基于人體特征信息融合的身份識別方法研究.pdf

1、人體特征信息融合的身份識別方法具有重要的研究意義，應(yīng)用前景廣泛。針對單模態(tài)生物識別技術(shù)在某些場合很難滿足人們對識別精度和適應(yīng)性的要求的缺點，選擇將人臉、虹膜和指紋三種單模態(tài)生物特征進行融合，解決了單模態(tài)生物特征識別技術(shù)適應(yīng)性差，識別精度低的問題。
　　 針對LBP算法提取人臉特征出現(xiàn)中心像素編碼意義不明確的缺點，導致其在人臉識別中出現(xiàn)魯棒性差、精度低的問題，提出一種改進的最大權(quán)值LBP算法(Max Weight-Local Bi

2、nary Pattern，MW-LBP)，并將其用于人臉特征提取。在LBP算法的基礎(chǔ)上設(shè)定像素差值的閾值確定最大權(quán)值像素位置，通過兩次二進制編碼取平均的方法得到中心像素表示，實現(xiàn)圖像紋理特征信息的有效表示與提取。
　　 針對Wildes虹膜定位算法中運用霍夫變換需要搜索所有邊緣點，導致算法運算速度慢的缺點，提出了一種基于感興趣區(qū)域的虹膜快速定位算法，通過確定感興趣區(qū)域，縮小了搜索范圍，改善了虹膜定位精度和定位速度。并通過構(gòu)造不同

3、通道的二維Gabor濾波器實現(xiàn)虹膜和指紋的特征提取。
　　 針對多模態(tài)生物特征融合出現(xiàn)特征維數(shù)過高、識別速度下降的缺點，采用基于壓縮感知(Compressive Sensing, CS)的多模態(tài)生物特征融合身份識別算法。將提取的人臉、虹膜和指紋特征分別經(jīng)過離散余弦變換(Discrete Cosine Transform，DCT)進行特征降維，融合成表征人身份的樣本特征，并構(gòu)造樣本特征矩陣，實現(xiàn)待測樣本的稀疏表示;利用最小L-1范