采用神經網絡的多模生物特征人臉及指紋識別

王宇東

(信陽師范學院外國語學院，河南信陽 464000)

多模態生物特征識別［1］是基于人體物理模式或行為模式來識別其身份的模式識別研究領域，生物特征的優點是它不會改變或者消失。許多身體部位、個人特征以及影像方法已經被用于生物特征識別系統，如手指、雙手、腳、眼睛、耳朵、牙齒、靜脈聲音、簽名、文章風格、步型等特征［2-3］。每個生物特征識別都有自己的優勢和限制，因此每個生物特征被用于鑒定(認證)應用軟件上。采用單一特征的生物特征識別系統有許多限制，如感應時有噪聲、不具普遍性、類間相似性、類內多樣性、欺騙性以及特殊性等，這種單模式生物特征識別體統可能導致高錯誤接受率(FAR)和錯誤拒絕率(FRR)［3］。生物特征識別系統是固定概率性的，它們的表現需要采用基本背景和關鍵特征進行評估。生物特征識別系統采用近似公差匹配，觀察人內在的和人與人之間的生物特征和生物屬性以及表現行為。因此，與大多數采用大型二進制結果的信息技術系統相比，生物特征識別系統提供了概率性的結果。這種新的多模態人臉及指紋生物特征識別系統比非多模識別系統表現得更好，更受歡迎。

主成分分析法(PCA)是從統計數據分析的常用方法，適應性主成分分析提取(APCA)則是由文獻［4］在主成分分析法的基礎上采用神經算法實現的，采用的方法是多主分量提取，這種模型的所有突觸權值是由規范化希賓學習規則模型產生的，其網絡結構使一個層次的橫向連接從目的是權值正交化的輸出單元中凸顯出來，這種結構同樣允許在不需要舊單元的再訓練的情況下，模型的大小能夠增長或收縮。該網絡的指數收斂從形式上證明了新方案相對于以前的方案表現上有了顯著的提升。通過遞歸最小二乘算法來確定一個重要連接，已經能夠提供步長參數學習所需要的最理想大小，收斂速度也有了顯著提高，這和以前缺少這種數字優勢的神經主成分分析法模型正好相反。適應性主成分分析提取算法的同時也支持并行處理，它允許實時提取多個主成分。目前，適應性主成分提取算法［4］被表明能適應約束信號方差在外部正交而被最大化的主成分分析問題。該算法同樣也被應用到人臉數據庫來進行臉部特征提取工作［5］。仿真結果表明該算法是人臉識別中有效的特征提取方法。

多層次感知(MLP)［6］是一種將輸入數據集映射到合適輸出集的前向人工神經網絡模型，它是由一個有向圖的多層節點組成的，每一層全部連接到下一層。除了輸入節點，每個節點是一個具有非線性激活功能的處理單元。MLP利用被稱為反向傳播的監督學習技術來訓練網絡，一些涉及到前饋MLP的表達能力的特點也已經被證明了［7］。任意函數學習:在3層網絡中，任何函數都可以采用任意精度而被學習。連續函數學習:在2層網絡中(隱藏單元的數量視功能而被估值)，每一個有限界的連續函數可以在小錯誤的情況下被學習。布爾函數學習:在2層網絡中，每一個布爾函數正好可以被學習，盡管隱藏處理單元的數量隨著輸入維數呈指數增長。擁有1層輸入單元，1層隱藏單元以及輸出單元的網絡是2層網絡;擁有2層隱藏單元的網絡是3層網絡，依次類推。這樣定義的理由是輸入單元所在的層僅被作為一個輸入通道，因此沒有被計算為層數。

1 系統設計

1.1 生物特征識別

生物特征識別是一種基于個體行為和生物特征對其進行的自動識別。它是一種用來處理那些已經被識別(或者沒有被識別)個體的工具，并因此來確定它們屬于擁有權限的一組(或者屬于被拒絕權限的一組)。這種識別依賴于一種假設，那就是個體們在物理和行為上以不同的方式表現的與眾不同。

圖1闡述了識別過程的基本操作。在一個通用的生物特征識別系統中的2個基本操作分別是:捕獲和存儲登記生物特征樣本;捕獲新的生物特征樣本并進行對比。該識別系統的主要組件分別是:“模式匹配”，傳感器從被識別的對象上收集生物特征數據;“參考數據庫”存儲前期注冊對象的生物特征數據;“匹配器”將提交的數據和參考數據進行對比來做出識別決定;“反應端”，識別結果將被發布，一些基于該結果的動作也將展開。

圖1 生物識別系統上的操作

早期的系統是基于主成分分析法的特性提取技術和非并行前饋反向傳播識別技術實現的。采用這種先識別臉部接著識別指紋方法的問題是它是基于單模生物特征系統。單模生物特征系統存在諸多問題，如噪聲數據、類內變化、自由度限制、非普遍性、欺騙攻擊和不可接受錯誤率等。這種基于配置的方法不能使錯誤接受率、錯誤拒絕率、拒登率正常化。提出“人工多生物特征識別接近于人臉及指紋生物特征識別”，作為工作的一部分，人工神經網絡已被完成。特性提取采用主成分分析法，識別采用前饋反向傳播神經網絡。它們的工作是先識別臉部接著識別指紋來處理任務。訓練過的神經網絡將輸入像素點聚集分組到提供結果的不同集群中。提出了一種采用指紋和人臉識別技術來進行人員鑒定和驗證的多模生物特征識別系統。該系統采用2個在分類器水平和特性水平上結合的特性(人臉和指紋)的個體得分［3］。

多模生物特征系統被提出，該系統通過學習來提高精度和效率，一個框架也通過評估這個系統的表現而確定了。該系統不允許一個只有少量普通信息的普通中間件層來處理多模應用程序［2］。

文獻［6］提出了基于個體唯一識別的生物特征識別系統，該系統采用不同的圖像優化技術如高斯平滑函數、點陣強烈值調整等技術。通過學習不同的二值化方法，可以為輸入的拇指圖像選擇能夠得出最好結果的方法。本文同時展示了一些圖像細化算法，基于結果分析，本文選擇了圖像細化算法。人工神經網絡的問題是了解一個算法的結構很困難，過多的因素會導致過度過濾，最佳的網絡結構只能根據實驗來確定［5］。

文獻［8］介紹了一種能自動檢測采用多層次分數等級融合的滲出性多模人臉及指紋識別系統的方法，通過將頂替得分和真實得分進行融合來提升人臉識別系統［4］。

1.2 采用神經網絡的多模生物特征識別

本文將重點放在了采用神經網絡的多模人臉及指紋生物特征識別的實現上。身份驗證的多模生物特征識別采用了2個特性，分別是基于適應性主成分分析法和基于多層次感應的人臉及指紋系統。一個采用神經網絡的識別系統的提倡方案是實現并行處理，而多模生物特征識別系統處理的是一些訓練得到的近似范圍的2種特性(人臉和指紋)的個體得分，它們是不連續的間隔，這樣系統就可以高效地產生好而精確的結果。目前的工作是將嶺基于和特征臉方法結合起來并行處理，從而實現高效的人臉及指紋識別算法。在這里提出一種方法來解決前面問題的缺點，這個方法是基于神經網絡和聯合嶺基于及特征臉方法的高效人臉及指紋識別算法。這個系統的主要目的是在識別和認證的過程中盡可能地減小錯誤率，通過實現較好的接受率來提高系統的表現。采用人臉和指紋兩種特性的多模生物特征識別系統如圖2所示。

實現步驟為:

1)采集階段:通過將從不同的傳感器上收集到的生物特性聯合起來生成一個合成生物特征集并進行處理。將一個被照相機捕捉到的或者掃描生成的物體或者風景的圖片作為這個系統的輸入數據。

圖2 采用人臉和指紋兩種特性的多模生物特征識別系統

2)特征提取階段:來自不同生物特征渠道的信號首先會被預處理，特征矢量也會采用特殊的算法而被分開提取，然后將這些矢量結合起來形成一個合成特征矢量對于分類有很大幫助。以上一系列需要執行的步驟是為了使一張圖片更好地被后面的階段處理和解釋。這些步驟包括除噪、記錄強度的變化、打磨、提高對比、伸展圖片的紋理等。另一個重要的方面是圖片存儲，主要是從一個退化形式來提取圖片信息，使它接下來更適合被處理和解釋。

3)匹配融合階段:相對于聯合特征矢量，單獨處理特征矢量時會產生個體匹配分數，依靠每項生物特征匹配分數可以進行分類工作。

4)判斷決策階段:每種模式首先會被單獨地預分類，多模生物特征識別系統會完成任何的融合策略，或者將它們聯合起來以提升系統的表現。

系統的層次如圖3所示。

圖3 人臉和指紋識別系統

2 實驗

多模生物特征識別系統數據庫可以是真實的或者虛擬的。實際的多模數據庫是由同一個體身上獲取的生物特性組成的，而虛擬的多模數據庫是由一個單模生物特征數據庫和另一個單模生物特征數據庫的生物特征組合而成的。虛擬多模生物特征數據庫是基于在個體身上不同的生物特征是獨立的這一假設。實驗數據是從200個年齡分布為20～52歲的不同用戶中提取的，這其中包括男性和女性，實驗環境是在普通的機房。

當單特征和人臉及指紋綜合特征有相同錯誤接受率時，單特征的錯誤拒絕率要比多模式的錯誤拒絕率高。表1顯示了表格呈現出的結果的對比。可以看出，多模式生物特征明顯提升了系統的表現。

表1 多模生物特征認證系統下的FRR和FAR對比

由表2可看出采用主成分分析算法的人臉及指紋識別系統的效率是93.33%，這些結果體現出了采用多模生物特征識別系統來實現更好的匹配表現的效果。它們也同樣可以推斷出，在運行的多模生物特征識別系統中，融合特征的選擇對于實驗結果的影響是很大的。

表2 PCA方法的實驗結果

由表3可看出采用適應性主成分提取算法的人臉及指紋識別系統的效率是96.67%，應用的需求決定了容錯率，在單模和多模生物特征識別系統中，往往要求系統能夠在可用性和安全性上有一個權衡。

表3 APCE方法的實驗結果

3 結束語

本文完成的工作主要是將錯誤接受率、注冊失敗率和錯誤拒絕率進行規范化，提出了保證生物特征數據的安全和完整率的可靠方法，實現了相對于單模有更高準確率，同時可以減少識別反應時間的識別系統。當高頻系數對于人類虛擬系統不是很敏感時，多模識別相對于單模識別有了高效的表現，開始的一些各塊系數也會形成，這樣提倡的基于軟件計算的預測模型另一方面也更容易實現了。本文同樣實現了一個規范的結合人臉和指紋來進行個人身份認證的生物特征識別系統，這個系統克服了人臉識別系統和指紋驗證系統的諸多限制。

:

［1］SHEBHANGI D C，BALI M.Multi-Biometric approaches to face and fingerprint biometrics［J］.International Journal of Engineering，2012，1(5):109-126.

［2］LULU C，LULU V.Multimodal biometrics for access control in an intelligent car［C］//Proc.International Symposium on Computational Intelligence and Intelligent Informatics，2007.Agadir:［s.n.］，2007:261-267.

［3］SASIDHAR K，KAKULAPATI V L，RAMAKRISHNA K.Multimodal biometric systems-study to improve accuracy and performance［EB/OL］.［2013-03-20］.http://arxiv.org/abs/1011.6220.

［4］張愛華，尉宇.基于混沌粒子群的決策樹SVM的調制模式識別［J］.電視技術，2012，36(23):126-129.

［5］WANG Y，LIU Z.A survey on multimodal biometrics［J］.Advances in Automation and Robotics，2012(2):387-396.

［6］RAZZED M I，YUSUF R，KHALID M.Multimodal face and finger veins biometric authentication［J］.Sci.Res.Essays，2010，5(17):2529-2534.

［7］TRUPTI S.Biometric feature based person unique identification International Journal of Computer Applications［EB/OL］.［2013-03-20］.http://www.ijcaonline.org/archives/volume51/number13/8100-1691.

［8］NAIAD P K，NARAYAN D.Multimodal biometric face and fingerprint recognition using neural network［EB/OL］.［2013-03-20］.http://www.google.com.hk/url?sa=t＆rct=j＆q=Multimodal+biometric+face+and+fingerprint+recognition+using+neural+network＆source=web＆cd=1＆ved=0CC8QFjAA＆url=http%3a%2f%2fwww%2eijert%2eorg%2fbrowse%2fdecember-2012-edition%3fdownload%3d1884%253Amultimodal-biometric-face-and-fingerprint-recognitionusing-neural-network%26start%3d130＆ei=1h_RUo7IAuKAiQfx pYHACQ＆usg=AFQjCNHOCEXhaEcO6u1P9-c2jSTN95Q2hg.

作者簡介:王宇東(1968— )，碩士，實驗師，主要研究領域為計算機應用、網絡安全。