论文部分内容阅读
生物特征识别技术是当今社会最常用的身份认证技术。监控系统中常用的生物特征识别技术是人脸和步态识别,其中人脸识别技术是最自然最直接的生物特征识别技术,目前该技术发展成熟；步态识别具有难以隐藏非侵犯性等优点,正日益蓬勃发展,其在视频监控中的应用前景非常光明。手指静脉识别是新兴的生物特征识别技术,具有其他生物特征识别无法比拟的优点,例如高安全性、抗干扰等,被公认为最有潜力的生物特征识别技术。在实际应用中小样本的生物特征识别技术屡见不鲜,目前的大多数生物特征识别技术面对此问题都效果不佳或是束手无策,这也成为了制约生物特征识别技术发展的瓶颈。大多数生物特征识别方法都是基于数据统计分析方法提出的,系统识别的准确率依赖于估计模型和预测函数的精确性。从理论上来讲只有在样本数量无限大的前提下,才能保证模型和函数的正确率,因此,传统的方法很难解决小样本生物特征识别问题。为了很好地解决小样本的生物特征识别问题,本文提出了：(1)基于半监督学习的人脸和步态识别方法；(2)基于FSS的手指静脉识别方法。半监督学习方法能够有效地解决视频监控中出现的小样本问题,在人脸识别中应用半监督方法self-training,在步态识别中应用半监督方法self-training,在步态和人脸多模态识别中应用半监督方法co-training。对人脸图像使用(2D)2PCA方法降维能够有效地提高半监督人脸算法的效率,对步态特征使用PCA方法降维减少了计算的复杂度。半监督学习方法一方面充分利用现有的标记样本,另一方面又充分利用了未标记样本的信息,从而不断增强训练模型的准确性。传统的手指静脉特征提取方法所提取的静脉信息量少,而对于小样本的手指静脉识别问题更会显示出传统方法的不足。采用全匹配分方法能够挖掘样本更多的信息,提取丰富的更有区分能力的特征,能够充分提高小样本手指静脉识别系统的性能。本方法改进了匹配时候只关注最高得分的缺点,考虑所有匹配得分的分值和序列,挖掘样本本身的特征信息以及样本之间的依赖关系,能够很好地表达手指静脉样本的特征信息。除此之外,使用LBP和FSS特征的得分融合方法进行手指静脉识别,能够充分发挥各个特征提取方法的优势,全面提高手指静脉识别的性能。