人脸与掌纹特征在决策层上的融合

摘要

生物特征识别是利用人体所固有的生理特征或行为特征进行识别的技术，它涉及到模式识别、数字图象处理和人工智能等众多学科的相关知识。近年来，由于单生物特征的局限性，很难适应实际应用的需求，多生物特征融合技术已经成为生物特征识别技术发展的必然趋势。本文主要针对人脸和掌纹两种生物特征在决策层上的融合作了一系列研究。本文的研究内容主要包括以下几个方面：
　　(1)总结和比较了决策层上生物特征融合的主要方法，对常用分类器组合方法进行了比较和实验。
　　(2)在单训练样本下的分类器性能进行了研究，针对单样本的特殊情况，对传统的线性加权法进行了改进，在人脸和掌纹的特征融合上得到了良好的效果。
　　(3)利用小波变换方法提取人脸和掌纹的奇异值特征，设计了基于进化策略的融合算法，有效的解决了分类器权值的赋予问题，提高了分类的准确率。该算法计算简单，在计算时间上优于多数融合算法。
　　(4)对用于字符识别的集成判决算法作了研究，在几个方面进行了改进，并将它用于人脸和掌纹的识别融合中，提高了分类准确率和效率。
　　本文提出的几种算法有效的解决了生物识别中多模态融合的一些问题，其中对分类器的组合的研究，不仅对生物识别，对模式识别的其他领域也具有一定的参考价值。

目录

人脸与掌纹特征在决策层上的融合

FUSION OF FACE AND PALMPRINT ON DECISION LEVEL FOR IDENTITY VERIFICATION

摘要

Abstract

第1章 绪论

1.1 课题背景

1.2 本课题研究的目的及意义

1.3 国内外相关技术发展现状

1.3.1 目前国内外突出成果

1.3.2 人脸识别技术

1.3.3 掌纹识别技术

1.3.4 多生物特征融合识别技术

1.4 本文主要研究内容

第2章 单训练样本下的线性加权法

2.1 引言

2.2 几种传统的分类器组合方法

2.2.1 投票法和加权投票法

2.2.2 朴素贝叶斯法

2.2.3 最高序号法

2.2.4 Borda计数法

2.2.5 Max/Min/Sun/Product/Median法

2.2.6 线性组合法

2.2.7 Decision Templates法

2.2.8 Dempster-Shafer方法

2.2.9 几种分类器组合方法比较分析

2.3 单训练样本下的线性加权算法

2.3.1 图像的特征提取方法

2.3.2 分类器的选择及后验概率的选取

2.3.3 分类器权值及候选类别的选取

2.4 实验结果及其分析

2.4.1 实验条件

2.4.2 实验结果及分析

2.5 本章小结

第3章 基于进化策略的融合算法

3.1 引言

3.2 基于小波变换的图象奇异值特征提取

3.2.1 小波变换

3.2.2 小波变换在人脸识别中的应用及实验

3.3 基于进化策略的融合算法

3.3.1 进化策略的思想

3.3.2 进化策略在分类器权值选取中的应用

3.4 实验结果及分析

3.4.1 实验条件

3.4.2 实验结果及分析

3.5 本章小结

第4章 改进的集成判决算法在多生物特征融合中的应用

4.1 引言

4.2 集成判决算法的基本出发点

4.3 算法的关键问题及其解决

4.3.1 全信息矩阵

4.3.2 后验概率公式的修改

4.4 各分类结果的集成判决的线性模型

4.5 识别矩阵的计算

4.5.1 识别矩阵

4.5.2 用改进的方法计算

4.6 集成判决

4.7 实验结果及分析

4.7.1 实验条件

4.7.2 实验结果及分析

4.8 本章小结

结论

参考文献

攻读学位期间发表的学术论文

哈尔滨工业大学硕士学位论文原创性声明

哈尔滨工业大学硕士学位论文使用授权书

哈尔滨工业大学硕士学位涉密论文管理

致谢