老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法
2023-09-21 01:16:40 3
專利名稱：老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法
技術領域：
本發明涉及生物識別技術領域，尤其是老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法。
背景技術：
目前，我國60歲以上人口達1.8億人，約佔總人口 13.8%，按國際標準衡量，我國已進入了老年型社會，隨著國家大力加快建立和完善覆蓋城鄉居民的社會保障體系，如社會養老保險金的發放、企業年金、醫療保險等，老齡用戶將成為未來社會公共服務的主要群體，社會養老保險金、企業年金等發放過程中存在欺騙、冒領現象成為現今社會普遍關注的問題，信息化、數位化、網絡技術為解決老齡用戶身份認證困局提供了幫助。目前，生物特徵識別技術、遠程視頻認證已經被成功應用到核實社會養老金冒領現象中老齡用戶的身份。生物特徵識別技術通過利用人體固有的生理特徵和行為動作來進行身份識別和驗證。根據使用生物特徵的種類和數目，生物特徵識別可以分為單生物特徵識別和多生物特徵識別，作為使用最廣的單生物識別身份認證技術，指紋識別在解決老齡用戶社會養老金發放時身份認證的問題已受到廣泛關注。早在1901年，英國已開始應用指紋識別來避免鐵路工人冒領、多領薪金。目前，相關公司如IBM、MiCr0S0ft、HP、C0mpaq、長春鴻達、杭州中正等公司的產品已經進入社會服務領域。我國勞動和社會保障部社會保險事業管理中心發布的《支付養老金指紋身份認證系統技術規範(試行)》也將基於細節點(minutiae)的指紋識別方法作為社會公共服務標準予以頒布，但是，對老齡用戶來說，由於久經風霜，模糊手指很常見，傳統的基於細節點的指紋識別系統往往會因為提取細節點不理想而導致系統誤識率增加甚至認證失效。此外，基於單生物特徵的識別技術存在著不普遍性某些生物特徵缺失(如斷手指)、損傷(如受損手指)、病變(如白內障)或特徵採集質量較差(如人臉光線變化)都會導致識別系統的魯棒性、可靠性差，防欺騙性弱，難以滿足不同場合的實際要求。圖像隱式語義特徵(Image Latent Semantic Features, ILSF)由底層特徵-圖像矩陣獲得，具有比傳統意義上的圖像語義更加豐富的信息，但是相對與底層特徵來說，這些特徵具有更強的表達和分類能力。因此，利用TLSA提取的特徵可以作為一種「獨特」的特徵，並被證明能運用在生物特徵身份認證領域。同時，相比傳統的底層特徵，由於間接用來描述圖像，圖像隱式語義特徵對於採集圖像的質量要求並不是很高，可以更好的克服某些不利因素帶來的影響，比如指紋的圖像紋線模糊，以及人臉光照變化的影響。
發明內容
本發明要解決的技術問題是為了克服上述中存在的問題，提供一種老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法，利用圖像處理技術和智能技術對用戶進行身份認證的技術。本發明解決其技術問題所採用的技術方案是一種老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法，通過對老齡用戶多生物特徵圖像進行多方式隱式語義分析和數據挖掘映射，並提取圖像隱式語義特徵進行身份認證。所述的多生物特徵圖像包括人臉、多指指紋和掌紋，其提取多生物特徵圖像的多種局部底層特徵的具體步驟如下a.生物特徵圖像預處理由人臉、四指指紋和掌紋構成的融合系統進行預處理；b.提取底層特徵提取不變矩特徵、Garbor filter特徵、方向均衡化特徵和灰度信息熵特徵；C.提取底層特徵中的局部底層特徵依次通過對參考點的選擇、基於參考點的 ROI的提取和ROI的劃分，最後通過提取圖像的局部底層特徵，提取圖像的局部底層特徵為不變矩特徵、Garbor filter特徵、方向均衡化特徵和灰度信息熵特徵。所述的多方式隱式語義分析的具體步驟如下a.底層特徵的圖像矩陣構建採用多種底層特徵，構建每個用戶的底層特徵的圖像矩陣；b.並行二維非負矩陣分解算法先對底層特徵的圖像矩陣進行對角化處理，再對對角化矩陣進行矩陣行方向分解，然後再對原對角化矩陣進行轉置處理來得到列方向信息，對得到的基矩陣進行基矩陣正交化；c.模糊C均值聚類利用編程工具箱中的模糊C均值(FCM)聚類方法來進行快速聚類。對多方式隱式語義分析後的數據進行數據挖掘映射的具體步驟如下a.剪枝算法分析初始化模糊神經網絡(FNN)的網絡結構預定義參數(如收斂常數a、衰減常數b、最小誤差e、規則重要性閾值f)，輸入第一組特徵向量，產生第一條模糊規則，對任意輸入特徵向量計算其與第一組特徵向量的距離，得出最小值dmin，從而計算出實際的輸出誤差如果誤差ei大於規則重要性闕值f，則產生新的模糊規則，從而調整網絡結構參數(如收斂常數a、衰減常數b、最小誤差e、規則重要性閾值f)；b.提取圖像隱式語義特徵包括離線學習階段和在線測試階段。所述的離線學習階段是通過學習樣本用來訓練模糊神經網絡(FNN)並採用剪枝算法對模糊神經網絡(FNN)的網絡結構做動態調整。所述的在線測試階段是利用訓練好的模糊神經網絡對測試樣本進行測試，從而提取圖像隱式語義。對提取圖像隱式語義特徵進行修正的具體步驟如下a.引入自適應動態反饋結構在基於模糊神經網絡的智能黑箱模型中，利用帶GA 優化算法的自適應反饋結構來提取辨識的語義特徵和狀態參數；b.圖像隱式語義特徵歸一化通過辨識出智能黑箱模型的狀態參數和與通過樣本學習得到的所定基準狀態進行比較，得出差值作為模型的輸入，從而得因環境差異而導致的圖像隱式語義特徵偏差，從而得到歸一化的圖像隱式語義特徵。本發明的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法的有益效果是通過提取人臉、多指指紋和掌紋等多生物特徵圖像，能夠獲取多種局部底層特徵；利用多方式隱式語義分析算法從底層特徵-圖像矩陣構建、二維矩陣分解以及聚類算法三方面，能夠對提取的特徵進行處理；通過「智能黑箱模型」進一步對處理後的特徵進行挖掘映射，能夠有效地獲取圖像隱式語義特徵；通過引入帶遺傳算法(GA)的自適應反饋結構，對系統自動調整，實現圖像隱式語義特徵的修正，此方法採集質量好和可靠性強，能夠滿足不同場合的實際要求。
下面結合附圖和實施例對本發明進一步說明。圖1是本發明的結構原理框圖；圖2是圖1中二維矩陣對角化(a)行組合(b)列組合的示意圖；圖3是圖1中FCM聚類示意圖；圖4是圖1中自適應動態反饋結構框圖；圖5是圖1中圖像隱式語義特徵歸一化的結構框圖。
具體實施例方式現在結合附圖對本發明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發明的基本結構，因此其僅顯示與本發明有關的構成。如圖1所示的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法，由人臉、四指指紋和掌紋構成的融合系統進行分別進行預處理，從預處理的生物特徵圖像中提取出不變矩特徵(包括hu不變矩和zernike不變矩)、Garbor filter特徵、方向均衡化特徵和灰度信息熵特徵的圖像底層特徵，提取後的圖像底層特徵進行首先進行多種底層特徵，構建每個用戶的底層特徵的圖像矩陣，其次對底層特徵的圖像矩陣進行對角化處理，再對對角化矩陣進行矩陣行方向分解，然後再對原對角化矩陣進行轉置處理來得到列方向信息，對得到的基矩陣進行基矩陣正交化，再利用編程工具箱中的模糊C均值聚類方法來進行聚類，經過多方式隱式語義分析後的數據進行數據挖掘映射後，在基於模糊神經網絡的智能黑箱模型中，利用帶GA優化算法的自適應反饋結構來提取辨識的語義特徵和狀態參數。本發明的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法的具體步驟如下一、底層特徵的提取包括生物特徵圖像預處理、提取底層特徵以及提取局部底層特徵三個主要步驟(1)生物特徵圖像預處理多生物特徵圖像的預處理是特徵提取之前的關鍵步驟之一，由於融合系統由人臉、四指指紋和掌紋等構成，因此需要對其分別進行預處理，預處理的主要步驟包括感興趣區域(ROI)分割、增強、歸一化等。首先，我們要提取圖像的ROI ①對人臉，主要從視頻中檢測並分割人臉圖像；②對手部採集圖像，先要分割多指指紋和掌紋，通過對四個手指以及掌紋定位，借鑑等的思路(見參考文獻)，將四指指紋、掌紋一一分割出來，然後，在前期研究的基礎上對獲得的人臉、指紋、掌紋等圖像的ROI分別進行增強和歸一化處理；(2)底層特徵的提取別提取不變矩特徵(hu不變矩和zernike正交不變矩)、 Garbor filter特徵、方向均衡化特徵、灰度信息熵特徵等。(a)不變矩特徵不變矩特徵具有旋轉、尺度和平移不變特性，具有很強的描述圖像的區域特徵能力。比較常用的不變矩如hu不變矩和zernike正交不變矩，其主要步驟如下步驟1.依據hu不變矩公式提取的7個hu不變矩的特徵值I ；步驟2.依據公式
權利要求
1.一種老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法，其特徵是通過對老齡用戶多生物特徵圖像進行多方式隱式語義分析和數據挖掘映射，並提取圖像隱式語義特徵進行身份認證。
2.根據權利要求1所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是所述的多生物特徵圖像包括人臉、多指指紋和掌紋，其提取多生物特徵圖像的多種局部底層特徵的具體步驟如下a.生物特徵圖像預處理由人臉、四指指紋和掌紋構成的融合系統進行預處理；b.提取底層特徵提取不變矩特徵、Garborfilter特徵、方向均衡化特徵和灰度信息熵特徵；c.提取底層特徵中的局部底層特徵依次通過對參考點的選擇、基於參考點的ROI的提取和ROI的劃分，最後通過提取圖像的局部底層特徵。
3.根據權利要求1所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是所述的多方式隱式語義分析的具體步驟如下a.底層特徵的圖像矩陣構建採用多種底層特徵，構建每個用戶的底層特徵的圖像矩陣；b.並行二維非負矩陣分解算法先對底層特徵的圖像矩陣進行對角化處理，再對對角化矩陣進行矩陣行方向分解，然後再對原對角化矩陣進行轉置處理來得到列方向信息，對得到的基矩陣進行基矩陣正交化；c.模糊C均值聚類利用編程工具箱中的模糊C均值聚類方法來進行聚類。
4.根據權利要求1所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是對多方式隱式語義分析後的數據進行數據挖掘映射的具體步驟如下a.剪枝算法分析初始化模糊神經網絡的網絡結構預定義參數，輸入第一組特徵向量，產生第一條模糊規則，對任意輸入特徵向量計算其與第一組特徵向量的距離，得出最小值Clmin,從而計算出實際的輸出誤差如果誤差ei大於規則重要性闕值f，則產生新的模糊規則，從而調整網絡結構參數；b.提取圖像隱式語義特徵包括離線學習階段和在線測試階段。
5.根據權利要求4所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是所述的離線學習階段是通過學習樣本用來訓練模糊神經網絡並採用剪枝算法對模糊神經網絡的網絡結構做動態調整。
6.根據權利要求4所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是所述的在線測試階段是利用訓練好的模糊神經網絡對測試樣本進行測試，從而提取圖像隱式語義。
7.根據權利要求1所述的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法， 其特徵是對提取圖像隱式語義特徵進行修正的具體步驟如下a.引入自適應動態反饋結構在基於模糊神經網絡的智能黑箱模型中，利用帶GA優化算法的自適應反饋結構來提取辨識的語義特徵和狀態參數；b.圖像隱式語義特徵歸一化通過辨識出智能黑箱模型的狀態參數和與通過樣本學習得到的所定基準狀態進行比較，得出差值作為模型的輸入，從而得因環境差異而導致的圖像隱式語義特徵偏差。
全文摘要
本發明涉及老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法，通過對老齡用戶多生物特徵圖像進行多方式隱式語義分析和數據挖掘映射，並提取圖像隱式語義特徵進行身份認證。本發明的老齡用戶多生物特徵身份認證中的隱式語義特徵提取方法是通過提取人臉、多指指紋和掌紋等多生物特徵圖像，能夠獲取多種局部底層特徵；利用多方式隱式語義分析算法從底層特徵-圖像矩陣構建、二維矩陣分解以及聚類算法三方面，能夠對提取的特徵進行處理；通過「智能黑箱模型」進一步對處理後的特徵進行挖掘映射，能夠有效地獲取圖像隱式語義特徵；通過引入帶遺傳算法(GA)的自適應反饋結構，對系統自動調整，實現圖像隱式語義特徵的修正。
文檔編號G06K9/62GK102324031SQ20111026448
公開日2012年1月18日 申請日期2011年9月7日 優先權日2011年9月7日
發明者伍世虔, 餘人強, 劉華平, 吳軍, 方志軍, 楊勇, 楊壽淵, 楊巨成, 解山娟 申請人:常州藍城信息科技有限公司, 江西財經大學