基于手背静脉虹膜和指纹融合身份识别算法

针对单模态生物特征识别的局限性,提出融合手背静脉、虹膜和指纹三种生物特征实现身份识别.首先分别对手背静脉图像、虹膜图像和指纹图像进行独立的图像预处理,特征提取和特征匹配,输出各自的匹配分数.分析匹配分数归一化对识别性能的影响,采用Tarh归一化方法对三种生物特征的匹配分数进行归一化处理,最后利用加权求和法则实现匹配分数的融合,利用最小距离分类器实现身份识别.实验结果表明,融合识别算法的等错率为0.009%,当错误接受率接近0时,对应的错误拒绝率仅为0.2%.     

基于SVM的多生物特征融合识别算法

针对单生物特征识别的局限性,提出融合手背静脉和虹膜两种生物特征实现身份识别.基于尺度不变特征变换(SIFT)提取手背静脉的局部SIFT特征并对特征点进行匹配,利用特征匹配率作为手背静脉图像的相似度测度.通过Haar小波变换实现虹膜特征编码,利用加权汉明距对虹膜进行相似度测试.最后基于支持向量机(SVM)实现两种生物特征在匹配层的融合识别.利用CASIA虹膜数据库和TJU手背静脉数据库对算法性能进行测试,其等错率为0.02%,实验结果表明,该融合算法具有很高的识别性能,为生物特征识别研究提供了新思路.     

基于PLBP的手背静脉识别

本文提出了一种基于PLBP的手背静脉识别算法。手背图片的获取采用的是低成本的红外成像设备。经过处理,图片被分为若干子图像。通过提取每一幅子图像的统一模式特征,构成了整幅图像的纹理特征向量。通过计算目标图像和测试图像的距离来表达两幅图片之间的相似度。本文所进行的实验是在通过定制的图像采集设备所采集的102个受测者的2040（每人20幅）幅图片上进行。实验结果表明,该方法优于其他的方法。     

基于边缘识别的虹膜定位算法

为了提高虹膜定位算法的抗干扰能力,本文提出了一种基于虹膜边缘识别的虹膜定位算法.该算法应用图像几何矩函数提取虹膜内外边缘的特征,通过由支持向量机(SVM)训练的分类器进行虹膜边缘点的识别.最后由Hough变换对识别的结果进行参数求解并实现虹膜的定位.本算法经过了CASIA虹膜图形库的实验验证,仿真实验数据表明所提算法不仅具有较快的定位速度和较高的定位成功率,而且性能稳定.     

超声检测信号多特征SVM-Bayes融合识别

分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明：SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。     

基于多通道Gabor滤波和特征融合的虹膜识别方法

多通道Gabor滤波器提取的虹膜特征具有冗余信息并存在部分非有效特征,针对此问题提出了改进方法。对同尺度不同方向的Gabor特征,利用幅值信息进行融合,对融合后特征进行相位编码,并运用海明距离匹配。这样,既保证了高识别性能,又将虹膜特征码压缩为传统方法的1／2,可提高匹配速度,并节约存储空间。还提出一种虹膜图像质量评价方法,可有效鉴别不适于识别的低质量虹膜图像。在CASIA和UBIRIS虹膜库的实验结果表明该方法是有效的。     

基于生物特征的身份识别技术

随着信息技术的蓬勃发展及其在社会各个方面的广泛应用，其安全问题显得愈来愈重要，因此必须研究相应的安全技术，开发可靠而实用的身份识别方法，精确辨别有效的和无效的准入操作，确保法定的IT用户的利益不受到各种信息侵犯者的危害。本文总结了一些新的身份识别技术的发展概况，尤其是一些基于生物特征的精密识别系统，如：基于手印、视虹膜图像等的识别系统，其基本原理、特性以及与传统密码口令识别方法相比的优越性。     

分类算法在纹理识别研究中的应用

本文将机器学习中最常用的两种分类算法——K近邻法和支持向量机应用到纹理识别的研究中,以Oumx、Brodatz以及CUReT三个公共纹理库中的纹理图像为研究对象,分别使用K近邻法、支持向量机算法进行纹理识别实验,并对最终的识别结果做了分析与比较。综合三个纹理库的识别结果,我们发现相较于K近邻法,支持向量机的识别效果较好,能够较准确的实现对纹理图像的识别。     

基于Gabor和LIOP特征的多视角目标识别

针对被检测目标在视角变化和遮挡时较难识别的问题,提出联合利用Gabor特征和视角变换时共有的LIOP特征对目标进行多角度识别的新算法。首先,用4个方向、16个尺度的二维Gabor滤波器组对输入图像进行滤波,得到64组含有方向信息的Gabor特征响应图,进而对相邻尺度和相应位置计算局部响应最大值,得到具有尺度及平移不变的特征向量。其次,通过几何变换算法获得不同视角下的LIOP特征向量。然后,为了降低时间复杂度,通过主成分分析算法对联合特征降维。最后,把降维后的特征向量输入支持向量机(SVM)进行训练学习,得到检测器模型。为了定量评估算法精度和鲁棒性,在Caltech-101和UIUC car两个标准数据库进行测试,实验结果表明,本文在两个标准数据集上的平均识别率分别达到了92.1%和95.4%,能较好检测不同尺度、不同角度的目标。     

基于人脸表情变化的身份识别

将人脸表情变化作为一种生物识别特征用于身份识别.首次在三维人脸数据上进行了表情变化的身份信息提取,提出了将表情运动方向和运动距离两种新的特征用于身份识别.针对人类普遍存在的六种表情,采用三种不同的特征,以及五种不同的融合策略进行身份识别.在BU-3 DFE数据库上进行了系统的实验,分析比较了不同表情、不同特征以及不同的融合策略的识别性能.实验结果表明将表情变化作为一种生物识别特征是可接受的,并可作为其他生物识别特征的一种有益补充.     

基于人脸和指纹的多模生物特征融合识别方法

多模生物特征的融合识别方式，在进行个人身份识别应用中具有较为突出的识别应用优势，关注与重视程度相对比较高。本文通过对于生物特征识别技术的作用优势分析，根据常见生物特征识别技术与多模生物特征融合识别方式，进行基于人脸与指纹的多模生物特征融合识别方法分析，以促进在实际身份认证与识别中的推广应用。     

基于脚步诱发结构振动的人员特征身份识别研究

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

基于脚步诱发结构振动的人员特征身份识别研究EI北大核心CSCD

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

手背静脉识别技术及其应用

生物识别技术是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性，（如指纹、面像、虹膜等）和行为特征（如签名、声音、步态等）来进行个人身份的鉴定。当前，生物识别技术已成为一个蓬勃发展的领域，利用人体固有的生理和行为特征的身份认证已展现出极大的优越性和可靠性。但是以上识别技术都存在一些缺陷，     

步态特征精密提取与身份认证

为更有效地检测人体目标,弥补单一模型在步态特征提取中的不足,提出了基于双模型的步态特征精密提取方法,且构建了基于步态特征进行身份认证的门禁监控实验平台.首先从摄像机捕获步态视频输入计算机,发现人体目标后对其进行检测与跟踪;然后分割人体轮廓并将其规格化叠加处理获取步态特征图;为精确提取步态特征,将人体整体模型与简化模型相结合,提取步态参数作为识别参量输入支持向量机（SVM）进行分类识别,正确识别率（PCR）为77%～80%.结果表明该方法有助于步态特征的精密提取,且实验平台能较好地自动监控人体目标并进行身份认证.     

基于区域灰度变化的虹膜识别

为了提高虹膜识别的效率和准确性,对虹膜识别进行了深入研究,提出了一种基于区域灰度变化的虹膜识别方法.图像预处理得到归一化的虹膜图像,根据虹膜纹理尺度的不同,采用椭圆形高斯滤波器对虹膜图像进行滤波,均匀选取采样点,计算每个采样点附近的区域灰度值,利用序数测度的方法对特征编码,最后通过两个虹膜编码之间的海明距来判断两者之间的差异程度,得到识别结果.本文算法选用Bath 大学虹膜库和CASIA 虹膜库进行了验证实验,等错率分别达到0.05%和0.69%.结果表明,该算法具有很好的准确性和识别速度.     

特征融合的多视角步态识别研究

针对单一特征步态识别率低的问题,提出一种将步态能量图(Gait Energy Image,GEI)中动态部分和Gabor小波特征融合的步态识别算法.首先,通过运动目标检测及二值化和形态学处理等预处理操作得到步态轮廓图,再进一步从步态轮廓图计算得到步态能量图,并从中分割出动态部分.然后,利用Gabor小波从步态能量图的动态部分中提取不同角度的信息,将两步态特征融合在一起,对融合后得到的特征向量用改进的KPCA方法进行降维.最后,将降维后的融合特征向量输入到基于多分类的支持向量机(Support Vector Machine,SVM)中,从而完成步态的分类和识别.经过在中国科学院自动化研究所CASIA步态数据库上进行实验,取得了很好的识别效果,实验结果表明,与单一特征的步态识别方法相比,融合后算法的识别率提高了约10%.     

支持向量机应用于语音情感识别的研究

为了有效识别包含在语音信号中情感信息的类型,提出一种将支持向量机应用于语音情感识别的新方法。利用支持向量机把提取的韵律情感特征数据映射到高维空间,从而构建最优分类超平面实现对汉语普通话中生气、高兴、悲伤、惊奇4种主要情感类型的识别。计算机仿真实验结果表明,与已有的多种语音情感识别方法相比,支持向量机对情感识别取得的识别效果优于其他方法。     

基于Morlet小波变换系数的自适应虹膜识别

传统的虹膜识别方法原理复杂,实现困难.为了在保证识别率的同时简化虹膜识别算法,提高虹膜识别效率,本文提出了一种基于Morlet小波变换系数的自适应虹膜识别方法.首先,进行虹膜定位和下眼睑拟合,然后对虹膜图像进行归一化操作,得到512列x64行的矩形虹膜图像,并自适应地确定有效虹膜区域;其次,在虹膜有效区域内,对图像逐行进行一维Morlet小波变换,获得不同尺度下一系列小波变换系数,进而得到不同尺度下的小波变换系数分布图;再次,依据不同尺度下的小波变换系数对图像进行二进制编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果.实验证明,该方法可以达到99.946%的识别率,能够满足虹膜识别要求.