基于子空间降维算法的生物特征识别应用研究

论文摘要

随着科技的进步和人们安全意识的提高,快速有效的身份鉴别的实际需求日益迫切。众多的的系统需要可靠的身份识别机制来确认或确定需要提供服务的个人的身份。身份验证机制的目的就是要确保提供服务的访问是提供给了合法的用户,而不是其他人。例如,信息管理系统、笔记本电脑,移动电话、自动柜员机、建筑物进出口等。传统的身份验证系统通过确认“他持有什么”(例如身份证),或者“他记住什么”(例如密码)来验证身份,这样的模式容易被非法入侵篡改。而本论文要研究的生物特征识别根据个人的生理和/或行为特征自动的进行身份判断。该技术处理的是对应于身份的本质问题:“他是谁”。生物识别系统可以看作是一个具有信号检测和模式识别架构的系统。它从输入的原始生物特征信号中提取具有辨识信息的特征,将这些特侦和数据库中的特征进行比较,最后确定该信号所有者的身份。这些信号数据的高维属性往往会成为处理和应用的障碍,这表现在与之相关的计算复杂度较高并且结果并不是最优。降维是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。据此,本文研究了基于子空间降维的生物特征识别方法,主要贡献如下:1)概述了生物识别技术领域的发展,总结了各种生物特征的一些优点,长处,应用限制,以及有关隐私的关注。2)介绍分析各种常用降维算法的原理和关系。这里本论文主要关注基于谱分析的算法,即用矩阵特征分解来求解的算法。我们介绍的算法包括传统的算法:PCA和LDA;流形学习算法:LLE、LPP、ISOMAP、LE、LTSA和HLLE。3)基于子空间降维方法的步态识别研究。提出了一种通过统计行走模式动态信息的步态识别方法。对代表每一类的周期平均侧影图像(GEI)进行方差分析求得动态权值掩模(DWM)。通过DWM对原始GEI进行动态和形状信息的增强以获得新的步态表征EGEI。为增加可辨识信息,使用一组Gabor小波对EGEI进行卷积,然后采用辨别共同向量分析(DCV)将高维卷积结果在低维空间表示;提出了一种有效的基于步态能量图像的身份识别方法。首先生成合成GEI丰富训练集样本数量。然后利用在以前文献中被忽略的具有良好识别性能的Gabor相位信息作为身份特征,并采用流型学习算法保局影射(LPP)将此高维数据在低维空间表示。通过使用简单的分类策略在USF步态数据库上的对比实验,证明了提出的两种方法对识别性能提高的有效性。4)基于视频的实时人脸身份识别方法。将人脸检测和跟踪、姿态估计和人脸识别纳入视频监控系统。系统首先检测到候选人脸,并实现稳健的跟踪,然后对人脸区域进行预判断,识别出人脸的朝向,如果是正面朝向就是对该人脸进行身份判断。相对于传统的静态识别方案,系统可以实现无需初始化、无需主动配合、全自动实时识别。具有更高的效率和灵活性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景和项目的支持
• 1.2 数据降维算法概述与发展
• 1.3 生物特征识别的背景和概念
• 1.4 生物特生识别技术的市场前景与现状
• 1.5 本文的结构介绍
• 第二章 降维算法介绍
• 2.1 传统算法
• 2.1.1 主分量分析 Principle Component Analysis
• 2.1.2 线性判别分析Linear Discriminant Analysis
• 2.2 流形学习主要方法分析
• 2.2.1 局部线性嵌入Locally Linear Embedding
• 2.2.2 拉普拉斯特征映射 Laplacian Eigenmap
• 2.2.3 局部保存投影Locality Preserving Projection
• 2.2.4 ISOMAP
• 2.2.5 LTSA
• 2.2.6 HLLE
• 第三章 基于步态能量图的身份识别
• 3.1 步态识别背景介绍
• 3.2 基于增强步态能量图和辨别共同分量身份识别
• 3.2.1 使用动态权值掩模获得增强GEI
• 3.2.2 步态的Gabor 小波表示
• 3.2.3 辨别共同向量分析
• 3.2.4 实验与结果分析
• 3.3 基于Gabor 相位谱和流型学习的步态识别方法
• 3.3.1 合成GEI 的生成策略
• 3.3.2 步态GEI 的Gabor 相位谱表示
• 3.3.3 基于保局影射的特征提取
• 3.3.4 实验与结果分析
• 第四章 基于检测和跟踪的视频人脸识别和姿态估计
• 4.1 基于haar-like 特征的人脸检测算法
• 4.1.1 特征提取
• 4.1.2 积分图
• 4.1.3 分类构造
• 4.2 基于Mean-Shift 的人脸跟踪算法
• 4.2.1 目标人脸区域建模
• 4.2.2 候选人脸区域建模
• 4.2.3 人脸定位
• 4.2.4 人脸大小调整
• 4.3 人脸姿态估计
• 4.3.1 基本流程
• 4.3.2 策略选择
• 4.3.3 实验结果
• 4.4 基于正面人脸的视频身份识别
• 第五章 总结与展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文