徐中宇， 張 岳

(長春工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院， 吉林 長春 130012)

?

多模態(tài)生物特征識別算法

徐中宇， 張 岳

(長春工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院， 吉林 長春 130012)

基于判別典型相關(guān)性分析(DCCA)，將提取并處理好的虹膜和指紋特征向量于特征層進行特征融合，最后進行匹配識別。

多特征融合識別； 特征層； 虹膜； 指紋

0 引 言

生物識別技術(shù)隨著科技的發(fā)展在很多方面都取得了長足的突破，在人們的日常生活和工作中也被頻繁地使用于各個領(lǐng)域，無論是銀行、軍事等高度保密領(lǐng)域，還是普通的企業(yè)等都已經(jīng)或多或少地使用生物識別技術(shù)去進行身份識別[1]。但是隨著技術(shù)的發(fā)展，像虹膜、指紋等高度普及的生物特征已經(jīng)可以被復(fù)制并仿造出來，而且考慮到單模態(tài)生物特征天生的一些局限性，人們開始從各個角度和方向研究如何提高生物特征識別的穩(wěn)定性、準(zhǔn)確性和安全性，而多模態(tài)生物特征識別這一方向為解決這些問題提供了極大的幫助[2]。

1 多模態(tài)生物識別技術(shù)

多模態(tài)生物識別是將多種不同的生物特征在不同層次進行融合再進行識別的一種技術(shù)，從其識別系統(tǒng)看，可以分為4個模塊：傳感器、特征提取模塊、匹配器、決策器[3]。

多模態(tài)生物識別的核心即生物特征的融合，即將不同種類的生物特征進行融合，從而得到可供使用的有效數(shù)據(jù)。而融合又可以發(fā)生在每一個模塊和層次里，所以，根據(jù)融合發(fā)生的位置可以把融合劃分為4個基本層次[4]：

1)像素層融合。發(fā)生在傳感器和特征提取模塊兩個模塊之間的數(shù)據(jù)融合，又稱為數(shù)據(jù)層融合，是將原始圖像數(shù)據(jù)進行融合的一種融合方法。

2)特征層融合。發(fā)生在特征提取之后，將不同樣本所提取出的特征數(shù)據(jù)進行融合的一種融合方法。在數(shù)據(jù)的壓縮和有效信息的提取方面有著顯著提高，并能夠給予匹配層和決策層有效的特征數(shù)據(jù)，從而使識別更加穩(wěn)定和高效。不過在融合的過程中由于是多種類生物的特征信息進行融合，可能會出現(xiàn)“維度災(zāi)難”等現(xiàn)象，還需要進一步去探索研究。

3)分?jǐn)?shù)層融合。發(fā)生在匹配器之后決策器之前，又稱為匹配融合，顧名思義是將匹配器所得到的匹配分?jǐn)?shù)進行融合得到新的分?jǐn)?shù)去進行決策的一種融合方法。

4)決策層融合。發(fā)生在決策器之后，是將不同的單模態(tài)生物特征分別決策后的決策結(jié)果進行融合，從而得到最終認(rèn)證結(jié)果的一種融合方法。

多模態(tài)生物特征識別不同的融合層次如圖1所示。

圖1 多模態(tài)生物特征識別不同的融合層次

2 生物特征的提取

由于文中主要研究的是在特征層融合的多模態(tài)生物特征識別技術(shù)的算法，所以對待融合識別的生物的特征提取算法也進行了大量研究，最后選取了指紋和虹膜作為研究對象。

2.1 指紋特征的提取

指紋特征提取是指紋識別技術(shù)中最關(guān)鍵也是發(fā)展比較成熟的一環(huán)，主要研究對象是指紋紋線的紋理信息和指紋細節(jié)點特征的信息。文中采取的指紋提取方法是Fingercode方法，該方法是由Jain A K[5]等提出的一種基于紋理特征信息的特征提取方法。

Fingercode方法是利用Gabor濾波器進行局部濾波，而后由濾波后的圖像來獲得指紋特征的一種方法。具體方法是先確定指紋的中心點，然后以中心點為中心把其分割成若干個區(qū)域，再對分割好的指紋圖像進行歸一化處理，利用Gabor濾波器組將指紋分割后的局部區(qū)域進行多個方向的濾波，最后計算濾波之后所得圖像內(nèi)像素的平均絕對偏差(Average Absolute Deviation，ADD)[6]，最終以此來作為指紋的特征向量。指紋確定中心點到歸一化過程如圖2所示。

圖2 指紋確定中心點到歸一化過程

2.2 虹膜特征的提取

虹膜識別技術(shù)主要包括虹膜圖像的預(yù)處理和虹膜特征提取，其中預(yù)處理又包括虹膜的圖像增強、定位和歸一化等。文中采用了基于多尺度Gabor濾波器的虹膜識別算法之中的特征提取算法，該算法是基于2D Gabor的虹膜特征提取算法[7]。

該方法首先要對虹膜圖像進行一系列預(yù)處理，使用基于Hough變換等方法進行虹膜定位，然后進行歸一化處理，將處理好的虹膜圖像使用構(gòu)建好的2D Gabor濾波器進行濾波，最后將得到的虹膜特征進行PCA降維處理后得到虹膜的特征向量。虹膜定位過程如圖3所示。

圖3 虹膜定位過程

3 基于DCCA的多模態(tài)生物特征識別算法

3.1 傳統(tǒng)的融合算法

多模態(tài)生物特征識別于特征層融合的傳統(tǒng)方法是串行和并行，其中串行是將兩種生物特征向量首尾相連形成一個高維度的新特征向量，并行是將兩種生物特征向量分別作為實部虛部以組成一個新的復(fù)數(shù)向量。上述兩種傳統(tǒng)方法融合而成的新特征向量的維度可能會非常高，導(dǎo)致計算、運行上的麻煩,甚至是“維度災(zāi)難”等問題。

3.2 基于典型相關(guān)性分析(CCA)的融合算法

典型相關(guān)性分析(CCA)是研究兩組變量之間整體相關(guān)關(guān)系的一種分析方法[8]，基本的思想是：為了完全掌握兩組樣本間的相關(guān)關(guān)系，分別從兩組變量樣本中提取出有代表性的線性組合對，即典型變量，然后利用典型變量之間的相關(guān)關(guān)系來反映兩組樣本之間的整體相關(guān)關(guān)系。首先設(shè)兩組0均值的隨機向量X∈Rp，Y∈Rq,p、q則是X、Y的維數(shù)。一般CCA是利用尋找X和Y的一組投影基方向(α，β)，α∈Rp，β∈Rq，使U=αTX和V=βTY具有最大的相關(guān)性。一般CCA的最大化準(zhǔn)則函數(shù)如下：

所以式(1)可以經(jīng)下式優(yōu)化求解：

利用拉格朗日乘子法，將式(3)變?yōu)槭?4)，求(α，β)則轉(zhuǎn)化為求解矩陣廣義特征值的問題。

分別計算式(4)中前d(d≤rank(SXY))個特征值及其對應(yīng)的特征向量，設(shè)求得的特征值λ排序為λ1≥λ2≥…≥λd，其依次對應(yīng)的特征向量分別為α1，α2，…，αd和β1，β2，…，βd，由此向量組構(gòu)成X和Y的典型相關(guān)向量U和V，如下式:

式中:WX，WY----分別為X和Y的投影矩陣。

3.3 基于DCCA的多模態(tài)生物特征識別算法

判別典型相關(guān)分析(DCCA)是基于CCA并在其基礎(chǔ)上又進一步考量了不同樣本間和同類樣本間的關(guān)系對分類產(chǎn)生的影響的一種分析方法[9]。該方法得到的融合特征在最大化同類樣本之間相關(guān)性的同時還能最小化不同樣本之間的相關(guān)性，其準(zhǔn)則函數(shù)就是將式(1)的準(zhǔn)則函數(shù)改為如下形式：

DCCA的求解同CCA一樣，也是轉(zhuǎn)化為求解下式的廣義特征值。

4 實驗結(jié)果及分析

文中采用了CASIA虹膜圖像數(shù)據(jù)庫和FVC2004指紋圖像數(shù)據(jù)庫用于實驗。在CASIA虹膜數(shù)據(jù)庫中選取了40類，每類5幅，共200幅虹膜圖像；在FVC2004DB1指紋圖像數(shù)據(jù)庫中選取了40類，每類5幅，共200幅指紋圖像。通過將虹膜圖像和指紋圖像一對一的方式進行配對，最終得到一個40個類別，每類5個樣本，總計400張圖像，200個樣本的虹膜和指紋的多模態(tài)數(shù)據(jù)庫，部分圖像如圖4所示。

圖4 部分虹膜和指紋圖像

將處理好的指紋和虹膜圖像按2.1和2.2算法進行特征提取以后，由PCA進行降維處理到相同的維度并進一步進行歸一化操作，然后根據(jù)上述DCCA算法進行指紋和虹膜特征的融合，得到融合后的特征向量和投影矩陣，最后進行歐氏距離匹配識別認(rèn)證，融合識別流程模型如圖5所示。

圖5 基于指紋和虹膜的融合識別流程

為了能夠更好地驗證基于DCCA方法的融合識別效果，文中在樣本維數(shù)相同的情況下分別進行了傳統(tǒng)的串行融合識別、基于CCA方法的融合識別和基于DCCA方法的融合識別，3種不同融合算法的實驗結(jié)果如圖6所示。

圖6 3種融合算法的實驗結(jié)果

當(dāng)分別選取每類前1個共40個樣本圖像作為訓(xùn)練樣本，每類后4個共160個樣本圖像作為測試樣本時，采用基于DCCA的融合算法比采用傳統(tǒng)的串行融合算法和基于CCA的融合算法的識別率都要高，隨著測試樣本從每類的1個共40個增長為每類2個共80個直到最終為每類4個共160個，基于DCCA的融合算法一直都保持著最高的識別率；其中在訓(xùn)練樣本數(shù)目較小的情況下，基于DCCA的融合算法的識別率更是遠遠高出另外兩種算法。

由此可以發(fā)現(xiàn)，隨著樣本數(shù)目的增加，3種算法的識別率均有所提高，但基于DCCA的融合算法的識別率一直高于傳統(tǒng)的串行融合算法和基于CCA的融合算法的識別率；特別是在小樣本的情況下，基于DCCA的融合算法的識別率仍能夠保持在較高的水平。

5 結(jié) 語

對多模態(tài)生物特征識別技術(shù)的算法進行了研究，提出了基于DCCA的多模態(tài)生物特征識別算法，并利用FVC2004指紋圖像數(shù)據(jù)庫和CASIA虹膜圖像數(shù)據(jù)庫構(gòu)建多模生物特征數(shù)據(jù)庫進行了實驗。實驗結(jié)果表明，文中提出的算法在小樣本情況下相對另外兩種融合算法具有更好的識別率，驗證了該算法的有效性。

[1] 趙瑩，史東承.基于MB-LBP紋理信息手勢識別[J].長春工業(yè)大學(xué)學(xué)報，2015，36(6)：641-646.

[2] 張志堅,趙松,張培仁.增強典型相關(guān)性分析及其在多模態(tài)生物特征識別特征層融合中的應(yīng)用[J].中國科學(xué)技術(shù)大學(xué)學(xué)報,2010,40(8):790-795.

[3] 彭加亮.基于手指多模態(tài)生物特征的身份認(rèn)證關(guān)鍵問題研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2014.

[4]HoudaBenaliouche,MohamedTouahria,JShu,etal.Comparativestudyofmultimodalbiometricrecognitionbyfusionofirisandfingerprint[J].TheScientificWorldJournal,2014(6):829369-829375.

[5]JainAK,PrabhakarS,HongL.Amultichannelapproachtofingerprintclassifi-cation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1999,21(4):348-359.

[6]GonzalezRC,WoodsRE.數(shù)字圖像處理[M].阮秋琦,阮宇智,譯.3版.北京:電子工業(yè)出版社,2014.

[7] 徐中宇.虹膜識別算法的研究[D].長春:吉林大學(xué)，2006.

[8]NiuLiXia,GuoLi.AkindoffacerecognitionmethodbasedonCCAfeatureinformationfusion[J].JournalofMultimedia,2013,8(5):503-511.

[9] 李洪亮,馬啟明,杜栓平.一種基于典型相關(guān)性分析的特征融合算法[J].聲學(xué)與電子工程,2015,117(2):20-23.

A multimodal biometric identification algorithm

XU Zhongyu， ZHANG Yue

(School of Computer Science and Engineering, Changchun University of Technology, Changchun 130012， China)

Based on Discriminant Canonical Correlations Analysis (DCCA), the extractediris and fingerprint feature vector are mixed at feature layers and then matched for recognition.

multimodal fusion recognition; feature layer; iris; fingerprint.

2016-12-21

吉林省教育廳科學(xué)技術(shù)研究基金資助項目(吉教科合字[2015]122號)

徐中宇(1971-)，男，漢族，湖北宜都人，長春工業(yè)大學(xué)副教授，博士，主要從事圖像處理和生物認(rèn)證方向研究,E-mail:xuzhongyu01@126.com.

10.15923/j.cnki.cn22-1382/t.2017.2.15

TP 391.41

A

1674-1374(2017)02-0184-05