论文部分内容阅读
生物特征融合识别是把不同种类的生物特征结合到一起，进行综合判断。与单一模态的生物特征认证系统相比，多模态生物特征融合识别方法能够提高识别准确率和稳定性，因而具有更广泛的适用范围。多模态生物特征融合可在传感器，特征，匹配和决策四个层次进行。由于特征层的融合与传感器层的融合受到所处理信息相容性的限制，决策层的融合只涉及到有限的信息，所以这三个层次的融合都存在困难，匹配层融合既避免了把不同特征结合到一起，又可以利用比决策层融合更多的信息，因此受到广泛的关注。本文主要讨论的是匹配层的融合。
在匹配层的多模态生物特征融合认证方法中，基于归一化的融合方法是研究的热点并在应用中已经取得了较好的效果，但是还存在一些不足。首先，这类方法采用单一形式的函数对服从不同分布的打分信息进行归一化，引入了不一致的归一化误差；其次，采用的融合规则把分类问题由多维空间转化为一维空间，降低了高维空间的分类优势，不能充分利用归一化后的打分信息，最终融合结果提高有限。
针对归一化融合方法第一个不足之处，本文提出基于错误率的归一化方法，针对不同分类器的打分信息，从样本的genuine属性和impostor属性出发，利用统计方法分别求出各分类器的认假率(FAR)、拒真率(FRR)与阈值h的关系函数；然后利用这两个函数把分类器的打分(Score)信息转化为错误率参数。这样可以针对每个分类器单独设计基于错误率的归一化函数，避免了对不同分布的打分信息采用相同形式的归一化函数，也就避免了引入不一致的归一化误差。
针对归一化融合方法的第二个不足之处，本文提出了分类器分类能力分析、动态选择融合规则和基于归一化与基于分类器相结合的三种融合方法。分类器分类能力分析方法首先利用模式空间的各个类与测试样本之间的信息来分析分类器的性能，然后选取分类性能最好的分类器的score作为最终的融合结果。动态选择融合规则的方法根据各分类器结果的差异，动态地选择融合规则。
传统的基于归一化的融合方法只对归一化后的打分信息进行比较或者求和，丢掉了识别模式空间中的大量信息，降低了多维空间对识别对象描述的精确性。“基于归一化与基于分类器方法相结合”的融合方法首先利用归一化函数把来自不同分类器的打分信息转化到同一值域区间可以互相比较的打分信息，然后设计分类器代替融合规则对归一化的打分信息进行分类。由于采用了针对归一化后的打分信息专门设计的分类器，归一化后的打分信息由于具有相同的值域区间，而且可以互相比较，也更容易进行分类，因此这种融合方法充分利用了基于归一化方法和基于分类器方法的优点。
最后本文针对基于智能卡的生物特征身份证件系统的人脸指纹融合认证需求，设计并实现了基于归一化与基于分类器相结合的融合方法。通过对现有的识别效果良好的CS-LDA算法的适当优化，把提取的人脸特征模板分为公共模板和私有模板，卡上只存储私有模板和持卡人在公有模板上的投影信息，公共模板作为系统信息存储在卡外设备，这样在保持验证正确率的同时减少了卡上信息的存储，为将来进一步的卡上比对打下了基础。