论文研究-基于GMM-WSUM的多生物特征二级融合识别方法.pdf

所需积分/C币:10 2019-09-12 10:42:43 495KB .PDF
34
收藏 收藏
举报

结合基于密度估计和归一化两种融合方法的优点,在匹配分数层级提出了一种基于高斯混合模型(Guassian Mixture Model,GMM)和加权和(Weighted Sums,WSUM)的多生物特征二级融合识别方法。利用GMM对匹配分数建模后,采用N-P准则作为第一级融合策略;第二级融合采用基于加权和的归一化方法,较好地解决了分数归一化融合方法在单模识别算法识别率相差较大时融合识别性能差的问题。在ORL、AR人脸数据库和FVC2004组成的人脸-指纹多模数据库上进行了实验,结果表明,该方法有效地提升了识别性能。
李雄,张东波:基于 GMM-WSUM的多生物特征二级融合识别方法 2014,50(2)181 条件下,加法法则( Sum rule)和乘法法则( Product 用 Rule)要优于其他儿种基本融合法则 Sum rule定义如下 人脸 指纹 f=∑ (9) 人脸识别算法 指纹识别算法 Product rule定义如下: 人脸匹值 指纹匹配值 分数归一化 分数归一化 基于GMM的融合决策 Kittler提出的各种融合规则中,将所有分类器的分 类性能看作同等,而实际系统中各个分类器的分类性能 识别候选人 不同,故可以给定一个权重来表示各个分类器对最后融 基于候选人的wSUM融合决策 合结果的页献度。一般地,分类器的识别性能与其可信 最终识别结果 程度成正比,可以通过一定数量的测试样本来检测分类 图1基于人脸和指纹的 GMM-WSUN二级融合识别 器,得到各个分类器的权值,从而得到基于加权的加法 融合规则。对于M个分类器 视为候选识别对象,选出所有大于n的F(s)值,即为第 S=WIxS+w,xS,+.+WyXSm (11)一级融合决策中得到的候选人。 (4)以基于分类器信任度的加权和融合算法作为第 其中,W1,W2,…,W表示各个分类器的权值,且∑W1=1 二级融合决策,对侯选人进行决策 S2,…,SM表示归一化后的匹配值。 (5)输出识别结果。 类似,基于分类器信任度的加权积规则 S=(W1xS1)x(H2xS2)x…x(M×SM) (12) 2实验结果与分析 记分类器1的信任度为p1,分类器2的信任度为2.1实验数据 本文采用人脸特征和指纹特征作为融合特征,验证 本文的融合方法。因为人脸和指纹特征相对独立,故实 pI W P pitp ptp (13)验中可以将不同人的人脸和指纹特征组合表征同一个 13jGMM-WSUM的二级融合系统 人的人脸指纹特征。本文的数据库主要由ORL、AR人 基于分数归一化的融合策咯不需要训练,实现筒脸数据库和FⅤC2004指纹库组成,进行人工配对,构成 单。但是对进行融合的单模识別算法性能要求相近,若 了 ORL-FVC2004(40组样本)和 AR-FVO2004(120组样 本)人脸-指纹多模数据厍,其中,每组样本中都包含8对 单模识别算法性能相差较大,其融合结果反而不如单模 识別算法。若经过高斯混合模型训练并通过融合策人朎-指纹多模特征。因为高斯混合模型的训练需要很 大的样本数据,本文采取重复进入的方法进行样本构造。 奅选后,使得匹配分数分布密集,筛选后得到的候选人 在ORL-FVC2004多模数据库中,每个人选4幅人 对于各自的单模识别算法识别性能相近,利于基于分数 脸或指纹图像作为训练样本送入单模识别算法获得的 归一化融合策略的识别 匹配值作为训练数据;在每个人剩下的图像中挑选4幅 基于以上考虑,本文提出了二级融合模型,以基于作为测试样本。记人脸和指纹测试样本分别为n,n GMM做为第一级融合决策,通过國值选取合适的侯选B3,4和p1,p2,p3,p4,进行人工配对,共有16种配对方 人,不输出识别结果,令 式。这样,能够获得40×40×2的训练数据,40×40×16的 (14)测试数据。类似,在 AR-FVC2004多模数据库中,选取 120个人,可以得到120×120×2的训练数据,120×120×16 图1为本文的基于人脸和指纹的 GMM-WSUM的的测试数据 级酗合识别系统 本文的人脸识别算法为PCA算法.使川的指纹识 识别时,步骤如下: 别算法为基于细节点匹配的算法。 (1)通过人脸识别和指纹识别算法,得到用户与模2.2多模生物特征融合系统与单一生物特征识 板库匹配得到的所有匹配分数,得到用户的人脸指纹别系统的性能对比 多模特征匹配值。 在ORL-FVC2004多模数据库和AR-FVC2004多模 (2)读入用户的多模特征匹配值并归一化,记为S,数据库上分别作了基于PCA算法的人脸识别、基于细 代入式(14),得到用户与所有模板匹配的F(s) 节点匹配的指纹识别和本文提出的基于 GMM-WSUM (3)选择合理的决策阈值η,大于决策阈值η的可融合识别方法的比较,实验数据分别见表1、表2 l82 014,50(2) Computer Engineering and4 pplications计算机工程与应用 表1 GMM-WSUM与单一特征在 ORL-FVC 未加权的积法则。这是因为人臉算法与指纹算法识别 数据库上的性能对比 性能的差距,加权相乘后被放大,降低了融合后的性能。 性能PCA人细节点匹基于 MM-WUSM 同时,从表3、4中可以看出,上述几种归一化融合 脸识别指纹识别 融合识别 方法在两个数据库中,和单模识别算法,特别是与人脸 GAR0.842 0.587 0.875 识别算法相比没有很大的性能提升,这是由于本文选取 FAR 0.033 0.037 0.032 的指纹算法性能与人脸算法识别性能相差较大的原因, 表2 GMM-WSUM与单一特征在AR-FVC 说明分数归一·化融合方法更加适用于几种单模识别算 数据库上的件能对比 法性能相近的情况。 性能PCA人细节点匹配基于 GMM-WUSM 24单级和两级融合识别方法性能对比 脸识别指纹识别 融合识别 GiAR 86 为了更好测试基于GMM-wSUM多生物特征二级 )650 1979 FAR0.022 0.040 0.027 融合识别方法的性能,在相同的人脸识别算法和指纹识别 算法、数据库的条件下,对比了本文提出的GMM-WUSM 从表1中可以看到,在ORI-FVC多模数据库中,相 二级融合识别系统、GMM融合识别系统和基于GMM 对于PCA人脸算法和指纹算法,本文提出的融合方法 和乘法法则( GMM-Product)二级融合识别系统以及 在正确识别率GAR上分别提升了3.8%和48%,而错误 WSUM融合方法和 Product融合方法的性能。 接受率FAR没有显著变化。表2中的数据显示,在 图2和图3分别绘出了五种融合方法的ROC曲线 AR-FⅤC数据库中,本文提出的融合方法的GAR比人脸 算法和指纹算法分别提升了13%和50%,与人脸算法相 1.00 0.95 比,FAR提高了0.005,与指纹算法相比,FAR降低了 0.90 0.0129。在两个不同的数据库中,尽管受到指纹识别算 c0.80 法低性能的影响,但本文提出的融合方法都有效的提升 Co 了识别性能。 GMM-WSUM 0.65 GMM-Pre 23基于分数归一化的融合决策性能对比 F WSUM 0.50 Product 表3、表4给出了未加权的Sum法则、 Product法则 0.55 10-1 和加权后的Sum法则、 Produc法则以及Max法则和 Min法则在ORL-FVC2004多模数据库和AR-VC2004 图2ORI-FVC2004上GMM融合方法与 多模数据库上的融合识别结果。 GMM- WSUM, GMM-product的ROC曲线 表3分数归一化融合策略在ORL-FVC2004的性能对比 1.00 0.95 能Su um WSum Produc 0.90 GAR0.8060.7100.827 0.681 0.8470.590 0.80 FAR00180.0620.02400620.0330.032 r GMM GMM-WSUM 0.70 GMM-Product 表4分数归一化融合策略在AR-FVC2004的性能对比 0.65 0.60 性能 Sum Product wSum PRoduct Max Min GAR0.8820.7850.947.7520.8600.660 0.50L 0 FAR0.0250.0500.0240.0500.0220.040 FAR 实验结果表明和法则要优于其他几种法则等。这 图3AR-FVC2004上GMM融合方法与 是因为归一化融合法则没有充分考虑到低性能单模识 GMM-WSUM, GMM-product的ROC曲线 别算法,若进行融合的两种单模识別算法性能相差较 从图中可以看出,同等条件下,基于 GMM-WSUM 大,往往结果只倾向于性能较优的单模识别算法,没有的二级融合决策识别方法更接近于理想的曲线。当错 达到融合算法的目的。考忐到本文的情况,基于PCA误接受率FAR相同时,可以明显看出本文提出的 的人脸算法识別性能要远远高于指纹算法,且人脸识別GMM-WSUM融合方法要好于其他融合方法,这是因为 算法得出的匹配值要高于指纹算法得到的匹配值,故最经过高斯混合模型的融合决策后,候选者的范围得到缩 大法则的识別效率接近于人脸识别算法的性能,最小法小,且剩下候选者的匹配分数密集分布,此时针对剩下 则的识别性能接近指纹算法的性能,因此和法則和积法俽选者来讲,人脸和指纹的识别率接近,利于分数归一 则更加适用于本文情况 化方法的融合识别,从而有效地提升了识别性能 从表3、4中的数据可以看出,加权后的SUM法则 通过两个不同多模数据库的对比,本文提出的融合 要优于其他几种归一化法则,但加权后的积法则要差于 (下转215页)

...展开详情
试读 4P 论文研究-基于GMM-WSUM的多生物特征二级融合识别方法.pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于GMM-WSUM的多生物特征二级融合识别方法.pdf 10积分/C币 立即下载
1/4
论文研究-基于GMM-WSUM的多生物特征二级融合识别方法.pdf第1页

试读结束, 可继续读1页

10积分/C币 立即下载