生物特征多模态融合识别方法、装置、存储介质及设备制造方法及图纸

本发明专利技术公开了一种生物特征多模态融合识别方法、装置、存储介质及设备。在多模态识别中根据第二模态的图像的质量分数调整第二模态的比对阈值；当第二模态的比对分数不小于调整后的第二模态的比对阈值，且第二模态的生物特征图像的质量分数不小于第二模态的决策阈值时，判断识别通过；否则，将两个模态比对分数融合得到融合分数，当融合分数大于融合分数阈值时识别通过，进行分数融合时，两个模态的比对分数归一化后组成分数对，并对分数对进行多项式核映射，得到高维数据，将高维数据输入训练后的逻辑回归模型，得到融合后的比对分数。本发明专利技术能够提高生物识别身份识别的安全性和可靠性。靠性。靠性。

【技术实现步骤摘要】
生物特征多模态融合识别方法、装置、存储介质及设备


[0001]本专利技术涉及生物识别领域，特别是指一种生物特征多模态融合识别方法、装置、存储介质及设备。

技术介绍

[0002]生物识别技术通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性如指纹、人脸、虹膜、指静脉等来进行个人身份的鉴定。
[0003]随着对社会安全和身份鉴别准确性和可靠性要求的日益提升，单一生物特征识别在准确性和可靠性方面的局限性日益突出，已远不能满足产品和技术发展的需要。当前，多模态生物特征识别被认为是一个最具有潜力和优势的有研究方向。多模态生物特征识别可以有效的利用不同模态间的独立性进一步提高识别率，使得融合后的结果的准确性可以高于任何一个单模态。
[0004]现有技术中生物特征多模态融合方法的一种方法如下：其中P1、P2、P3是几种生物特征图像，R1、R2、R3分别是与P1、P2、P3对应的生物特征模板，在识别过程中，将P1和R1进行比对，得到比对分数S1，如果比对分数S1大于阈值T1，则调整P2对应的比对阈值获得调整后的比对阈值T2，例如将原比对阈值的分值调低，反之，如果比对分数S1小于阈值T1，则将原比对阈值T2的分值调高。
[0005]根据P1的比对分数对P2的比对阈值调整获得比对阈值T2后，将P2与R2进行比对，得到比对分数S2，根据比对分数S2对P3的原比对阈值T3进行调整，获得调整后P3对应的比对阈值T3，例如，如果比对分数S2大于比对阈值T2，则调整P3对应的原比对阈值T3，例如，将原比对阈值T3的分值调低，反之，如果比对分数S2小于阈值T2，则将原比对阈值T3的分值调高，之后将P3与R3进行比对，得到比对分数S3，如果S3大于调整后获得的比对阈值T3，则认为比对通过，身份识别成功，否则，认为比对不通过，身份识别失败。
[0006]也即现有技术根据前一种生物特征的比对结果，调整后续生物特征比对的比对阈值，这种方法虽然使得后一种生物特征比对更容易些，能够提高比对通过率，但是通过前一种生物特征的比对结果决定后一种生物特征的比对阈值的方法具有不确定性，比对阈值调高、调低的幅度很难把握，导致生物识别身份识别的安全性和可靠性不佳。同时，现有生物特征多模态融合识别方法中对于比对分数融合的方法通常较为简单，一般采用加权方法，不能充分发挥不同模态的优点，达到很好的识别精度。

技术实现思路

[0007]为解决现有技术的多模态生物特征识别中对比对阈值的调整具有不确定性以及比对分数融合不能发挥不同模态的优点的技术问题，本专利技术提供一种生物特征多模态融合识别方法、装置、存储介质及设备，根据生物特征图像的质量分数高低，动态调整比对阈值，并且利用生物特征图像的质量分数对识别结果进行辅助决策，同时结合比对分数融合，逐
步增大身份认证的概率，提高生物识别身份识别的安全性和可靠性。
[0008]本专利技术提供技术方案如下：
[0009]第一方面，本专利技术提供一种生物特征多模态融合识别方法，所述方法包括：
[0010]依次对第一模态和第二模态的生物特征图像进行识别；
[0011]在第一模态识别通过时，根据第二模态的生物特征图像的质量分数调整第二模态的比对阈值；
[0012]当第二模态的比对分数不小于第二模态的最低阈值和调整后的第二模态的比对阈值，且第二模态的生物特征图像的质量分数不小于第二模态的决策阈值时，判断识别通过；
[0013]当第二模态的比对分数不小于第二模态的最低阈值，且第二模态的比对分数小于第二模态调整后的比对阈值或第二模态的生物特征图像的质量分数小于第二模态的决策阈值时，将第一模态的比对分数和第二模态的比对分数融合得到融合分数，如果融合分数不小于融合分数阈值，则判断识别通过；其中，
[0014]所述将第一模态的比对分数和第二模态的比对分数融合得到融合分数包括：
[0015]利用LFAR变换将所述第一模态的比对分数和第二模态的比对分数进行归一化；
[0016]将归一化后的第一模态的比对分数和第二模态的比对分数组成分数对，并对所述分数对进行多项式核映射，得到高维数据；
[0017]将所述高维数据输入训练后的逻辑回归模型，得到融合后的比对分数。
[0018]第二方面，本专利技术提供一种生物特征多模态融合识别装置，所述装置包括：
[0019]识别模块，用于依次对第一模态和第二模态的生物特征图像进行识别；
[0020]比对阈值调整模块，用于在第一模态识别通过时，根据第二模态的生物特征图像的质量分数调整第二模态的比对阈值；
[0021]第一判断模块，用于当第二模态的比对分数不小于第二模态的最低阈值和调整后的第二模态的比对阈值，且第二模态的生物特征图像的质量分数不小于第二模态的决策阈值时，判断识别通过；
[0022]第二判断模块，用于当第二模态的比对分数不小于第二模态的最低阈值，且第二模态的比对分数小于第二模态调整后的比对阈值或第二模态的生物特征图像的质量分数小于第二模态的决策阈值时，将第一模态的比对分数和第二模态的比对分数融合得到融合分数，如果融合分数不小于融合分数阈值，则判断识别通过；其中，
[0023]所述第二判断模块包括：
[0024]归一化单元，用于利用LFAR变换将所述第一模态的比对分数和第二模态的比对分数进行归一化；
[0025]映射单元，用于将归一化后的第一模态的比对分数和第二模态的比对分数组成分数对，并对所述分数对进行多项式核映射，得到高维数据；
[0026]融合单元，用于将所述高维数据输入训练后的逻辑回归模型，得到融合后的比对分数。
[0027]第三方面，本专利技术提供一种用于生物特征多模态融合识别的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括第一方面所述的生物特征多模态融合识别方法的步骤。
[0028]第四方面，本专利技术提供一种用于生物特征多模态融合识别的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述的生物特征多模态融合识别方法的步骤。
[0029]本专利技术具有以下有益效果：
[0030]本专利技术首先根据生物特征图像的质量分数高低，动态调整比对阈值，并且还利用生物特征图像的质量分数对识别结果进行辅助决策，同时结合比对分数融合，逐步增大身份认证的概率，提高生物识别身份识别的安全性和可靠性。
[0031]在进行多模态识别时，将获取的多模态比对分数进行相同的归一化和高维映射处理后输入最优参数的逻辑回归模型，即可得到融合后的比对分数。本专利技术能够充分发挥不同模态的优点，达到很好的识别精度。
附图说明
[0032]图1为本专利技术的生物特征多模态融合识别方法的流程图；
[0033]图2为图1所述的生物特征多模态融合识别方法中逻辑回归模型训练方法的流程图；
[0034]图3为图1所述的生物特征多模态融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物特征多模态融合识别方法，其特征在于，所述方法包括：依次对第一模态和第二模态的生物特征图像进行识别；在第一模态识别通过时，根据第二模态的生物特征图像的质量分数调整第二模态的比对阈值；当第二模态的比对分数不小于第二模态的最低阈值和调整后的第二模态的比对阈值，且第二模态的生物特征图像的质量分数不小于第二模态的决策阈值时，判断识别通过；当第二模态的比对分数不小于第二模态的最低阈值，且第二模态的比对分数小于第二模态调整后的比对阈值或第二模态的生物特征图像的质量分数小于第二模态的决策阈值时，将第一模态的比对分数和第二模态的比对分数融合得到融合分数，如果融合分数不小于融合分数阈值，则判断识别通过；其中，所述将第一模态的比对分数和第二模态的比对分数融合得到融合分数包括：利用LFAR变换将所述第一模态的比对分数和第二模态的比对分数进行归一化；将归一化后的第一模态的比对分数和第二模态的比对分数组成分数对，并对所述分数对进行多项式核映射，得到高维数据；将所述高维数据输入训练后的逻辑回归模型，得到融合后的比对分数。2.根据权利要求1所述的生物特征多模态融合识别方法，其特征在于，所述逻辑回归模型通过如下方法训练得到：构造包括若干第一模态比对分数样本和第二模态比对分数样本的训练集，并利用LFAR变换将所述第一模态比对分数样本和第二模态比对分数样本进行归一化；构造由归一化后的第一模态比对分数样本和第二模态比对分数样本组成的样本对，并对所述样本对进行多项式核映射，得到高维数据样本；利用逻辑回归算法对所述高维数据样本进行建模，并利用损失函数训练获得逻辑回归模型的最优参数，完成逻辑回归模型的训练。3.根据权利要求2所述的生物特征多模态融合识别方法，其特征在于，所述构造包括若干第一模态比对分数样本和第二模态比对分数样本的训练集，并利用LFAR变换将所述第一模态比对分数样本和第二模态比对分数样本进行归一化，包括：获取N个人的第一模态比对分数样本F
i
和第二模态比对分数样本G
i
，并均分为相同人样本对和不同人样本对在训练集中分别计算不同人集合中第一模态比对分数和第二模态比对分数的分布利用如下公式对第一模态比对分数样本F
i
和第二模态比对分数样本G
i
进行归一化：进行归一化：其中，F
i
和G
i
分别为第i个人的第一模态比对分数样本和第二模态比对分数样本，f
i
和g
i
分别为归一化后的第i个人的第一模态比对分数样本和第二模态比对分数样本，i∈[1,N]；F
igen
和分别为训练集中，第i对相同人的第一模态比对分数样本和第二模态比对分数
样本，和分别为训练集中，第i对不同人的第一模态比对分数样本和第二模态比对分数样本；所述获取第一模态比对分数和第二模态比对分数，并利用LFAR变换将所述第一模态比对分数和第二模态比对分数进行归一化，包括：获取第一模态比对分数F和第二模态比对分数G，并利用如下公式对第一模态比对分数F和第二模态比对分数G进行归一化：F和第二模态比对分数G进行归一化：其中，f和g分别为归一化后的第一模态比对分数和第二模态比对分数。4.根据权利要求2所述的生物特征多模态融合识别方法，...

【专利技术属性】
技术研发人员：郭秀花，杨春林，丁松，江武明，王洋，孙飞，周军，
申请(专利权)人：北京眼神科技有限公司，
类型：发明
国别省市：