人臉關(guān)聯(lián)特征的身份識別算法

1、第15卷 第3期 電路與系統(tǒng)學報 Vol.15 No.3 2010 年 6月 JOURNAL OF CIRCUITS AND SYSTEMS June, 2010 文章編號：1007-0249 (2010) 03-0086-05基于掌紋、人臉關(guān)聯(lián)特征的身份識別算法李春芝1， 陳曉華1， 蔣云良1,2， 張士雄3（1. 湖州師范學院 信息工程學院，浙江 湖州 313000；2. 浙江大學 計算機科學與技術(shù)學院，浙江 杭州 310027；3. 華南理工大學 自動化科學與工程學院，廣東 廣州 510640） *摘要：首先對掌紋、人臉圖像進行融合；接著利用小波變換增強融合后圖像；然后利用一種新的子空間

2、分析方法對角離散余弦變換和二維主元判別分析（Diagonal，Discrete Cosine Transform and Two-Dimensional Principle Component Analysis，Dia-DCT+2DPCA）相結(jié)合的算法進行特征提??；最后運用最小距離分類器進行識別。實驗結(jié)果表明，本文算法有效地提高了身份識別的正確識別率。關(guān)鍵詞：小波增強；掌紋識別；人臉識別；身份識別中圖分類號：TP391 文獻標識碼：A1 引言由于各種生物特征的識別方式都有一定的適用范圍和要求，單一的生物特征用于身份識別時，都有其固有而難以克服的缺點，到目前為止，任何基于單一生物特征技術(shù)的身份識

3、別系統(tǒng)都無法完全滿足實際應用的要求。人臉識別是最容易被接受的身份識別方法，但人臉會隨著年齡變化，且長相相似的雙胞胎仍然難于區(qū)分。掌紋識別利用人的掌部紋理作為生物特征進行身份的自動確認,是生物認證領域的又一新興技術(shù),但是掌紋識別也無法避免一些疾病患者無法利用掌紋識別系統(tǒng)進行識別。而且對于一個身份識別系統(tǒng)，由于傳感器的噪聲以及特征提取和匹配的缺陷，往往不能保證得出正確的識別結(jié)果。因此生物特征識別系統(tǒng)有待改進，而多生物特征的融合與識別技術(shù)為單一生物特征識別帶來的一些實際問題提供了有效的解決方案1。將人臉識別與掌紋識別進行融合的研究并不多見，Arun Ross等人2于2005年提出了將掌紋與人臉兩種生

4、物特征在特征層融合用于身份認證，與2003年Kumar等人3提出的將掌紋、人臉兩種生物特征在匹配層融合相比較，特征層融合對特征信息進行綜合分析和處理，實現(xiàn)了信息壓縮，但是信息壓縮過程中丟失了一部分對識別有用的特征,而數(shù)據(jù)層融合直接在采集到的原始數(shù)據(jù)層上進行融合，可用的信息量更大。本文在研究數(shù)據(jù)層融合的基礎上，首先對讀入的掌紋、人臉圖像進行融合，對融合后的掌紋、人臉進行小波變換。由于小波變換后圖像的輪廓主要體現(xiàn)在低頻部分，而細節(jié)部分則體現(xiàn)在高頻部分，因此通過設定閾值對高頻分解系數(shù)進行衰減和增強處理，從而達到圖像增強的作用。由于數(shù)據(jù)層融合是將原始數(shù)據(jù)直接進行融合，將導致計算復雜，同時考慮到傳統(tǒng)的子

5、空間分析方法，容易受到噪聲影響，且僅反映了圖像行（列）之間的變化，遺漏了圖像列（行）之間的變化，而圖像列（行）之間的變化也是生物識別中有用的信息，基于此，本文提出對角離散余弦變換和二維主元判別分析（Diagonal，Discrete Cosine Transform and Two-Dimensional Principle Component Analysis，Dia-DCT+2DPCA）結(jié)合的算法。該方法首先對小波增強后的圖像進行對角化，保持了圖像的行變化和圖像的列變化之間的相關(guān)性；然后利用余弦變換進行圖像壓縮和重建，達到降維、去噪目的；再用二維主元分析方法（Two-Dimensional

6、 Principle Component Analysis，2DPCA）進行特征提取4,5，得到特征矩陣；最后利用最小距離分類器（Nearest Neighbor Decision，NND）進行識別?；谙愀劾砉ご髮W公布的PolyU掌紋數(shù)據(jù)庫（Version ）6和CAS-PEAL-R1人臉數(shù)據(jù)庫的實驗結(jié)果表明，本文提出的關(guān)* 收稿日期：2008-06-30 修訂日期：2008-09-19基金項目：國家自然科學基金項目（60872057）；浙江省自然科學基金項目（R1090244，Y1080212）；浙江省科技計劃項目（2010C33GZ200008）；湖州市自然科學資金（2010C50116

7、）第3期 李春芝等：基于掌紋、人臉關(guān)聯(lián)特征的身份識別算法 87 聯(lián)特征算法有效地提高了身份識別的準確性，與掌紋、人臉特征層融合算法相比3，本文算法更加有效，為多生物特征身份識別提供了一種新途徑。2 小波增強2.1 小波增強基本原理常用的圖像增強方法包括空域法和頻域法7，其中空域法是直接對原始圖像進行處理，包括直方圖均衡7、直方圖變換、平滑濾波等，而頻域法是對原始圖像進行某種變換，如傅立葉變換等，在變換域進行處理實現(xiàn)圖像增強。但這些常用的方法都只是提升圖像中原有高頻分量的幅度，并沒有產(chǎn)生新的高頻成分，因此圖像增強效果有限。而小波變換具有良好的時頻特性，是最常用的頻域分解信號的手段，它能夠在不同的

8、分辨尺度下分解信號并分析信號的任何細節(jié)，適合研究非平穩(wěn)信號的動態(tài)特性。考慮到掌紋、人臉圖像不同區(qū)域內(nèi)的紋理具有空間無序性，對應信號頻率的突變，所以本文采用小波變換完成圖像的增強。對于二維函數(shù)f(m,n)l2(Z2)進行離散小波變換，能夠得到一個低頻子帶Sj和三個具有不同方向選擇性的高頻子帶Hij。對低頻子帶Sj繼續(xù)分解，則可以得到f(m,n)的多級分解，分解過程可表示為 W(f(m,n)=(Hij=Wjif(m,n),SJ,1i3,1jJ （1） Haar、Daubechies、Symlets和Biorthogonal8等，由于各種小波變換的低通與高通濾波器各不相同，因此增強后的結(jié)果也不一樣。

9、本文選用緊支撐標準正交小波，該小波函數(shù)具有正交性、不對稱性，且其正則性隨著小波函數(shù)消失矩的增加而增加，因此可有效分析圖像的紋理信息。2.2 小波增強模型根據(jù)掌紋及人臉圖像的具體特點，本文提出的小波變換實現(xiàn)圖像增強步驟如下（小波增強模型和小波增強實驗結(jié)果分別如圖1、2所示）： 圖2 小波增強實驗結(jié)果 式中Hij表示尺度j和方向i上的細節(jié)信息，SJ表示圖像的低頻信息。常用的小波變換種類很多，包括（1）由于原始的數(shù)據(jù)庫中圖像，含有一些對識別無關(guān)的干擾信息，把讀入的掌紋及人臉融合圖像進行小波變換，選擇一個合適的小波函數(shù)和小波分解層次N，將圖像分解到第N層，得到相應小波系數(shù)；（2）針對小波分解后各子圖像

10、的噪聲特點，對變換后低頻子圖像不進行閾值處理，較好的保存了圖像的輪廓部分；對不同尺度的高頻子圖像進行不同閾值處理，即對于從1N的每一層，選擇一個閾值，對每一層的高頻系數(shù)進行非線性小波軟閾值去噪處理；（3）設定增強系數(shù)，對閾值處理后的高頻子圖像進行增強；（4）利用處理后的小波分解的第N層低頻系數(shù)和從第1N層的高頻系數(shù)進行圖像重構(gòu)。3 基于Dia-DCT+2DPCA算法的特征提取和識別3.1 樣本對角化經(jīng)過小波增強后的融合圖像不僅減弱了掌紋、人臉中含有的光照不均勻等噪聲的影響，還增強了掌紋中一些對識別有用的紋理信息。由于傳統(tǒng)的一些代數(shù)算法都是基于行的方向，如文獻9指出線性判別分析（Two Dime

11、nsional Linear discriminant analysis，2DLDA）是基于行方向的LDA。同樣2DPCA算法也是基于行的方向，因此2DPCA僅能反映圖像行之間的信息，這就意味著它不能反映一些結(jié)構(gòu)88 電路與系統(tǒng)學報 第15卷信息（如一個人臉區(qū)域，像眼睛、鼻子等）。把經(jīng)過小波增強后的組合圖像轉(zhuǎn)化為相應的對角圖像，把行與列的信息結(jié)合為一體，它反映了行之間的信息和列之間的信息。通過行與列的信息交織在一起，Dia-DCT+2DPCA可在原始圖像中找到對識別有用的結(jié)構(gòu)信息。下面詳細探討Dia-DCT+2DPCA算法。假設有M個訓練樣本，每個樣本表示成p×(c+q)的矩陣PF。

12、對于每個訓練樣本可以定義相應的對角樣本，具體方法描述如下：（1）如果高p和寬c+q相等或者比c+q小，則使用圖3(a)的方法把樣本PF轉(zhuǎn)換成對角樣本圖3(b)PF本PF轉(zhuǎn)換成對角樣本圖3(d)PF'。使用圖3(a)所表示的方法，對于每個樣本PFk(k=1,2,",M)都會取得相應的對角矩陣PFk'(k=1,2,",M)。這里可以注意到，對于每個訓練樣本PFk和其相應的對角樣本PFk'具有相同的尺寸。'12a11a22a33a12a23a34a13a24a32a14a21a31'。(b) 對角變換后的樣本PF（2）如果高p比寬c+q大，

13、則使用圖3(c)的方法把樣a11a21a31a41a22a32a42a12a33a43a13a23(c) 樣本PF(d) 對角變換后的樣本圖3 圖像對角變換原理圖3.2 DCT降維與去噪對角變換后的樣本PF'仍然具有很高的維數(shù)和對識別無效的噪聲信息，所以有必要對對角化后的樣本再進行降維和去噪處理。2DPCA方法作為一種線性降維方法，雖然能夠去相關(guān)，實現(xiàn)降維，但是經(jīng)過實驗證明該方法對光照，姿態(tài)，首飾等噪聲信息較為敏感。而DCT（Discrete Cosine Transform）變換具有很強的“能量聚集”特性：大多數(shù)信號信息趨向于集中在DCT的低頻成分。噪聲分布都是在高頻部分，因此通過取

14、一閾值，對小于閾值的部分取零，然后通過反DCT變換就可實現(xiàn)對信號噪聲的抑制。而且DCT變換后并不影響數(shù)據(jù)點之間的相互距離，這也就是說DCT不影響數(shù)據(jù)間的拓撲結(jié)構(gòu)。所以利用DCT變換，不僅可以降維還可以抑制噪聲。 3.3 二維主元分析經(jīng)過樣本對角化及DCT降維后，樣本為p×(c+q)的矩陣，此時，訓練樣本假設為AiRp×(c+q)，i=1,2,",M。然后，利用2DPCA去二階統(tǒng)計相關(guān)、降維，求得訓練樣本的投影特征。訓練樣本的協(xié)1M方差矩陣定義為 G=(Ai)T(Ai) （2）Mi=1則GR(c+q)×(c+q)。協(xié)方差矩陣的特征值與特征向量的求解為：UT

15、GU= （3） 其中，R(c+q)×(c+q)表示特征值組成的對角陣，U為特征值對應的特征向量組成的正交陣。設協(xié)方差矩陣G的特征值表示為i(i=1,2,",c+q)，且12"c+q，對應的特征向量表示為ui(i=1,2,",c+q)，102，U=u,u,",u。選擇前d個較大特征值對應的特征向量u(i=1,2,",d)來則=i12c+q0%c+q102，U=u,u,",u，UR(c+q)×d。計算構(gòu)造特征子空間，其中dc+q。此時，d=d12dd0%d訓練樣本AiRp×(c+q)的主元，即 Yd=AiUd

16、，i=1,2,",M （4） 其中，YdRp×d稱為訓練樣本的投影特征，表示為Yd=y1,y2,",yd。'假設任意測試樣本的投影特征表示為Yd'=y1',y'2,",yd，訓練樣本的投影特征表示為第3期 李春芝等：基于掌紋、人臉關(guān)聯(lián)特征的身份識別算法 89 Yd=y1,y2,",yd，則其歐幾里德距離為D(Y',Y)=y'y （5） ddkjkjk=1j=12dp利用最近鄰距離分類器即可實現(xiàn)身份識別。4 實驗結(jié)果與分析4.1 實驗對象為了構(gòu)建掌紋、人臉圖像的雙模態(tài)數(shù)據(jù)庫，本文從香港理工大學公布的

17、PolyU6掌紋數(shù)據(jù)庫中選擇108個人的掌紋，共756幅掌紋圖像。每只掌紋有7幅圖像，每只掌紋的前4幅和后3幅分兩次拍攝，時間相隔兩個月。分辨率為384×284，灰度級為256。這些圖像在拍攝時受到不同的光照影響。中國科學院CAS-PEAL人臉數(shù)據(jù)庫的圖像配帶有不同的首飾，譬如戴了不同邊框的眼鏡和不同形狀顏色的帽子。分辨率為480×360，灰度級為256。本文選取了CAS-PEAL人臉數(shù)據(jù)庫其中的108個人（男57人，女51人）的圖像，每人7幅，共756幅圖像。將兩種生物特征的圖像數(shù)據(jù)一一指配，組成本文的實驗數(shù)據(jù)庫。4.2 實驗結(jié)果為比較掌紋識別、人臉識別以及掌紋與人臉融合

18、識別的識別性能，本文在Intel，Celeron M CPU，驗、人臉識別實驗、以及掌紋與人臉數(shù)據(jù)層融合及特征層融合識別實驗。實驗過程中，分別計算了訓練樣本數(shù)與測試樣本數(shù)均不同時，四種身份識別方法的正確識別率。在掌紋識別中，本文首先將原始掌紋圖像進行預處理，切割對識別有用的掌紋信息。接著采用雙線性內(nèi)插法把每幅圖像縮小為36×32像素，然后用Daubechies-4小波增強后，再轉(zhuǎn)化成對角圖像，接著將對角圖像進行DCT變換，摒棄84.37%的高頻能量，從而去掉掌紋中的光照等噪聲，完成掌紋圖像壓縮和特征提取。將掌紋初始特征矩陣再利用2DPCA進行特征提取，最終利用最小距離分類器的識別結(jié)果

19、如表1、2所示。在人臉識別中，首先將原始人臉圖像采用雙線性內(nèi)插法把每幅圖像縮小為36×32像素，然后轉(zhuǎn)化成對角圖像，接著利用DCT變換壓縮人臉圖像，從而去掉含有噪聲的高頻成分，完成人臉圖像壓縮和特征提取。再對人臉初始特征矩陣利用2DPCA進行主元分析，最終利用最小距離分類器的識別結(jié)果如表1、2所示。在掌紋與人臉數(shù)據(jù)層融合識別中，首先分別將原始掌紋圖像及人臉圖像采用雙線性內(nèi)插法把每幅圖像縮小為36×32像素，然后將掌紋特征矩陣與人臉特征矩陣合并成大小為36×34的組合特征矩陣。用Daubechies-4小波增強，再進行對角化處理，從而充分利用訓練樣本組合特征矩陣行和

20、列信息。由于組合的特征矩陣具有高度相關(guān)性，而且還包含有很多冗余信息，所以進行DCT變換，接著求解協(xié)方差矩陣G的特征值及其對應的特征向量，其中，GR64×64。然后選擇前8個較大特征值對應的特征向量構(gòu)成了最佳投影矩陣。將組合特征矩陣朝最佳鑒別投影矩陣投影后，得到掌紋與人臉的融合特征矩陣，作為最終的識別特征矩陣。識別階段運用最小距離分類器進行分類，如表1、2所示。為了進一步驗證本文算法的有效性，在Intel，Celeron M CPU，1.73GHz，MATLAB6.5的環(huán)境對本文提出的算法與掌紋、人臉在特征層融合的算法進行了比較3。其識別結(jié)果如表3所示。 表1 指定訓練樣本和測試樣本的

21、正確識別率 識別模態(tài)掌紋識別6_1 5_2 4_3 3_4 2_5 99.6%97.75% 62.83% 62.7%62.43%65.61%95.5%人臉識別96.43%90.048% 79.63% 66.4%本文方法100%100% 96.43% 96.03%注：6_1中的數(shù)字“6”表示將每個類別的前6個樣本作為訓練樣本；數(shù)字“1”則表示將各類別余下的1個樣本作為的測試樣本數(shù)，其余同。 表2 隨機選取訓練樣本和測試樣本的正確識別率識別模態(tài)6_15_2 4_3 3_4 2_5 100% 97.75% 87.83%62.43%掌紋識別100%人臉識別100%96.03% 95.5% 89.95%

22、81.22%本文方法100%100% 100% 99.34%97.09%注：每類7個樣本按照隨機產(chǎn)生的序列3 7 6 1 2 4 5重新排序得到的實驗數(shù)據(jù)庫。90 電路與系統(tǒng)學報 第15卷4.3 結(jié)果分析表1給出了指定訓練樣本和測試樣本的實驗結(jié)果，即選取實驗數(shù)據(jù)庫里每個類別中的前若干個樣本作為訓練樣本，每類的剩余樣本作為測試樣本進行實驗。從表1可知，當選取每類前6個共648個樣本作為訓練樣本，表3 本文算法與掌紋人臉特征層融合算法比較 識別模態(tài) 6_15_2 4_3 3_4 2_5 94.97%掌紋人臉特征100%100% 95.63% 95.5%層融合算法本文算法 100%100% 97.3

23、5% 97.09%96.03%每類剩余1個共108個樣本作為測試樣本時，掌紋識別與人臉識別的正確識別率分別為99.6%和96.43%，而掌紋與人臉特征融合識別的正確識別率達到100%。此外，本文還進行了隨機選取訓練樣本和測試樣本的實驗，如表2所示。表2中隨機產(chǎn)生的序列3 7 6 1 2 4 5指的是，將原實驗數(shù)據(jù)庫中的每類7個樣本，按照隨機序列給出的序號3、7、6、1、2、4、5重新排列成新實驗數(shù)據(jù)庫，庫內(nèi)樣本不變，僅改變了各類別中的樣本排序。然后重復表1的實驗步驟，即在新實驗數(shù)據(jù)庫中選取前若干個樣本作為訓練樣本，每類的剩余樣本作為測試樣本進行實驗。在表2中，每類樣本分別選擇6個、5個、4個樣

24、本作為訓練樣本時，剩余1個、2個、3個作為測試樣本，本文算法正確識別率均達到100%。均要高于單一生物特征即掌紋識別、人臉識別。從表1-2的實驗結(jié)果可知，本文算法比任一單生物特征身份識別方法即掌紋識別或人臉識別更為有效。同時，掌紋識別、人臉識別、本文算法的正確識別率還受訓練樣本與測試樣本的選擇及其不同的排列次序的影響。利用小波增強的Dia-DCT+2DPCA算法，對掌紋與人臉這兩種生物特征數(shù)據(jù)層融合后的圖像進行處理，既對融合后高維特征有效壓縮，驅(qū)除了一些噪聲，同時又提取了更為有效的識別特征，有效地提高了身份識別的正確識別率。表3對本文提出的算法與掌紋、人臉特征層融合的結(jié)果進行了比較2。由表3可

25、以看出，當樣本次序固定時，本文提出的算法，正確識別率均要高于掌紋、人臉特征層融合算法?？梢姴捎谜萍y、人臉數(shù)據(jù)層融合將是一種更加有效的身份識別方法。5 結(jié)論與展望本文在研究數(shù)據(jù)層融合的基礎上，結(jié)合小波能驅(qū)除噪聲、有效增強圖像的特點，提出了基于小波增強的Dia-DCT+2DPCA算法進行掌紋與人臉特征關(guān)聯(lián)的身份識別方法。該方法首先對掌紋圖像與人臉圖像融合，然后利用小波變換增強融合圖像，Dia-DCT+2DPCA算法對增強后的圖像進行降維、去噪、特征提取。實驗結(jié)果表明，本文的方法獲得了比單一生物特征識別掌紋識別或人臉識別及特征層融合算法更高的正確識別率，是一種有效的身份識別方法。參考文獻：12345

26、6789 Frischholz R W, Dleckemann U. BioID: A multimodal biometric identification system J. Computer, 2000, 33(2): 64-68. Arun Ross, Rohin Govindarajan. Feature level fusion using hand and face biometrics A. In: Proc. of SPIE Conference on Biometric Technology for Human Identification C. 2005, 5779: 1

27、96-204. Kumar D Zhang. Integrating palmprint with face for user authentication A. In: Workshop on Multi-Modal User Authentication(MMUA) C. 2003. 107-112. Jian Yang, David Zhang. Two-Dimensional PCA: A new approach to appearance-based face representation and recognition J. IEEE Transactions on Patter

28、n Analysis and Machine Intelligence, 2004, 26(1): 131-137. Junying Gan, Chunzhi Li. Classifier fusion algorithm in face recognition A. In: Proc. of ICSP 2006, IEEE Press C. 2006. 1658-1661. .hk/biometrics OL. Chang Dah Chung, Wu Wen Rong. Image contrast enhancement based on a histogram tr

29、ansformation of local standard deviation J. IEEE Transactions on Medical Imaging, 1998, 17(4): 518-531. 劉國軍, 唐降龍, 黃劍華, 等. 基于模糊小波的圖像對比度增強算法J. 電子學報, 2005, 33(4): 643-646. S Noushatha, G Hemantha Kumara, P Shivakumarab. (2D)2LDA: An efficient approach for face recognition J. Pattern Recognition, 2006,3

30、9: 1396-1400.作者簡介：李春芝（1982-），女，江蘇淮安人，碩士，講師，主要從事生物信息處理與識別等方面的研究工作。(英文摘要轉(zhuǎn)第110頁)（Abstract continued on page 110）110 電路與系統(tǒng)學報 第15卷 參考文獻：1 Dmitriev A S, Panas A I, Strakov S O. Storing and recognizing information based on stable cycles of one-dimensional map J. Phys Lett, 1991,155: 494-499.23456789 Andrey

31、ev Y V, Belsky Y L, Dmitriev A S, et al. Information processing using dynamical chaos: neural network implementation J. IEEE Trans. Neural Networks, 1996, 7: 290-298. Andreyev Y V, Dmitriev A S, Starkov S O. Information processing in 1-D systems with chaos J. IEEE Trans. Circuits Syst, 1997, 44(1):

32、21-28. 余群明, 王耀南. 混沌動力在智能信息處理中的應用J. 系統(tǒng)工程與電子技術(shù), 2001, 23(5): 97-101. 金文光, 曾以成, 童勤業(yè). 混沌動力學在電容測量中的應用J. 電路與系統(tǒng)學報, 2003, 8(1): 95-96. 陳帥, 鐘先信, 石軍鋒, 等. 基于離散混沌數(shù)字序列的圖像加密J. 電子與信息學報, 2007, l29(4): 898-900. 金文光, 王金銘. 基于混沌符號動力學的混沌信號處理研究J. 電子與信息學報, 2006, 28(10): 1774-1777. 王金銘, 金文光. 高精度混沌測量電路研究J. 電路與系統(tǒng)學報, 2006, 11

33、(2): 85-89. I Prigogine. The End of CERTAINITY: Time, Chaos and the New laws of Nature M. Odile Jacob Paris France, 1996.10 趙文龍, 劉建. 混沌在測量中的應用J. 南昌航空工業(yè)學院學報, 1997, (3): 74-80.作者簡介：王金銘（1978-），男，講師，主要研究方向為非線性電路與混沌信息處理。Study on calculator circuit with chaotic symbol dynamicsWANG Jin-ming( College of Inf

34、ormation Science & Technology, Zhejiang Shuren University, Hangzhou 310015, China )Abstract: A calculator circuit module to realize the arithmetic operation with 1-D piece-wise chaotic symbol dynamics is proposed. Based on this module, an arithmetic operation in two chaotic bit sequences, including addition and subtraction, is realized in an experimental module with chaotic circuit and FPGA chip. The experiment result shows that the calculated value is the same as the measurement with limited precision. It is expected be used in