基于指靜脈和指腹紋的多模態(tài)融合身份識(shí)別研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展和網(wǎng)絡(luò)的不斷普及，當(dāng)代社會(huì)對(duì)身份認(rèn)證的需求越來(lái)越多，要求越來(lái)越高。相對(duì)于單模態(tài)生物特征的防偽性不強(qiáng)、區(qū)分性不高等缺點(diǎn)，多模態(tài)生物特征融合的多種特征具有更好的防偽性及區(qū)分性。本文以改善指靜脈的生物特征識(shí)別性能為出發(fā)點(diǎn)，結(jié)合指靜脈和指腹紋的特征來(lái)實(shí)現(xiàn)多模態(tài)融合。本文研究的主要內(nèi)容和創(chuàng)新點(diǎn)如下：
　　首先，利用指靜脈紋理特征比較豐富的特點(diǎn)，對(duì)現(xiàn)有的二進(jìn)制編碼算法的特征提取進(jìn)行改進(jìn)，提出了基于關(guān)系圖的二進(jìn)制編碼特征提

2、取方法。根據(jù)二進(jìn)制編碼的關(guān)系圖，構(gòu)造出不同個(gè)體的二進(jìn)制模板，然后利用SVM訓(xùn)練學(xué)習(xí)出樣本的編碼位的信息。本文改進(jìn)的二進(jìn)制編碼方法考慮了不同類別樣本的相關(guān)性，因此提取的特征更具有區(qū)分性。
　　其次，給出一種指靜脈特征提取的AlexNet改進(jìn)方法。鑒于現(xiàn)有的AlexNet模型在2012年ImageNet圖像數(shù)據(jù)集上有很好的分類能力，且網(wǎng)絡(luò)模型結(jié)構(gòu)優(yōu)化比較完善,故本文以此為基礎(chǔ)提取樣本特征。針對(duì)指靜脈特點(diǎn)，本文做出兩點(diǎn)改進(jìn)：首先是分類前

3、的特征降維，以降低深度網(wǎng)絡(luò)所獲取高維數(shù)；其次，采用融合卷積層和子采樣層的方法，使得原來(lái)的7層網(wǎng)絡(luò)結(jié)構(gòu)減少為4層。實(shí)驗(yàn)結(jié)果顯示，本文改進(jìn)方法比AlexNet模型的識(shí)別率更高。
　　然后，本文提出運(yùn)用判別相關(guān)分析法提取指靜脈和指腹紋有區(qū)分性的特征，用于改善現(xiàn)有的單模態(tài)生物識(shí)別的單一性，該融合方法的優(yōu)點(diǎn)是能夠最大化類內(nèi)樣本的相似度，最小化類間樣本的相似度。實(shí)驗(yàn)結(jié)果顯示該融合方法比現(xiàn)有的CCA等融合方法識(shí)別率高。
　　最后，設(shè)計(jì)了一