基于CCA人耳和侧面人脸特征融合身份识别.docVIP

基于CCA人耳和侧面人脸特征融合身份识别 　　摘要：鉴于人耳和人脸特殊的生理位置关系，从非打扰识别的角度出发，提出仅采集侧面人脸图像，利用典型相关分析的思想提取人耳和侧面人脸的关联特征，进行人耳和侧面人脸在特征层的融合。实验结果表明，此方法与单一的人耳或侧面人脸特征识别比较，识别率得到提高。 　　关键词：典型相关分析；特征层融合；关联特征；人耳识别；多模态识别 　　中图分类号：TP391．41文献标志码：A 　　文章编号：1001-3695(2007)11-0312-03 　　 　　0引言?? 　　 　　随着信息技术的高速发展，社会对于人的身份鉴别的准确性、安全性和实用性提出了更高的要求。而生物特征识别技术，由于其广泛性、惟一性、稳定性等特点，具有不易遗忘或丢失、防伪性能好、随身携带等优点，已经开始取代传统的身份识别技术，得到了广泛而深入的研究和应用[1]。?? 　　近年来，国内外研究者针对人脸识别、步态识别等无须被识别者配合的被动式识别和指纹识别、虹膜识别、掌纹识别等需要被识别者配合的主动式识别[1]开展了大量的学术研究。但每一种生物识别技术在准确率、用户接受程度、成本等方面都不同，都有其自身的优势和缺点，很难满足实际应用的要求。例如声纹会随着人身体健康状况的变化而变化，有的人的指纹特征难以提取，脸像会由于化妆、表情的变化而变化等。在此背景下，基于多种生物特征的识别技术应运而生。通过多生物特征融合的方法可提高系统的识别率、增强系统的安全级别，并且可以扩展系统的适用范围，因而具有良好的应用前景[2]。?? 　　人脸是一种最自然、最直观、最容易被接受的非打扰识别生物特征，但人脸在识别中存在易变性，即易受表情、化妆、时间等的影响。人耳是近年来新兴的非打扰生物特征识别技术。研究表明，由于人耳的生理特征结构、位置及其惟一性和稳定性的特点，使人耳识别成为一种与人脸、虹膜识别等同样重要的、可相互补充和结合的识别技术[3]。将人耳与人脸融合，可望为非打扰识别方法提供一条新途径。另外，由于人耳和人脸特殊的生理位置关系，在数据采集过程中，可仅提取人脸侧面的图像，对人耳和侧面人脸图像进行融合。鉴于此，本文提出从人耳和侧面人脸融合的角度研究多模态生物特征的融合。?? 　　 　　根据生物特征识别系统的结构，多模态生物特征识别技术中的信息融合可分为四层，即数据层融合、特征层融合、匹配层融合和决策层融合。从数据层到决策层，实现的难度依次递减，但它们所利用的信息量的大小也依次递减。目前，研究多集中于匹配层和决策层，而对特征层的研究却不多。在现有的特征层融合方法中，主要通过连接特征来实现，一、将两组特征首尾相连进行串联形成新的特征矢量[5]；二、利用复向量将两组特征矢量合并并联表示，将特征空间从实向量空间扩展到复向量空间[6]。两种方法均不同程度地提高了识别率。文献[7]提出了将典型相关分析(canonical correlation analisis,CCA)用于同一模式下两组特征矢量进行融合的新思路。CCA是多元统计分析中研究两组随机变量之间相关关系的统计方法。基于CCA的思想，首先建立两组特征矢量之间的相关性的判据准则函数；然后依此准则求取两组典型投影矢量集，通过给定的特征融合策略抽取组合的典型相关特征并用于分类。利用该方法提取两组特征矢量之间的典型相关特征作为有效的判别信息，既达到了信息融合目的，又有效地消除了特征之间的信息冗余，为两组特征融合用于分类识别提供了新的思路。?? 　　本文中，鉴于人耳和侧面人脸的特征空间的互补性和相关性，从侧面人脸图像出发，提出利用CCA方法提取人耳和侧面人脸两者的相关性特征作为两者的关联特征，从而进行个体的分类识别。?? 　　 　　为了说明提取人耳和侧面人脸的关联特征进行多模态融合识别的有效性，图3分别给出了基于单一生物特征人耳和侧面人脸利用特征耳和特征脸的方法进行识别的分类结果，以及人耳、侧面人脸特征融合的识别结果(人耳和侧面人脸分别降维到50维)。 　　从图3可知，依据本文的方法提取人耳和人脸的关联特征进行识别，识别率大大高于用单一特征进行识别的结果。另外，已知一只人耳的有效识别范围是30°[3]，而在人耳识别结合侧面人脸特征进行融合识别，扩大了有效的识别范围(40°)。?? 　　 　　4结束语?? 　　 　　本文提出仅采集侧面人脸图像，从中提取人耳和侧面人脸特征，利用CCA思想进行特征层的融合，从而提取出人耳和侧面人脸的关联特征进行分类识别；并对图像识别中的小样本问题提出了解决思路，即当两组特征矢量的总体散布矩阵奇异时利用PCA降维，然后求解其典型相关特征。结果表明，用人耳和侧面人脸的关联特征进行识别，识别率得到提高，并扩大了有效识别范围，这为非打扰生物特征识别提供了一条