多模态生物特征识别算法

徐中宇， 张 岳

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)



多模态生物特征识别算法

徐中宇， 张 岳

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

基于判别典型相关性分析(DCCA)，将提取并处理好的虹膜和指纹特征向量于特征层进行特征融合，最后进行匹配识别。

多特征融合识别； 特征层； 虹膜； 指纹

0 引 言

生物识别技术随着科技的发展在很多方面都取得了长足的突破，在人们的日常生活和工作中也被频繁地使用于各个领域，无论是银行、军事等高度保密领域，还是普通的企业等都已经或多或少地使用生物识别技术去进行身份识别[1]。但是随着技术的发展，像虹膜、指纹等高度普及的生物特征已经可以被复制并仿造出来，而且考虑到单模态生物特征天生的一些局限性，人们开始从各个角度和方向研究如何提高生物特征识别的稳定性、准确性和安全性，而多模态生物特征识别这一方向为解决这些问题提供了极大的帮助[2]。

1 多模态生物识别技术

多模态生物识别是将多种不同的生物特征在不同层次进行融合再进行识别的一种技术，从其识别系统看，可以分为4个模块：传感器、特征提取模块、匹配器、决策器[3]。

多模态生物识别的核心即生物特征的融合，即将不同种类的生物特征进行融合，从而得到可供使用的有效数据。而融合又可以发生在每一个模块和层次里，所以，根据融合发生的位置可以把融合划分为4个基本层次[4]：

1)像素层融合。发生在传感器和特征提取模块两个模块之间的数据融合，又称为数据层融合，是将原始图像数据进行融合的一种融合方法。

2)特征层融合。发生在特征提取之后，将不同样本所提取出的特征数据进行融合的一种融合方法。在数据的压缩和有效信息的提取方面有着显著提高，并能够给予匹配层和决策层有效的特征数据，从而使识别更加稳定和高效。不过在融合的过程中由于是多种类生物的特征信息进行融合，可能会出现“维度灾难”等现象，还需要进一步去探索研究。

3)分数层融合。发生在匹配器之后决策器之前，又称为匹配融合，顾名思义是将匹配器所得到的匹配分数进行融合得到新的分数去进行决策的一种融合方法。

4)决策层融合。发生在决策器之后，是将不同的单模态生物特征分别决策后的决策结果进行融合，从而得到最终认证结果的一种融合方法。

多模态生物特征识别不同的融合层次如图1所示。

图1 多模态生物特征识别不同的融合层次

2 生物特征的提取

由于文中主要研究的是在特征层融合的多模态生物特征识别技术的算法，所以对待融合识别的生物的特征提取算法也进行了大量研究，最后选取了指纹和虹膜作为研究对象。

2.1 指纹特征的提取

指纹特征提取是指纹识别技术中最关键也是发展比较成熟的一环，主要研究对象是指纹纹线的纹理信息和指纹细节点特征的信息。文中采取的指纹提取方法是Fingercode方法，该方法是由Jain A K[5]等提出的一种基于纹理特征信息的特征提取方法。

Fingercode方法是利用Gabor滤波器进行局部滤波，而后由滤波后的图像来获得指纹特征的一种方法。具体方法是先确定指纹的中心点，然后以中心点为中心把其分割成若干个区域，再对分割好的指纹图像进行归一化处理，利用Gabor滤波器组将指纹分割后的局部区域进行多个方向的滤波，最后计算滤波之后所得图像内像素的平均绝对偏差(Average Absolute Deviation，ADD)[6]，最终以此来作为指纹的特征向量。指纹确定中心点到归一化过程如图2所示。

图2 指纹确定中心点到归一化过程

2.2 虹膜特征的提取

虹膜识别技术主要包括虹膜图像的预处理和虹膜特征提取，其中预处理又包括虹膜的图像增强、定位和归一化等。文中采用了基于多尺度Gabor滤波器的虹膜识别算法之中的特征提取算法，该算法是基于2D Gabor的虹膜特征提取算法[7]。

该方法首先要对虹膜图像进行一系列预处理，使用基于Hough变换等方法进行虹膜定位，然后进行归一化处理，将处理好的虹膜图像使用构建好的2D Gabor滤波器进行滤波，最后将得到的虹膜特征进行PCA降维处理后得到虹膜的特征向量。虹膜定位过程如图3所示。

图3 虹膜定位过程

3 基于DCCA的多模态生物特征识别算法

3.1 传统的融合算法

多模态生物特征识别于特征层融合的传统方法是串行和并行，其中串行是将两种生物特征向量首尾相连形成一个高维度的新特征向量，并行是将两种生物特征向量分别作为实部虚部以组成一个新的复数向量。上述两种传统方法融合而成的新特征向量的维度可能会非常高，导致计算、运行上的麻烦,甚至是“维度灾难”等问题。

3.2 基于典型相关性分析(CCA)的融合算法

典型相关性分析(CCA)是研究两组变量之间整体相关关系的一种分析方法[8]，基本的思想是：为了完全掌握两组样本间的相关关系，分别从两组变量样本中提取出有代表性的线性组合对，即典型变量，然后利用典型变量之间的相关关系来反映两组样本之间的整体相关关系。首先设两组0均值的随机向量X∈Rp，Y∈Rq,p、q则是X、Y的维数。一般CCA是利用寻找X和Y的一组投影基方向(α，β)，α∈Rp，β∈Rq，使U=αTX和V=βTY具有最大的相关性。一般CCA的最大化准则函数如下：

所以式(1)可以经下式优化求解：

利用拉格朗日乘子法，将式(3)变为式(4)，求(α，β)则转化为求解矩阵广义特征值的问题。

分别计算式(4)中前d(d≤rank(SXY))个特征值及其对应的特征向量，设求得的特征值λ排序为λ1≥λ2≥…≥λd，其依次对应的特征向量分别为α1，α2，…，αd和β1，β2，…，βd，由此向量组构成X和Y的典型相关向量U和V，如下式:

式中:WX，WY----分别为X和Y的投影矩阵。

3.3 基于DCCA的多模态生物特征识别算法

判别典型相关分析(DCCA)是基于CCA并在其基础上又进一步考量了不同样本间和同类样本间的关系对分类产生的影响的一种分析方法[9]。该方法得到的融合特征在最大化同类样本之间相关性的同时还能最小化不同样本之间的相关性，其准则函数就是将式(1)的准则函数改为如下形式：

DCCA的求解同CCA一样，也是转化为求解下式的广义特征值。

4 实验结果及分析

文中采用了CASIA虹膜图像数据库和FVC2004指纹图像数据库用于实验。在CASIA虹膜数据库中选取了40类，每类5幅，共200幅虹膜图像；在FVC2004DB1指纹图像数据库中选取了40类，每类5幅，共200幅指纹图像。通过将虹膜图像和指纹图像一对一的方式进行配对，最终得到一个40个类别，每类5个样本，总计400张图像，200个样本的虹膜和指纹的多模态数据库，部分图像如图4所示。

图4 部分虹膜和指纹图像

将处理好的指纹和虹膜图像按2.1和2.2算法进行特征提取以后，由PCA进行降维处理到相同的维度并进一步进行归一化操作，然后根据上述DCCA算法进行指纹和虹膜特征的融合，得到融合后的特征向量和投影矩阵，最后进行欧氏距离匹配识别认证，融合识别流程模型如图5所示。

图5 基于指纹和虹膜的融合识别流程

为了能够更好地验证基于DCCA方法的融合识别效果，文中在样本维数相同的情况下分别进行了传统的串行融合识别、基于CCA方法的融合识别和基于DCCA方法的融合识别，3种不同融合算法的实验结果如图6所示。

图6 3种融合算法的实验结果

当分别选取每类前1个共40个样本图像作为训练样本，每类后4个共160个样本图像作为测试样本时，采用基于DCCA的融合算法比采用传统的串行融合算法和基于CCA的融合算法的识别率都要高，随着测试样本从每类的1个共40个增长为每类2个共80个直到最终为每类4个共160个，基于DCCA的融合算法一直都保持着最高的识别率；其中在训练样本数目较小的情况下，基于DCCA的融合算法的识别率更是远远高出另外两种算法。

由此可以发现，随着样本数目的增加，3种算法的识别率均有所提高，但基于DCCA的融合算法的识别率一直高于传统的串行融合算法和基于CCA的融合算法的识别率；特别是在小样本的情况下，基于DCCA的融合算法的识别率仍能够保持在较高的水平。

5 结 语

对多模态生物特征识别技术的算法进行了研究，提出了基于DCCA的多模态生物特征识别算法，并利用FVC2004指纹图像数据库和CASIA虹膜图像数据库构建多模生物特征数据库进行了实验。实验结果表明，文中提出的算法在小样本情况下相对另外两种融合算法具有更好的识别率，验证了该算法的有效性。

[1] 赵莹，史东承.基于MB-LBP纹理信息手势识别[J].长春工业大学学报，2015，36(6)：641-646.

[2] 张志坚,赵松,张培仁.增强典型相关性分析及其在多模态生物特征识别特征层融合中的应用[J].中国科学技术大学学报,2010,40(8):790-795.

[3] 彭加亮.基于手指多模态生物特征的身份认证关键问题研究[D].哈尔滨:哈尔滨工业大学,2014.

[4]HoudaBenaliouche,MohamedTouahria,JShu,etal.Comparativestudyofmultimodalbiometricrecognitionbyfusionofirisandfingerprint[J].TheScientificWorldJournal,2014(6):829369-829375.

[5]JainAK,PrabhakarS,HongL.Amultichannelapproachtofingerprintclassifi-cation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1999,21(4):348-359.

[6]GonzalezRC,WoodsRE.数字图像处理[M].阮秋琦,阮宇智,译.3版.北京:电子工业出版社,2014.

[7] 徐中宇.虹膜识别算法的研究[D].长春:吉林大学，2006.

[8]NiuLiXia,GuoLi.AkindoffacerecognitionmethodbasedonCCAfeatureinformationfusion[J].JournalofMultimedia,2013,8(5):503-511.

[9] 李洪亮,马启明,杜栓平.一种基于典型相关性分析的特征融合算法[J].声学与电子工程,2015,117(2):20-23.

A multimodal biometric identification algorithm

XU Zhongyu， ZHANG Yue

(School of Computer Science and Engineering, Changchun University of Technology, Changchun 130012， China)

Based on Discriminant Canonical Correlations Analysis (DCCA), the extractediris and fingerprint feature vector are mixed at feature layers and then matched for recognition.

multimodal fusion recognition; feature layer; iris; fingerprint.

2016-12-21

吉林省教育厅科学技术研究基金资助项目(吉教科合字[2015]122号)

徐中宇(1971-)，男，汉族，湖北宜都人，长春工业大学副教授，博士，主要从事图像处理和生物认证方向研究,E-mail:xuzhongyu01@126.com.

10.15923/j.cnki.cn22-1382/t.2017.2.15

TP 391.41

A

1674-1374(2017)02-0184-05