[发明专利]基于累积匹配和等错误率的手形手臂静脉融合识别方法

说明书

本发明公开了一种基于累积匹配和等错误率曲线的手形/手臂静脉融合识别方法，属于信息感知与识别技术领域，该方法针对两种生物特征的识别性能提出两级权重：首先利用CMC曲线的特性，根据曲线上方面积计算分数级融合的全局权重；然后通过ERR曲线求得最佳分类阈值，进而计算自适应权重，将二者相乘作为总权重并进行分数级加权融合，该方法有利于凸显具有优势的生物特征，多生物特征融合利用特征间的独立性和互补性，可以弥补单模态生物特征识别的不足。

技术领域

本发明属于一种信息感知与识别技术领域，涉及一种基于累积匹配和等错误率曲线的手形/手臂静脉融合识别方法。

背景技术

生物特征识别技术是利用人体自身固有的生物特征和行为特征进行的个人身份识别。随着计算机科学技术的发展，基于生物特征识别的身份识别技术在社会安全中的作用日趋重要。单模态的身份识别技术存在可靠性、鲁棒性差和采集数据噪声等问题，已经不能满足当前的需要。多生物特征融合利用特征间的独立性和互补性，从不同维度对生物特征进行融合计算，最大限度的利用其优点，降低单个生物特征缺陷对整体识别系统的不良影响，从整体提高识别系统的性能。典型的生物特征识别系统一般分为如下4个环节：数据采集、特征提取、特征匹配和分类决策，按照融合发生的环节可以分成4类：传感器级融合、特征级融合、分数级融合和决策级融合。传感器级融合和特征级融合发生在数据采集和特征提取环节，多采集系统和特征提取级的融合复杂度和难度都较高；决策级融合是对最终识别决策结果的融合，决策结果所含的信息有限；分数级融合是建立在匹配分数之上的，匹配分数本身就代表着模板特征和识别时输入特征的匹配程度，因此分数级融合在复杂性和可靠性之间能够更好的平衡。

目前较为常用的分数级权重计算方法有以下几种：Jain等提出了基于等错误率的分数级权重计算方法(Jain A,Nandakumar K,Ross A.Score normalization inmultimodal biometric system.Pattern Recognition,2005,38(12):2270-2285.)。 Chia等利用非法用户最大匹配分数和合法用户最小匹配分数计算非置信宽度，进而计算基于非置信区间宽度的分数级权重(Chia C,Sherkat N,Nolle L.Towards a Best LinearCombination for Multimodal Biometric Fusion.International Conference onPattern Recognition.IEEE,2010:1176-1179.)。Snelick等提出基于合法用户和非法用户标准差及均值的权重计算方法(Snelick R,Uludag U,Mink A, et al.Large-scaleevaluation of multimodal biometric authentication using state-of-the-artsystems.IEEE Transactions on Pattern AnalysisMachine Intelligence,2005,27(3):450-455.)。Poh等利用Fisher测试类的可分性，提出基于Fisher判别比的权重计算方法(Poh N,Bengio S.A study of the effects of score normalization prior tofusion in biometric authentication tasks.Idiap,2004.)。李静等采用基于KPCA的多生物特征识别算法，对掌纹和指纹进行核矩阵融合(李静. 基于CPD和特征级融合的手纹识别技术研究[D].西安电子科技大学.)。

相比于手形和手部静脉，手臂静脉是一种较为新颖的生物特征，具有皮肤面积大、静脉信息丰富的特点，但同时也比手部静脉具有更多的噪声。目前，还没有将手形和手臂静脉进行融合识别的技术。

此外，手形和手部静脉是两种常见的生物特征，相比于手部静脉，手臂静脉是一种较为新颖的生物特征。目前，这几种生物特征都是单独使用的，单模态的身份识别技术存在可靠性、鲁棒性差和采集数据噪声等问题，已经不能满足当前的需要。

发明内容