生物特征识别

多生物特征识别
生物特征识别面临的一个关键问题是如何提 高生物特征识别正确率。 各种生物特征识别技术都有其一定的适用范 围和使用要求，单一的生物特征识别系统在实际 应用中显现出各自的局限性，同时可能被模仿和 复制。 要解决这些问题，既可以与传统的身份认证 机制相结合，也可以与身高体重等某些软生物特 征相结合，而通过多生物特征识别是目前的研究 热点之一。
ቤተ መጻሕፍቲ ባይዱ
典型的生物特征识别
（a）基于特征的方法。首先从图像序列中提 取特征并建立它们之间的对应关系。然后 依据特征对应关系计算物体的结构和运动 参数。 （b）帧间差分法。利用图像序列中2帧或3帧 图像亮度变化来提取运动目标。 （c）背景减除法。即利用当前帧图像与背景 图像的差分运算进行运动检测的一种方 法．
典型的生物特征识别
3、二值化和细化。 得到增强后的256 级灰度图像，还需要将其 进一步转变为二值图像（前景点取作1，背景点取 作 0），提取指纹脊线，便于后续处理。指纹纹 线的细化从实现上可分为两大类：一类是从外到 内逐点剥去二值图像的边界点；另一类是从内到 外，找到某一中间点，然后按扫描方向寻找其八 邻域内也为纹条纹中间象素的点，逐次取得细化 线。 4、提取特征 指纹特征的提取即对指纹纹线进行搜索，提 取出各种特征及其特征的坐标位置。
典型的生物特征识别
虹膜在人的一生中所发生的变化十分 微小。发育生物学界的科学家们同时发现， 尽管虹膜的基本结构是由内在的遗传基因 决定的，但是外界的环境却对虹膜独特的 细微结构起着决定性作用。因此，虹膜作 为重要的身份鉴别特征，具有唯一性、稳 定性、可采集性、非侵犯性等优点。据统 计虹膜识别的错误率是各种生物特征识别 中最低的。
典型的生物特征识别
1）步态识别
步态识别是利用人们行走时的序列信息进行 身份鉴别的一种方式，提取的特征是人体每个关 节部位的运动轨迹。该方法用于远距离识别。步 态识别通常包括步态检测、步态表征和步态识别 3个过程： （1）步态检测是在图像序列中将人体步态轮廓区 域从背景图像中提取出来。步态检测可大致分为 3类方法：
（1）虹膜图像预处理 1、虹膜的定位 虹膜包含纹理的部分是内外两个近似圆形边 界之间的部分，虹膜内侧与瞳孔相邻，外侧与眼 白相邻。但是，这两个圆不是完全同心的，需要 分别对内外两个边界进行处理。 （a）内边界的提取 与眼睛的其它部分相比，瞳孔要暗得多。我 们采用二值化的方法分离出瞳孔，提取内虹膜边 界。
典型的生物特征识别
3）虹膜识别
虹膜识别被认为是最安全、最精确的 识别方法。虹膜是瞳孔和巩膜之间的环状 区域。虹膜识别利用虹膜纹理特征，虹膜 纹理不会遗传，其形成过程受母体环境影 响，具有随机性。人的眼睛是非常精细的 组织，通过手术改变虹膜的纹理特征危险 性极高，使得虹膜识别具有极高的防伪性。
典型的生物特征识别
生物特征识别
• 生物特征识别概述
• 典型的生物特征识别
• 多生物特征识别
生物特征识别概述
随着网络与通信技术的飞速发展和人类物理 与虚拟活动空间的不断扩大，现代社会对于人类 自身身份识别的准确性、安全性与实用性提出更 高要求。基于生物特征的身份识别受到身份识别 领域的关注。生物特征识别，指的是利用计算机 技术，通过采集人的生物特征样本进行人的身份 识别。根据能够利用的生物特征的特点，将生物 特征分为生理特征和行为特征。其中： a)生理特征是人生来就具有的； b)行为特征是人后天习惯养成的。
典型的生物特征识别
指纹匹配是指纹识别系统中一个非常 重要的环节，目前，大部分的自动指纹识 别系统(AFIS)都是采用基于特征点匹配的方 法，主要思想为：研究指纹脊线端点和叉 点的坐标及方向的信息，根据这些信息进 行匹配。
典型的生物特征识别
指纹识别历史悠久、技术成熟、设备小 巧、成本低廉，广泛应用于考勤、门禁、 自动身份鉴别领域。指纹识别的缺点是接 触式的，具有侵犯性，存在卫生方面的问 题；另外，指纹易磨损，手指太干和太湿 都不利于指纹图像的提取。
典型的生物特征识别
图像的预处理与特征提取方法的主要步骤包 括方向图计算、图像滤波、二值化、细化、提取 特征和后处理。 1、方向图的计算 方向图是利用指纹纹线的方向信息，把指纹 的脊线和谷线分离。 2、图像滤波 图像滤波的方法很多，而且应用到指纹识别 的很多步骤中。对于噪声很大的指纹，还要在计 算方向图之前对原始图像进行一次滤波，一般采 用高斯滤波初步除噪。在进行后续处理中常用的 滤波方法有均值滤波和最小均方差滤波等。
多生物特征识别
多生物特征识别就是将多种生物特征结 合起来识别。 模式识别大致可以分为3个过程：特征 提取、模板匹配、决策。根据这3个过程， 多生物特征的整合也可以相应地分为3个层 次：特征层整合、匹配层整合、决策层整 合。
多生物特征识别
多生物特征识别技术进行身份鉴别的优点主 要表现在三个方面： a)准确性，多个生物特征的运用可以提高整个身 份鉴别的准确性； b)可靠性，伪造多个生物特征显然比伪造单个生 物特征更为困难； c)适用性，每种生物特征都存在应用的局限性。 多生物特征识别就是试图降低生物信息获取的难 度，利用多生物融合的方法来提高身份识别的有 效性。
多生物特征识别
尽管多生物特征认证系统在准确率方面比以 往的单特征生物认证系统有了明显的提高，但还 存在很多没有解决的问题。 首先，多生物认证系统到目前为止还没有一 个统一的框架结构，也没有一个比较完善的评价 标准； 其次，多生物认证系统给用户增加了负担； 还有，多生物特征系统各个整合层次上具体 的整合方法也不是很完善。
典型的生物特征识别
扫描完整幅图像后，可得其全部的特征点， 这些特征点绝大部分是真实的，但其中也包括由 噪音引入的伪特征点，因此，还需进一步根据以 下规则去除伪特征点： （1）纹线断点删除：若具有同一方向的两个端点之 间的距离小于某一阀值，则认为是伪特征点。 （2）毛刺删除：若连接于分支上的端点且其到分支 的距离小于某一阀值，则认为是伪特征点。 （3）位于前景区域边界的特征点应删除。 经以上步骤的处理，可删除大部分假特征点。
典型的生物特征识别
（2）虹膜特征提取 利用小波变换将一幅图像分解成一系列的低 频子图像。对一幅图像进行完全的小波分解，得 到四种小波通道：LL,LH,HL,HH。每个通道对应 于原始图像在不同尺度（空间频率）和方向下的 信息。图像经过三层小波分解，如图。
典型的生物特征识别
当图像在某一频率和方向下具有较明显的纹 理特征时，与之对应的小波通道的输出就具有较 大的能量。因此，图像中的纹理特征可以由这一 系列小波通道的能量和方差来表示。 在四种小波通道中HH通道反映的是图像的高 频特征，其中包含了图像中的大部分噪声，不适 合用于纹理特征的提取。因此我们使用图中阴影 部分的共7个通道来进行纹理分析。对于每个通道 的滤波结果，提取均值和方差作为其特征。
典型的生物特征识别
（3）分类器的设计 采用方差倒数加权欧氏距离分类器来进行识 别，将未知虹膜的特征向量同已经训练好的已知 类别的虹膜特征向量相比较，当且仅当它的特征 向量与第k类特征向量的方差倒数加权欧氏距离 WED最小时，输入虹膜被分类为第k类虹膜。加 权欧氏距离按下面的公式计算：
其中 表示未知样本的第i个特征， 分 别表示第k类虹膜的第i个特征的均值和方差，N表 示特征总数。
（2）步态表征就是采取某种方法表示检测出 的步态和数据库中的已知步态，即提取分 割出来的步态轮廓区域的特征。现有的方 法可以分为3类： （a）结构表征。 （b）非结构表征。 （c）融合表征。
（3）步态识别是将待识别的步态信息与数据库中 的步态特征进行比对，通过一定的判断依据决定 它所属的类别。 由于步态特征容易受到行人本身及外界因素 的影响，比如行人心情、行走速度、身体变化、 衣着、携带品、遮挡、行走路面情况等，所以目 前提出的步态识别算法识别性能比较有限，很难 达到实际要求。
典型的生物特征识别
2）指纹识别
指纹是指人类手指上的条状纹路，通常由交 替出现的宽度大致相同的脊和谷来构成，指纹的 特征点包括脊、谷、分叉点和端点等。 指纹识别需要通过分析指纹的全局特征和局 部特征来区别不同的人。 指纹的取像设备最初是墨水和纸的方式，现 在已经被光学传感器、电容传感器、温度传感器 和超声传感器等数字采集设备取代。
典型的生物特征识别
（b）外圆边界的提取。 首先使用Canny算子对原图像进行边缘提取，然后根 据瞳孔的位置和其它的先验知识去除一些无用的点，最后 采用最小二乘法进行拟合。 2、虹膜归一化 虹膜归一化的目的是将每幅原始图像调整到相同的尺 寸和对应位置，从而消除平移、缩放和旋转对于虹膜识别 的影响。 3、虹膜图像增强 由于设备的原因，使得虹膜图像上的光照不能完全均 匀分布，这样将会影响纹理分析的效果。为了更好地提高 识别效果，我们对展开后的虹膜图像进行了局部的直方图 均衡化，从而实现了图像增强，减少了非均匀光照的影响。