指纹识别技术现在主要应用在手机的指纹解锁、指纹拍照、指纹打卡和指纹支付等。指纹识别过程同所有的生物体特征识别的过程类似,分为用户注册和特征匹配2个部分。 最后,细节点被提取出来,细节点定义为:端点和分又点(如图3),纹线端点是一条纹路的终结点,而纹线分叉点是一条纹路再次分开成为两条纹路的点。这2种特征点在指纹图像中出现的几率最大、最稳定,易于检测,而且,足以描述指纹的唯一性。 两幅指纹图像的匹配主要是解决旋转、平移和形变等问题。本文中,指纹匹配的输入是2个特征点的点集尸与Q,其中一个点集P是从输入的指纹图像中提取出来的,另一个点集合Q则是预先从标准的指纹图像中提取出来储存在模板库中。这2个点集合分别表示为 其中,电容传感器工作原理记录了点集P中第i个特征点的3条信息:坐标、Y坐标与方向,电容传感器工作原理则记录了点集Q中第j个特征点的3条信息:x 坐标,y坐标与方向。假设两幅指纹图可以完全匹配起来,则可通过对输入的指纹图作某种变换(旋转、平移与伸缩)得到模板中的指纹图,因此,点集P可以通过 旋转、平移与伸缩等变换近似成点集Q。 为了能够将输入指纹图像中的某一个特征点按照一定的变换方式转换成模板指纹图像中的相对应位置, 需要知道相应的变换因子,△x与△y分别为x,y方向上的平移因子,△θ则是旋转因子。匹配基准点的确定是通过判断这2个三角形的相似程度得到的,在求取 了两幅指纹图像之间的匹配基准点和变换因子后,本文对待识别指纹相对于模板指纹进行旋转、平移变换,以便判断两枚指纹是否来自于同一个手指。在本文中,求 取变换后的待识别指纹的特征点坐标位置和所在区域的纹线方向。然后,将变换后的待识别指纹特征点集叠加到模板指纹特征点集上,检测2个特征点集合中相重合 的特征点数目。由于本文中的匹配是一种非精确匹配,即使是一对匹配的特征点对,它们之问也不会完全重合,总是在位置、方向上存在有一定的偏差,所以,必须 有一定的偏差容忍度。 为此,这里采用一种称为界定盒的方法。对模板指纹特征点集中的每一个特征点,选取它周围的一个矩形区域作为它的界定盒,只要变换后的待识别指纹中的特征点经过叠加后落在这个区域之内,而且,方向基本一致,可以认为这2个特征点对是一对匹配的特征点。 最后,算法统计所有相匹配的特征点数目,通过式(1)转换成匹配分数,其中,maxscore是通过叠加匹配的细节点个数得到的最大匹配得分,Temp—Num和Input—Num分别是模板和输入指纹的细节点数目。 计算的匹配分数代表了相比较的两幅指纹的相似程度。参数值越大,相似性程度越高,而如果得分较小时,说明这一用户不一定是其宣称的用户,访问将被拒绝。 So,Sc是分别由光学传感器和电容传感器采集的图像运用匹配算法所获得的匹配分数,s融合后的分数和S。So,Sc之间有如下关系 将S和设定的阈值相比较:if:S>threshold系统允许进入,为真;否则,系统拒绝该用户,当然,上述方法也可用于2只以上的。 根据方程(2)研究了两种类型的匹配分数转换执行融合规则,第一种类型融合规则属于所谓的固定融合规则,因为它们不需要参数估计,尤其研究了两类传感器的匹配分数中值。 第二种融合是所谓的训练样本规则,因为它们需要为了获得理想的阈值分数而让样本经过多次训练,采用公式(4)训练样本。 虹膜识别相比于指纹识别技术来说,更为方便和精确。虹膜识别不需物理接触,快捷方便。因为每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构,因此没有任何两个虹膜是一样的,这使得虹膜识别技术更为安全可靠。这种技术在生物测定行业已经被广泛认为是目前精确度、稳定性、可升级性最高的身份识别系统。 第一步是通过一个距离眼睛3英寸的精密相机来确定虹膜的位置。当相机对准 眼睛后,算法逐渐将焦距对准虹膜左右两侧,确定虹膜的外沿,这种水平方法受 到了眼睑的阻碍。算法同时将焦距对准虹膜的内沿(即瞳孔)并排除眼液和细微组织的影响。 单色相机利用可见光和红外线,红外线定位在700-900mm的范围内(这是IR技术的低限,美国眼科学会在他们对macularcysts研究中使用同 样的范围。) 在虹膜的上方,算法通过二维Gabor子波的方法来细分和重组虹膜图象,第一个细分的部分被称为phasor,要理解二维gabor子波的原理需要很深的 数学知识。 整个过程其实是十分简单的,虹膜的定位可在1秒钟之内完成,产生虹膜代码(Iris Dode) 的时间也仅需1秒的时间,数据库的检索时间也相当快,就是在有成千上万个虹膜信息数据库中进行检索,所用时间也不多,有人可能会对如此快的速度产生质疑, 其实虹膜识别技术的算法还受到了现有技术的制约。我们知道,处理器速度是大规模检索的一个瓶颈,另外网络和硬件设备的性能也制约着检索的速度。当然,由于 虹膜识别技术采用的是单色成像技术,因此一些图像很难把它从瞳孔的图像中分离出来。但是虹膜识别技术所采用的算法允许图像质量在某种程度上有所变化。相同 的虹膜所产生的Iris Dode(虹膜代码)也有25%的变化,这听起来好象是这一技术的致使弱点,但在识别过程中,这种Iris Dode(虹膜代码)的变化只占整个虹膜代码的10%,它所占代码的比例是相当小的。 既然虹膜解锁认假率如此之高,看起来如此安全,那么可能就会有很多朋友提问了,虹膜解锁究竟能否取代指纹识别呢?其实这是一个开放性的问题,毕竟目前在手机领域,指纹识别都还没有真正的普及,对于识别率还没有真正达标的虹膜解锁,我们更不好去为它的未来下定论。 人脸识别也叫人像识别, 面部识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提。 主流的人脸识别技术基本上可以归结为三类,即:基于几何特征的方法、基于模板的方法和基于模型的方法。 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的方法等。 人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系 的几何描述,可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著点导出一组用 于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。 可变形模板法可以视为几何特征方法的一种改进,其基本思想是 :设计一个参数可调的器官模型 (即可变形模板),定义一个能量函数,通过调整模型参数使能量函数最小化,此时的模型参数即做为该器官的几何特征。 特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一,具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。 特征子脸技术的基本思想是:从统计的观点,寻找人脸图像分布的基本元素,即人脸图像样本集协方差矩阵的特征向量,以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。 实际上,特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇,统称特征子脸。特征子脸在相应的图像空间中生成子空间,称为子脸空间。计算出测试图像窗口在子脸空间的投影距离,若窗口图像满足阈值比较条件,则判断其为人脸。 基于特征分析的方法,也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量,这种基于整体脸的识别不仅保留了人 脸部件之间的拓扑关系,而且也保留了各部件本身的信息,而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。现在Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法;而自1991年特征脸技术诞生以来,研究者对其进行了各种各样的实验和理论分析,FERET'96测试结果也表明,改进的特征脸算法是主流的人脸识别技术,也是具有最好性能的识别方法之一。 该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性,然后再计算出它们的几何特征量,而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。Turk和Pentland提出特征脸的方法,它根据一组人脸训练图像构造主元子空间,由于主元具有脸的形状,也称为特征脸 ,识别时将测试 图像投影到主元子空间上,得到一组投影系数,和各个已知人的人脸图像比较进行识别。Pentland等报告了相当好的结果,在 200个人的 3000幅图像中得到 95%的正确识别率,在FERET数据库上对 150幅正面人脸象只有一个误识别。但系统在进行特征脸方法之前需要作大量预处理工作如归一化等。 在传统特征脸的基础上,研究者注意到特征值大的特征向量 (即特征脸 )并不一定是分类性能好的方向,据此发展了多种特征 (子空间 )选择方法,如Peng的双子空间方法、Weng的线性歧义分析方法、Belhumeur的FisherFace方法等。事实上,特征脸方法是一种显式主元分析人脸建模,一些线性自联想、线性压缩型BP网则为隐式的主元分析方法,它们都是把人脸表示为一些向量的加权和,这些向量是训练集叉积阵的主特征向量,Valentin对此作了详细讨论。总之,特征脸方法是一种简单、快速、实用的基于变换系数特征的算法,但由于它在本质上依赖于训练集和测试集图像的灰度相关性,而且要求测试图像与训练集比较像,所以它有着很大的局限性。 基本原理:KL变换是图象压缩中的一种最优正交变换,人们将它用于统计特征提取,从而形成了子空间法模式识别的基础,若将KL变换用于人脸识别,则需假设人脸处于低维线性空间,且不同人脸具有可分性,由于高维图象空间KL变换后可得到一组新的正交基,因此可通过保留部分正交基,以生成低维人脸空间,而低维空间的基则是通过分析人脸训练样本集的统计特性来获得,KL变换的生成矩阵可以是训练样本集的总体散布矩阵,也可以是训练样本集的类间散布矩阵,即可采用同一人的数张图象的平均来进行训练,这样可在一定程度上消除光线等的干扰,且计算量也得到减少,而识别率不会下降。
Nastar将人脸图像 (Ⅰ ) (x,y)建模为可变形的 3D网格表面 (x,y,I(x,y) ) (如下图所示 ),从而将人脸匹配问题转化为可变形曲面的弹性匹配问题。利用有限元分析的方法进行曲面变形,并根据变形的情况判断两张图片是否为同一个人。这种方法的特点在于将空间 (x,y)和灰度I(x,y)放在了一个 3D空间中同时考虑,实验表明识别结果明显优于特征脸方法。 Lanitis等提出灵活表现模型方法,通过自动定位人脸的显著特征点将人脸编 码为 83个 模型参数,并利用辨别分析的方法进行基于形状信息的人脸识别。弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法,由于 该算法较好的利用了人脸的结构和灰度分布信息,而且还具有自动精确定位面部特征点的功能,因而具有良好的识别效果,适应性强识别率较高,该技术在FERET测试中若干指标名列前茅,其缺点是时间复杂度高,速度较慢,实现复杂。 人工神经网络是一种非线性动力学系统,具有良好的自组织、自适应能力。目前神经网络方法在人脸识别中的研究方兴未艾。Valentin提出一种方法,首先提取人脸的 50个主元,然后用自相关神经网络将它映射到 5维空间中,再用一个普通的多层感知器进行判别,对一些简单的测试图像效果较好;Intrator等提出了一种混合型神经网络来进行人脸识别,其中非监督神经网络用于特征提取,而监督神经网络用于分类。Lee等将人脸的特点用六条规则描述,然后根据这六条规则进行五官的定位,将五官之间的几何距离输入模糊神经网络进行识别,效果较一般的基于欧氏距离的方法有较大改善,Laurence等采用卷积神经网络方法进行人脸识别,由于卷积神经网络中集成了相邻像素之间的相关性知识,从而在一定程度上获得了对图像平移、旋转和局部变形的不变性,因此得到非常理想的识别结果,Lin等提出了基于概率决策的神经网络方法 (PDBNN),其主要思想是采用虚拟 (正反例 )样本进行强化和反强化学习,从而得到较为理想的概率估计结果,并采用模块化的网络结构 (OCON)加快网络的学习。这种方法在人脸检测、人脸定位和人脸识别的各个步骤上都得到了较好的应用,其它研究还有 :Dai等提出用Hopfield网络进行低分辨率人脸联想与识别,Gutta等提出将RBF与树型分类器结合起来进行人脸识别的混合分类器模型,Phillips等人将MatchingPursuit滤波器用于人脸识别,国内则采用统计学习理论中的支撑向量机进行人脸分类。 神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势,因为对人脸识别的许多规律或规则进行显性的描述是相当困难的,而神经网络方法则可以通过学 习的过程获得对这些规律和规则的隐性表达,它的适应性更强,一般也比较容易实现。因此人工神经网络识别速度快,但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入,因此输入节点庞大,其识别重要的一个目标就是降维处理。 除了以上几种方法,人脸识别还有其它若干思路和方法,包括一下一些: 1) 隐马尔可夫模型方法(Hidden Markov Model) 2) Gabor 小波变换+图形匹配 (2)Gabor滤波器将Gaussian网络函数限制为一个平面波的形状,并且在滤波器设计中有优先方位和频率的选择,表现为对线条边缘反应敏感。 (3)但该算法的识别速度很慢,只适合于录象资料的回放识别,对于现场的适应性很差。 3)人脸等密度线分析匹配方法 该方法是在库中存贮若干标准面像模板或面像器官模板,在进行比对时,将采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。 (2)线性判别分析方法(Linear Discriminant Analysis,LDA) (3)本征脸法 本征脸法将图像看做矩阵,计算本征值和对应的本征向量作为代数特征进行识别 ,具有无需提取眼嘴鼻等几何特征的优点 ,但在单样本时识别率不高 ,且在人脸模式数较大时计算量大(4)特定人脸子空间(FSS)算法 该技术来源于但在本质上区别于传统的'特征脸'人脸识别方法。'特征脸'方法中所有人共有一个人脸子空间,而该方法则为每一个体人脸建立一个该个体对象所私有的人脸子空间,从而不但能够更好的描述不同个体人脸之间的差异性,而且最大可能地摈弃了对识别不利的类内差异性和噪声,因而比传统的'特征脸算法'具有更好的判别能力。另外,针对每个待识别个体只有单一训练样本的人脸识别问题,提出了一种基于单一样本生成多个训练样本的技术,从而使得需要多个训练样本的个体人脸子空间方法可以适用于单训练样本人脸识别问题。(5)奇异值分解(singular value decomposition,简称SVD) 是一种有效的代数特征提取方法.由于奇异值特征在描述图像时是稳定的,且具有转置不变性、旋转不变性、位移不变性、镜像变换不变性等重要性质,因此奇异值特征可以作为图像的一种有效的代数特征描述。奇异值分解技术已经在图像数据压缩、信号处理和模式分析中得到了广泛应用.人脸识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一,困难主要是人脸作为生物特征的特点所带来的。因此人脸识别被广泛应用还需要一定的时间。 |
|