随着现代社会的飞速发展,传统身份识别方法由于安全性较差已不能满足人们的需求。为此具有普遍性、稳定性、唯一性等特性的生物特征识别受到人们越来越多的重视,并广泛应用于诸多领域。然而在生物特征识别中,普遍会遇到在不同条件下采集到的人体特征。此时,由于传统的度量学习大都是定义在单一属性的集合上,因此对这种具有属性差异的不同集合中的元素间的度量无能为力。目前较好解决这一问题的方法是耦合距离度量学习,其目标是寻找一种耦合距离函数直接对不同集合间的元素进行度量。该方法的核心思想是先将来自不同集合的数据投影到同一个耦合空间,且两个集合中具有相关关系的元素在投影后的耦合空间中尽可能接近,而后在这个公共的耦合空间中引入传统的度量学习。已有的基于相似约束、局部保持和判别耦合距离度量学习等在实际应用中存在很多不足之处,本文通过开展相关的研究工作,针对不同的缺陷分别给出了多种改进策略,并将其应用到特征级融合领域,充分完善了耦合距离度量学习理论,使得该理论能够更好地解决现实问题。最后将该理论方法应用到步态识别中,以便克服步态识别在实际应用中的诸多难点,为创建具有高稳定性、高识别率的实用便捷型步态识别系统提供可行的思路。本文的主要内容总结如下:1.通过对已有耦合距离度量学习方法的分析,引入可分性准则来改进原始的优化目标,提出了基于可分性准则的耦合距离度量学习。该方法通过准则函数使得在耦合空间内所有样本的类内平均距离的平方尽量小,而类间平均距离的平方尽量大,从而提升整个耦合空间中样本的可分性。之后针对基于线性映射的耦合距离度量学习方法在实际应用中存在的“维数灾难”问题,从三种改进策略进行了研究:首先对原始高维数据进行PCA变换,而后对降维后的特征再进行常规耦合距离度量学习的基于K-L变换的耦合距离度量学习;首先对原始图像进行子块划分,然后对各个子块进行常规耦合距离度量学习,最后将各个子块所得的特征合为整体特征的基于子模式的耦合距离度量学习;直接对原始二维图像进行处理的二维耦合距离度量学习。2.针对基于线性映射的耦合距离度量学习方法难以很好地描述现实生活广泛存在的非线性问题,研究了基于核空间的非线性耦合距离度量学习方法。首先通过核变换将线性不可分的原始数据映射到同一个线性可分的高维耦合空间,而后在这个高维耦合空间内进行传统度量学习的运算。3.针对监督信息不足时,耦合距离度量学习的性能会受到很大程度的影响,采用基于图的半监督学习方法,从样本的局部近邻和整个样本集的全局信息两个角度对监督信息分别进行扩展,提出了一种基于监督信息局部和全局扩展的半监督耦合距离度量学习。并将这种监督信息的扩展方式应用到监督信息充足的情况,使得监督信息既包含了样本的类别信息,又包含了样本本身所蕴含的内在信息,提出了一种基于监督信息局部-和全局扩展的有监督耦合距离度量学习。4.在生物特征识别系统中,采用单一数据进行测试时,性能并不稳定,并且错误率高,此时常用的解决方法是数据融合技术。针对耦合距离度量学习能够直接对两个集合进行处理的特性,提出多种基于耦合距离度量学习的特征级融合方法。这些方法采用不同的策略将耦合空间里的特征融合到一起,以得到更加稳定的特征用来分类识别。另外针对实际中可能会处理多个集合,提出了一种多级特征级融合策略。5.针对步态识别在实际应用中的诸多难点,采用耦合距离度量学习方法提出了一种具有较高实用价值的步态识别系统的构建方法。该方法通过耦合距离度量学习方法将不同条件下所得到的步态图像统一到一起,既提高了系统的稳定性和识别性能,又大大降低了系统的存储空间。