【技术实现步骤摘要】
本专利技术涉及计算机视觉、数字图像处理、模式识别和统计机器学习等
，特别是一种基于线性规划模型的生物特征图像分析与识别方法。
技术介绍
随着网络信息社会的高速发展，自动高效的鉴定一个人的身份已成为关键的社会安全问题。生物特征识别技术应运而生，并得到了各个国家和地区政府的高度关注。例如印度已经启动的WD (唯一身份认证)计划，要为每一位公民建立唯一的生物特征标识，包括人脸、虹膜、指纹等数字图像信息；我国在二代居民身份证或电子护照中加入个人生物特征(如虹膜、指纹和脸相等)的议案已经开始执行。在生物特征识别技术中，虹膜识别具有高可靠性和非接触采集等优点，而人脸识别具有易采集，自然非侵犯性等优点，指纹识别则设备轻便，经济适用。总之，生物特征识别技术以其独特的优势，广泛应用于银行、煤矿、海 关进出口安检等身份鉴定的系统。特别的，虹膜是介于人眼瞳孔和巩膜之间的环状部分区域。虹膜图像具有丰富的纹理信息，保证几乎每个人都具有独特的特征。人脸图像也保证了每个人具有独特的纹理和结构信息。当前基于局部区域特征的提取与匹配算法的生物特征识别方法达到了世界领先技术水平。定序测量特征(OM)...
【技术保护点】
一种基于线性规划模型的生物特征图像识别方法，其特征在于，该方法包括以下步骤：步骤S1，对生物特征训练样本图像进行归一化处理；步骤S2，对于归一化后的生物特征训练样本图像，提取其局部子区域特征，得到基于局部子区域特征的生物特征图像表达；步骤S3，判断所述生物特征图像表达中所包含的局部子区域特征个数是否过大，如是则转向步骤S5，如否则进入步骤S4；步骤S4，基于线性规划模型从局部子区域特征中选择最优特征；步骤S5，基于并行随机采样处理和线性规划模型从局部子区域特征中选择最优特征；步骤S6，将所述步骤S4或者S5得到的最优特征按其权重的取值大小进行降序排列，选择排名靠前的一定数量...
【技术特征摘要】
1.一种基于线性规划模型的生物特征图像识别方法，其特征在于，该方法包括以下步骤 步骤SI，对生物特征训练样本图像进行归一化处理； 步骤S2，对于归一化后的生物特征训练样本图像，提取其局部子区域特征，得到基于局部子区域特征的生物特征图像表达； 步骤S3，判断所述生物特征图像表达中所包含的局部子区域特征个数是否过大，如是则转向步骤S5，如否则进入步骤S4 ； 步骤S4，基于线性规划模型从局部子区域特征中选择最优特征； 步骤S5，基于并行随机采样处理和线性规划模型从局部子区域特征中选择最优特征；步骤S6，将所述步骤S4或者S5得到的最优特征按其权重的取值大小进行降序排列，选择排名靠前的一定数量的特征，通过支持向量机SVM方法训练学习得到分类器模型； 步骤S7，输入待测试生物特征图像； 步骤S8，按照所述步骤SI对该待测试生物特征图像进行归一化处理； 步骤S9，对于归一化后的待测试生物特征图像，提取其所述步骤S4或S5得到的最优局部子区域特征； 步骤S10，将提取出的最优局部子区域特征输入到所述步骤S6得到的分类器模型中，从而得到对于该生物特征图像的识别结果。2.根据权利要求I所述的方法，其特征在于，所述对生物特征训练样本图像进行归一化处理包括以基准点为参考，通过旋转、平移或缩放将图像归一化到相同尺度大小。3.根据权利要求I所述的方法，其特征在于，所述步骤S2进一步包括以下子步骤 步骤S21，将归一化后的生物特征训练样本图像划分为多个不同大小的局部子区域； 步骤S22，对划分得到的每个局部子区域分别使用滤波器进行滤波，根据所述滤波器的参数组合提取得到每个局部子区域的特征，所有局部子区域特征的集合即为对原始生物特征训练样本图像的过完备的特征表达。4.根据权利要求3所述的方法，其特征在于，所述局部子区域的大小甚至可以是整个图像的大小。5.根据权利要求3所述的方法，其特征在于，多个局部子区域之间是可重叠的，所有局部子区域的并集覆盖整个图像区域，以保证候选局部子区域的完备性。6.根据权利要求I所述的方法，其特征在于，所述步骤S4进一步包括以下子步骤 步骤S41，建立具有最大间隔性质的损失函数模型； 步骤S42，建立对所述损失函数模型中的特征权重的非负约束，即第i维特征的权重Wi ^ O i = I. . . D,其中，D为特征的总维...
【专利技术属性】
技术研发人员：谭铁牛，孙哲南，王立彬，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
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。