本发明专利技术涉及一种基于粒子群算法和典型关联分析法的多生物特征融合算法,其主要技术特点是:将原始数据集图像重构为32*32的图像;通过两次卷积操作、特征选择操作和全连接操作,将预处理后的32*32的图像用120维的一维特征向量;使用典型关联分析法对一维特征向量进行分析,得到关联度最高的特征向量作为多生物特征的融合特征向量;将融合特征向量送入ELM分类器进行分类。本发明专利技术以卷积神经网络结构为基础,同时引入粒子群优化算法和典型关联分析法,将不同的生物特征图像特征进行融合,最终得到比较完备的生物特征集合,从而进行有效的身份认证;本发明专利技术具有较高的准确性和稳定性,可广泛用于图像识别、安防检查等领域。
【技术实现步骤摘要】
基于粒子群算法和典型关联分析法的多生物特征融合算法
本专利技术属于生物特征图像识别
,尤其是一种基于粒子群算法和典型关联分析法的多生物特征融合算法。
技术介绍
目前,生物特征识别技术在身份认证领域起着越来越重要的应用,而图像融合技术能够获取更多的生物特征细节和信息,对识别性能有更大的提升,因此吸引了越来越多的研究人员的关注。在这其中,多模态生物特征融合技术就是重要的一个方向。多模态生物特征融合包括如下三个层次:特征层融合指的是对生物特征进行提取之后进行融合的策略;匹配层融合则是将不相同的特征向量的匹配值融合得到一组新的匹配值并进行身份认证;决策层融合是对不同的生物特征分别经过各自的提特征、建模型、做识别之后的决策结果进行融合。但是,现有的多模态生物特征融合技术在进行生物特征识别时的准确性和稳定性上仍然存在不足。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提出一种基于粒子群算法和典型关联分析法的多生物特征融合算法,其利用多种生物特征的独有特征结合在一起,提高生物特征图像识别的准确性和稳定性。本专利技术解决其技术问题是采取以下技术方案实现的:一种基于粒子群算法和典型关联分析法的多生物特征融合算法,包括以下步骤:步骤1:图像预处理:将原始数据集图像重构为32*32的图像;步骤2:特征提取:通过两次卷积操作、特征选择操作和全连接操作,将预处理后的32*32的图像用120维的一维特征向量;步骤3:特征融合:使用典型关联分析法对一维特征向量进行分析,得到关联度最高的特征向量作为多生物特征的融合特征向量;步骤4:将融合特征向量送入ELM分类器进行分类。进一步,所述原始数据集图像包括人脸图像和指静脉图像,所述人脸图像为112*92,所述指静脉图像为60*128。进一步,所述步骤2特征提取的实现方法:第一次使用8组5x5的卷积核对图像进行卷积操作,得到8组28x28的特征图;第二次使用20组5x5的卷积核对图像进行卷积操作,得到20组5x5的特征图;再经过一次全连接操作,最终得到120维的一维特征向量。进一步,所述卷积操作的处理方法为:w2=(w1+2*p-k)/s+1h2=(h1+2*p-k)/s+1c2=n其中,w1、h1、c1分别表示输入图像的宽度、高度和深度;w2、h2、c2分别表示输出图像的宽度、高度和深度;在卷积层中,n表示卷积核的个数,k*k表示卷积核大小,p表示扩充边缘,s表示卷积核步长。进一步,所述步骤2特征选择使用改进的粒子群优化算法实现:第一次从28x28的特征图中,选择14x14特征子集;第二次从10x10的特征图中选择5x5的特征子集。进一步,所述特征选择的计算公式为:Fitness=∑Dk(1<=k<=m)vx[]=w*vx[]+c1*rand()*(pbest[]-p[])+c2*rand()*(gbest[]-p[])p[]=p[]+vx[]其中,Dk表示当前粒子的第k个维度特征与周围特征的差异总和,m表示种群规模,pbest表示局部最优解,gbest表示全局最优解,v[]是粒子的速度,w是惯性权重,p[]是当前粒子的位置,rand()是介于(0,1)之间的随机数,c1、c2是学习因子。进一步,所述步骤3的实现方法为:使用典型关联分析法计算人脸特征和指静脉特征之间的相关关系,将120维的特征向量映射到多维的共享特征空间,使用共享空间特征重构多模态特征,得到融合特征向量。本专利技术的优点和积极效果是:1、本专利技术以卷积神经网络结构为基础,引入粒子群优化算法(PSO)和典型关联分析法(CCA),将不同的生物特征图像特征融合得到比较完备的生物特征集合,从而进行有效的身份认证;本专利技术与现有的生物特征识别方法相比较,具有较高的准确性和稳定性,可广泛用于图像识别、安防检查等领域。2、本专利技术针对图像特征的多样性和聚集性,在融合之前,采用粒子群优化算法(PSO)进行有效的特征选择,达到特征积聚和降维的目的。3、本专利技术采用极限学习机(ExtremeLearningMachine,ELM),在保证学习精度的前提下,提高了学习速度。附图说明图1为本专利技术的整体框架图;图2为本专利技术使用的特征提取方法流程图;图3为本专利技术使用的卷积神经网络结构模型;图4为本专利技术引入的粒子群优化算法结构图;图5为本专利技术在单一生物特征数据集上的对比实验结果图;图6为本专利技术在多模态生物特征数据集上的对比实验结果图;图7为本专利技术在同一数据集上不同方法的ROC曲线图。具体实施方式以下结合附图对本专利技术实施例做进一步详述。一种基于粒子群算法和典型关联分析法的多生物特征融合算法,如图1所示,包括以下步骤:步骤1:图像预处理:将原始生物特征图像经过重构变为32*32的图像。在本步骤中,需要将原始数据集图像(ORL人脸图像112*92;指静脉图像60*128)重构为32*32的图像。图像重构方法表示如下:I=imread('IMG.jpg');I=imresize(I,[32,32]);其中,IMG.jpg表示原始数据集图像,I表示经过重构之后的图像表示。步骤2:特征提取,如图2所示,通过两次卷积操作、特征选择操作和全连接操作,将预处理后的32*32的图像用120维的一维特征向量FeatureSet表示。在本步骤中,特征提取使用卷积操作,如图3所示:第一次使用8组5x5的卷积核对图像进行卷积操作,得到8组28x28的特征图;第二次使用20组5x5的卷积核对图像进行卷积操作,得到20组5x5的特征图;再经过一次全连接操作,最终得到120维向量用于特征表示。特征提取方法表示如下:w2=(w1+2*p-k)/s+1h2=(h1+2*p-k)/s+1c2=n其中,输入图像为w1*h1*c1,w1表示宽度,h1表示高度,c1表示深度,输出图像为w2*h2*c2;在卷积层中,n表示卷积核的个数,k*k表示卷积核大小,p表示扩充边缘,s表示卷积核步长。在本步骤中,特征选择使用改进的粒子群优化算法,如图4所示:第一次从28x28的特征图中,选择14x14特征子集;第二次从10x10的特征图中选择5x5的特征子集。特征选择的计算公式如下:Fitness=∑Dk(1<=k<=m)vx[]=w*vx[]+c1*rand()*(pbest[]-p[])+c2*rand()*(gbest[]-p[])p[]=p[]+vx[]其中,Dk表示当前粒子的第k个维度特征与周围特征的差异总和,m表示种群规模,pbest表示局部最优解,gbest表示全局最优解,v[]是粒子的速度,w是惯性权重,p[]是当前粒子的位置,rand()是介于(0,1)之间的随机数,c1,c2是学习因子,通常c1=c2=2。步骤3:特征融合:使用典型关联分析法对上一步得到的特征向量进行分析,得到关联度最高的特征向量作为多生物特征的融合特征向量。本步骤是对多模态生物特征图像的表示FeatureSet进行CCA方法融合,得到融合特征FusionFeature。具体方法为:使用典型关联分析法(CCA)计算两组变量(人脸特征和指静脉特征)之间的相关关系,将120维的特征集映射到d维的共享特征空间,特征共享空间的特征具有高度的相关性,并且可以重构多模态特征,本文档来自技高网...
【技术保护点】
一种基于粒子群算法和典型关联分析法的多生物特征融合算法,其特征在于包括以下步骤:步骤1:图像预处理:将原始数据集图像重构为32*32的图像;步骤2:特征提取:通过两次卷积操作、特征选择操作和全连接操作,将预处理后的32*32的图像用120维的一维特征向量;步骤3:特征融合:使用典型关联分析法对一维特征向量进行分析,得到关联度最高的特征向量作为多生物特征的融合特征向量;步骤4:将融合特征向量送入ELM分类器进行分类。
【技术特征摘要】
1.一种基于粒子群算法和典型关联分析法的多生物特征融合算法,其特征在于包括以下步骤:步骤1:图像预处理:将原始数据集图像重构为32*32的图像;步骤2:特征提取:通过两次卷积操作、特征选择操作和全连接操作,将预处理后的32*32的图像用120维的一维特征向量;步骤3:特征融合:使用典型关联分析法对一维特征向量进行分析,得到关联度最高的特征向量作为多生物特征的融合特征向量;步骤4:将融合特征向量送入ELM分类器进行分类。2.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法,其特征在于:所述原始数据集图像包括人脸图像和指静脉图像,所述人脸图像为112*92,所述指静脉图像为60*128。3.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法,其特征在于:所述步骤2特征提取的实现方法:第一次使用8组5x5的卷积核对图像进行卷积操作,得到8组28x28的特征图;第二次使用20组5x5的卷积核对图像进行卷积操作,得到20组5x5的特征图;再经过一次全连接操作,最终得到120维的一维特征向量。4.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法,其特征在于:所述卷积操作的处理方法为:w2=(w1+2*p-k)/s+1h2=(h1+2*p-k)/s+1c2=n其中,w1、h1、c1分别表示输入图像的宽度、高度和深度;w2、h2、c2分别表示输出图像的宽度、高度和深度;在卷积层中,n表示卷积核的...
【专利技术属性】
技术研发人员:杨巨成,孙文辉,李建荣,胡志强,王嫄,陈亚瑞,赵婷婷,张传雷,王晓靖,韩书杰,王洁,
申请(专利权)人:天津科技大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。