一种基于特征级融合的多模态生物特征识别方法_王风华

［2 ， 3 ］
中图法分类号
TP391. 41 ；
随着信息技术的迅速发展， 如何在数字环境中 进行快速、 准确、 安全的个人身份识别与验证成为 备受关注的热点问题。 生物特征识别技术因而受 到广泛关注， 并成为未来信息安全的重要解决方案 。 目前， 基于单模态的生物识别技术取得了非常 并得到了应用。 但随着应用领域的 多的研究成果， 不断拓宽， 单模态生物识别技术在应用中表现出许 具体表现在： 在复杂环境下某些 多弊端和局限性， 生物特征在采集过程中易受干扰； 生物特征伪造技 术的进步使得单模态识别系统存在安全隐患 ； 实际 存在的不普遍性 （ 如特殊群体存在生物特征缺失、 损伤、 病变 等 ） 影 响 了 生 物 识 别 技 术 的 广 泛 应 用。 基于上述原因， 一种更可靠的应用模式， 多模态生 物识别技术应运而生。 多模态生物识别技术就是 利用多种生物特征进行身份识别， 在提高识别可靠 性和应用广泛性方面， 表现出更好的性能
［6 ］
纹图像向由拉普拉斯掌纹张成的子空间上投影 ， 得 到的系数向量作为该掌纹的特征向量 V2 。
3
特征级融合策略及决策
在分别得到虹膜和掌纹的特征后， 需要在特征
级进行融合。 传统策略往往是将两组特征向量首 尾相连生成一个超级向量作为新的特征向量 。 尽 管这种方法在多数情况下能有效地提高识别率 ， 但 其缺点也是明显的： 由于特征合并后的维数是两原 始特征的维数之和， 这就导致了合并后新特征的维 数急剧增加， 从而使得融合后特征抽取或识别的速 度受到影响。本文采用了一种并行特征融合策略。 该策略的基本思想是： 利用复向量将两组特征向量 给 出 融 合 特 征 的 一 种 合 理 表 示。 自 合并在 一 起， 然， 融合后各样本的并行特征构成复向量空间 ， 然 后在复向量空间中进行模式匹配 。具体介绍如下： 设 α 和 β 为虹膜和掌纹对应的两个特征向量。 我们用复向量 γ = α + iβ （ i 为虚数单位） 来表示 α 和 β 的并行融合特征。 从广义上看， 若两组特征 α 与 β 的维数不等， 低维的特征向量用零补足。例如， a2 ， a3 ） α = （ a1 ，
第 12 卷 第 13 期 2012 年 5 月 1671 — 1815 （ 2012 ） 13-3134-05
科
学
技
术
与
工
程
Science Technology and Engineering
Vol. 12 No. 13 May 2012 2012 Sci. Tech. Engrg.
一种基于特征级融合的多模态生物 特征识别方法
到的基于错误接收率（ FAR ） 和错误拒绝率（ FRR ） 的 接收 特 性 曲 线 （ Receiver Operating Characteristic， ROC ） 比较图。表 1 为三种方法的等错误率 （ EER ） 比较。通过实验测试结果可见， 本文的融合方法与 单模生物 特 征 相 比 较， 在识别性能上有了明显提 高， 等错误率可降低到 0. 26% ， 这表明利用多生物 特征融合提高身份识别的精度及可靠性是有效的 。 融合策略的选择对多生物特征融合方法至关 重要。通过图中的实验测试结果可见， 本文提出的 特征级融合策略与传统匹配级融合策略相比
［1 ］
法
。从融合层次的角度分析目前的方法， 多种
生物特征在融合时， 匹配级和决策级是选择较多的 但对系统性 层次。决策级融合在逻辑上比较简单， 能的提高能力有限。 匹配级融合的对象是特征匹 这种方式是应用最普 配后的分数（ Matching Score） ， 遍的一种， 但匹配级的融合同样没有充分利用不同 模态生物特征所蕴含的类别信息。 相比匹配级和 决策级， 特征级能够最大程度的利用不同模态特征 同时消除原始样本的冗余性， 在理论上 的区分性， 可以达到最佳的识别效果
王风华 孟文杰
（ 中国石油大学（ 华东） 计算机与通信工程学院， 青岛 266555 ）
摘
要
生物特征识别是信息技术领域的研究热点， 其中多模态生物识别技术凭借更好的适用性 、 更高的安全性及更优的性
能成为发展趋势。提出了一种融合虹膜特征和掌纹特征的多模态生物特征识别方法， 该方法分别提取虹膜及掌纹特征， 融合 而是从特征级融合入手， 采用并行特征融合策略， 将两特征向量以复向量的形式进行融合， 构成 时不同于传统的匹配级融合， 复向量空间， 并利用酉距离进行匹配决策 。实验结果表明此方法比单模生物特征方法在识别性能上有了明显改善， 同时与传 统匹配级融合策略相比， 更有优势， 识别效果更好。 关键词 特征级融合 多模态 生物特征识别 文献标志码 A
提取虹膜纹理特征时表现出更好的性能。 因此， 本 Gabor 滤波的识别算法， 具 文采用的是基于 2D Log体过程如下。 虹膜识别首先需要对虹膜图像进行预处理 ， 包 括内外边 缘 及 眼 睑 的 定 位、 归一化及对比度增强 等， 具体如图 2 所示。 虹膜特征提取阶段， 首先构建一组多通道 Log-
j i e
从图 1 所示的结构框架可见， 利用多模生物特 征进行身份识别时， 首先从待识别人采集虹膜和掌 并分别进行特征提取， 然后对两种特征进 纹图像， 融合后特征与对应模板库进行匹配， 最后 行融合， 根据匹配结果进行最终的决策 （ 判为同类匹配则接 收， 判为异类匹配则拒绝 ） 。 下面分别对采用的识 别算法和融合策略进行介绍。
这样就可以利用酉距离来对融合后的多实例 特征进行 匹 配， 根据计算的酉距离来进行最后的 决策。 匹配时采用两个个体对应融合特征的酉距离 ，
13 期
王风华， 等： 一种基于特征级融合的多模态生物特征识别方法
3137
酉距离可以认为是一种相异度衡量， 酉距离越小则 相似度越大， 同类匹配和异类匹配的酉距离具有可 区分性， 根据训练好的区分阈值， 作出接受或拒绝 的最终决策。
13 期
王风华， 等： 一种基于特征级融合的多模态生物特征识别方法
3135
选择了特征级， 在特征级对虹膜特征和掌纹特征进 行融合， 并对融合后的多模态特征进行决策识别 ， 具体框架结构如图 1 所示。
图2
虹膜图像预处理
Gabor 滤波器， 通过提取多方向和多尺度虹膜滤波 图像的绝对平均偏差来描述虹膜纹理特征 ， 具体实 现如下。 首先将经过预处理后的虹膜图像分为 8 个大小 均匀的子块， 每个图像子块的大小为 64 × 64 像素。 Gabor 滤波 对于每个子块图像利用构建的 Log器组提取相应的虹膜纹理特征。我们共构造了 4 个 45 ° ， 90 ° ， 135 ° ） ， 尺度， 每个尺度 4 个方向 （ θ = 0 ° ，
n） 的均值， N 是滤 式（ 2 ） 中 M 表示滤波图像 F （ m， 波图像的总个数。 特征绝对平均偏差是一个类似 但在描述图像特征方面要优于方 于方差的统计量， 差。所有滤波图像的平均绝对偏差组成了一个一 维的特征向量 V ： V =
[ V1 ， V2 ， …， V16 ， V1 ， …， V16 ， …， V1 ， …， V16 ] 。
n
图3
掌纹图像预处理过程
|| Z|| = 槡 ZH Z =
对掌纹图像预处理后， 然后选出一部分掌纹作 为训练样本， 并利用训练样本生成拉普拉斯掌纹 ， 具体的实现方法是： 先用 PCA 将预处理后掌纹图像 图像映射到 PCA 子空间中， 再在子空间中采用 LPP 方法降维， 最后得到的映射矩阵可表示为： W P = W PCA W LPP （ 3） 映射矩阵 W 中的每一列向量便构成了拉普拉 斯掌纹。当对未知掌纹进行识别时， 将待识别的掌
［4 ］
， 因此本文没有选择匹
配级或决策级， 而是从特征级融合入手， 提出了一 种基于虹膜和掌纹的多模态生物特征识别方法 。
1
多模态生物识别系统框架
虹膜识别和掌纹识别是广受关注的两种生物
。
特征识别技术， 二者都具备非侵犯性、 易于接受等 此外在识别原理和识别过程上也具有许多相 特点， 似性。因此， 基于两者结合的多模态生物识别系统 具有良好的可操作性和广阔的应用前景 。 虹膜识别和掌纹识别主要包括图像采集、 图像 预处理、 特征提取、 匹配和决策等几个过程。 当多 生物特征的融合时， 由于匹配级与决策级不能最大 程度的利用不同模态特征的区分性， 本文在融合时
多模态生物识别技术的研究始于 20 世纪 90 年 代， 并提出 了 许 多 有 效 的 多 模 态 生 物 特 征 识 别 方
2012 年 2 月 13 日收到 山东省自然科学基金（ ZR2011FQ018 ） 、
中央高校基本科研业务费专项资金（ 11CX04054A） 资助 第一作者简介： 王风 华 （ 1979 —） ， 山东泰安人， 讲师， 博士， 研究方 向： 模式识别， 图像处理。
i = 1， 2， …， 20 ； j = 1 ， 2， …， 8
（ 1）
y） 是增强后的第 j 个有效虹膜图像子 式 （ 1 ） 中 I j （ x， g ie （ x， y） 表示构造的第 i 个偶 LogGabor 滤波 区域， F ij （ m， n） 是第 j 个子图像的第 i 个尺度的输出。 器， 在这 128 个滤波图像中提取虹膜纹理特征 。对每一 个滤波后的图像， 按照下式计算它的绝对平均偏差 V 作为特征： V ij = 1 （ N
T
。具 体
ቤተ መጻሕፍቲ ባይዱ
，β = （ b1 ， b2 ）
T
T
， 则组合特征为
a2 + i b2 ， a3 + i0 ） γ = （ a1 + i b1 ，
。
并行特征空间定义为 C = ｛ α + iβ | α ∈ A， β∈ B ｝ 。明显地， 该空间为 n 维复向量空间。定义如下 内积： （ X， Y） = X H Y ，其中， X， Y ∈ C， H 为共轭转置 符号。 定义了以上内积的复空间称为酉空间 。 在酉空间内， 由内积引入以下度量（ 范数） ：