论文部分内容阅读
生物特征识别技术得益于其稳定性和持久性特点已应用于信息化社会中众多场景,其中单模态指纹识别技术应用最为广泛。传统的单模态指纹识别技术是基于特征点相似性比对来进行判别身份的,需要确保指纹的完整性,质量的可靠性以及指纹特征点定位算法的有效性才会达到满意的识别效果。然而,随着各种移动便携式及可穿戴设备的发展,指纹采集设备也日益微型化,使得采集到的指纹图像有效面积随之变小,这时,由于特征点的缺失,采用传统的特征点匹配方式进行分类并不会得到满意的结果。针对该问题本文设计出三种方法:基于特征维度扩展的小面积指纹识别算法(ROIFE_CNN),基于贝叶斯决策的动态权值双模态融合算法(DWMF-decision)以及二次比较选择模型(SCCM)。本文的亮点在于不需要完整指纹或提取出所有特征点即可进行识别,且后续融合声纹识别特征改善了单模态识别在环境中的适用性限制,提高使用切换灵活性,有效提升身份认证的准确率和鲁棒性。本文主要工作和创新点如下:1.针对传统特征点匹配方法不适用于特征点少的小面积指纹识别的问题,提出了ROIFE_CNN算法。即在指纹预处理之后,先利用Poincare算法定位指纹中心点,从而选择到感兴趣小面积区域(ROI),并使用Gabor滤波器对ROI区域进行纹理特征提取,后续将预处理中心块图与提取的纹理特征图合并得到的多特征图作为CNN网络的输入。这种方法充分利用了小面积指纹的有效信息,避免了提取端点、叉点等特征点,从而避免了伪特征点的产生,实验结果表明识别率得到提高。2.针对利用ROIFE_CNN算法进行实验存在的单模态识别普遍问题(例如成像角度、采集污损、安全性等环境原因,限制了单模态的识别率和广泛应用),本文仍围绕特征扩展的方向,融合声纹识别特征,提出了 DWMF-decision双模态融合算法。在各单模态分类错误代价达到最小化后,通过自适应权值来决定当前融合过程中两类识别模式各自的权重系数,并在决策层上进行“投票”融合。该算法中自适应权值方法改善了固定权值融合中始终认定某一种模式为最优模式的缺点,并且相比ROIFE_CNN单模态识别进一步提高了适用性和性能。3.针对DWMF-decision算法中多模态融合过程系统资源占用率高这一问题,进行了研究和规划,从而引入了一种改进算法——二次比较选择模型(SCCM)。该算法也同样基于贝叶斯决策,首先通过对单模态指纹识别结果得到的FMR和FNMR曲线图进行分析,确定否认阈值和确认阈值,并通过理论分析推导发现仅需对落于双阈值之间的不确定用户开启声纹辅助识别即可,最终在保证识别率的同时,大大节约了系统资源的消耗。