CN108090513A

CN108090513A - 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

Info

Publication number: CN108090513A
Application number: CN201711374940.7A
Authority: CN
Inventors: 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
Original assignee: Tianjin University of Science and Technology
Current assignee: Tianjin University of Science and Technology
Priority date: 2017-12-19
Filing date: 2017-12-19
Publication date: 2018-05-29

Abstract

本发明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。

Description

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

技术领域

本发明属于生物特征图像识别技术领域，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。

背景技术

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。

发明内容

本发明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。

本发明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+1

h2＝(h1+2*p-k)/s+1

c2＝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。

本发明的优点和积极效果是：

1、本发明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；本发明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、本发明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、本发明采用极限学习机(Extreme Learning Machine，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为本发明的整体框架图；

图2为本发明使用的特征提取方法流程图；

图3为本发明使用的卷积神经网络结构模型；

图4为本发明引入的粒子群优化算法结构图；

图5为本发明在单一生物特征数据集上的对比实验结果图；

图6为本发明在多模态生物特征数据集上的对比实验结果图；

图7为本发明在同一数据集上不同方法的ROC曲线图。

具体实施方式

以下结合附图对本发明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+1

h2＝(h1+2*p-k)/s+1

c2＝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，作为多模态生物特征的最有效的表达。

步骤4：将融合特征向量送入ELM分类器进行分类。

在本步骤中，将上一步得到的特征表达作为分类器的输入去训练分类器提高其分类能力。本步骤还可以将ELM作为决策分类器，输出实验结果，用于在测试阶段用于性能测试。

下面通过实验对本发明做进一步验证。

图5给出了不同的分类算法在单一生物特征数据集上的性能比较。本次实验每个数据库选取400张图像，取80％作训练，其余的作测试。从表中可以看出，基于单一生物特征的识别效率并不是很理想，基本在90％左右；使用CNN模型训练可以达到最高的识别效率(93.84％)但同时它也是最耗费时间(83s)的；ELM模型在时间(10s)和性能(92.67％)上都有很好的表现，但仍有进步的空间。因此，多生物特征融合实验是十分有必要的。

图6给出了多模态数据库上不同方法实验性能的比较，本次实验每个数据库选取60000张图像，取50000作训练，其余的作测试。从表中可以看出，即使是简单的CCA融合对识别效率有着明显的提升(5％左右)；深度学习模型的加入对识别效率会有更好的提升(98.70％)，但同时增加了计算时间(866s)；我们提出的方法在时间上有部分优势(798s)，更多的是对实验结果的提升(98.89％)。

图7给出了通过比较不同算法的ROC曲线，可以看出本发明的曲线位于其他算法曲线的底端，也就是本发明对于图像的错误接受率和错误拒绝率都比较低，这也从另一个方面验证了本发明的优势。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims

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+1

h2＝(h1+2*p-k)/s+1

c2＝n

5.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。

6.根据权利要求5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[]

7.根据权利要求6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：所述学习因子c1、c2均等于2。

8.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。