采用神经网络的多模生物特征人脸及指纹识别

王宇东

(信阳师范学院外国语学院，河南信阳 464000)

多模态生物特征识别［1］是基于人体物理模式或行为模式来识别其身份的模式识别研究领域，生物特征的优点是它不会改变或者消失。许多身体部位、个人特征以及影像方法已经被用于生物特征识别系统，如手指、双手、脚、眼睛、耳朵、牙齿、静脉声音、签名、文章风格、步型等特征［2-3］。每个生物特征识别都有自己的优势和限制，因此每个生物特征被用于鉴定(认证)应用软件上。采用单一特征的生物特征识别系统有许多限制，如感应时有噪声、不具普遍性、类间相似性、类内多样性、欺骗性以及特殊性等，这种单模式生物特征识别体统可能导致高错误接受率(FAR)和错误拒绝率(FRR)［3］。生物特征识别系统是固定概率性的，它们的表现需要采用基本背景和关键特征进行评估。生物特征识别系统采用近似公差匹配，观察人内在的和人与人之间的生物特征和生物属性以及表现行为。因此，与大多数采用大型二进制结果的信息技术系统相比，生物特征识别系统提供了概率性的结果。这种新的多模态人脸及指纹生物特征识别系统比非多模识别系统表现得更好，更受欢迎。

主成分分析法(PCA)是从统计数据分析的常用方法，适应性主成分分析提取(APCA)则是由文献［4］在主成分分析法的基础上采用神经算法实现的，采用的方法是多主分量提取，这种模型的所有突触权值是由规范化希宾学习规则模型产生的，其网络结构使一个层次的横向连接从目的是权值正交化的输出单元中凸显出来，这种结构同样允许在不需要旧单元的再训练的情况下，模型的大小能够增长或收缩。该网络的指数收敛从形式上证明了新方案相对于以前的方案表现上有了显著的提升。通过递归最小二乘算法来确定一个重要连接，已经能够提供步长参数学习所需要的最理想大小，收敛速度也有了显著提高，这和以前缺少这种数字优势的神经主成分分析法模型正好相反。适应性主成分分析提取算法的同时也支持并行处理，它允许实时提取多个主成分。目前，适应性主成分提取算法［4］被表明能适应约束信号方差在外部正交而被最大化的主成分分析问题。该算法同样也被应用到人脸数据库来进行脸部特征提取工作［5］。仿真结果表明该算法是人脸识别中有效的特征提取方法。

多层次感知(MLP)［6］是一种将输入数据集映射到合适输出集的前向人工神经网络模型，它是由一个有向图的多层节点组成的，每一层全部连接到下一层。除了输入节点，每个节点是一个具有非线性激活功能的处理单元。MLP利用被称为反向传播的监督学习技术来训练网络，一些涉及到前馈MLP的表达能力的特点也已经被证明了［7］。任意函数学习:在3层网络中，任何函数都可以采用任意精度而被学习。连续函数学习:在2层网络中(隐藏单元的数量视功能而被估值)，每一个有限界的连续函数可以在小错误的情况下被学习。布尔函数学习:在2层网络中，每一个布尔函数正好可以被学习，尽管隐藏处理单元的数量随着输入维数呈指数增长。拥有1层输入单元，1层隐藏单元以及输出单元的网络是2层网络;拥有2层隐藏单元的网络是3层网络，依次类推。这样定义的理由是输入单元所在的层仅被作为一个输入通道，因此没有被计算为层数。

1 系统设计

1.1 生物特征识别

生物特征识别是一种基于个体行为和生物特征对其进行的自动识别。它是一种用来处理那些已经被识别(或者没有被识别)个体的工具，并因此来确定它们属于拥有权限的一组(或者属于被拒绝权限的一组)。这种识别依赖于一种假设，那就是个体们在物理和行为上以不同的方式表现的与众不同。

图1阐述了识别过程的基本操作。在一个通用的生物特征识别系统中的2个基本操作分别是:捕获和存储登记生物特征样本;捕获新的生物特征样本并进行对比。该识别系统的主要组件分别是:“模式匹配”，传感器从被识别的对象上收集生物特征数据;“参考数据库”存储前期注册对象的生物特征数据;“匹配器”将提交的数据和参考数据进行对比来做出识别决定;“反应端”，识别结果将被发布，一些基于该结果的动作也将展开。

图1 生物识别系统上的操作

早期的系统是基于主成分分析法的特性提取技术和非并行前馈反向传播识别技术实现的。采用这种先识别脸部接着识别指纹方法的问题是它是基于单模生物特征系统。单模生物特征系统存在诸多问题，如噪声数据、类内变化、自由度限制、非普遍性、欺骗攻击和不可接受错误率等。这种基于配置的方法不能使错误接受率、错误拒绝率、拒登率正常化。提出“人工多生物特征识别接近于人脸及指纹生物特征识别”，作为工作的一部分，人工神经网络已被完成。特性提取采用主成分分析法，识别采用前馈反向传播神经网络。它们的工作是先识别脸部接着识别指纹来处理任务。训练过的神经网络将输入像素点聚集分组到提供结果的不同集群中。提出了一种采用指纹和人脸识别技术来进行人员鉴定和验证的多模生物特征识别系统。该系统采用2个在分类器水平和特性水平上结合的特性(人脸和指纹)的个体得分［3］。

多模生物特征系统被提出，该系统通过学习来提高精度和效率，一个框架也通过评估这个系统的表现而确定了。该系统不允许一个只有少量普通信息的普通中间件层来处理多模应用程序［2］。

文献［6］提出了基于个体唯一识别的生物特征识别系统，该系统采用不同的图像优化技术如高斯平滑函数、点阵强烈值调整等技术。通过学习不同的二值化方法，可以为输入的拇指图像选择能够得出最好结果的方法。本文同时展示了一些图像细化算法，基于结果分析，本文选择了图像细化算法。人工神经网络的问题是了解一个算法的结构很困难，过多的因素会导致过度过滤，最佳的网络结构只能根据实验来确定［5］。

文献［8］介绍了一种能自动检测采用多层次分数等级融合的渗出性多模人脸及指纹识别系统的方法，通过将顶替得分和真实得分进行融合来提升人脸识别系统［4］。

1.2 采用神经网络的多模生物特征识别

本文将重点放在了采用神经网络的多模人脸及指纹生物特征识别的实现上。身份验证的多模生物特征识别采用了2个特性，分别是基于适应性主成分分析法和基于多层次感应的人脸及指纹系统。一个采用神经网络的识别系统的提倡方案是实现并行处理，而多模生物特征识别系统处理的是一些训练得到的近似范围的2种特性(人脸和指纹)的个体得分，它们是不连续的间隔，这样系统就可以高效地产生好而精确的结果。目前的工作是将岭基于和特征脸方法结合起来并行处理，从而实现高效的人脸及指纹识别算法。在这里提出一种方法来解决前面问题的缺点，这个方法是基于神经网络和联合岭基于及特征脸方法的高效人脸及指纹识别算法。这个系统的主要目的是在识别和认证的过程中尽可能地减小错误率，通过实现较好的接受率来提高系统的表现。采用人脸和指纹两种特性的多模生物特征识别系统如图2所示。

实现步骤为:

1)采集阶段:通过将从不同的传感器上收集到的生物特性联合起来生成一个合成生物特征集并进行处理。将一个被照相机捕捉到的或者扫描生成的物体或者风景的图片作为这个系统的输入数据。

图2 采用人脸和指纹两种特性的多模生物特征识别系统

2)特征提取阶段:来自不同生物特征渠道的信号首先会被预处理，特征矢量也会采用特殊的算法而被分开提取，然后将这些矢量结合起来形成一个合成特征矢量对于分类有很大帮助。以上一系列需要执行的步骤是为了使一张图片更好地被后面的阶段处理和解释。这些步骤包括除噪、记录强度的变化、打磨、提高对比、伸展图片的纹理等。另一个重要的方面是图片存储，主要是从一个退化形式来提取图片信息，使它接下来更适合被处理和解释。

3)匹配融合阶段:相对于联合特征矢量，单独处理特征矢量时会产生个体匹配分数，依靠每项生物特征匹配分数可以进行分类工作。

4)判断决策阶段:每种模式首先会被单独地预分类，多模生物特征识别系统会完成任何的融合策略，或者将它们联合起来以提升系统的表现。

系统的层次如图3所示。

图3 人脸和指纹识别系统

2 实验

多模生物特征识别系统数据库可以是真实的或者虚拟的。实际的多模数据库是由同一个体身上获取的生物特性组成的，而虚拟的多模数据库是由一个单模生物特征数据库和另一个单模生物特征数据库的生物特征组合而成的。虚拟多模生物特征数据库是基于在个体身上不同的生物特征是独立的这一假设。实验数据是从200个年龄分布为20～52岁的不同用户中提取的，这其中包括男性和女性，实验环境是在普通的机房。

当单特征和人脸及指纹综合特征有相同错误接受率时，单特征的错误拒绝率要比多模式的错误拒绝率高。表1显示了表格呈现出的结果的对比。可以看出，多模式生物特征明显提升了系统的表现。

表1 多模生物特征认证系统下的FRR和FAR对比

由表2可看出采用主成分分析算法的人脸及指纹识别系统的效率是93.33%，这些结果体现出了采用多模生物特征识别系统来实现更好的匹配表现的效果。它们也同样可以推断出，在运行的多模生物特征识别系统中，融合特征的选择对于实验结果的影响是很大的。

表2 PCA方法的实验结果

由表3可看出采用适应性主成分提取算法的人脸及指纹识别系统的效率是96.67%，应用的需求决定了容错率，在单模和多模生物特征识别系统中，往往要求系统能够在可用性和安全性上有一个权衡。

表3 APCE方法的实验结果

3 结束语

本文完成的工作主要是将错误接受率、注册失败率和错误拒绝率进行规范化，提出了保证生物特征数据的安全和完整率的可靠方法，实现了相对于单模有更高准确率，同时可以减少识别反应时间的识别系统。当高频系数对于人类虚拟系统不是很敏感时，多模识别相对于单模识别有了高效的表现，开始的一些各块系数也会形成，这样提倡的基于软件计算的预测模型另一方面也更容易实现了。本文同样实现了一个规范的结合人脸和指纹来进行个人身份认证的生物特征识别系统，这个系统克服了人脸识别系统和指纹验证系统的诸多限制。

:

［1］SHEBHANGI D C，BALI M.Multi-Biometric approaches to face and fingerprint biometrics［J］.International Journal of Engineering，2012，1(5):109-126.

［2］LULU C，LULU V.Multimodal biometrics for access control in an intelligent car［C］//Proc.International Symposium on Computational Intelligence and Intelligent Informatics，2007.Agadir:［s.n.］，2007:261-267.

［3］SASIDHAR K，KAKULAPATI V L，RAMAKRISHNA K.Multimodal biometric systems-study to improve accuracy and performance［EB/OL］.［2013-03-20］.http://arxiv.org/abs/1011.6220.

［4］张爱华，尉宇.基于混沌粒子群的决策树SVM的调制模式识别［J］.电视技术，2012，36(23):126-129.

［5］WANG Y，LIU Z.A survey on multimodal biometrics［J］.Advances in Automation and Robotics，2012(2):387-396.

［6］RAZZED M I，YUSUF R，KHALID M.Multimodal face and finger veins biometric authentication［J］.Sci.Res.Essays，2010，5(17):2529-2534.

［7］TRUPTI S.Biometric feature based person unique identification International Journal of Computer Applications［EB/OL］.［2013-03-20］.http://www.ijcaonline.org/archives/volume51/number13/8100-1691.

［8］NAIAD P K，NARAYAN D.Multimodal biometric face and fingerprint recognition using neural network［EB/OL］.［2013-03-20］.http://www.google.com.hk/url?sa=t＆rct=j＆q=Multimodal+biometric+face+and+fingerprint+recognition+using+neural+network＆source=web＆cd=1＆ved=0CC8QFjAA＆url=http%3a%2f%2fwww%2eijert%2eorg%2fbrowse%2fdecember-2012-edition%3fdownload%3d1884%253Amultimodal-biometric-face-and-fingerprint-recognitionusing-neural-network%26start%3d130＆ei=1h_RUo7IAuKAiQfx pYHACQ＆usg=AFQjCNHOCEXhaEcO6u1P9-c2jSTN95Q2hg.

作者简介:王宇东(1968— )，硕士，实验师，主要研究领域为计算机应用、网络安全。