權(quán)重Wi ^ O i = I. . . D,其中，D為特征的總維...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：譚鐵牛，孫哲南，王立彬，
申請(專利權(quán))人：中國科學(xué)院自動化研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。