采用神經(jīng)網(wǎng)絡(luò)的多模生物特征人臉及指紋識別

王宇東

(信陽師范學(xué)院外國語學(xué)院，河南信陽 464000)

多模態(tài)生物特征識別［1］是基于人體物理模式或行為模式來識別其身份的模式識別研究領(lǐng)域，生物特征的優(yōu)點(diǎn)是它不會改變或者消失。許多身體部位、個人特征以及影像方法已經(jīng)被用于生物特征識別系統(tǒng)，如手指、雙手、腳、眼睛、耳朵、牙齒、靜脈聲音、簽名、文章風(fēng)格、步型等特征［2-3］。每個生物特征識別都有自己的優(yōu)勢和限制，因此每個生物特征被用于鑒定(認(rèn)證)應(yīng)用軟件上。采用單一特征的生物特征識別系統(tǒng)有許多限制，如感應(yīng)時有噪聲、不具普遍性、類間相似性、類內(nèi)多樣性、欺騙性以及特殊性等，這種單模式生物特征識別體統(tǒng)可能導(dǎo)致高錯誤接受率(FAR)和錯誤拒絕率(FRR)［3］。生物特征識別系統(tǒng)是固定概率性的，它們的表現(xiàn)需要采用基本背景和關(guān)鍵特征進(jìn)行評估。生物特征識別系統(tǒng)采用近似公差匹配，觀察人內(nèi)在的和人與人之間的生物特征和生物屬性以及表現(xiàn)行為。因此，與大多數(shù)采用大型二進(jìn)制結(jié)果的信息技術(shù)系統(tǒng)相比，生物特征識別系統(tǒng)提供了概率性的結(jié)果。這種新的多模態(tài)人臉及指紋生物特征識別系統(tǒng)比非多模識別系統(tǒng)表現(xiàn)得更好，更受歡迎。

主成分分析法(PCA)是從統(tǒng)計(jì)數(shù)據(jù)分析的常用方法，適應(yīng)性主成分分析提取(APCA)則是由文獻(xiàn)［4］在主成分分析法的基礎(chǔ)上采用神經(jīng)算法實(shí)現(xiàn)的，采用的方法是多主分量提取，這種模型的所有突觸權(quán)值是由規(guī)范化希賓學(xué)習(xí)規(guī)則模型產(chǎn)生的，其網(wǎng)絡(luò)結(jié)構(gòu)使一個層次的橫向連接從目的是權(quán)值正交化的輸出單元中凸顯出來，這種結(jié)構(gòu)同樣允許在不需要舊單元的再訓(xùn)練的情況下，模型的大小能夠增長或收縮。該網(wǎng)絡(luò)的指數(shù)收斂從形式上證明了新方案相對于以前的方案表現(xiàn)上有了顯著的提升。通過遞歸最小二乘算法來確定一個重要連接，已經(jīng)能夠提供步長參數(shù)學(xué)習(xí)所需要的最理想大小，收斂速度也有了顯著提高，這和以前缺少這種數(shù)字優(yōu)勢的神經(jīng)主成分分析法模型正好相反。適應(yīng)性主成分分析提取算法的同時也支持并行處理，它允許實(shí)時提取多個主成分。目前，適應(yīng)性主成分提取算法［4］被表明能適應(yīng)約束信號方差在外部正交而被最大化的主成分分析問題。該算法同樣也被應(yīng)用到人臉數(shù)據(jù)庫來進(jìn)行臉部特征提取工作［5］。仿真結(jié)果表明該算法是人臉識別中有效的特征提取方法。

多層次感知(MLP)［6］是一種將輸入數(shù)據(jù)集映射到合適輸出集的前向人工神經(jīng)網(wǎng)絡(luò)模型，它是由一個有向圖的多層節(jié)點(diǎn)組成的，每一層全部連接到下一層。除了輸入節(jié)點(diǎn)，每個節(jié)點(diǎn)是一個具有非線性激活功能的處理單元。MLP利用被稱為反向傳播的監(jiān)督學(xué)習(xí)技術(shù)來訓(xùn)練網(wǎng)絡(luò)，一些涉及到前饋MLP的表達(dá)能力的特點(diǎn)也已經(jīng)被證明了［7］。任意函數(shù)學(xué)習(xí):在3層網(wǎng)絡(luò)中，任何函數(shù)都可以采用任意精度而被學(xué)習(xí)。連續(xù)函數(shù)學(xué)習(xí):在2層網(wǎng)絡(luò)中(隱藏單元的數(shù)量視功能而被估值)，每一個有限界的連續(xù)函數(shù)可以在小錯誤的情況下被學(xué)習(xí)。布爾函數(shù)學(xué)習(xí):在2層網(wǎng)絡(luò)中，每一個布爾函數(shù)正好可以被學(xué)習(xí)，盡管隱藏處理單元的數(shù)量隨著輸入維數(shù)呈指數(shù)增長。擁有1層輸入單元，1層隱藏單元以及輸出單元的網(wǎng)絡(luò)是2層網(wǎng)絡(luò);擁有2層隱藏單元的網(wǎng)絡(luò)是3層網(wǎng)絡(luò)，依次類推。這樣定義的理由是輸入單元所在的層僅被作為一個輸入通道，因此沒有被計(jì)算為層數(shù)。

1 系統(tǒng)設(shè)計(jì)

1.1 生物特征識別

生物特征識別是一種基于個體行為和生物特征對其進(jìn)行的自動識別。它是一種用來處理那些已經(jīng)被識別(或者沒有被識別)個體的工具，并因此來確定它們屬于擁有權(quán)限的一組(或者屬于被拒絕權(quán)限的一組)。這種識別依賴于一種假設(shè)，那就是個體們在物理和行為上以不同的方式表現(xiàn)的與眾不同。

圖1闡述了識別過程的基本操作。在一個通用的生物特征識別系統(tǒng)中的2個基本操作分別是:捕獲和存儲登記生物特征樣本;捕獲新的生物特征樣本并進(jìn)行對比。該識別系統(tǒng)的主要組件分別是:“模式匹配”，傳感器從被識別的對象上收集生物特征數(shù)據(jù);“參考數(shù)據(jù)庫”存儲前期注冊對象的生物特征數(shù)據(jù);“匹配器”將提交的數(shù)據(jù)和參考數(shù)據(jù)進(jìn)行對比來做出識別決定;“反應(yīng)端”，識別結(jié)果將被發(fā)布，一些基于該結(jié)果的動作也將展開。

圖1 生物識別系統(tǒng)上的操作

早期的系統(tǒng)是基于主成分分析法的特性提取技術(shù)和非并行前饋反向傳播識別技術(shù)實(shí)現(xiàn)的。采用這種先識別臉部接著識別指紋方法的問題是它是基于單模生物特征系統(tǒng)。單模生物特征系統(tǒng)存在諸多問題，如噪聲數(shù)據(jù)、類內(nèi)變化、自由度限制、非普遍性、欺騙攻擊和不可接受錯誤率等。這種基于配置的方法不能使錯誤接受率、錯誤拒絕率、拒登率正?；?。提出“人工多生物特征識別接近于人臉及指紋生物特征識別”，作為工作的一部分，人工神經(jīng)網(wǎng)絡(luò)已被完成。特性提取采用主成分分析法，識別采用前饋反向傳播神經(jīng)網(wǎng)絡(luò)。它們的工作是先識別臉部接著識別指紋來處理任務(wù)。訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)將輸入像素點(diǎn)聚集分組到提供結(jié)果的不同集群中。提出了一種采用指紋和人臉識別技術(shù)來進(jìn)行人員鑒定和驗(yàn)證的多模生物特征識別系統(tǒng)。該系統(tǒng)采用2個在分類器水平和特性水平上結(jié)合的特性(人臉和指紋)的個體得分［3］。

多模生物特征系統(tǒng)被提出，該系統(tǒng)通過學(xué)習(xí)來提高精度和效率，一個框架也通過評估這個系統(tǒng)的表現(xiàn)而確定了。該系統(tǒng)不允許一個只有少量普通信息的普通中間件層來處理多模應(yīng)用程序［2］。

文獻(xiàn)［6］提出了基于個體唯一識別的生物特征識別系統(tǒng)，該系統(tǒng)采用不同的圖像優(yōu)化技術(shù)如高斯平滑函數(shù)、點(diǎn)陣強(qiáng)烈值調(diào)整等技術(shù)。通過學(xué)習(xí)不同的二值化方法，可以為輸入的拇指圖像選擇能夠得出最好結(jié)果的方法。本文同時展示了一些圖像細(xì)化算法，基于結(jié)果分析，本文選擇了圖像細(xì)化算法。人工神經(jīng)網(wǎng)絡(luò)的問題是了解一個算法的結(jié)構(gòu)很困難，過多的因素會導(dǎo)致過度過濾，最佳的網(wǎng)絡(luò)結(jié)構(gòu)只能根據(jù)實(shí)驗(yàn)來確定［5］。

文獻(xiàn)［8］介紹了一種能自動檢測采用多層次分?jǐn)?shù)等級融合的滲出性多模人臉及指紋識別系統(tǒng)的方法，通過將頂替得分和真實(shí)得分進(jìn)行融合來提升人臉識別系統(tǒng)［4］。

1.2 采用神經(jīng)網(wǎng)絡(luò)的多模生物特征識別

本文將重點(diǎn)放在了采用神經(jīng)網(wǎng)絡(luò)的多模人臉及指紋生物特征識別的實(shí)現(xiàn)上。身份驗(yàn)證的多模生物特征識別采用了2個特性，分別是基于適應(yīng)性主成分分析法和基于多層次感應(yīng)的人臉及指紋系統(tǒng)。一個采用神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)的提倡方案是實(shí)現(xiàn)并行處理，而多模生物特征識別系統(tǒng)處理的是一些訓(xùn)練得到的近似范圍的2種特性(人臉和指紋)的個體得分，它們是不連續(xù)的間隔，這樣系統(tǒng)就可以高效地產(chǎn)生好而精確的結(jié)果。目前的工作是將嶺基于和特征臉方法結(jié)合起來并行處理，從而實(shí)現(xiàn)高效的人臉及指紋識別算法。在這里提出一種方法來解決前面問題的缺點(diǎn)，這個方法是基于神經(jīng)網(wǎng)絡(luò)和聯(lián)合嶺基于及特征臉方法的高效人臉及指紋識別算法。這個系統(tǒng)的主要目的是在識別和認(rèn)證的過程中盡可能地減小錯誤率，通過實(shí)現(xiàn)較好的接受率來提高系統(tǒng)的表現(xiàn)。采用人臉和指紋兩種特性的多模生物特征識別系統(tǒng)如圖2所示。

實(shí)現(xiàn)步驟為:

1)采集階段:通過將從不同的傳感器上收集到的生物特性聯(lián)合起來生成一個合成生物特征集并進(jìn)行處理。將一個被照相機(jī)捕捉到的或者掃描生成的物體或者風(fēng)景的圖片作為這個系統(tǒng)的輸入數(shù)據(jù)。

圖2 采用人臉和指紋兩種特性的多模生物特征識別系統(tǒng)

2)特征提取階段:來自不同生物特征渠道的信號首先會被預(yù)處理，特征矢量也會采用特殊的算法而被分開提取，然后將這些矢量結(jié)合起來形成一個合成特征矢量對于分類有很大幫助。以上一系列需要執(zhí)行的步驟是為了使一張圖片更好地被后面的階段處理和解釋。這些步驟包括除噪、記錄強(qiáng)度的變化、打磨、提高對比、伸展圖片的紋理等。另一個重要的方面是圖片存儲，主要是從一個退化形式來提取圖片信息，使它接下來更適合被處理和解釋。

3)匹配融合階段:相對于聯(lián)合特征矢量，單獨(dú)處理特征矢量時會產(chǎn)生個體匹配分?jǐn)?shù)，依靠每項(xiàng)生物特征匹配分?jǐn)?shù)可以進(jìn)行分類工作。

4)判斷決策階段:每種模式首先會被單獨(dú)地預(yù)分類，多模生物特征識別系統(tǒng)會完成任何的融合策略，或者將它們聯(lián)合起來以提升系統(tǒng)的表現(xiàn)。

系統(tǒng)的層次如圖3所示。

圖3 人臉和指紋識別系統(tǒng)

2 實(shí)驗(yàn)

多模生物特征識別系統(tǒng)數(shù)據(jù)庫可以是真實(shí)的或者虛擬的。實(shí)際的多模數(shù)據(jù)庫是由同一個體身上獲取的生物特性組成的，而虛擬的多模數(shù)據(jù)庫是由一個單模生物特征數(shù)據(jù)庫和另一個單模生物特征數(shù)據(jù)庫的生物特征組合而成的。虛擬多模生物特征數(shù)據(jù)庫是基于在個體身上不同的生物特征是獨(dú)立的這一假設(shè)。實(shí)驗(yàn)數(shù)據(jù)是從200個年齡分布為20～52歲的不同用戶中提取的，這其中包括男性和女性，實(shí)驗(yàn)環(huán)境是在普通的機(jī)房。

當(dāng)單特征和人臉及指紋綜合特征有相同錯誤接受率時，單特征的錯誤拒絕率要比多模式的錯誤拒絕率高。表1顯示了表格呈現(xiàn)出的結(jié)果的對比?？梢钥闯?，多模式生物特征明顯提升了系統(tǒng)的表現(xiàn)。

表1 多模生物特征認(rèn)證系統(tǒng)下的FRR和FAR對比

由表2可看出采用主成分分析算法的人臉及指紋識別系統(tǒng)的效率是93.33%，這些結(jié)果體現(xiàn)出了采用多模生物特征識別系統(tǒng)來實(shí)現(xiàn)更好的匹配表現(xiàn)的效果。它們也同樣可以推斷出，在運(yùn)行的多模生物特征識別系統(tǒng)中，融合特征的選擇對于實(shí)驗(yàn)結(jié)果的影響是很大的。

表2 PCA方法的實(shí)驗(yàn)結(jié)果

由表3可看出采用適應(yīng)性主成分提取算法的人臉及指紋識別系統(tǒng)的效率是96.67%，應(yīng)用的需求決定了容錯率，在單模和多模生物特征識別系統(tǒng)中，往往要求系統(tǒng)能夠在可用性和安全性上有一個權(quán)衡。

表3 APCE方法的實(shí)驗(yàn)結(jié)果

3 結(jié)束語

本文完成的工作主要是將錯誤接受率、注冊失敗率和錯誤拒絕率進(jìn)行規(guī)范化，提出了保證生物特征數(shù)據(jù)的安全和完整率的可靠方法，實(shí)現(xiàn)了相對于單模有更高準(zhǔn)確率，同時可以減少識別反應(yīng)時間的識別系統(tǒng)。當(dāng)高頻系數(shù)對于人類虛擬系統(tǒng)不是很敏感時，多模識別相對于單模識別有了高效的表現(xiàn)，開始的一些各塊系數(shù)也會形成，這樣提倡的基于軟件計(jì)算的預(yù)測模型另一方面也更容易實(shí)現(xiàn)了。本文同樣實(shí)現(xiàn)了一個規(guī)范的結(jié)合人臉和指紋來進(jìn)行個人身份認(rèn)證的生物特征識別系統(tǒng)，這個系統(tǒng)克服了人臉識別系統(tǒng)和指紋驗(yàn)證系統(tǒng)的諸多限制。

:

［1］SHEBHANGI D C，BALI M.Multi-Biometric approaches to face and fingerprint biometrics［J］.International Journal of Engineering，2012，1(5):109-126.

［2］LULU C，LULU V.Multimodal biometrics for access control in an intelligent car［C］//Proc.International Symposium on Computational Intelligence and Intelligent Informatics，2007.Agadir:［s.n.］，2007:261-267.

［3］SASIDHAR K，KAKULAPATI V L，RAMAKRISHNA K.Multimodal biometric systems-study to improve accuracy and performance［EB/OL］.［2013-03-20］.http://arxiv.org/abs/1011.6220.

［4］張愛華，尉宇.基于混沌粒子群的決策樹SVM的調(diào)制模式識別［J］.電視技術(shù)，2012，36(23):126-129.

［5］WANG Y，LIU Z.A survey on multimodal biometrics［J］.Advances in Automation and Robotics，2012(2):387-396.

［6］RAZZED M I，YUSUF R，KHALID M.Multimodal face and finger veins biometric authentication［J］.Sci.Res.Essays，2010，5(17):2529-2534.

［7］TRUPTI S.Biometric feature based person unique identification International Journal of Computer Applications［EB/OL］.［2013-03-20］.http://www.ijcaonline.org/archives/volume51/number13/8100-1691.

［8］NAIAD P K，NARAYAN D.Multimodal biometric face and fingerprint recognition using neural network［EB/OL］.［2013-03-20］.http://www.google.com.hk/url?sa=t＆rct=j＆q=Multimodal+biometric+face+and+fingerprint+recognition+using+neural+network＆source=web＆cd=1＆ved=0CC8QFjAA＆url=http%3a%2f%2fwww%2eijert%2eorg%2fbrowse%2fdecember-2012-edition%3fdownload%3d1884%253Amultimodal-biometric-face-and-fingerprint-recognitionusing-neural-network%26start%3d130＆ei=1h_RUo7IAuKAiQfx pYHACQ＆usg=AFQjCNHOCEXhaEcO6u1P9-c2jSTN95Q2hg.

作者簡介:王宇東(1968— )，碩士，實(shí)驗(yàn)師，主要研究領(lǐng)域?yàn)橛?jì)算機(jī)應(yīng)用、網(wǎng)絡(luò)安全。