本文關(guān)鍵詞：基于特征層與分?jǐn)?shù)層的多模態(tài)生物特征融合　出處：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 生物特征多模態(tài) 信息融合 人臉識(shí)別 虹膜識(shí)別 眼周識(shí)別

【摘要】：生物特征識(shí)別在人類的生產(chǎn)活動(dòng)中,起到了越來(lái)越重要的作用。同時(shí),隨著生物特征識(shí)別越來(lái)越廣泛的應(yīng)用,單模態(tài)生物特征識(shí)別不足以滿足實(shí)際使用中的諸多需求這一問(wèn)題越發(fā)地突顯出來(lái)。而多模態(tài)生物特征融合方法能夠通過(guò)集成多個(gè)生物模態(tài)的信息,來(lái)緩解單模態(tài)生物特征識(shí)別系統(tǒng)在使用中所遇到的障礙。在最近的十幾年里,多模態(tài)生物特征識(shí)別取得了迅猛的發(fā)展,然而仍有部分關(guān)鍵問(wèn)題有待得到進(jìn)一步解決,例如提取多模態(tài)互補(bǔ)信息、緩解噪聲影響以及利用深層次信息等問(wèn)題。本文基于多模態(tài)生物特征的特征層與分?jǐn)?shù)層數(shù)據(jù),從上述實(shí)際問(wèn)題出發(fā),探索能夠有效緩解上述問(wèn)題的融合方法和策略,同時(shí)建立方便、準(zhǔn)確、高效的多模態(tài)生物特征識(shí)別系統(tǒng)。本文中,主要工作和貢獻(xiàn)如下:·在高通量的場(chǎng)景下,以提取多模態(tài)生物特征之間的互補(bǔ)信息為目的,本文提出了一種基于稀疏線性規(guī)劃的異質(zhì)特征選擇模型�；谠撃Ｐ偷娜诤戏椒軌蛱崛《嗄B(tài)互補(bǔ)信息、去除冗余信息、降低所使用的異質(zhì)特征維度并且減少所需的計(jì)算以及存儲(chǔ)消耗,進(jìn)而實(shí)現(xiàn)快速、準(zhǔn)確地對(duì)用戶身份進(jìn)行識(shí)別。該模型具有所選特征稀疏、泛化能力強(qiáng)等諸多優(yōu)良特性。由于該融合方法能夠充分提取特征之間的互補(bǔ)性、去除冗余性,因此該方法能夠在保證融合后識(shí)別性能提升的前提下,降低計(jì)算復(fù)雜度以及融合的時(shí)間消耗�！め槍�(duì)遠(yuǎn)距離生物特征識(shí)別系統(tǒng)中,由于環(huán)境噪聲的干擾,致使融合后識(shí)別性能下降的問(wèn)題,我們提出了一種對(duì)噪聲魯棒的融合模型。在生物特征識(shí)別系統(tǒng)中,噪聲的干擾往往在獲取數(shù)據(jù)環(huán)節(jié)最為強(qiáng)烈,并且會(huì)影響后續(xù)流程,如特征提取、特征比對(duì)等流程,進(jìn)而影響最終融合的識(shí)別結(jié)果。本文針對(duì)噪聲對(duì)分?jǐn)?shù)層數(shù)據(jù)產(chǎn)生的影響,提出了一種基于對(duì)噪聲充分估計(jì)的魯棒線性規(guī)劃模型,最大限度的在分?jǐn)?shù)層面上消除了噪聲的影響。該方法采用特征的線性組合模式,因此消除噪聲影響的同時(shí),還保證了算法的效率,保證了系統(tǒng)的實(shí)用性。該方法可以在系統(tǒng)的保守性與魯棒性之間取得較好的平衡。本文提出了針對(duì)新型魯棒線性規(guī)劃模型的快速數(shù)學(xué)求解方法,將高度非線性模型轉(zhuǎn)化為線性規(guī)劃模型進(jìn)行求解,使得求解過(guò)程更加簡(jiǎn)便高效。同時(shí)本文還從概率的角度對(duì)所提出的模型進(jìn)行了闡述,計(jì)算出了該模型最優(yōu)解情況下分類錯(cuò)誤率的上確界,具有較為深刻的物理意義�！ぴ谔卣鲾�(shù)量有限的情況下,提出了一種能夠從比對(duì)分?jǐn)?shù)中抽取隱含信息的分段線性分類器融合方法。用戶的生物特征信息在生物特征識(shí)別系統(tǒng)中,經(jīng)由特征采集、特征提取、特征比對(duì)等模塊時(shí),雖然所操作的數(shù)據(jù)具有了規(guī)范化、可操作性強(qiáng)等特點(diǎn),但是其所承載的用戶生物特征信息隨著數(shù)據(jù)處理而減少。而且生物特征比對(duì)分?jǐn)?shù)與決策值之間的關(guān)系是高度非線性的,但是在通過(guò)比對(duì)分?jǐn)?shù)計(jì)算得出決策值時(shí),大部分系統(tǒng)都是采用簡(jiǎn)單的線性融合分類器來(lái)模擬該高度非線性的關(guān)系,這進(jìn)一步導(dǎo)致了更多細(xì)節(jié)信息的丟失。為了恢復(fù)這些隱藏在分?jǐn)?shù)層中的用戶生物特征信息,本文提出了一種分段線性分類器融合框架。該方法受到"非線性是絕對(duì)的,線性是相對(duì)的"觀點(diǎn)啟發(fā),通過(guò)對(duì)特征空間離散化的方法,自適應(yīng)地學(xué)習(xí)得到比對(duì)分?jǐn)?shù)與決策值之間的非線性函數(shù)關(guān)系。本方法可看作是將低維分?jǐn)?shù)映射到高維空間的映射函數(shù),因此也可以從核函數(shù)的角度,作為一種自適應(yīng)的核函數(shù)映射方法。本文還對(duì)分段線性分類器融合框架下三種性能優(yōu)異的融合分類器進(jìn)行了分析與說(shuō)明,并指出了其分別所擅長(zhǎng)的實(shí)際應(yīng)用中的問(wèn)題。由于人類的臉部區(qū)域生物模態(tài)豐富,同時(shí)便于采集,而且在實(shí)際使用中能夠與用戶良好的交互,較多的多模態(tài)生物特征融合系統(tǒng)采用對(duì)人臉、虹膜、眼周等生物模態(tài)進(jìn)行融合,不僅提升系統(tǒng)的準(zhǔn)確性,還提高系統(tǒng)的易用性。因此,本文中也采用對(duì)人臉區(qū)域的生物模態(tài)進(jìn)行融合,來(lái)驗(yàn)證本文中所提出的方法的有效性,從實(shí)際需求出發(fā),建立便捷、準(zhǔn)確的多模態(tài)生物特征識(shí)別融合系統(tǒng)。綜上,本文對(duì)現(xiàn)有多模態(tài)生物特征融合工作中存在的問(wèn)題進(jìn)行了分析和研究,針對(duì)不同問(wèn)題提出了具有創(chuàng)新性的解決方法,工作具有開(kāi)創(chuàng)性的意義,推動(dòng)了多模態(tài)融合識(shí)別的進(jìn)一步發(fā)展。
[Abstract]:Biometrics in the production of human activities, plays a more and more important role. At the same time, with the application of biometrics is more and more widely, single modal biometric is not enough to meet the many needs of the actual use of this problem more and more prominent. The multi modal Biometric Fusion Method by integrating multiple a biological modal information, to ease the single modal biometric system encountered in the use of obstacles. In the recent years, multimodal biometrics has achieved rapid development, but there are still some key issues need to be further resolved, such as the extraction of multimodal complementary information, alleviate noise and use the deep information problem. This paper characteristic layer and fractional layer data in multi biometrics based on starting from the actual problem, can effectively alleviate the problem of exploration The fusion method and strategy, and establish a convenient, accurate, multi biometrics system with high efficiency. In this paper, the main work and contributions are as follows: in high-throughput scenarios, to extract the complementary information between multi biometrics for the purpose, this paper presents a selection model of heterogeneous feature sparse linear programming based on the fusion method of the model can extract multi modal based on complementary information, remove redundant information and reduce the dimension of the heterogeneity and reduce the computation required and memory consumption, so as to realize the rapid and accurate recognition of the identity of the user. This model has the characteristics of the selected sparse, strong generalization ability and many other excellent characteristics. Because the fusion method can fully extract complementary features, remove redundancy, so this method can guarantee the fusion recognition performance, reduce the calculation The complexity and integration time consuming. For remote biometric identification systems, because of the ambient noise, resulting in the problem of declining performance after fusion, we propose a fusion of noise robust model. In a biometric recognition system, the noise in the data link is the most intense, and will affect the follow-up process, such as feature extraction, feature matching process, thereby affecting the final fusion recognition results. The influence of noise on score level data, gives a method for noise estimation fully robust linear programming model based on the maximum score in the level to eliminate the effect of noise. This method by using the linear combination of pattern features, thus eliminating the noise at the same time, but also ensure the efficiency of the algorithm, to ensure the practicality of the system. In this way the conservatism of the system and To achieve a better balance between robustness. This paper proposes a fast method for solving the mathematical model of linear programming model is robust, the highly nonlinear model into a linear programming model is solved, which makes the solving process more convenient and efficient. Meanwhile, from the view of the probability of the proposed model are described, and calculated the optimal model the solution under the condition of the classification error rate of the supremum, physical significance is more profound. In a limited number of features, put forward to extract hidden information from the comparison of fractional piecewise linear classifier fusion method. The user's biometric information in a biometric recognition system, through the characteristics of acquisition. Feature extraction, feature matching module, while the operation data is standardized, strong operability, but the user biometric information it carries with The data processing is reduced. And the biological characteristics on the relationship between the score and the decision value is highly nonlinear, but by comparing scores calculated decision value, most of the system is the use of simple linear classifier fusion to simulate the relationship between the highly nonlinear, which further leads to the loss of more details. In order to restore these the hidden user biometric information in a fractional layer, this paper proposes a piecewise linear classifier fusion framework. This method is nonlinear is absolute, linear is relative "view of inspiration, through the method of feature space discretization, adaptive learning nonlinear function relationship between alignment scores and decision value. The method can be regarded as the low dimension is mapped to the mapping function in high dimensional space, so it can be from the nuclear function, as a kind of adaptive kernel The function mapping method. The properties of three kinds of piecewise linear classifier fusion framework excellent fusion classifier are analyzed and explained, and points out its practical application are good at problems in the face region. Because of rich human biological modal, and to facilitate the acquisition, but in actual use can interact with the user good, a multimodal biometric fusion system using more of the face, iris, fusion eye and other biological mode, not only to enhance the accuracy of the system, but also improve the usability of the system. Therefore, this paper also uses the biological modal of the face region of fusion, to verify the effectiveness of the method proposed in the paper. Starting from the actual demand, the establishment of convenient, accurate Multimodal Biometric Fusion System. In conclusion, the existing multi modal Biometric Fusion problems existing in the work of Analysis and research put forward innovative solutions for different problems. The work has pioneering significance and promoted the further development of multi-modal fusion recognition.

【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周海鴻;;國(guó)內(nèi)“多模態(tài)”符號(hào)研究文獻(xiàn)綜述[J];科教文匯(上旬刊);2014年01期

2 彭建武;于曉燕;齊偉;;圖書(shū)館中的多模態(tài)應(yīng)用[J];圖書(shū)館界;2011年01期

3 保羅·范登侯汶;楊穎;;多模態(tài)論辯話語(yǔ)重構(gòu):以美國(guó)廣播公司一則新聞為例[J];國(guó)際新聞界;2013年04期

4 王學(xué)東;胡宋敏;謝輝;丁帥;曹高輝;;多模態(tài)網(wǎng)絡(luò)主題資源聚合與實(shí)證研究[J];情報(bào)科學(xué);2014年07期

5 胡壯麟;;談多模態(tài)小品中的主體模態(tài)[J];符號(hào)與傳媒;2011年01期

6 張薇;徐筱秋;;基于云教育平臺(tái)的多模態(tài)輸入優(yōu)化模型建構(gòu)[J];校園英語(yǔ)(教研版);2012年05期

7 郭志斌;;網(wǎng)絡(luò)環(huán)境下的新聞聽(tīng)力多模態(tài)教學(xué)模式[J];新聞愛(ài)好者;2010年14期

8 ;《媽祖文化的多模態(tài)語(yǔ)篇研究》簡(jiǎn)介[J];莆田學(xué)院學(xué)報(bào);2011年01期

9 王瑜;穆志純;徐正光;;多模態(tài)生物特征識(shí)別技術(shù)進(jìn)展綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2009年02期

10 胡阿旭;陳貴萍;于洪志;;多模態(tài)語(yǔ)音實(shí)驗(yàn)室在語(yǔ)言研究中的應(yīng)用[J];西北民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前10條

1 王愛(ài)東;谷珍;楊燕平;白鶴;;多媒體多模態(tài)教學(xué)在民辦高校大學(xué)英語(yǔ)教學(xué)中的適用性及效果研究[A];語(yǔ)言與文化研究（第十四輯）[C];2014年

2 張霄軍;;多模態(tài)語(yǔ)料庫(kù):搶救瀕危語(yǔ)言的有效途徑[A];民族語(yǔ)言文字信息技術(shù)研究——第十一屆全國(guó)民族語(yǔ)言文字信息學(xué)術(shù)研討會(huì)論文集[C];2007年

3 夏凡;王宏;;多模態(tài)情感數(shù)據(jù)標(biāo)注方法與實(shí)現(xiàn)[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

4 趙賢;;多模態(tài)基底系統(tǒng)性質(zhì)研究[A];2010年全國(guó)應(yīng)用邏輯研討會(huì)會(huì)議論文集[C];2010年

5 張友安;胡云安;周紹磊;;Hammerstein系統(tǒng)的多模態(tài)模型及其兩步辨識(shí)法[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

6 鐘若飛;郭華東;王為民;朱博勤;;SZ-4多模態(tài)傳感器輻射模態(tài)數(shù)據(jù)處理與應(yīng)用評(píng)價(jià)研究[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

7 康志峰;;口譯中多模態(tài)的AA研究[A];第十四屆全國(guó)科技翻譯研討會(huì)論文匯編[C];2011年

8 黃俊輝;李文政;李學(xué)軍;;基于多模態(tài)醫(yī)學(xué)影像數(shù)據(jù)的計(jì)算機(jī)輔助醫(yī)療設(shè)計(jì)與腫瘤精確治療[A];中國(guó)腫瘤內(nèi)科進(jìn)展 中國(guó)腫瘤醫(yī)師教育（2014）[C];2014年

9 孟祥亮;史元春;楊欣;;基于分層原語(yǔ)的多模態(tài)輸入統(tǒng)一訪問(wèn)接口[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

10 郭華東;王為民;朱博勤;;多模態(tài)傳感器輻射模態(tài)數(shù)據(jù)在SZ-4飛船模擬驗(yàn)證研究[A];全國(guó)國(guó)土資源與環(huán)境遙感技術(shù)應(yīng)用交流會(huì)論文文集[C];2004年

相關(guān)重要報(bào)紙文章 前2條

1 記者 劉垠;在分子水平上認(rèn)識(shí)疾病[N];大眾科技報(bào);2009年

2 羅綿衛(wèi) 王建成;中國(guó)航天科工高分專項(xiàng)實(shí)現(xiàn)零突破[N];中國(guó)航天報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 高靜;信息物理融合系統(tǒng)中基于多模態(tài)數(shù)據(jù)的事件監(jiān)測(cè)問(wèn)題研究[D];哈爾濱工業(yè)大學(xué);2015年

2 聶為之;多模態(tài)媒體數(shù)據(jù)分析關(guān)鍵技術(shù)研究[D];天津大學(xué);2014年

3 劉鵬;慢性傷口光學(xué)仿體的多尺度多模態(tài)醫(yī)學(xué)影像技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

4 柴瑞峰;小兒神經(jīng)重癥患者術(shù)后多模態(tài)監(jiān)測(cè)的臨床研究[D];新疆醫(yī)科大學(xué);2017年

5 苗迪;基于特征層與分?jǐn)?shù)層的多模態(tài)生物特征融合[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

6 張征;英語(yǔ)課堂多模態(tài)讀寫(xiě)能力實(shí)證研究[D];山東大學(xué);2011年

7 李寶磊;多元優(yōu)化過(guò)程記憶算法及動(dòng)靜條件下多模態(tài)尋優(yōu)研究[D];云南大學(xué);2015年

8 潘鳴威;多模態(tài)視角下的口語(yǔ)交際能力：重構(gòu)與探究[D];上海外國(guó)語(yǔ)大學(xué);2011年

9 逯波;多模態(tài)媒體信息檢索技術(shù)研究[D];東北大學(xué);2013年

10 譚帥;多模態(tài)過(guò)程統(tǒng)計(jì)建模及在線監(jiān)測(cè)方法研究[D];東北大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉潔;大學(xué)英語(yǔ)課堂中的多模態(tài)話語(yǔ)對(duì)學(xué)生多元識(shí)讀能力的影響[D];西南大學(xué);2015年

2 邵榮;牛津版高中英語(yǔ)教材的多模態(tài)語(yǔ)篇分析[D];西南大學(xué);2015年

3 王玉竹;中美報(bào)刊政治漫畫(huà)的批評(píng)性多模態(tài)話語(yǔ)分析[D];西南大學(xué);2015年

4 周德英;基于多模態(tài)互動(dòng)意義的公益廣告研究[D];華南理工大學(xué);2015年

5 蔣迪;計(jì)劃生育宣傳畫(huà)的多模態(tài)語(yǔ)篇分析[D];天津商業(yè)大學(xué);2015年

6 宋康利;概念整合理論視角下平面廣告中的多模態(tài)隱喻研究[D];湖南工業(yè)大學(xué);2015年

7 張君艷;中國(guó)文化網(wǎng)主頁(yè)的多模態(tài)話語(yǔ)分析[D];華中師范大學(xué);2015年

8 凌霄;基于多模態(tài)話語(yǔ)分析的平面商業(yè)廣告英漢翻譯研究[D];廣東外語(yǔ)外貿(mào)大學(xué);2015年

9 楊曉倩;多模態(tài)語(yǔ)篇分析[D];寧夏大學(xué);2015年

10 葛欣;中職英語(yǔ)物流詞匯多模態(tài)教學(xué)模式探究[D];閩南師范大學(xué);2015年

，

本文編號(hào)：1367702