小樣本條件下的生物特征識(shí)別研究.pdf

1、生物特征識(shí)別技術(shù)是當(dāng)今社會(huì)最常用的身份認(rèn)證技術(shù)。監(jiān)控系統(tǒng)中常用的生物特征識(shí)別技術(shù)是人臉和步態(tài)識(shí)別，其中人臉識(shí)別技術(shù)是最自然最直接的生物特征識(shí)別技術(shù)，目前該技術(shù)發(fā)展成熟;步態(tài)識(shí)別具有難以隱藏非侵犯性等優(yōu)點(diǎn)，正日益蓬勃發(fā)展，其在視頻監(jiān)控中的應(yīng)用前景非常光明。手指靜脈識(shí)別是新興的生物特征識(shí)別技術(shù)，具有其他生物特征識(shí)別無法比擬的優(yōu)點(diǎn)，例如高安全性、抗干擾等，被公認(rèn)為最有潛力的生物特征識(shí)別技術(shù)。
　　 在實(shí)際應(yīng)用中小樣本的生物特征識(shí)別技術(shù)

2、屢見不鮮，目前的大多數(shù)生物特征識(shí)別技術(shù)面對(duì)此問題都效果不佳或是束手無策，這也成為了制約生物特征識(shí)別技術(shù)發(fā)展的瓶頸。大多數(shù)生物特征識(shí)別方法都是基于數(shù)據(jù)統(tǒng)計(jì)分析方法提出的，系統(tǒng)識(shí)別的準(zhǔn)確率依賴于估計(jì)模型和預(yù)測(cè)函數(shù)的精確性。從理論上來講只有在樣本數(shù)量無限大的前提下，才能保證模型和函數(shù)的正確率，因此，傳統(tǒng)的方法很難解決小樣本生物特征識(shí)別問題。
　　 為了很好地解決小樣本的生物特征識(shí)別問題，本文提出了:(1)基于半監(jiān)督學(xué)習(xí)的人臉和步態(tài)識(shí)別

3、方法;(2)基于FSS的手指靜脈識(shí)別方法。
　　 半監(jiān)督學(xué)習(xí)方法能夠有效地解決視頻監(jiān)控中出現(xiàn)的小樣本問題，在人臉識(shí)別中應(yīng)用半監(jiān)督方法self-training，在步態(tài)識(shí)別中應(yīng)用半監(jiān)督方法self-training，在步態(tài)和人臉多模態(tài)識(shí)別中應(yīng)用半監(jiān)督方法co-training。對(duì)人臉圖像使用(2D)2PCA方法降維能夠有效地提高半監(jiān)督人臉?biāo)惴ǖ男?，?duì)步態(tài)特征使用PCA方法降維減少了計(jì)算的復(fù)雜度。半監(jiān)督學(xué)習(xí)方法一方面充分利用現(xiàn)有的

4、標(biāo)記樣本，另一方面又充分利用了未標(biāo)記樣本的信息，從而不斷增強(qiáng)訓(xùn)練模型的準(zhǔn)確性。
　　 傳統(tǒng)的手指靜脈特征提取方法所提取的靜脈信息量少，而對(duì)于小樣本的手指靜脈識(shí)別問題更會(huì)顯示出傳統(tǒng)方法的不足。采用全匹配分方法能夠挖掘樣本更多的信息，提取豐富的更有區(qū)分能力的特征，能夠充分提高小樣本手指靜脈識(shí)別系統(tǒng)的性能。本方法改進(jìn)了匹配時(shí)候只關(guān)注最高得分的缺點(diǎn)，考慮所有匹配得分的分值和序列，挖掘樣本本身的特征信息以及樣本之間的依賴關(guān)系，能夠很好地表