CN110909757A - 生物识别***模板的选取和更新方法 - Google Patents
生物识别***模板的选取和更新方法 Download PDFInfo
- Publication number
- CN110909757A CN110909757A CN201910767514.2A CN201910767514A CN110909757A CN 110909757 A CN110909757 A CN 110909757A CN 201910767514 A CN201910767514 A CN 201910767514A CN 110909757 A CN110909757 A CN 110909757A
- Authority
- CN
- China
- Prior art keywords
- template
- sample
- candidate
- selection
- templates
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明生物识别***模板的选取和更新方法,涉及生物识别中的数字图像处理,包括基于样本重要性评估的候选模板选取和样本通过表更新过程以及基于最近邻分类器的生物识别***模板选取过程两个阶段,其中基于样本重要性评估的候选模板选取和样本通过表更新过程包括建立样本通过表As、候选模板选取和样本通过表更新,基于最近邻分类器的生物识别***模板选取过程包括根据联合通过表选取新模板集T*和模板候选空间TM中离群点的去除,本发明方法克服了现有的生物识别***模板的选取和更新方法所存在的不具有普适性,并且因模板类内变化造成的生物识别***的误拒率比较高的缺陷。
Description
技术领域
本发明的技术方案涉及生物识别中的数字图像处理,具体地说是生物识别***模板的选取和更新方法。
背景技术
现有的生物识别***的运作包含两个阶段:特征注册阶段和认证阶段,在特征注册阶段,输入样本经过采集和预处理,最终得到具有差异性的生物特征,存储在数据库中;在认证阶段,输入样本经过类似的处理后,得到的生物特征用于匹配数据库中存储的模板,最终得到认证后的身份信息。
生物识别原型***利用从注册者输入获取的生物特征作为模板,在注册成功后,利用最近邻分类器进行身份鉴别。最近邻分类器是当前生物识别领域运用最为广泛的一类分类器的统称,通过对比输入样本与保存在数据库内的模板逐一匹配,寻找最相近的模板作为拟输出,然后根据预先设定的认证阈值,最终判断该输入样本是否与该模板属于同一注册用户。现有的基于最近邻分类器的识别***只能通过满足一定相似度的样本,因为类内差异的存在,错误地拒绝了一些真实的用户。类内差异指的是属于同一身份的样本,因为采集方法、环境变化以及自身变化的原因,造成个体之间的差异化,比如不同光照下的样本成像不同的影响,人脸识别中戴眼镜的影响、掌纹识别中手掌伤疤的影响,指纹识别中手指脱皮的影响以及随着时间变化人脸、掌纹、虹膜的缓慢变化。为了解决这个问题,现有的生物识别***一般采用存储多模板的方式,使模板集具有足够的可表达性。但是考虑到存储空间和匹配实时性,模板集只能存储一定量的注册特征。现今,如何选取较少而且具有更好代表性的模板集成为了一项非常具有挑战性的课题。
另外,生物识别***还面临着其他的难题,比如生物特征的缓慢或急剧变化,比如产生伤疤或者随着时间纹理缓慢发生改变。一个强健的生物识别***应该可以通过生物识别***模板更新策略自适应地处理这些类内变化。目前为止,现在的生物识别***模板更新框架可以粗略的分为两类:顺序处理框架和批处理框架,这两者中,前者更为流行。对于顺序处理框架,CN105631443B公开了指纹模板的更新方法及终端设,是利用纹路中坏点的判别方法来更新和完备一个指纹模板。CN102708360A公开了一种指纹模板生成及自动更新的方法,是一种利用多个指纹样本信息融合,构造融合模板的方法,但是此方法只是广泛应用于指纹识别,样本之间假定是基于关键点对齐的,这对于非接触式生物识别***是不适用的,因为非接触式生物识别***存在大量非线性变换,难以基于关键点对齐。对于批处理框架,CN109325327A公开了用于更新在面部识别中所使用的模板的过程,是针对人脸识别***提出一种利用两个相似性阈值和置信区间来判别是否将样本更新为模板的方法,该方法只是简单地利用单个输入样本与模板之间的匹配关系判断是否适合作为模板,没有考虑到面向类内变化的差异性,而且没有针对离群点或假样本的处理,容易造成模板污染。此外,还有使用多模态识别技术进行交叉更新的方法,比如CN101483652A公开了生物特征识别***,采用双模态识别技术,这种方法利用多种不同生物识别特征,综合多种生物特征的认证结果和置信度进行身份判别以及模板更新,但是这种方法不适用于普遍应用的单模态***。
以上现有技术方法都是针对某种或某几种特定生物特征信息的识别更新方法,不是通用型生物特征识别更新的方法,因而存在不具有普适性,并且因模板类内变化造成生物识别***的误拒率比较高的缺陷。
发明内容
本发明所要解决的技术问题是:提供生物识别***模板的选取和更新方法,包括基于样本重要性评估的候选模板选取和样本通过表更新过程以及基于最近邻分类器的生物识别***模板选取过程两个阶段,克服了现有的生物识别***模板的选取和更新方法所存在的不具有普适性,并且因模板类内变化造成的生物识别***的误拒率比较高的缺陷。
本发明解决该技术问题所采用的技术方案是:生物识别***模板的选取和更新方法,包括基于样本重要性评估的候选模板选取和样本通过表更新过程以及基于最近邻分类器的生物识别***模板选取过程两个阶段,具体步骤如下:
第一步,基于样本重要性评估的候选模板选取和样本通过表更新过程:
(1.1)建立样本通过表As:
样本通过表As是一种记录每个样本通过或未通过信息的二维表,用该表记录当前生物识别***的正选模板集T和候选模板集TC中各个模板的重要程度,样本通过表的列对应当前正选模板集与候选模板集中的模板,当注册用户的一个样本通过身份认证,表示该表的列中对应模板的匹配得分大于认证阈值,则对应元素置1,表示该样本认证通过,否则置0,初始状态下,该二维表为0行K+N列,“行”对应于一个更新轮次内所采集的注册用户的样本数量,“列”对应于模板数量,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立样本通过表As;
(1.2)候选模板选取:
候选模板是在达到新的更新轮次之前保存下来的包含了一定类内变化信息的模板,在达到更新轮次时,候选模板集TC与正选模板集T作为总的候选空间,从中选取合适的子集作为新的模板集,样本S申请认证,当其与模板集中的所有模板匹配值大于认证阈值tsim且小于更新阈值tclose,则将该样本选为候选模板,认证阈值表示***对注册用户真实身份的判定,输入样本与模板的匹配得分大于认证阈值表示当前用户已被***认定为某个真实注册用户,更新阈值是比认证阈值更严格即数值更高的一个阈值,用来控制输入样本与当前模板不至于过于相似,更新阈值与认证阈值这两个阈值的结合用于保证样本属于真实用户且与当前模板集中的模板有一定差异,当满足该条件时,表示此样本属于该真实注册用户且与当前模板有一定差异,将允许参与到后续新模板集选取的竞争中,当申请认证的样本S满足上述的候选模板选取条件,则该样本通过在上述(1.1)步建立的样本通过表As的列尾部增加一列,表示新的候选模板加入,参与到后续样本通过表更新中,当候选模板数量达到生物识别***的预设值N时,则根据上述(1.1)步建立的样本通过表As中每一列之和作为权重,排序后删除得分最小的模板,至此完成候选模板选取;
(1.3)样本通过表更新:
对上述(1.1)步建立的样本通过表As输入上述(1.2)步中的样本S申请认证,逐个匹配模板集与候选模板集中的所有模板,当该输入样本S和模板集中的模板t之间的匹配得分大于认证阈值tsim,则置样本通过表As的相应位置As(s,t)=1,否则As(s,t)=0,在样本通过表的更新过程中对每个输入样本进行同样操作,当对上述(1.2)步中的输入样本S通过申请认证,上述(1.1)步建立的样本通过表As将在行尾部增加一行,在更新过程中,对每个输入样本S进行同样操作,该样本通过表更新阶段存在于整个认证生物识别***的工作周期内;
第二步,基于最近邻分类器的模板选取:
基于最近邻分类器的模板选取是将正选模板集T与候选模板集Tc之和作为模板候选空间TM,在模板候选空间TM中选取最具有表达性的子集作为新的正选模板集T*,包括如下步骤:
(2.1)根据联合通过表选取新模板集T*:
建立模板通过表At,该表是一种类似于上述(1.1)步的样本通过表As的二维表,表示模板之间的通过关系,用于表达模板候选空间TM,即当前正选模板集T与候选模板集Tc之间的互相认证关系及重要程度,建立模板通过表At方法如下所述:模板通过表At为K+N行K+N列的二维表,“行”与“列”均对应于模板候选空间TM,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立模板通过表At,对于模板候选空间TM中的模板tM,将其与模板候选空间TM中所有模板逐个匹配,当该模板tM和TM中其他模板t'M之间的匹配得分大于认证阈值tsim,则置模板通过表At的相应位置At(tM,t'M)=1,否则At(tM,t'M)=0,在模板通过表At的建立过程中对每个输入模板进行同样操作,完成模板通过表At的建立;
将新建立的模板通过表At以行连接的方式附在上述(1.1)步的样本通过表As的后面,建立联合通过表Aj,联合通过表Aj中的每一列之和表示在当前更新周期内模板候选空间TM中各个样本的重要程度,根据该联合通过表Aj中K+N列的排列组合关系,计算这K+N列逻辑或关系样本的通过数量,选取通过率最高的组合作为新模板集T*,具体操作方法如下:
对于正选模板集T=ti,i=1,2,...,K,以及一个预先设置的认证阈值tsim,此生物识别***中的通过认证的样本集合χ(T)表示为如下公式(1),
公式(1)中,Score(ti,s)表示样本S与正选模板集T中的第i个模板ti之间的匹配得分,用候选模板空间TM表示包含K个正选模板和N个候选模板的并集,选取新正选模板集T*的目标表示为最大化通过率的过程,如下公式(2)所示,
更进一步,将此过程看作在模板候选空间TM的影响下最大化样本通过率的过程,即将公式(2)改写为如下的公式(3),
根据公式(3)的逻辑或操作TM∩χ(T),选取新的不同模板的组合,求得通过数量最大的组合作为新模板集T*,其中|·|的是集合中元素的个数,通过与上述(1.1)步的样本通过表As建立的相同模式,来建立模板通过表At,选取新模板集T*的过程减少了生物识别***的误拒率;
(2.2)模板候选空间TM中离群点的去除:
模板候选空间TM中可能存在离群点,即假样本的存在,当离群点选入模板集时会增加生物识别***的误识率,利用上述(1.1)步的样本通过表As与上述(2.1)步的模板通过表At列的合并即联合通过表Aj的操作,然后通过预先设定的最小阈值tpass,离群点根据联合通过表Aj中每列之和的数值大小被检测到,并被排除在新正选模板选取过程之前;
至此,完成生物识别***模板的选取和更新。
上述生物识别***模板的选取和更新方法,所述样本是输入生物识别***的身份未知的特征信息,模板的全称是生物识别***中注册者的生物特征模板,是生物识别***内存储的身份已知的特征信息,所有的字符“K”均表示正选模板集的元素个数,所有的字符“N”均表示候选模板集中的元素个数。
本发明的有益效果是:与现有技术相比,本发明具有如下突出的实质性特点和显著进步:
(1)一个强健的生物识别***应该能够通过模板更新策略自适应地处理生物识别***的类内变化。模板更新技术是生物识别***学习类内变化以及根据新输入的样本,不断更新现存模板的方法。对于某个真实注册人员,生物识别***存储了该人的若干特征作为模板,面对未被标记的新输入的样本串,该方法会结合现有模板和新输入样本选取一个合适的子集作为具有更好代表性的新模板集。本发明提供生物识别***模板的选取和更新方法,包括基于样本重要性评估的更新和候选模板选取过程以及基于最近邻分类器的生物识别***模板选取过程两个阶段,克服了现有的生物识别***模板的选取和更新方法所存在的不具有普适性,并且因模板类内变化造成的生物识别***的误拒率比较高的缺陷。
(2)本发明方法能够自适应地更新生物识别***的模板集合,因为有认证阈值和更为严格的更新阈值的控制,使生物识别***不会产生额外的误识别现象,同时,根据在0.65~0.85之间不同的认证阈值,本发明方法可以使误拒率下降8%~35%左右,而且,随着生物识别***工作周期的增长,更多的类内变化产生,本发明方法的效果会更为显著,使得***误拒率进一步降低,更好地抵御模板类内变化造成的生物识别***误拒情况的产生,更好地满足生物识别***自适应性的要求。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明实施例的样本通过表As的示例图。
图2为本发明实施例的模板通过表示At的示例图。
图3为本发明实施例的联合通过表Aj的示例图。
图4为本发明实施例的通过联合通过表Aj删除离群点的示例图。
具体实施方式
实施例
第一步,基于样本重要性评估的候选模板选取和样本通过表更新过程:
(1.1)建立样本通过表As:
样本通过表As是一种记录每个样本通过或未通过信息的二维表,用该表记录当前生物识别***的正选模板集T和候选模板集TC中各个模板的重要程度,样本通过表的列对应当前正选模板集与候选模板集中的模板,当注册用户的一个样本通过身份认证,表示该表的列中对应模板的匹配得分大于认证阈值,则对应元素置1,表示该样本认证通过,否则置0,初始状态下,该二维表为0行K+N列,“行”对应于一个更新轮次内所采集的注册用户的样本数量,“列”对应于模板数量,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立样本通过表As;本实施例中,K=3,N=2,图1为本实施例的样本通过表As的示例图,该图显示,正选模板集包含3个模板t1、t2、t3,即K=3,候选模板集有两个模板为tc1和tc2,即N=2,有六个样本参与样本通过表As的更新,即该图中显示的六个“行”:S1、S2、S3、S4、S5、S6,该图中的方格中的数值1表示该表的列中对应模板的匹配得分大于认证阈值tsim,则对应元素置1,表示该样本认证通过,该图中的方格中的数值0表示该表的列中对应模板的匹配得分小于认证阈值tsim,则对应元素置0,表示该样本认证不能通过;
现有技术中模板更新往往使用批处理模式,对于一个实用的生物识别***,有几项需要考虑的因素,首先是输入样本的数量,然后是更新耗费的时间以及存储空间的耗费。在本发明所提的方法中,是根据样本通过表As的大小来定义所需存储空间,通过样本通过表As的“行”对应样本数量,“列”对应模板数量,这就克服了上述现有技术中的缺陷。
(1.2)候选模板选取:
候选模板是在达到新的更新轮次之前保存下来的包含了一定类内变化信息的模板,在达到更新轮次时,候选模板集TC与正选模板集T作为总的候选空间TM,从TM中选取合适的子集作为新的模板集,样本S申请认证,当其与模板集中的所有模板匹配值大于认证阈值tsim且小于更新阈值tclose,则将该样本选为候选模板,认证阈值表示***对注册用户真实身份的判定,输入样本与模板的匹配得分大于认证阈值表示当前用户已被***认定为某个真实注册用户,更新阈值是比认证阈值更严格即数值更高的一个阈值,用来控制输入样本与当前模板不至于过于相似,更新阈值与认证阈值这两个阈值的结合用于保证样本属于真实用户且与当前模板集中的模板有一定差异,当满足该条件时,表示此样本属于该真实注册用户且与当前模板有一定差异,将允许参与到后续新模板集选取的竞争中,当申请认证的样本S满足上述的候选模板选取条件,则该样本通过在上述(1.1)步建立的样本通过表As的列尾部增加一列,表示新的候选模板加入,参与到后续样本通过表更新中,当候选模板数量达到生物识别***的预设值N时,则根据上述(1.1)步建立的样本通过表As中每一列之和作为权重,排序后删除得分最小的模板,至此完成候选模板选取;
(1.3)样本通过表更新:
对上述(1.1)步建立的样本通过表As输入上述(1.2)步中的样本S申请认证,逐个匹配模板集与候选模板集中的所有模板,当该输入样本S和模板集中的模板t之间的匹配得分大于认证阈值tsim,则置样本通过表As的相应位置As(s,t)=1,否则As(s,t)=0,在样本通过表的更新过程中对每个输入样本进行同样操作,当对上述(1.2)步中的输入样本S通过申请认证,上述(1.1)步建立的样本通过表As将在行尾部增加一行,在更新过程中,对每个输入样本S进行同样操作,该样本通过表更新阶段存在于整个认证生物识别***的工作周期内;
候选模板选取以及样本通过表更新的算法如下表1所示:
表1.候选模板选取以及样本通过表更新的算法
有两种样本将参与到样本通过表的更新中,第一种样本是其本身与样本集中的若干模板相似度很高,另外一种是样本与模板集中所有模板都无法匹配,但是与候选集中的某些模板匹配,第一种样本表示该样本被认定为某真实的注册样本,但是因为其余当前模板相似度过高,所包含的信息能够被当前其他模板取代,不适用于选为新模板,第二种样本表示虽然此样本没有被模板集的模板所匹配,但是因为其能够与候选模板集中的候选模板所匹配,所以对于评估候选模板的重要性是有存在必要的,对于这两者以外的样本,则或将其加入候选模板队列,或者直接忽略;
第二步,基于最近邻分类器的模板选取:
基于最近邻分类器的模板选取是将正选模板集T与候选模板集Tc之和作为模板候选空间TM,在模板候选空间TM中选取最具有表达性的子集作为新的正选模板集T*,包括如下步骤:
(2.1)根据联合通过表选取新模板集T*:
建立模板通过表At,该表是一种类似于上述(1.1)步的样本通过表As的二维表,表示模板之间的通过关系,用于表达模板候选空间TM,即当前正选模板集T与候选模板集Tc之间的互相认证关系及重要程度,建立模板通过表At方法如下所述:模板通过表At为K+N行K+N列的二维表,“行”与“列”均对应于模板候选空间TM,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立模板通过表At,对于模板候选空间TM中的模板tM,将其与模板候选空间TM中所有模板逐个匹配,当该模板tM和TM中其他模板t'M之间的匹配得分大于预先设置的认证阈值tsim,则置模板通过表At的相应位置At(tM,t'M)=1,否则At(tM,t'M)=0,在模板通过表At的建立过程中对每个输入模板进行同样操作,完成模板通过表At的建立;
图2为本实施例的模板通过表示At的示例图,该图显示,正选模板集包含3个模板t1、t2、t3,即K=3,候选模板集有两个模板为tc1和tc2,即N=2,他们之间的匹配关系,对角线元素,比如第一行第一列,第二行第二列,…,第五行第五列,均为1,表示某模板与自己比较,超过认证阈值,因此得分会是100;
将新建立的模板通过表At以行连接的方式附在上述(1.1)步的样本通过表As的后面,建立联合通过表Aj,图3为本实施例的联合通过表Aj的示例图,图3表示图1和图2的首尾相连,即将样本通过表As与模板通过表At按照列对齐的方式组成联合通过表Aj,用于后续的模板选取;
联合通过表Aj中的每一列之和表示在当前更新周期内模板候选空间TM中各个样本的重要程度,根据该联合通过表Aj中K+N列的排列组合关系,计算这K+N列逻辑或关系样本的通过数量,选取通过率最高的组合作为新模板集T*,具体操作方法如下:
对于正选模板集T=ti,i=1,2,...,K,以及一个预先设置的认证阈值tsim,此生物识别***中的通过认证的样本集合χ(T)表示为如下公式(1),
公式(1)中,Score(ti,s)表示样本S与正选模板集T中的第i个模板ti之间的匹配得分,用候选模板空间TM表示包含K个正选模板和N个候选模板的并集,选取新正选模板集T*的目标表示为最大化通过率的过程,如下公式(2)所示,
更进一步,将此过程看作在模板候选空间TM的影响下最大化样本通过率的过程,即将公式(2)改写为如下的公式(3),
根据公式(3)的逻辑或操作TM∩χ(T),选取新的不同模板的组合,求得通过数量最大的组合作为新模板集T*,其中|·|的是集合中元素的个数,通过与上述(1.1)步的样本通过表As建立的相同模式,来建立模板通过表At,选取新模板集T*的过程减少了生物识别***的误拒率;
选取新模板集T*的算法如下表2所示:
表2.选取新模板集T*的算法
(2.2)模板候选空间TM中离群点的去除:
模板候选空间TM中可能存在离群点,即假样本的存在,当离群点选入模板集时会增加生物识别***的误识率,利用上述(1.1)步的样本通过表As与上述(2.1)步的模板通过表At列的合并即联合通过表Aj的操作,然后通过预先设定的最小阈值tsim,离群点根据联合通过表Aj中每列之和的数值大小被检测到,并被排除在新正选模板选取过程之前;
图4为本实施例的通过联合通过表Aj删除离群点的示例图,该图中显示,通过统计阈值tpass设定为2时,则图4中正选模板集t1会被认定为离群点,将不参与新正选模板选取,通过统计阈值tpass设定为4时,则图4中正选模板集t2和候选模板集tc1会被认定为离群点,将不参与新正选模板选取,通过统计阈值tpass设定为6时,则图4中正选模板集t3会被认定为离群点,将不参与新正选模板选取,通过统计阈值tpass设定为3是,则图4中候选模板集tc2会被认定为离群点,将不参与新正选模板选取;
至此,完成生物识别***模板的选取和更新。
上述实施例中,所述样本是输入生物识别***的身份未知的特征信息,模板的全称是生物识别***中注册者的生物特征模板,是生物识别***内存储的身份已知的特征信息,所有的字符“K”均表示正选模板集的元素个数,有的字符“N”均表示候选模板集中的元素个数。
Claims (3)
1.生物识别***模板的选取和更新方法,其特征在于:包括基于样本重要性评估的候选模板选取和样本通过表更新过程,以及基于最近邻分类器的生物识别***模板选取过程两个阶段,具体步骤如下:
第一步,基于样本重要性评估的候选模板选取和样本通过表更新过程:
(1.1)建立样本通过表As:
样本通过表As是一种记录每个样本通过或未通过信息的二维表,用该表记录当前生物识别***的正选模板集T和候选模板集TC中各个模板的重要程度,样本通过表的列对应当前正选模板集与候选模板集中的模板,当注册用户的一个样本通过身份认证,表示该表的列中对应模板的匹配得分大于认证阈值,则对应元素置1,表示该样本认证通过,否则置0,初始状态下,该二维表为0行K+N列,“行”对应于一个更新轮次内所采集的注册用户的样本数量,“列”对应于模板数量,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立样本通过表As;
(1.2)候选模板选取:
候选模板是在达到新的更新轮次之前保存下来的包含了一定类内变化信息的模板,在达到更新轮次时,候选模板集TC与正选模板集T作为总的候选空间,从中选取合适的子集作为新的模板集,样本S申请认证,当其与模板集中的所有模板匹配值大于认证阈值tsim且小于更新阈值tclose,则将该样本选为候选模板,认证阈值表示***对注册用户真实身份的判定,输入样本与模板的匹配得分大于认证阈值表示当前用户已被***认定为某个真实注册用户,更新阈值是比认证阈值更严格即数值更高的一个阈值,用来控制输入样本与当前模板不至于过于相似,更新阈值与认证阈值这两个阈值的结合用于保证样本属于真实用户且与当前模板集中的模板有一定差异,当满足该条件时,表示此样本属于该真实注册用户且与当前模板有一定差异,将允许参与到后续新模板集选取的竞争中,当申请认证的样本S满足上述的候选模板选取条件,则该样本通过在上述(1.1)步建立的样本通过表As的列尾部增加一列,表示新的候选模板加入,参与到后续样本通过表更新中,当候选模板数量达到生物识别***的预设值N时,则根据上述(1.1)步建立的样本通过表As中每一列之和作为权重,排序后删除得分最小的模板,至此完成候选模板选取;
(1.3)样本通过表更新:
对上述(1.1)步建立的样本通过表As输入上述(1.2)步中的样本S申请认证,逐个匹配模板集与候选模板集中的所有模板,当该输入样本S和模板集中的模板t之间的匹配得分大于认证阈值tsim,则置样本通过表As的相应位置As(s,t)=1,否则As(s,t)=0,在样本通过表的更新过程中对每个输入样本进行同样操作,当对上述(1.2)步中的输入样本S通过申请认证,上述(1.1)步建立的样本通过表As将在行尾部增加一行,在更新过程中,对每个输入样本S进行同样操作,该样本通过表更新阶段存在于整个认证生物识别***的工作周期内;
第二步,基于最近邻分类器的模板选取:
基于最近邻分类器的模板选取是将正选模板集T与候选模板集Tc之和作为模板候选空间TM,在模板候选空间TM中选取最具有表达性的子集作为新的正选模板集T*,包括如下步骤:
(2.1)根据联合通过表选取新模板集T*:
建立模板通过表At,该表是一种类似于上述(1.1)步的样本通过表As的二维表,表示模板之间的通过关系,用于表达模板候选空间TM,即当前正选模板集T与候选模板集Tc之间的互相认证关系及重要程度,建立模板通过表At方法如下所述:模板通过表At为K+N行K+N列的二维表,“行”与“列”均对应于模板候选空间TM,K表示正选模板集的元素个数,N表示候选模板集中的元素个数,由此建立模板通过表At,对于模板候选空间TM中的模板tM,将其与模板候选空间TM中所有模板逐个匹配,当该模板tM和TM中其他模板t'M之间的匹配得分大于认证阈值tsim,则置模板通过表At的相应位置At(tM,t'M)=1,否则At(tM,t'M)=0,在模板通过表At的建立过程中对每个输入模板进行同样操作,完成模板通过表At的建立;
将新建立的模板通过表At以行连接的方式附在上述(1.1)步的样本通过表As的后面,建立联合通过表Aj,联合通过表Aj中的每一列之和表示在当前更新周期内模板候选空间TM中各个样本的重要程度,根据该联合通过表Aj中K+N列的排列组合关系,计算这K+N列逻辑或关系样本的通过数量,选取通过率最高的组合作为新模板集T*,具体操作方法如下:
对于正选模板集T=ti,i=1,2,...,K,以及一个预先设置的认证阈值tsim,此生物识别***中的通过认证的样本集合χ(T)表示为如下公式(1),
公式(1)中,Score(ti,s)表示样本S与正选模板集T中的第i个模板ti之间的匹配得分,用候选模板空间TM表示包含K个正选模板和N个候选模板的并集,选取新正选模板集T*的目标表示为最大化通过率的过程,如下公式(2)所示,
更进一步,将此过程看作在模板候选空间TM的影响下最大化样本通过率的过程,即将公式(2)改写为如下的公式(3),
根据公式(3)的逻辑或操作TM∩χ(T),选取新的不同模板的组合,求得通过数量最大的组合作为新模板集T*,其中|·|的是集合中元素的个数,通过与上述(1.1)步的样本通过表As建立的相同模式,来建立模板通过表At,选取新模板集T*的过程减少了生物识别***的误拒率;
(2.2)模板候选空间TM中离群点的去除:
模板候选空间TM中可能存在离群点,即假样本的存在,当离群点选入模板集时会增加生物识别***的误识率,利用上述(1.1)步的样本通过表As与上述(2.1)步的模板通过表At列的合并即联合通过表Aj的操作,然后通过预先设定的最小阈值tpass,离群点根据联合通过表Aj中每列之和的数值大小被检测到,并被排除在新正选模板选取过程之前;
至此,完成生物识别***模板的选取和更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767514.2A CN110909757B (zh) | 2019-08-20 | 2019-08-20 | 生物识别***模板的选取和更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767514.2A CN110909757B (zh) | 2019-08-20 | 2019-08-20 | 生物识别***模板的选取和更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909757A true CN110909757A (zh) | 2020-03-24 |
CN110909757B CN110909757B (zh) | 2023-07-14 |
Family
ID=69814444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910767514.2A Active CN110909757B (zh) | 2019-08-20 | 2019-08-20 | 生物识别***模板的选取和更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909757B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528783A (zh) * | 2020-11-30 | 2021-03-19 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏数据聚类方法、装置、电子设备和介质 |
WO2023083051A1 (zh) * | 2021-11-15 | 2023-05-19 | 北京眼神智能科技有限公司 | 生物特征识别方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150745A1 (en) * | 2005-12-22 | 2007-06-28 | Michael Peirce | Biometric authentication system |
US20180373717A1 (en) * | 2015-12-16 | 2018-12-27 | Thomson Licensing | Methods and apparatuses for processing biometric responses to multimedia content |
CN109934114A (zh) * | 2019-02-15 | 2019-06-25 | 重庆工商大学 | 一种手指静脉模板生成与更新算法及*** |
CN109981290A (zh) * | 2019-03-26 | 2019-07-05 | 南京信息工程大学 | 一种智能医疗环境下基于无证书签密的通信***及方法 |
-
2019
- 2019-08-20 CN CN201910767514.2A patent/CN110909757B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150745A1 (en) * | 2005-12-22 | 2007-06-28 | Michael Peirce | Biometric authentication system |
US20180373717A1 (en) * | 2015-12-16 | 2018-12-27 | Thomson Licensing | Methods and apparatuses for processing biometric responses to multimedia content |
CN109934114A (zh) * | 2019-02-15 | 2019-06-25 | 重庆工商大学 | 一种手指静脉模板生成与更新算法及*** |
CN109981290A (zh) * | 2019-03-26 | 2019-07-05 | 南京信息工程大学 | 一种智能医疗环境下基于无证书签密的通信***及方法 |
Non-Patent Citations (1)
Title |
---|
周玲丽;赖剑煌;: "生物特征数据安全保护技术的发展" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528783A (zh) * | 2020-11-30 | 2021-03-19 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏数据聚类方法、装置、电子设备和介质 |
CN112528783B (zh) * | 2020-11-30 | 2024-04-16 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏数据聚类方法、装置、电子设备和介质 |
WO2023083051A1 (zh) * | 2021-11-15 | 2023-05-19 | 北京眼神智能科技有限公司 | 生物特征识别方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110909757B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106815566B (zh) | 一种基于多任务卷积神经网络的人脸检索方法 | |
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
Xiao et al. | Learning deep feature representations with domain guided dropout for person re-identification | |
CN111626371B (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
US11232280B2 (en) | Method of extracting features from a fingerprint represented by an input image | |
CN109934114B (zh) | 一种手指静脉模板生成与更新算法及*** | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
Kumar et al. | An improved biometric fusion system of fingerprint and face using whale optimization | |
CN110909757A (zh) | 生物识别***模板的选取和更新方法 | |
Ghoualmi et al. | An efficient feature selection scheme based on genetic algorithm for ear biometrics authentication | |
TWI783199B (zh) | 臉部辨識的處理方法及電子裝置 | |
Yang et al. | A Face Detection Method Based on Skin Color Model and Improved AdaBoost Algorithm. | |
Borra et al. | An efficient fingerprint identification using neural network and BAT algorithm | |
CN112116012B (zh) | 一种基于深度学习的手指静脉即时注册、识别方法及*** | |
Rastogi et al. | Nir palm vein pattern recognition | |
WO2018137226A1 (zh) | 指纹提取方法及装置 | |
Lv et al. | Face detection based on skin color and AdaBoost algorithm | |
Arjun et al. | Multimodal biometric recognition: fusion of modified adaptive bilinear interpolation data samples of face and signature using local binary pattern features | |
JP2005165447A (ja) | 年齢・性別判別装置、年齢・性別判別方法および人物認識装置 | |
Jha et al. | Ubsegnet: Unified biometric region of interest segmentation network | |
Prasanth et al. | Fusion of iris and periocular biometrics authentication using CNN | |
Shukla et al. | A Hybrid Model of Multimodal Biometrics System using Fingerprint and Face as Traits | |
CN111382703A (zh) | 一种基于二次筛选与分数融合的指静脉识别方法 | |
Baisa | Joint Person Identity, Gender and Age Estimation from Hand Images using Deep Multi-Task Representation Learning | |
Tirupal et al. | Efficient attendance management using multiple face recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |