论文部分内容阅读
生物特征识别技术拥有传统身份识别技术没有的独特优点,在金融、公共安全等许多领域都有广泛的应用需求。近年来,随着生物特征识别研究的日渐深入和相关应用的飞速发展,多生物特征融合的身份识别已经引起了国内外学术界的广泛关注。本文以多生物特征的融合识别为研究方向,根据多生物特征识别不同层次的融合框架,重点讨论基于支持向量机(SVM)的融合算法,并以人脸和虹膜为例分析比较SVM和常用典型融合算法的识别性能。主要包括三个方面的内容:首先,利用已有的虹膜和人脸图像库,采用不同的特征提取算法及相应的匹配算法获取匹配结果,在此基础上研究基于决策层的多生物特征融合识别。多生物特征识别的决策层融合一般是在分类的过程中实现融合以提高识别性能,通常利用分类器对多维向量(多种单一生物特征识别决策层输出的匹配结果组成的向量)进行二类划分。本文引入贝叶斯分类器、Fisher分类器等几种典型的分类器、以及SVM分类器实现决策层融合,进而比较其性能,实验结果表明基于SVM的决策层融合具有良好的识别性能。其次,利用虹膜和人脸串行组合成的一个融合特征向量来进行特征层融合的研究,并引入现有的对多维特征向量进行分类的典型方法如KNN最邻近分类、LDA线性分类、神经网络算法,与SVM进行比较,实验数据表明SVM在特征层融合识别的研究方向上也具有突出的表现。最后,针对在特征层融合识别中经常出现的高维特征向量造成大量冗余信息的问题,本文提出在融合识别之前加入特征选择的手段,基于SVM的特征选择,并且与一些典型的特征选择算法如F-score、Mrmr、ReliefF等进行实验比较,实验结果表明在保证融合识别性能的前提下,基于SVM的特征选择能筛除更多的冗余特征信息。