魯棒性多生物特征身份識(shí)別中若干關(guān)鍵問題的研究.pdf

1、生物特征識(shí)別認(rèn)證技術(shù)可分為單模式(unimodal)生物特征識(shí)別認(rèn)證和多模式(multimodal)生物特征識(shí)別認(rèn)證技術(shù)。目前的每種單模式生物識(shí)別認(rèn)證技術(shù)在準(zhǔn)確率、用戶接受程度、成本等方面都有一定的限制。相對(duì)單模式生物特征認(rèn)證技術(shù)，多模式生物特征認(rèn)證技術(shù)利用了多個(gè)生物特征，結(jié)合了數(shù)據(jù)融合技術(shù)，進(jìn)一步提高了認(rèn)證的準(zhǔn)確率，有效的解決了單模式生物特征識(shí)別認(rèn)證技術(shù)的限制和缺點(diǎn)。但是多生物特征識(shí)別技術(shù)均受到單生物特征識(shí)別技術(shù)成熟度的影響。目前，由

2、于單生物特征識(shí)別技術(shù)還不完善，因而目前的多生物特征識(shí)別技術(shù)的系統(tǒng)魯棒性不盡人意。同時(shí)系統(tǒng)在處理樣本維數(shù)高和訓(xùn)練數(shù)據(jù)量少的情況下的識(shí)別任務(wù)時(shí)還存在很多問題。針對(duì)以上問題，本文以人臉與語音為生物識(shí)別認(rèn)證特征體，研究了多模式生物特征的魯棒快速身份識(shí)別認(rèn)證問題。本論文的主要貢獻(xiàn)總結(jié)如下：
　　 1)在通過對(duì)目前人臉識(shí)別算法的研究與總結(jié)的基礎(chǔ)上，本文首先基于二分類高斯過程分類器與人臉小波特征提出了一種新的人臉識(shí)別算法。該算法首先用小波變換

3、特征提取人臉圖像特征，并用二分類的高斯過程分類器作為基本的分類器，為了實(shí)現(xiàn)多分類任務(wù)，該方法采用了二叉樹結(jié)構(gòu)來擴(kuò)展了兩分類的高斯過程分類器為多分類器實(shí)現(xiàn)了多類人臉圖像識(shí)別新模型。實(shí)驗(yàn)表明新算法對(duì)理想情況的人臉圖像具有很高的識(shí)別率。但是由于人臉旋轉(zhuǎn)角度、光線條件、環(huán)境因素變化的影響，該算法和傳統(tǒng)識(shí)別系統(tǒng)一樣，對(duì)非可控情況下的人臉圖像識(shí)別率并不理想，并且也缺乏對(duì)人臉圖像局部扭曲和遮蓋污染方面的魯棒性。
　　 2)為了解決在環(huán)境因素變

4、化情況下的魯棒人臉識(shí)別問題，本文提出了一種基于聯(lián)想記憶模型的模型自適應(yīng)更新算法，并將該算法與對(duì)亮度和表情變化不敏感的Gabor特征相結(jié)合構(gòu)建了一種新的魯棒人臉識(shí)別方法。該方法采用所提出的模型自適應(yīng)更新方法在真實(shí)識(shí)別前用模型自適應(yīng)階段獲得的人臉圖像數(shù)據(jù)對(duì)模型進(jìn)行自適應(yīng)補(bǔ)償，從而減小了模型和識(shí)別數(shù)據(jù)間的失配，提高了識(shí)別率。
　　 3)針對(duì)人臉圖像局部扭曲與遮蓋人臉識(shí)別問題，本文提出了一種后驗(yàn)聯(lián)合決策神經(jīng)網(wǎng)絡(luò)新模型(Posterior

5、 Union decision-based neural network,PUDBNN)。該模型為概率判別神經(jīng)網(wǎng)絡(luò)(probabilistic decision based neural network，PDBNN)的改進(jìn)模型。不同的是新模型中，后驗(yàn)聯(lián)合模型(Posterior Union Model，PUM)被作為隱層有機(jī)的結(jié)合進(jìn)PDBNN模型中，形成了一種新型的三層神經(jīng)網(wǎng)絡(luò)模型。該模型在對(duì)局部圖像污染的先驗(yàn)知識(shí)未知情況下，自動(dòng)的選擇

6、了最優(yōu)的局部特征子集進(jìn)行識(shí)別，減少了被污染的局部特征子集對(duì)識(shí)別的影響，因此提高了識(shí)別率。在XM2VTS，AT&T和AR數(shù)據(jù)庫上的測試結(jié)果表明了新算法的優(yōu)越性。
　　 4)但是PUDBNN模型是基于高斯混合模型作為其基函數(shù)。同其他采用高斯混合模型的識(shí)別系統(tǒng)一樣。PUDBNN模型遭受了特征維數(shù)與訓(xùn)練樣本數(shù)量的限制：1)在人臉特征維數(shù)很高時(shí)，高維高斯概率計(jì)算很容易產(chǎn)生下溢錯(cuò)誤；2)由于在小訓(xùn)練樣本情況下無法精確的估計(jì)高斯混合模型參數(shù)，

7、因而對(duì)于小訓(xùn)練樣本的情況，識(shí)別率不是很理想。為了解決PUDBNN模型的缺點(diǎn)，本文提出了一種改進(jìn)型的PUDBNN方法。該算法采用了兩種方案來對(duì)PUDBNN模型進(jìn)行算法改進(jìn)。其一采用圖像補(bǔ)償技術(shù)增加了訓(xùn)練樣本。其二采用了一種概率分布估計(jì)算法來代替了傳統(tǒng)的高斯分布計(jì)算，計(jì)算了似然值。改進(jìn)后的算法在小訓(xùn)練樣本和特征維數(shù)較大的情況下在局部圖像污染時(shí)能達(dá)到較好的識(shí)別率。
　　 5)進(jìn)一步，為了解決在小訓(xùn)練樣本與高維人臉特征情況下，對(duì)光線變化

8、和人臉圖像局部污染兩種污染情況魯棒的人臉識(shí)別問題。結(jié)合對(duì)光線變化和圖像旋轉(zhuǎn)不敏感的分塊Gabor特征，本文提出了一種基于相似度的新M-exponent模型。新模型用一種新的M-exponent相似度代替了概率計(jì)算，來實(shí)現(xiàn)了后驗(yàn)聯(lián)合模型。由于新的M-exponent相似性計(jì)算并不受特征維數(shù)和訓(xùn)練樣本數(shù)目的限制，因此新模型不僅對(duì)光線變化、人臉圖像局部扭曲和遮蓋魯棒，而且還具有，能夠處理小訓(xùn)練樣本、高維人臉特征和不需要模型訓(xùn)練等優(yōu)點(diǎn)。

9、　　 6)對(duì)于魯棒說話人識(shí)別問題，本文采用了雙麥克風(fēng)語音信號(hào)采集方案，并在傳統(tǒng)抗干擾噪聲消除器(Crosstalk Resistant Adaptive Noise Canceller，CTRANC)的基礎(chǔ)上提出了一種改進(jìn)的CTRANC算法。采用該算法在識(shí)別前進(jìn)行語音增強(qiáng)處理，并結(jié)合了PUM的HMM識(shí)別模型，本文構(gòu)建了新的說話人識(shí)別系統(tǒng)。
　　 7)本文最后基于文中提出的新算法和新模型，構(gòu)建了一套雙生物特征的身份識(shí)別系統(tǒng)。本論