基于机器学习方法的若干生物特征识别关键问题研究

摘要

生物特征识别技术作为一种新型的身份认证手段，其研究价值和良好的应用前景得到了学术界和企业界的公认。自上世纪九十年代中期以来，经国内外学术界和企业界同行的多年推进，生物特征识别的研究取得了巨大进展，已有较多的生物特征识别技术在诸多领域得到有效应用。但是，现有生物特征识别系统性能上的不完善性，在很大程度上影响了生物特征识别技术的推广应用。如何进一步提高生物特征识别系统的性能，使其能够更好地满足实际应用的需求，仍是富有挑战性的、值得深入研究的问题。近年来，机器学习技术成为计算机领域中的研究热点，并且不断发展，在很多方面得到成功应用。在生物特征识别研究领域，利用机器学习相关方法解决问题已成为一个主流的趋势。例如利用集成学习思想成功解决多模板集成问题，利用半监督学习思想成功处理生物特征的类内差异性问题等。
　　本文深入分析目前在指纹识别、人脸识别及多模态生物特征识别领域影响生物特征识别系统性能及其应用的几个关键问题，设计并运用合理的机器学习技术解决这些问题，从而提高了人脸识别、指纹识别系统的识别准确率，并且获得了多模态生物识别系统使用方便性和识别准确率的同时提升。本文的主要工作和贡献有:
　　1、基于细节点的指纹匹配一直是指纹识别中最为主流的方法。迄今为止，基于细节点的指纹匹配中，未能形成匹配的细节点都被视为无用信息。实际上，由于同源指纹和异源指纹匹配中未匹配细节点的成因和特点不同，未匹配细节点中包含一定的区分性信息。如何合理挖掘和利用这些信息，是提升自动指纹识别系统性能的一个关键问题。基于此分析，本文定义和提取7个未匹配细节点特征作为辅助特征，获取7个辅助匹配得分，并利用集成学习的方法，将辅助匹配得分与传统匹配得分进行融合，实现指纹识别。在FVC2000、FVC2002和FVC2004国际指纹识别竞赛数据库上验证了未匹配细节点特征的区分能力和所提方法在提高系统识别性能方面的有效性。在3个竞赛数据库所包含的12个子数据库上，本文方法将等错误率（Equal Error Rate）最少降低了33.6％，最多降低了77.0％。
　　2、在目前的人脸识别技术中，判断两个人脸样本是否属于同一个体，只利用了这两个人脸样本的相似度信息，而忽略了其他的可用信息。经分析，取自不同个体的人脸样本之间的异源相似度信息具有稳定规律，且少数显著异源相似度信息具有好的区分能力，如何合理挖掘和利用这些信息并运用于人脸识别是提高人脸识别系统识别性能的关键问题。基于此，本文提出基于稀疏相似度序列的人脸识别方法(S3M)，用相似度序列定义和提取异源相似度信息，并利用Lasso稀疏学习方法提取其中少数显著信息，在此过程中，提出区分性判定准则优化稀疏参数，最后利用稀疏相似度序列作为高一级特征进行人脸识别。经实验验证，S3M在两个公开人脸数据库上等错误率分别达到了0.05％和0.01％，有效提升了系统的识别性能。
　　3、现有的多模态生物特征识别系统主要采用并行集成模式，在注册和识别阶段均需采用系统内所有生物特征进行识别，给用户带来极大不便。在使用方便性和效率方面的这一缺点限制了多模态生物特征识别系统的广泛应用。本文分析并提出最符合广大用户使用需求的多模态生物特征识别系统应采用序列化集成框架，将采集（使用）方便的特征放在序列前端，而尽量减少对采集不方便特征的使用。一切对系统性能的优化应该在这个框架下进行。然而，采集方便的生物特征往往识别性能较低，特征的使用方便性和识别准确率存在矛盾。这一矛盾问题下，为保证系统的识别准确性，仍有大量用户需要使用方便性较差的特征进行识别，抵消了序列化集成系统在使用方便性方面的优势。如何解决这一矛盾，是同时提高多模态生物特征识别系统的方便性和识别性能的关键问题。本文将半监督学习(SSL)技术引入序列化集成框架，通过提高方便性强而识别能力弱的弱特征的识别性能解决这一矛盾问题。其中的核心技术是依赖最大化降维方法(DMDR)，该方法利用带标记和未标记样本及特征样本之间的对应关系，以最大化强特征与弱特征信息依赖性为目标，将弱特征投影到低维特征空间，从而实现以强特征为指导，提高弱特征识别性能的目的。在两个原型系统上，验证了半监督学习方法在提高弱特征性能方面的有效性，以及本文提出的序列化集成框架在同时提高系统使用方便性和识别性能方面的优势。

目录

声明

摘要

第1章 绪论

1．1 生物特征识别概述

1．2 研究背景和意义

1．3 机器学习在生物特征识别中的应用

1．4 本文研究工作及创新点

1．5 本文组织

第2章 挖掘和利用未匹配细节点的指纹识别

2．1 引言

2．2 未匹配细节点的特征定义与提取

2．2．1 未匹配细节点比率

2．2．2 基于位置对应关系的特征

2．2．3 基于全局分布一致性的特征

2．3 集成方法

2．4 实验与分析

2．4．1 数据库与实验设置

2．4．2 未匹配细节点特征的区分性

2．4．3 系统识别性能比较

2．5 本章小结

第3章 基于稀疏相似度序列的人脸识别

3．1 引言

3．2 稀疏相似度序列

3．2．1 相似度序列

3．2．2 相似度序列的稀疏化

3．2．3 区分性判定准则

3．3 S3M的实现

3．3．1 S3M人脸识别流程

3．3．2 注册阶段

3．3．3 识别阶段

3．4 实验结果及分析

3．4．1 实验数据集与实验设置

3．4．2 异源相似度信息规律性验证

3．4．3 Lasso稀疏有效性验证

3．4．4 识别性能对比

3．5 本章小结

第4章 基于半监督学习的序列化多模态生物特征识别框架

4．1 引言

4．2 序列化集成框架

4．2．1 集成序列

4．2．2 关键问题分析

4．2．3 集成框架

4．3 基于半监督学习的弱特征识别性能增强方法

4．3．1 方法概述

4．3．2 DMDR方法

4．3．3 样本标记策略

4．3．4 与现有SSL方法的比较

4．4 实验一：人脸、指纹多模态识别系统

4．4．1 数据库

4．4．2 实验设置

4．4．3 人脸识别的性能提升

4．4．4 系统性能

4．5 实验二：步态、指纹多模态识别系统

4．5．1 数据库

4．5．2 步态识别的性能提升

4．5．3 系统性能

4．6 本章小结

第5章 总结和展望

5．1 主要工作总结

5．2 未来工作展望

参考文献

致谢

攻读学位期间发表的学术论文目录

攻读学位期间参与科研项目情况

外文论文