基于人脸与虹膜的多生物特征融合识别算法研究

2015-01-04陈文静

中国人民公安大学学报（自然科学版） 2015年1期

陈文静，金华

(中国人民公安大学警务信息工程学院，北京 102600)

0 引言

多生物特征融合与识别技术综合了多项生物特征提供的证据以改进总体的决策准确性，可在数据层、特征层、匹配层和决策层4个层次中的任意一层进行［1］。目前，匹配层和特征层融合的应用比较多。匹配层融合的输入来自不同识别系统提供的若干匹配分数，即特征向量和样板的相似程度，最终获得一个综合的匹配分数输入给决策模块，常用的方法包括求和规则、决策树方法、线性区分函数、投票表决法、k-NN分类器、支持向量机(SVM)、贝叶斯方法等，这些方法简单易行，具有较好的应用价值。决策层融合的输入来自各生物特征识别系统的逻辑输出，因此决策层融合相对比较简单，通常采用OR规则与AND规则。由于决策层输入是单项生物特征认证系统的逻辑输出，因此该方法可利用的信息量较小，可用于系统集成。特征层融合是把不同识别系统识别的生物特征初始特征向量作为输入，从而转换为更高维的融合特征向量。特征层融合可利用的信息量最大，目前逐渐引起科研人员的关注［1］。

1 基于人脸和虹膜多生物特征识别的关键技术研究

1.1 基于LDA和LLE的人脸识别关键技术

特征提取是人脸识别中最为关键的一步，本文提出了将非线性的LLE算法和线性判别分析算法(linear discriminant analysis，LDA)相结合的一种新的特征提取算法，该算法根据样本LDA特征点之间的欧式距离来寻找近邻点，通过计算局部重建权值矩阵来在样本和其低维特征之间建立了明确的映射。该特征提取算法对光照、姿态、表情等变化都具有一定的鲁棒性［2］。

1.2 虹膜识别关键技术

虹膜识别的关键技术包括虹膜定位和虹膜特征提取。利用Hough变换对虹膜的内外边界及眼睑进行定位，对定位后的结果进行了归一化处理，得到了可用于识别的虹膜图像。在识别阶段，可以采用子空间算法提取虹膜特征，用最近邻分类器对该特征进行分类，从而得到识别结果。

2 基于SVM的人脸和虹膜的匹配融合识别技术研究

2.1 融合识别系统模型

基于人脸和虹膜的多生物特征匹配层融合的实现模型如图1。首先对人脸和虹膜图像分别进行特征提取、特征匹配，然后在匹配层利用SVM支持向量机的方法进行数据融合，最后输出决策结果［3］。

(1)人脸特征匹配

在融合之前，必须先抽取人脸图像的特征，再对特征进行匹配。采用LLE与LDA相结合的非线性降维算法来抽取人脸图像的LDA-LLE特征。在特征匹配中，两幅图像中特征点的相似性判据需要计算人脸图像的特征间欧式距离，首先选取样本图像的一个特征点，然后在所有识别样本图像中寻找与该特征点欧式距离最近的两个特征点，利用特征匹配率反应图像的相似程度，计算公式如下:

式中:x、y表示人脸的特征向量;k表示特征向量维数［1］。

(2)虹膜特征匹配

和人脸图像一样，在融合之前，必须先对虹膜图像进行预处理和特征提取，再对特征进行匹配。采用基于Hough变换的虹膜定位算法来对虹膜进行归一化、定位，并最终抽取虹膜图像的Gabor+PCA特征。在特征匹配的方法和上述人脸识别的方法相同。

(3)匹配得分值归一化

人脸和虹膜识别及匹配后，得出的匹配得分值在分布类型上相似，但在数值上却不在相同范围内，进行特征融合前需要使它们分布在相同的数值范围内［1］。采用最小-最大规范化处理方法对其进行线性变化，公示如下:

式中:SN、S、Smin、Smax分别表示:归一化处理后匹配得分值、处理前得分值、同类生物特征得分值的最小值、同类生物特征得分值的最大值;x表示变换后区间的下限，应用时设值为0，y表示变换后区间的上限，应用时设值为 1［1］。

图1 人脸与虹膜多生物特征融合识别结构框图

2.2 人脸虹膜匹配层融合

本文使用C-SVC线性核函数实现认证模式下的人脸和虹膜两种生物特征的融合识别，即核函数K(xi，x)=(xix)=，将人脸匹配值Si1和虹膜匹配值Si2作为SVM的二维输入样本，即Si=(Si1Si2)。

本文采用ORL人脸数据库和IITD虹膜数据库。从ORL人脸数据库中选取每人10副图像共计400副人脸图像数据，从IITD虹膜数据库中选取40类人眼图像每类10副共计400副人眼图像数据，将两种生物特征的图像数据进行一一匹配，得到一个40个类，每类10个虹膜样本、10个人脸样本，总计400个人的人脸与虹膜的多模态数据库进行实验［4］。

分别进行3种特征融合识别实验，图2给出了采用不同识别方法识别率的对比。从实验结果中可看出，当训练样本数比较少的时候，人脸+虹膜的融合方法的识别率明显高于单一的人脸或虹膜的识别率［5］。但这种融合算法所需的训练时间比较长，另外，SVM算法中惩罚因子的选取也有待进一步研究。

图2 融合算法的识别结果

3 基于核典型相关分析的虹膜人脸特征融合

人脸图像与虹膜图像特征层融合的身份识别模型如图3所示。

3.1 KCCA 算法

核方法(kernel methods)是基于核的机器学习方法的简称，通过将样本集映射到高维特征空间中，并用事先定义的再生核取代特征空间中的内积运算，在不增加计算量的前提下提供了学习方法非线性化的新途径，能准确高效表达蕴藏在样本集内部的非线性关系。尽管核方法研究时间不长，但其在非线性特征提取效率、解决小样本问题的能力等方面表现出来的优良性能已引起研究者的广泛关注。

3.2 基于KCCA的人脸和虹膜的特征融合

基于KCCA的人脸和虹膜的特征融合算法，首先按照文中2.1小节的方法提取人脸特征，然后按照2.2小节的方法提取虹膜特征，最后用KCCA算法进行融合特征识别，利用该算法进行融合识别的过程如图4所示。

图3 人脸和虹膜图像融合的模型框图

图4 基于KCCA的人脸和虹膜的特征融合识别算法

从2.2构建的400个人的人脸与虹膜的多模态数据库进行实验验证，分别进行3种特征融合识别实验，表1给出了采用不同识别方法识别率的对比。

表1 多模式生物特征融合识别率

从实验结果中可看出，当训练样本数比较少的时候，人脸+虹膜的融合方法的识别率明显高于单一的人脸或虹膜的识别率。

为评估SVM融合和KCCA融合的性能，本文还进行了传统串行融合策略［1］，实验结果如图5所示。通过比较，3种融合策略虽然在性能上比单生物特征方法都有不同程度的提高，但采用KCCA的融合策略的方法提高最大，表明本文采用的KCCA融合策略比传统融合策略有明显的优势。

4 结论

本文研究了人脸和虹膜图像的多特征匹配层融合和特征层融合算法，并利用ORL人脸库和IITD虹膜库组成的多模特征库上进行仿真实验。实验结果证明了这两种融合算法的有效性，尤其在小样本的情况下，该融合方法也能取得较高的识别率。但基于SVM的融合算法所需的训练时间比较长，另外，SVM算法中惩罚因子的选取也有待进一步研究。