基于人臉和聲紋組合驗證的身份識別系統(tǒng)的設(shè)計與實現(xiàn)
發(fā)布時間：2021-08-22 01:22
目前,基于單模態(tài)的生物識別系統(tǒng)取得了非常多的研究成果,但隨著應(yīng)用領(lǐng)域的不斷拓寬,單模態(tài)生物識別系統(tǒng)在應(yīng)用中表現(xiàn)出許多弊端和局限性,具體表現(xiàn)為:復(fù)雜環(huán)境下某些生物特征在采集過程中易受干擾,生物特征偽造技術(shù)的進步使得單模態(tài)識別系統(tǒng)存在安全隱患等影響了生物識別技術(shù)的廣泛推廣。本文通過研究人臉識別算法、聲紋識別算法以及多模態(tài)生物特征融合算法,設(shè)計并實現(xiàn)了一種基于人臉和聲紋組合驗證的身份識別系統(tǒng)。在人臉識別算法研究方面,針對人臉圖像在成像過程中會受到環(huán)境因素干擾而影響圖像質(zhì)量的問題,采用中值濾波器去除圖像中噪點等信息;根據(jù)人臉圖像的不同區(qū)域?qū)ψR別率貢獻度不同的特點,提出了一種基于逆差矩加權(quán)的HOG改進算法,此算法通過對人臉圖像分塊,提取每塊圖像的逆差矩作為權(quán)值,并計算每個子塊最佳的權(quán)值系數(shù),有效提高了HOG特征的識別率;針對HOG的特征向量維度較高的問題,采用PCA算法實現(xiàn)特征降維。在聲紋識別算法研究方面,針對語音信號在錄取過程中的靜音問題,采用雙門限端點檢測法消除無聲段;針對MFCC系數(shù)只能描述靜態(tài)特性的問題,增加MFCC有效的彌補了MFCC動態(tài)特性的不足;針對MFCC特征語音幀數(shù)不固定的問題...
【文章來源】：哈爾濱理工大學(xué)黑龍江省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
人臉灰度化圖像
哈爾濱理工大學(xué)工程碩士學(xué)位論文-40-（1）由于SVM是一個凸優(yōu)化問題，所以求得的解一定是全局最優(yōu)而不是局部最優(yōu)。（2）通過合理選擇核函數(shù)，SVM不但可以解決線性線性問題，而且對于非線性問題也能進行有效處理。（3）擁有高維樣本空間的數(shù)據(jù)也能用SVM，這是因為數(shù)據(jù)集的復(fù)雜度只與特征向量有關(guān)，而不是取決于數(shù)據(jù)集的維度。使用SVM進行分類時，樣本集有線性可分、線性不可分和非線性可分3種情況。線性可分問題，存在超平面使得樣本集中不同的類相互分離；線性不可分問題，能夠找到一個超平面分離樣本空間中不同的類，但存在誤分類的情況；非線性可分問題，不存在可將樣本空間分類的超平面，但將樣本空間映射到高維空間時，能夠找到超平面實現(xiàn)分類工作。（1）線性可分SVM對于線性可分問題，其根本解決方案是根據(jù)待訓(xùn)練的數(shù)據(jù)集，找到最大邊緣超平面（MMH）將數(shù)據(jù)集按類別分隔開，超平面分類函數(shù)如式（4-3）所示：()Tfxwxb（4-3）當f(x)為0時，x是位于超平面上的樣本點；當f(x)大于0時，x屬于1類的樣本點；f(x)小于0時，x屬于-1類的樣本點，如圖4-1所示。圖4-2線性可分支持向量機示意圖Fig.4-2Schematicoflinearseparablesupportvectormachine當有新的數(shù)據(jù)輸入到SVM時，將其帶入式（4-3）中，如果f(x)大于0，則新數(shù)據(jù)的類別賦為1；反之，若f(x)小于0，則此數(shù)據(jù)的類別為-1。由圖4-2可以看出，在樣本空間中存在多個超平面可以對樣本空間進行完全分隔，
哈爾濱理工大學(xué)工程碩士學(xué)位論文-43-圖4-3線性不可分支持向量機示意圖Fig.4-3Schematicoflinearinseparablesupportvectormachine對于此類問題，SVM允許樣本數(shù)據(jù)在一定程度上偏離超平面，對每個樣本數(shù)據(jù)引入松弛變量，式（4-8）則變?yōu)椋?11min2..()1,1,2,...,0,1,2,...,niiTiiiiwCstywxbinin（4-15）式（4-15）中，C表示懲罰因子，C值的大小表示對偏離超平的面樣本數(shù)據(jù)的重視程度，C值越大則離群數(shù)據(jù)越重要，此時將導(dǎo)致過擬合；C值越小模型復(fù)雜度越低，將導(dǎo)致欠擬合。由式（4-15）可知，線性不可分問題的求解與線性可分問題相似，這也是帶約束條件求解最優(yōu)解的問題，求解過程參考線性可分最優(yōu)解求解。（3）非線性可分SVM前面兩部份具體研究了樣本空間在線性條件下SVM的兩種情況。但在實際應(yīng)用中，樣本集多數(shù)都存在非線性問題，這意味著通過訓(xùn)練樣本集并分離樣本集難以獲得合適的超平面�；谏鲜鰡栴}，SVM提出，在非線性映射的作用下，將輸入空間中的樣本集映射到高維特征空間H，此時，可以在高維特征空間將樣本數(shù)據(jù)集進行分隔，從而得到一個最優(yōu)超平面。設(shè)非線性映射:nRH，nR表示樣本空間，H表示高維特征空間，則有12()((),(),...,())Tnxxxxx（4-16）在式（4-10）和式（4-14）中用(x)替換x，則可以求得最優(yōu)分類超平
本文編號：3356715
【文章來源】：哈爾濱理工大學(xué)黑龍江省
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
人臉灰度化圖像
哈爾濱理工大學(xué)工程碩士學(xué)位論文-40-（1）由于SVM是一個凸優(yōu)化問題，所以求得的解一定是全局最優(yōu)而不是局部最優(yōu)。（2）通過合理選擇核函數(shù)，SVM不但可以解決線性線性問題，而且對于非線性問題也能進行有效處理。（3）擁有高維樣本空間的數(shù)據(jù)也能用SVM，這是因為數(shù)據(jù)集的復(fù)雜度只與特征向量有關(guān)，而不是取決于數(shù)據(jù)集的維度。使用SVM進行分類時，樣本集有線性可分、線性不可分和非線性可分3種情況。線性可分問題，存在超平面使得樣本集中不同的類相互分離；線性不可分問題，能夠找到一個超平面分離樣本空間中不同的類，但存在誤分類的情況；非線性可分問題，不存在可將樣本空間分類的超平面，但將樣本空間映射到高維空間時，能夠找到超平面實現(xiàn)分類工作。（1）線性可分SVM對于線性可分問題，其根本解決方案是根據(jù)待訓(xùn)練的數(shù)據(jù)集，找到最大邊緣超平面（MMH）將數(shù)據(jù)集按類別分隔開，超平面分類函數(shù)如式（4-3）所示：()Tfxwxb（4-3）當f(x)為0時，x是位于超平面上的樣本點；當f(x)大于0時，x屬于1類的樣本點；f(x)小于0時，x屬于-1類的樣本點，如圖4-1所示。圖4-2線性可分支持向量機示意圖Fig.4-2Schematicoflinearseparablesupportvectormachine當有新的數(shù)據(jù)輸入到SVM時，將其帶入式（4-3）中，如果f(x)大于0，則新數(shù)據(jù)的類別賦為1；反之，若f(x)小于0，則此數(shù)據(jù)的類別為-1。由圖4-2可以看出，在樣本空間中存在多個超平面可以對樣本空間進行完全分隔，
哈爾濱理工大學(xué)工程碩士學(xué)位論文-43-圖4-3線性不可分支持向量機示意圖Fig.4-3Schematicoflinearinseparablesupportvectormachine對于此類問題，SVM允許樣本數(shù)據(jù)在一定程度上偏離超平面，對每個樣本數(shù)據(jù)引入松弛變量，式（4-8）則變?yōu)椋?11min2..()1,1,2,...,0,1,2,...,niiTiiiiwCstywxbinin（4-15）式（4-15）中，C表示懲罰因子，C值的大小表示對偏離超平的面樣本數(shù)據(jù)的重視程度，C值越大則離群數(shù)據(jù)越重要，此時將導(dǎo)致過擬合；C值越小模型復(fù)雜度越低，將導(dǎo)致欠擬合。由式（4-15）可知，線性不可分問題的求解與線性可分問題相似，這也是帶約束條件求解最優(yōu)解的問題，求解過程參考線性可分最優(yōu)解求解。（3）非線性可分SVM前面兩部份具體研究了樣本空間在線性條件下SVM的兩種情況。但在實際應(yīng)用中，樣本集多數(shù)都存在非線性問題，這意味著通過訓(xùn)練樣本集并分離樣本集難以獲得合適的超平面�；谏鲜鰡栴}，SVM提出，在非線性映射的作用下，將輸入空間中的樣本集映射到高維特征空間H，此時，可以在高維特征空間將樣本數(shù)據(jù)集進行分隔，從而得到一個最優(yōu)超平面。設(shè)非線性映射:nRH，nR表示樣本空間，H表示高維特征空間，則有12()((),(),...,())Tnxxxxx（4-16）在式（4-10）和式（4-14）中用(x)替換x，則可以求得最優(yōu)分類超平
本文編號：3356715
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3356715.html
最近更新
教材專著
