CN106971157B - 基于多元线性回归联想记忆模型的身份耦合识别方法 - Google Patents

基于多元线性回归联想记忆模型的身份耦合识别方法 Download PDF

Info

Publication number
CN106971157B
CN106971157B CN201710175033.3A CN201710175033A CN106971157B CN 106971157 B CN106971157 B CN 106971157B CN 201710175033 A CN201710175033 A CN 201710175033A CN 106971157 B CN106971157 B CN 106971157B
Authority
CN
China
Prior art keywords
picture
fingerprint
matrix
input
face
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710175033.3A
Other languages
English (en)
Other versions
CN106971157A (zh
Inventor
韩琦
翁腾飞
刘晋
刘洋
吴政阳
谯自强
黄军建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Chongqing University of Education
Original Assignee
Chongqing University of Science and Technology
Chongqing University of Education
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology, Chongqing University of Education filed Critical Chongqing University of Science and Technology
Priority to CN201710175033.3A priority Critical patent/CN106971157B/zh
Publication of CN106971157A publication Critical patent/CN106971157A/zh
Application granted granted Critical
Publication of CN106971157B publication Critical patent/CN106971157B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于多元线性回归联想记忆模型的指纹和人脸耦合识别方法，包括以下步骤：S1：采集指纹图片和人脸图片；S2：分别得到指纹图片和人脸图片的联想记忆输入矩阵和输出矩阵；S3：构建带回归参数的多元线性回归指纹图片识别模型和多元线性回归人脸图片识别模型；S4：计算回归参数，得到多元线性回归指纹图片识别模型、多元线性回归人脸图片识别模型；S5：对指纹图片和人脸图片进行识别。有益效果：身份信息实现多重识别，可靠性高，将联想记忆和多元线性回归模型相结合，将图片转化成参数，安全系数高，识别效果好，对身份信息保护效果好，隐秘性高。

Description

基于多元线性回归联想记忆模型的身份耦合识别方法
技术领域
本发明涉及图像数据保存技术领域，具体的说是一种基于多元线性回归联想记忆模型的身份耦合识别方法。
背景技术
随着大数据时代的发展，人们通常将日常的照片甚至身份证件照片保存至数据库中，这样容易被黑客盗取私人信息，来进行贩卖或者进行违法犯罪活动，这样人们的私人信息被泄露，日常生活容易被打扰甚至卷入犯罪事件当中，容易造成诸多不便。
在一些需要进行身份信息进行验证的机构，通常会采集人们的身份信息进行身份验证。例如采集人们的人脸信息或者指纹信息。信息量少，身份核对可信度不高。并且在对人们的身份信息进行保存时，通常是直接保存，未对对照片进行处理保存，安全系数低，身份信息容易被盗取。当身份信息数据库一旦遭遇不法分子的攻击，身份信息极为容易被盗取来进行违法活动，给人们造成不必要的麻烦。
发明内容
针对上述问题，本发明提供了一种基于多元线性回归联想记忆模型的身份耦合识别方法，结合联想记忆和多元线性回归模型，将人脸图片、指纹图片转换成一系列参数进行保存，实现双重身份验证，安全性高，可靠性好，。
为达到上述目的，本发明采用的具体技术方案如下：
一种基于多元线性回归联想记忆模型的身份耦合识别方法，其关键在于包括以下步骤：
S1：采集人群的指纹图片和人脸图片，对采集到的指纹图片和人脸图片进行分组编号；
S2：通过设置二值图亮度阈值，将步骤S1得到的所有指纹图片和人脸图片处理为二值图片，得到指纹图片的联想记忆输入矩阵和输出矩阵和人脸图片的联想记忆输入矩阵和输出矩阵；
S3：利用细胞神经网络结构，构建两个带有回归参数的多元线性回归图片识别模型，分别为多元线性回归指纹图片识别模型和多元线性回归人脸图片识别模型；
S4：根据步骤S2得到的指纹图片和人脸图片的联想记忆输入矩阵、输出矩阵和步骤S3得到的两个多元线性回归图片识别模型，分别计算步骤S3中的所述回归参数，最终确定多元线性回归指纹图片识别模型、多元线性回归人脸图片识别模型；
S5：基于自联想记忆准则，对指纹图片和人脸图片分别进行识别。
进一步地，在进行身份验证时，需要同时获取用户的指纹图片和人脸图片进行双重核对。
当有其中一个图片核对有问题，则核对失败。实现双重核对，可信度高，提高了身份信息保存的可靠性。
进一步地，所述二值图亮度阈值K＝(0，1，2，3...255)；
在步骤S1中包括m组图片，对应的编号为1,2,3...m，所有指纹图片和人脸图片均由N行M列个的像素点组成，像素点个数为n＝N×M；
设指纹的二值图矩阵为联想记忆的输入矩阵Γ′＝(X′1,X′2,…,X′i,…,X′m)，i∈{1,2,…,m}，表示第i幅指纹的二值图中所有的像素点组成的输入向量，其中，
Figure GDA0002690266650000031
αj′i表示在第i幅指纹的二值图中的第j个像素点的输入值；
设指纹的二值图矩阵为联想记忆的输出矩阵
Figure GDA0002690266650000033
i∈{1,2,…,m}，表示第i幅指纹的二值图中所有的像素点组成的输出向量，其中，Y′i＝(y1′i，y2′i，…，yj′i，…，yn′i)T，i∈{1，2，…，m}，j{1，2，…，n}，yj′i表示在第i幅指纹的二值图中的第j个像素点的输出值；
设人脸的二值图矩阵为联想记忆的输入矩阵Γ″＝(X″1,X″2,…,X″i,…,X″m)，i∈{1,2,…,m}，表示第i幅人脸的二值图中所有的像素点组成的输入向量，其中，X″i＝(α1″i，α2″i，…，αj″i，…，αn″i)T，i∈{1，2，…，m}，j∈{1，2，…，n}，αj″i表示在第i幅人脸的二值图中的第j个像素点的输入值；
设人脸的二值图矩阵为联想记忆的输出矩阵
Figure GDA0002690266650000038
i∈{1,2,…,m}，表示第i幅人脸的二值图中所有的像素点组成的输出向量，其中，Y″i＝(y1″i，y2″i，…，yj″i，…，yn″i)T，i∈{1，2，…，m}，j∈{1，2，…，n}，yj″i表示在第i幅人脸的二值图中的第j个像素点的输出值。
再进一步描述，步骤S3的具体内容为：：
基于细胞神经网络结构构建的多元线性回归指纹图片识别模型，具体为：
Figure GDA00026902666500000311
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure GDA0002690266650000041
为输入参数，
Figure GDA0002690266650000042
是输出，
Figure GDA0002690266650000043
是输入，
Figure GDA0002690266650000044
是偏移量，
Figure GDA0002690266650000045
是输入模板；
输入模板
Figure GDA0002690266650000046
的表达式如下：
Figure GDA0002690266650000047
令r为1，则等式(2)中
Figure GDA0002690266650000048
公式(1)改写为：
Y′＝A′X′+V′ (3)
其中，输入向量：
Figure GDA0002690266650000049
输出向量
Figure GDA00026902666500000410
偏移量
Figure GDA00026902666500000411
记忆矩阵A′和偏移量V′为所述回归参数，记忆矩阵A′＝(a′ij)n×n可以写成如下形式：
Figure GDA0002690266650000051
其中，
Figure GDA0002690266650000052
Figure GDA0002690266650000053
Figure GDA0002690266650000054
基于细胞神经网络结构构建的多元线性回归人脸图片识别模型，具体为：
Figure GDA0002690266650000055
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure GDA0002690266650000061
为输入参数，
Figure GDA0002690266650000062
是输出，
Figure GDA0002690266650000063
是输入，
Figure GDA0002690266650000064
是偏移量，
Figure GDA0002690266650000065
是输入模板；
输入模板
Figure GDA0002690266650000066
的表达式如下：
Figure GDA0002690266650000067
令r为1，则等式(7)中
Figure GDA0002690266650000068
公式(6)改写为：
Y″＝A″X″+V″ (8)
其中，输入向量：
Figure GDA0002690266650000069
输出向量
Figure GDA00026902666500000610
偏移量
Figure GDA00026902666500000611
记忆矩阵A″和偏移量V″为所述回归参数，记忆矩阵A″＝(a″ij)n×n可以写成如下形式：
Figure GDA0002690266650000071
其中，
Figure GDA0002690266650000072
Figure GDA0002690266650000073
Figure GDA0002690266650000074
再进一步描述，步骤S4中计算步骤S3中的未知回归参数的具体步骤为：S41：令向量
Figure GDA0002690266650000075
Figure GDA0002690266650000076
令Y'＝((Y″1)T,(Y″2)T,…,(Y″i)T,…,(Y″m)T)T；Y″＝((Y″1)T,(Y″2)T,…,(Y″i)T,…,(Y″m)T)T；
其中Y′i和Y″i分别表示第i幅指纹二值图和人脸二值图中所有的像素点组成的列向量；
令l∈{1,2,…,m}和q∈{1,2,…,N},
Figure GDA0002690266650000081
Figure GDA0002690266650000082
Figure GDA0002690266650000083
Figure GDA0002690266650000091
Figure GDA0002690266650000092
Figure GDA0002690266650000093
则由公式(3)可得：
X′·L′＝Y' (11)
公式(8)可得：
X″·L″＝Y″ (12)
则
Figure GDA0002690266650000094
Figure GDA0002690266650000095
其中，L′和L″为常数。
S42：在自联想记忆准则中，存在：
Figure GDA0002690266650000101
Figure GDA0002690266650000102
将步骤S2中得到的指纹图片联想记忆输入矩阵Γ′＝(X′1,X′2,…,X′i,…,X′m)和输出矩阵
Figure GDA0002690266650000103
带入公式(11)中，将步骤S2中得到的指纹图片联想记忆输入矩阵Γ″＝(X″1,X″2,…,X″i,…,X″m)和输出矩阵
Figure GDA0002690266650000104
带入公式(12)中,并且将Γ′转化为X′，将
Figure GDA0002690266650000105
转化为Y'，Γ″转化为X″，将
Figure GDA0002690266650000106
转化为Y″，得到X′·L1＝Y'和X″·L2＝Y″，得出L′＝L1＝pinv(X′)·Y'和L″＝L2＝pinv(X″)·Y″；
S43：将步骤S42得到的偏移v′j和输入模板
Figure GDA0002690266650000107
带入公式(4)、(5)，得到记忆矩阵A′和偏移量V′，得出多元线性回归指纹图片识别模型；
将步骤S42得到的偏移v″j和输入模板
Figure GDA0002690266650000108
带入公式(9)、(10)，分别，得到记忆矩阵A″和偏移量V″，得到多元线性回归人脸图片识别模型。
再进一步描述，步骤S5中对指纹图片和人脸图片进行识别的具体步骤为：
S51：获取指纹图片和人脸图片，分别得到指纹图片和人脸图片的输入矩阵；
S52：将指纹图片输入矩阵输入到多元线性回归指纹图片识别模型中得到指纹图片的模型输出矩阵，将人脸图片输入矩阵输入到多元线性回归人脸图片识别模型中得到人脸图片的模型输出矩阵；
S53：将步骤S51得到的输入矩阵与步骤S52得到的模型输出矩阵分别对指纹图片和人脸图片进行匹配；
S54：设指纹图片匹配成功率为H1，人脸图片匹配成功率为H2，判断身份验证匹配度H是否大于匹配设定值h，其中H＝H1×H2，h＝0～1；若是，为匹配成功，否则匹配失败。其中要满足H1≥h0，H2≥h0。
本发明的有益效果：将自联想记忆和多元线性回归模型相结合，将指纹图片和人脸图片转化成一系列参数进行保存，身份信息包括指纹和人脸图片，验证可靠度高，并且对图片的保存方式隐秘性强，安全系数高，有效防止人们身份信息被泄露；采用将图片经模型转化成参数的形式，简单方便，实用性好，图片识别效果好，对人脸图片和指纹图片保护效果好。
附图说明
图1是本发明的图片识别方法流程图；
图2是多元线性回归指纹图片识别模型位置参数求解原理图；
图3是多元线性回归人脸图片识别模型位置参数求解原理图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1可以看出，一种基于多元线性回归联想记忆模型的身份耦合识别方法，包括以下步骤：
S1：采集人群的指纹图片和人脸图片，对采集到的指纹图片和人脸图片进行分组编号；
在进行身份信息保存时，需要同时获取用户的指纹图片和人脸图片进行双重核对。
若其中一个图片的匹配成功率低于H设定值h，将身份信息识别失败，识别***可靠性高，提高了身份信息保存可靠性。
S2：通过设置二值图亮度阈值，将指纹图片和人脸图片处理为二值图片，得到指纹图片的联想记忆输入矩阵和输出矩阵和人脸图片的联想记忆输入矩阵和输出矩阵；
所述二值图亮度阈值K＝(0，1，2，3...255)；在本实施例中，设置K＝100。
在步骤S1中包括m组图片，对应的编号为1,2,3...m，所有指纹图片和人脸图片均由N行M列个的像素点组成，像素点个数为n＝N×M；
设指纹的二值图矩阵为联想记忆的输入矩阵Γ′＝(X′1,X′2,…,X′i,…,X′m)，i∈{1,2,…,m}，表示第i幅指纹的二值图中所有的像素点组成的输入向量，其中，
Figure GDA0002690266650000121
αj′i表示在第i幅指纹的二值图中的第j个像素点的输入值；
设指纹的二值图矩阵为联想记忆的输出矩阵
Figure GDA0002690266650000123
i∈{1,2,…,m}，表示第i幅指纹的二值图中所有的像素点组成的输出向量，其中，Y′i＝(y1′i，y2′i，…，yj′i，…，yn′i)T，i∈{1，2，…，m}，j{1，2，…，n}，yj′i表示在第i幅指纹的二值图中的第j个像素点的输出值；
设人脸的二值图矩阵为联想记忆的输入矩阵Γ″＝(X″1,X″2,…,X″i,…,X″m)，i∈{1,2,…,m}，表示第i幅人脸的二值图中所有的像素点组成的输入向量，其中，X″i＝(α1″i，α2″i，…，αj″i，…，αn″i)T，i∈{1，2，…，m}，j∈{1，2，…，n}，αj″i表示在第i幅人脸的二值图中的第j个像素点的输入值；
设人脸的二值图矩阵为联想记忆的输出矩阵
Figure GDA0002690266650000128
i∈{1,2,…,m}，表示第i幅人脸的二值图中所有的像素点组成的输出向量，其中，Y″i＝(y1″i，y2″i，…，yj″i，…，yn″i)T，i∈{1，2，…，m}，j∈{1，2，…，n}，yj″i表示在第i幅人脸的二值图中的第j个像素点的输出值。
在本实施例中，二值图片中黑色像素点(0)映射为-1,将二值图片中白色像素点(255)映射为1。
S3：利用细胞神经网络结构，构建两个带有回归参数的多元线性回归图片识别模型，分别为多元线性回归指纹图片识别模型和多元线性回归人脸图片识别模型；
在本实施例中，基于细胞神经网络结构搭建多元线性回归指纹图片识别模型和多元线性人脸图片识别模型，具体为：
基于细胞神经网络结构构建的多元线性回归指纹图片识别模型，具体为：
Figure GDA0002690266650000131
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure GDA0002690266650000132
为输入参数，
Figure GDA0002690266650000133
是输出，
Figure GDA0002690266650000134
是输入，
Figure GDA0002690266650000135
是偏移量，
Figure GDA0002690266650000136
是输入模板；
输入模板
Figure GDA0002690266650000137
的表达式如下：
Figure GDA0002690266650000138
令r为1，输入模板
Figure GDA0002690266650000139
的表达式中
Figure GDA00026902666500001310
将公式
Figure GDA0002690266650000141
改写为：
Y′＝A′X′+V′
其中，输入向量：
Figure GDA0002690266650000142
输出向量
Figure GDA0002690266650000143
偏移量
Figure GDA0002690266650000144
记忆矩阵A′和偏移量V′为所述回归参数，记忆矩阵A′＝(a′ij)n×n可以写成如下形式：
Figure GDA0002690266650000145
其中，
Figure GDA0002690266650000146
Figure GDA0002690266650000151
Figure GDA0002690266650000152
基于细胞神经网络结构构建的多元线性回归人脸图片识别模型，具体为：
Figure GDA0002690266650000153
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure GDA0002690266650000154
为输入参数，
Figure GDA0002690266650000155
是输出，
Figure GDA0002690266650000156
是输入，
Figure GDA0002690266650000157
是偏移量，
Figure GDA0002690266650000158
是输入模板；
输入模板
Figure GDA0002690266650000159
的表达式如下：
Figure GDA00026902666500001510
令r为1，则输入模板
Figure GDA00026902666500001511
的表达式中
Figure GDA0002690266650000161
公式
Figure GDA0002690266650000162
改写为：
Y″＝A″X″+V″
其中，输入向量：
Figure GDA0002690266650000163
输出向量
Figure GDA0002690266650000164
偏移量
Figure GDA0002690266650000165
记忆矩阵A″和偏移量V″为所述回归参数，记忆矩阵A″＝(a″ij)n×n可以写成如下形式：
Figure GDA0002690266650000166
其中，
Figure GDA0002690266650000171
Figure GDA0002690266650000172
Figure GDA0002690266650000173
S4：根据步骤S2得到的指纹图片和人脸图片的联想记忆输入矩阵、输出矩阵和步骤S3得到的两个多元线性回归图片识别模型，分别计算步骤S3中的所述回归参数，最终确定多元线性回归指纹图片识别模型、多元线性回归人脸图片识别模型；
步骤S4中计算步骤S3中的回归参数的具体步骤为：
S41：令向量
Figure GDA0002690266650000174
Figure GDA0002690266650000175
令Y'＝((Y′1)T,(Y′2)T,…,(Y′i)T,…,(Y′m)T)T,Y″＝((Y″1)T,(Y″2)T,…,(Y″i)T,,(Y″m)T)T；
其中,i∈{1,2,…,m}，Y′i和Y″i分别表示第i幅指纹二值图和人脸二值图中所有的像素点组成的列向量；
令l∈{1,2,…,m}和q∈{1,2,…,N},
Figure GDA0002690266650000181
Figure GDA0002690266650000182
Figure GDA0002690266650000183
Figure GDA0002690266650000184
Figure GDA0002690266650000191
Figure GDA0002690266650000192
则由公式Y′＝A′X′+V′可得：
X′·L′＝Y'
由公式Y″＝A″X″+V″可得：
X″·L″＝Y″
因此，
Figure GDA0002690266650000193
Figure GDA0002690266650000194
其中，L′和L″为常数；
S42：在自联想记忆准则中，存在：
Figure GDA0002690266650000195
Figure GDA0002690266650000196
将步骤S2中得到的指纹图片联想记忆输入矩阵Γ′转化为X′，输出矩阵
Figure GDA0002690266650000197
转化为Y'，带入公式X′·L′＝Y'，得到L′；将步骤S2中得到的人脸图片联想记忆输入矩阵Γ″转化为X″，输出矩阵
Figure GDA0002690266650000201
转化为Y″，带入公式X″·L″＝Y″，得到L″。根据L′得偏移v′和输入模板
Figure GDA0002690266650000202
根据L″得偏移v″和输入模板
Figure GDA0002690266650000203
S43：将步骤S42得到的偏移v′j和输入模板
Figure GDA0002690266650000204
带入公式
Figure GDA0002690266650000205
Figure GDA0002690266650000206
得到记忆矩阵A′和偏移量V′，得出多元线性回归指纹图片识别模型；
将步骤S42得到的偏移v″j和输入模板
Figure GDA0002690266650000207
带入公式
Figure GDA0002690266650000208
Figure GDA0002690266650000209
分别，得到记忆矩阵A″和偏移量V″，得到多元线性回归人脸图片识别模型。
S5：基于自联想记忆准则，对指纹图片和人脸图片分别进行识别。具体为：
S51：获取指纹图片和人脸图片，分别得到指纹图片和人脸图片的输入矩阵；
S52：将指纹图片输入矩阵输入到多元线性回归指纹图片识别模型中得到指纹图片的模型输出矩阵，将人脸图片输入矩阵输入到多元线性回归人脸图片识别模型中得到人脸图片的模型输出矩阵；
S53：将步骤S51得到的输入矩阵与步骤S52得到的模型输出矩阵分别对指纹图片和人脸图片进行匹配；
S54：设指纹图片匹配成功率为H1，人脸图片匹配成功率为H2，判断身份验证匹配度H是否大于匹配设定值h，其中H＝H1×H2，h＝0～1；若是，为匹配成功，否则匹配失败，其中还需要满足H1≥h0，H2≥h0，其中h0＝0.92
在本实施例中，h＝0.9，h0＝0.92
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (3)

1.一种基于多元线性回归联想记忆模型的身份耦合识别方法，其特征在于包括以下步骤：
S1：采集人群的指纹图片和人脸图片，对采集到的指纹图片和人脸图片进行分组编号；
S2：通过设置二值图亮度阈值，将步骤S1得到的所有指纹图片和人脸图片处理为二值图片，得到指纹图片的联想记忆输入矩阵和输出矩阵和人脸图片的联想记忆输入矩阵和输出矩阵；
所述二值图亮度阈值K＝(0，1，2，3，...，255)；
在步骤S1中包括m组图片，对应的编号为1,2,3...m，所有指纹图片和人脸图片均由N行M列个的像素点组成，像素点个数为n＝N×M；
设指纹的二值图矩阵为联想记忆的输入矩阵Γ′＝(X′1,X′2,…,X′i,…,X′m)，i∈{1,2,…,m}，表示第i幅指纹的二值图中所有的像素点组成的输入向量，其中，
Figure FDA0002690266640000011
αj′i表示在第i幅指纹的二值图中的第j个像素点的输入值；
设指纹的二值图矩阵为联想记忆的输出矩阵
Figure FDA0002690266640000012
Figure FDA0002690266640000013
表示第i幅指纹的二值图中所有的像素点组成的输出向量，其中，
Figure FDA0002690266640000014
Figure FDA0002690266640000015
表示在第i幅指纹的二值图中的第j个像素点的输出值；
设人脸的二值图矩阵为联想记忆的输入矩阵Γ″＝(X″1,X″2,…,X″i,…,X″m)，i∈{1,2,…,m}，表示第i幅人脸的二值图中所有的像素点组成的输入向量，其中，
Figure FDA0002690266640000021
αj″i表示在第i幅人脸的二值图中的第j个像素点的输入值；
设人脸的二值图矩阵为联想记忆的输出矩阵
Figure FDA0002690266640000023
Figure FDA0002690266640000024
表示第i幅人脸的二值图中所有的像素点组成的输出向量，其中，
Figure FDA0002690266640000025
yj″i表示在第i幅人脸的二值图中的第j个像素点的输出值；
S3：利用细胞神经网络结构，构建两个带有回归参数的多元线性回归图片识别模型，分别为多元线性回归指纹图片识别模型和多元线性回归人脸图片识别模型；
步骤S3的具体内容为：
基于细胞神经网络结构构建的多元线性回归指纹图片识别模型，具体为：
Figure FDA0002690266640000027
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure FDA0002690266640000028
为输入参数，
Figure FDA0002690266640000029
是输出，
Figure FDA00026902666400000210
是输入，
Figure FDA00026902666400000211
是偏移量，
Figure FDA00026902666400000212
是输入模板；
输入模板
Figure FDA00026902666400000213
的表达式如下：
Figure FDA00026902666400000214
令r为1，则等式(2)中
Figure FDA0002690266640000031
公式(1)改写为：
Y′＝A′X′+V′ (3)
其中，输入向量：
Figure FDA0002690266640000032
输出向量
Figure FDA0002690266640000033
偏移量
Figure FDA0002690266640000034
记忆矩阵A′和偏移量V′为所述回归参数，记忆矩阵A′＝(a′ij)n×n可以写成如下形式：
Figure FDA0002690266640000035
其中，
Figure FDA0002690266640000036
Figure FDA0002690266640000041
Figure FDA0002690266640000042
基于细胞神经网络结构构建的多元线性回归人脸图片识别模型，具体为：
Figure FDA0002690266640000043
其中，iN＝1,2，…,N；jM＝1,2，…,M；k1(iN,r)＝max{1-iN,-r}；k2(iN,r)＝min{N-iN,r}；l1(jM,r)＝max{1-jM,-r}；l2(jM,r)＝min{M-jM,r}；r是表示模板半径，
Figure FDA0002690266640000044
为输入参数，
Figure FDA0002690266640000045
是输出，
Figure FDA0002690266640000046
是输入，
Figure FDA0002690266640000047
是偏移量，
Figure FDA0002690266640000048
是输入模板；
输入模板
Figure FDA0002690266640000049
的表达式如下：
Figure FDA00026902666400000410
令r为1，则等式(7)中
Figure FDA0002690266640000051
公式(6)改写为：
Y″＝A″X″+V″ (8)
其中，输入向量：
Figure FDA0002690266640000052
输出向量
Figure FDA0002690266640000053
偏移量
Figure FDA0002690266640000054
记忆矩阵A″和偏移量V″为所述回归参数，记忆矩阵
Figure FDA0002690266640000055
可以写成如下形式：
Figure FDA0002690266640000056
其中，
Figure FDA0002690266640000057
Figure FDA0002690266640000061
Figure FDA0002690266640000062
S4：根据步骤S2得到的指纹图片和人脸图片的联想记忆输入矩阵、输出矩阵和步骤S3得到的两个多元线性回归图片识别模型，分别计算步骤S3中的所述回归参数，最终确定多元线性回归指纹图片识别模型、多元线性回归人脸图片识别模型；
步骤S4中计算步骤S3中的回归参数的具体步骤为：
S41：令向量
Figure FDA0002690266640000063
Figure FDA0002690266640000064
令Y'＝((Y′1)T,(Y′2)T,…,(Y′i)T,…,(Y′m)T)T,Y″＝((Y″1)T,(Y″2)T,…,(Y″i)T,…,(Y″m)T)T；
其中,i∈{1,2,…,m}，Y′i和Y″i分别表示第i幅指纹二值图和人脸二值图中所有的像素点组成的列向量；
令l∈{1,2,…,m}和q∈{1,2,…,N},
Figure FDA0002690266640000071
Figure FDA0002690266640000072
Figure FDA0002690266640000073
Figure FDA0002690266640000074
Figure FDA0002690266640000081
Figure FDA0002690266640000082
则由公式(3)可得：
X′·L′＝Y' (11)
公式(8)可得：
X″·L″＝Y″ (12)
因此，
Figure FDA0002690266640000083
Figure FDA0002690266640000084
其中，L′和L″为常数；
S42：在自联想记忆准则中，存在：
Figure FDA0002690266640000085
Figure FDA0002690266640000086
将步骤S2中得到的指纹图片联想记忆输入矩阵Γ′转化为X′，输出矩阵
Figure FDA0002690266640000087
转化为Y'，带入公式(11)，得到L′；将步骤S2中得到的人脸图片联想记忆输入矩阵Γ″转化为X″，输出矩阵
Figure FDA0002690266640000091
转化为Y″，带入公式(12)，得到L″；根据L′得偏移v′和输入模板
Figure FDA0002690266640000092
根据L″得偏移v″和输入模板
Figure FDA0002690266640000093
S43：将步骤S42得到的偏移v′j和输入模板
Figure FDA0002690266640000094
带入公式(4)、(5)，得到记忆矩阵A′和偏移量V′，得出多元线性回归指纹图片识别模型；
将步骤S42得到的偏移v″j和输入模板
Figure FDA0002690266640000095
带入公式(9)、(10)，分别，得到记忆矩阵A″和偏移量V″，得到多元线性回归人脸图片识别模型；
S5：基于自联想记忆准则，对指纹图片和人脸图片分别进行识别；
将自联想记忆和多元线性回归模型相结合，将指纹图片和人脸图片转化成一系列参数进行保存，身份信息包括指纹和人脸图片，验证可靠度高，并且对图片的保存方式隐秘性强，安全系数高，有效防止人们身份信息被泄露；采用将图片经模型转化成参数的形式，简单方便，实用性好，图片识别效果好，对人脸图片和指纹图片保护效果好。
2.根据权利要求1所述的基于多元线性回归联想记忆模型的身份耦合识别方法，其特征在于：在进行身份验证时，需要同时获取用户的指纹图片和人脸图片进行双重核对。
3.根据权利要求1或2所述的基于多元线性回归联想记忆模型的身份耦合识别方法，其特征在于步骤S5中对指纹图片和人脸图片进行识别的具体步骤为：
S51：获取指纹图片和人脸图片，分别得到指纹图片和人脸图片的输入矩阵；
S52：将指纹图片输入矩阵输入到多元线性回归指纹图片识别模型中得到指纹图片的模型输出矩阵，将人脸图片输入矩阵输入到多元线性回归人脸图片识别模型中得到人脸图片的模型输出矩阵；
S53：将步骤S51得到的输入矩阵与步骤S52得到的模型输出矩阵分别对指纹图片和人脸图片进行匹配；
S54：设指纹图片匹配成功率为H1，人脸图片匹配成功率为H2，判断身份验证匹配度H是否大于匹配设定值h，其中H＝H1×H2，h＝0～1；若是，为匹配成功，否则匹配失败。
CN201710175033.3A 2017-03-22 2017-03-22 基于多元线性回归联想记忆模型的身份耦合识别方法 Expired - Fee Related CN106971157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710175033.3A CN106971157B (zh) 2017-03-22 2017-03-22 基于多元线性回归联想记忆模型的身份耦合识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710175033.3A CN106971157B (zh) 2017-03-22 2017-03-22 基于多元线性回归联想记忆模型的身份耦合识别方法

Publications (2)

Publication Number Publication Date
CN106971157A CN106971157A (zh) 2017-07-21
CN106971157B true CN106971157B (zh) 2020-12-04

Family

ID=59329538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710175033.3A Expired - Fee Related CN106971157B (zh) 2017-03-22 2017-03-22 基于多元线性回归联想记忆模型的身份耦合识别方法

Country Status (1)

Country Link
CN (1) CN106971157B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399375B (zh) * 2018-02-07 2020-10-13 厦门瑞为信息技术有限公司 一种基于联想记忆的身份识别方法
CN113223356B (zh) * 2021-05-13 2022-12-13 深圳市技成科技有限公司 一种用于plc控制技术的技能培训和考核的***

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1211770A (zh) * 1998-03-27 1999-03-24 杨振宁 人体生理特征与识别卡流动数据库互相关防伪认证法
US7996156B2 (en) * 2002-03-07 2011-08-09 The United States Of America As Represented By The Secretary, Department Of Health And Human Services Methods for predicting properties of molecules
US9042606B2 (en) * 2006-06-16 2015-05-26 Board Of Regents Of The Nevada System Of Higher Education Hand-based biometric analysis
JP5531963B2 (ja) * 2008-11-19 2014-06-25 日本電気株式会社 認証システム、装置、認証方法及びプログラム
CN101576443B (zh) * 2009-06-16 2011-01-05 北京航空航天大学 基于灰色rbf神经网络的加速寿命试验寿命预测方法
CN101777131B (zh) * 2010-02-05 2012-05-09 西安电子科技大学 双模人脸识别方法及装置
CN105787420B (zh) * 2014-12-24 2020-07-14 北京三星通信技术研究有限公司 用于生物认证的方法、装置以及生物认证***
CN104809450B (zh) * 2015-05-14 2018-01-26 郑州大学 基于在线极限学习机的腕部静脉认证***
CN106096560A (zh) * 2016-06-15 2016-11-09 广州尚云在线科技有限公司 一种人脸对齐方法

Also Published As

Publication number Publication date
CN106971157A (zh) 2017-07-21

Similar Documents

Publication Publication Date Title
US10713532B2 (en) Image recognition method and apparatus
US20220029799A1 (en) System and method for creating one or more hashes for biometric authentication in real-time
US20170262472A1 (en) Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces
CN112560753B (zh) 基于特征融合的人脸识别方法、装置、设备及存储介质
US20110026781A1 (en) System for secure face identification (scifi) and methods useful in conjunction therewith
CN111860147A (zh) 行人重识别模型优化处理方法、装置和计算机设备
WO2019047567A1 (zh) 服务提供方法、装置、存储介质和计算设备
CN112507934B (zh) 活体检测方法、装置、电子设备及存储介质
CN112288398A (zh) 面签验证方法、装置、计算机设备及存储介质
CN111339897B (zh) 活体识别方法、装置、计算机设备和存储介质
CN112650875A (zh) 房产图片验证方法、装置、计算机设备及存储介质
CN110795714A (zh) 一种身份验证方法、装置、计算机设备及存储介质
WO2020172870A1 (zh) 一种目标对象的移动轨迹确定方法和装置
CN112001285B (zh) 一种美颜图像的处理方法、装置、终端和介质
CN112231038B (zh) 工单信息展示方法、装置、计算机设备和存储介质
WO2022048352A1 (zh) 基于面部表情的解锁方法、装置、计算机设备和存储介质
CN106971157B (zh) 基于多元线性回归联想记忆模型的身份耦合识别方法
TW202318264A (zh) 用於多方安全計算系統的生物特徵提取方法及設備、電腦儲存媒介、電腦程式產品
US20120093374A1 (en) Electronic device and method for identifying use by unauthorized users
US20090316960A1 (en) Mobile electronic device security protecting system and method
CN108875611B (zh) 视频动作识别方法和装置
CN113420665A (zh) 对抗人脸图像生成、人脸识别模型训练方法、装置及设备
CN117275138A (zh) 基于自动取款机的身份认证方法、装置、设备和存储介质
CN113128278B (zh) 一种图像识别方法及装置
WO2024045421A1 (zh) 图像保护方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201204