一种新颖的特征级融合算法使用SVM分类器进行Multibiometrics-Based人识别

文摘

最近见证了许多领域的生物和ultimodal生物识别领域的发展。这通常观察到在该地区的安全、隐私和取证。即使是最好的单峰生物识别系统,往往是不可能实现更高的识别率。多通道生物识别系统克服各种单峰生物识别系统的局限性,如nonuniversality,降低误接受,真正的录取率高。更可靠的识别性能是可以实现的多个相同身份的证据是可用的。本文中给出的工作重点是多通道使用指纹和虹膜生物识别系统。不同的虹膜和指纹的文本特征提取使用Haar小波技术。小说特征级融合算法开发结合这些单峰特性使用距离技术。support-vector-machine-based学习算法用于训练使用特征提取系统。验证了提出算法的性能,与其它算法相比使用CASIA虹膜数据库和真正的指纹数据库。 From the simulation results, it is evident that our algorithm has higher recognition rate and very less false rejection rate compared to existing approaches.

1。介绍

可靠性和稳定性的优势,生物识别安全与个人身份识别发展迅速。保护资源从入侵者对主人是一个关键问题。多通道生物识别系统集成了更多的生物识别技术提高安全性和准确性,因此能够更有效地处理nonuniversality人类特征的问题。事实上,这是很常见的用各种生物特征识别。事实上,这是很常见的用各种生物特征识别,因为不同的生物学特性是故意/在不知情的情况下被人用来识别一个人。

融合多种生物特征提供了更多有用的信息而获得使用单峰生物识别特征。使用不同的特征提取技术从每个模式可能包括一些功能不被第一个方法。补充信息相同的身份有助于实现高绩效(1]。现行实践多通道融合大致归类为prematching和postmatching融合2]。特征级融合prematching活动。融合功能层面包括相关特性集的合并多个模式。特性集拥有丰富的原始生物特征数据的信息比比赛得分和最后的决定。集成功能水平预计将提供良好的识别结果。但融合在这个层次上很难完成。获得的信息从不同的模式可能会因此异构融合的过程并不容易。顺序和并行融合结果的特性在高维特征向量。小的生物的数量特征,小的为未来的融合所需的时间。更多数量的特征包括更多的信息。 To achieve an increased recognition rate with reduced processing time is the primary objective of this work (feature fusion). The time required to fuse the feature vectors from different traits is directly proportional to the number of modalities. In the light of these facts it is better to have as less traits as possible, but the fusion of the features extracted from these traits must provide a higher recognition rate for having successful usage of multiple biometrics for recognition system compared to the unimodal-based system.

指纹和虹膜生物识别特征被广泛使用。在这个工作融合这些特征用于功能水平。Haar小波以减少计算复杂度。Haar小波技术用于特征提取的情况下。提出了一种新的特征级融合方法,实现,和测试工作。这种融合的观点是获得相对更好的性能比单峰特性。该算法融合的特点个人有效和准确的方法。这是明显的从仿真结果。在这(多通道)领域正在进行类似的研究都集中在postclassification或匹配score-level生物特征融合的喜爱,因为它很简单3,4]。然而,大规模生物识别应用程序仍然需要的性能改进。识别比的计算应用程序和时间要求身份验证。因此更专业的基于分类生物识别系统不仅应该向以达到所需的性能改善,但也减少执行时间(1,2]。常用的分类器对不同生物识别技术是支持向量机(svm)与不同的内核(特别是高斯和多项式),高斯混合模型分类器、神经网络和多层感知器(5- - - - - -8]。他们中的大多数提供显著的性能改进,但他们的结果是强烈依赖于可用的数据集(6]。特征级融合使用基于svm分类器的训练提出了评估工作提出了系统的性能。支持向量机背后的想法是将输入向量映射到一个高维特征空间使用“内核技巧”,然后构造一个线性判决函数在这个空间,这样数据集变得分离最大利润(6- - - - - -9]。通常由多通道数字特征提取技术实现的系统通常等于考虑生物的数量。使用单一特征提取技术,提取特征的贡献特征使得框架更强。本研究工作旨在减少虚假拒绝,错误验收和培训和测试时间可靠的识别。

本文的其余部分组织如下。部分2简要介绍了现有的多通道生物识别系统的审查。部分3描述特征的提取指纹和虹膜利用Haar小波技术,融合使用新颖的算法,并使用支持向量机分类。部分4给出了实验的结果。部分5总结了该算法的识别性能与现有的识别和融合算法。最后一节6总结我们的研究,提出了未来工作的范围。

2。文献综述

近年来,多通道生物系统吸引了研究人员的注意。可以找到各种各样的文章,提出不同的方法为单峰和多通道生物识别系统(1,2,10- - - - - -14]。多通道融合的协同效应提高信息的价值。首次提出了多通道生物Jain和罗斯200210]。大量的研究后,许多科学家茁壮成长的多通道生物识别系统。大量的学术研究是致力于它。许多发表的作品表明,融合过程是有效的,因为熔融分数提供了更好的歧视比个人分数(1,2]。大量的文学处理各种技术使功能更加丰富(9- - - - - -12]。单个输入和多个算法特征提取(9)或多个样本和单特征提取算法(15)或利用两个或两个以上的不同的模式(16)通常在最近一段时间讨论。它被发现在17多通道生物识别技术的实证关系可以提高性能。但这些改进涉及到多个传感器的成本或多个算法,最终反映出更高的安装和运营成本。

在大多数情况下,多通道融合可以分为两组:prematching融合和postmatching融合。之前融合匹配集的证据之前匹配。它包括传感器水平融合(10)和特征级融合(18,19]。融合后的匹配集匹配后的证据。它包括匹配分数水平(20.- - - - - -22),等级水平(23,24,和决策水平3]。融合决策层面过于刚性的因为只有数量有限的信息可以在这个级别(25]。集成在匹配分数级别通常是首选的缓解访问,结合匹配分数。因为产生的匹配分数不同的形式是异构的,必须规范化结合他们之前的分数。归一化计算昂贵(17]。选择不恰当的规范化技术可能导致识别率较低。系统的和谐、有效的工作,仔细选择不同的环境,不同的特征,不同的传感器,等等是必要的(17]。特性包含更丰富的信息输入生物特征数据的匹配和决定成绩。集成功能层面上应该提供更好的识别结果比其他层次的集成(18,19,25]。然而特征空间和尺度差异很难同质化特征从不同的生物识别技术。融合特征向量有时可能会导致增加维度,相比单峰特性。例如,融合向量可能最终单峰特征维数的两倍。融合实现声称性能增强,融合规则必须根据应用程序的类型,选择生物特征,和水平的融合。生物识别系统,集成信息处于初期阶段的处理被认为是更有效的比系统执行集成在稍后的阶段。

接下来,我们介绍简要回顾最近的一些研究。单峰iris系统,单峰掌纹系统,multibiometric系统(虹膜和掌纹)介绍20.]。他们工作的匹配分数查询的相似性特征向量的基础上与模板向量。Besbes et al。3)提出了一种多通道使用指纹和虹膜生物识别系统的特性。他们使用混合方法基于(1)指纹细节提取和(2)虹膜模板编码通过提取的虹膜区域的数学表示。这种方法是基于两个识别模式,每个部分提供了自己的决定。最后的决定是单峰决定通过进行“与”操作。实验验证的理论声称丢失他们的工作。Aguilar et al。26]在multibiometric使用快速傅里叶变换(FFT)的组合,和伽柏过滤器增强指纹图像。先后,小说阶段识别使用本地使用特性和统计参数。他们用两拇指指纹。每个指纹分别处理,单峰结果组合得到最终的融合结果。杨和马22)使用指纹、手掌印和手几何实现个人身份验证。这三个图片是来自相同的图像。他们实现匹配分数融合建立身份,执行第一次融合的指纹和palm-print特性,以及后来matching-score融合之间的多通道系统和单峰手掌几何学。一种方法建议在27)显示了脸,提高数据融合指纹,虹膜图像。方法是基于eigenface和伽柏小波方法,将单一算法的优点。他们建议一种新的融合系统,表现出改进的性能。贝格et al。4)致力于最先进的多通道生物识别系统的框架。这是适应任何类型的生物系统。更快的处理是他们系统的好处。一个框架的融合虹膜和指纹验证开发。分类是基于汉明距离。身份验证方法由乐Kumar et al。21侧重于多通道生物系统有两个特性,也就是说,脸,手掌印。综合特征向量导致了人的可靠性验证。最后的评估是由融合在匹配分数级别。单峰分数后融合匹配。毛雷尔和贝克已经提出了一个基于贝叶斯信念网络融合架构对指纹和语音28]。使用统计分布模型的特性。

frequency-based方法导致均匀生物特征向量,将虹膜和指纹数据,是在25]。先后,hamming-distance-based匹配算法处理统一同质生物特征向量。岜沙et al。23实现核聚变的虹膜和指纹。他们使用自适应等级水平直接融合在验证阶段。Ko (29日)工作的融合指纹、脸和虹膜。讨论了各种可能的多通道生物特征融合和策略为提高精度。评价不同生物识别的图像质量和对识别精度的影响也进行了讨论。Jagadeesan et al。18)准备安全密钥的基础上虹膜和指纹特征。从指纹细节点提取。同样是提取虹膜纹理属性。特征级融合进一步使用。256位密钥是融合的结果。改进在身份验证和安全,使用256位加密,声称是他们导致的一部分(18]。提出了一种多通道biometric-based加密方案,19]。他们把指纹和虹膜的特征与一个用户定义的密钥。

多通道biometric-based加密方案而言,在文献中很少有建议。Nandakumar和耆那教徒的30.)提出了一种模糊vault-based方案,结合了虹膜和指纹。正如所料,验证multi-biometric库的性能优于单峰生物金库。但键的熵的增加只是从40位(个人指纹和虹膜模式)49位(multibiometric系统)。Nagar et al。31日)提出了一个级的融合框架,同时保护用户的多个模板作为一个安全的草图。他们实现框架使用的是两个著名的生物密码,即模糊金库和模糊的承诺。

与文献中的方法和详细的早些时候,该方法引入了一个创新的想法融合使均匀大小的指纹和虹膜特征向量特征水平。融合过程中实现这项工作是基于距离。这种融合的优势减少熔融特征向量的大小,这是主要问题(高维度)在特征级融合。我们建议的方法的特征融合优于建议技术(3)和相关的比较对单峰元素。提取特征的多峰性,它们的融合使用不同的过程,并使用支持向量机分类是这项工作的核心。早些时候提出的融合方法不使用任何研究。新奇的工作是创建一个模板从两个生物形态和使用支持向量机进行识别的目的。

3所示。提出了多通道生物系统

该方法实现了一个创新的想法融合两种不同的modalities-fingerprint和虹膜的特征。提出的系统功能被分组在以下基本阶段:(我)预处理阶段,获得感兴趣的区域(ROI)作进一步的加工;(2)特征提取阶段提供的功能使用从ROI Haar小波;(3)融合阶段,结合相应的特征向量的单峰。创新技术因此得到融合的特性使用距离。这些距离规范化使用双曲和融合运用平均求和规则双曲正切。(iv)分类阶段运营指纹特征向量,虹膜特征向量,和融合特征向量分别为整个主题。我们应用一个SVM分类策略接受/拒绝或识别的结果决定。

这些技术解释如下。

3.1。指纹特征提取

指纹图像从图像采集系统可用。真正的指纹图像质量很少是完美的。他们可能被噪声退化由于许多因素,包括皮肤的变化,印象条件,和噪音的设备。一些图像质量非常糟糕;预处理提高了特征提取所需的程度。基本上指纹识别是由minutiae-based方法和基于图像的方法。大多数minutiae-based方法需要大量的预处理操作如标准化、分割、定位估计,脊滤波,二值化和细化32]。然后执行细节检测可靠地提取细节特征。提取指纹的特点我们使用Haar小波技术。这种基于图像技术起源于频率分析(小波)。这种技术的一个重要好处是减少计算时间,从而使其更适合于实时应用。这种技术需要更少的预处理和工作好即使低质量的图像。

本文首次使用归一化预处理,指纹图像直方图均衡化,和平均滤波,以改善图像质量。输入指纹图像正常化已预定的均值和方差。直方图均衡化(他)技术的基本概念映射基于灰度值的概率分布输入灰色的水平。他趋于平缓,延伸的动态范围图像的直方图11]。这导致图像的整体对比度改善如图1。它产生一个增强指纹图像特征提取是有用的。

3.1.1。Haar小波技术提取指纹特征

小波变换是一种基于多层功能分解的数学工具。应用小波变换后,信号可以被许多小波系数表示的特征信号。如果图像的特征有明显的频率和方向,相应的子图象小波变换更大的能量。因此小波变换已广泛应用于信号处理、模式识别和纹理识别,33]。通过应用小波变换,原始图像的重要信息转化为一个压缩的图像没有多少损失的信息。Haar小波分解指纹图像的均值和偏差。图像的小波系数包含四个部分波段与原面积的四分之一。左子图象,由行和列的低频部分,叫做近似图像。剩下的三张图片,包含垂直高频(左),水平高频率(右)和高频率在两个方向上(右),详细图片(34]。

如果代表一个图像信号,它的Haar小波变换等于两个1 d过滤器(方向和方向)。如图2(一个),我代表低频矢量(近似),HL代表高频矢量在水平方向,LH代表高频向量在垂直方向,HH代表对角高频向量。第一次分解后会季,近似分量,提交下分解。以这种方式分解进行了四次,如图2 (b)。这减少了数组大小1×60——以及方向。160×96的原始图像是减少到10×6第四后分解。从这张图片一个1×60一点特征向量提取的行操作序列化。这本身就是作为提取指纹特征向量。

3.2。虹膜特征提取

虹膜图像的特征提取的过程将在本节中讨论。必须在使用前预处理虹膜图像的特征提取的目的。不需要的数据包括眼睑、学生,巩膜,睫毛在图像应该被排除在外。因此,对虹膜预处理模块是需要执行虹膜分割,虹膜归一化和图像增强。分割是一个重要的模块删除nonuseful信息,即学生段和虹膜外的一部分(巩膜、眼睑和皮肤)。它估计虹膜边界。对于边界估计,虹膜图像首先喂精明的算法生成虹膜图像的边缘图。检测到的边缘地图然后用于定位瞳孔和虹膜的确切边界使用Hough变换(12]。下一步是单独的眼睑和睫毛。水平分割算子和图像二值化是用来提取眼睑边缘信息。眼睑跨越整个图像在水平方向上。平均垂直梯度较大的区域与眼睑边界。最长的可能的水平线是把眼皮。这是用作分隔符,分割成两部分。眼睑边界与抛物线曲线模型根据边缘点决定的。归一化虹膜的极形象的过程中被翻译成笛卡尔坐标系描述矩形条,如图3。它是使用Daugman橡胶板模型(13]。最后,使用直方图均衡化图像增强。

3.2.1之上。Haar小波技术提取虹膜特征

然后使用增强的归一化虹膜图像提取虹膜的识别特征模式,使用三级Haar小波变换分解。Haar小波选择这个工作是因为它有能力获取近似信息以及保留详细的纹理。240×20的归一化图像分解第一沿行(为每一行),然后列(每一列)。它产生四个regions-left-up季度(近似组件),直到(水平分量),左下方(垂直分量),和右下角(对角组件)。系数的均值和偏差分解后可用。我们再次近似季度分解成四个subquarters。这种分解是使用三次。四子图像的大小30×2。第三分解后的近似分量代表特征向量。1×30的第一行是附加的第二行1×30获得特征向量1×60。

3.3。虹膜和指纹特征向量的融合

从编码输入图像提取的特征向量进一步结合提出的新的特征向量特征级融合技术。目前的工作包括一个创新的方法融合的功能水平。距离Mahalanobis技术是这种融合的核心。这使它不同于不同的方法在文献中报道。提取的特征指纹和虹膜是均匀的;每个向量的大小1×60元素。这两个齐次向量处理实际生产融合向量顺序相同,也就是说,1×60元素。因为大多数特征融合的文学是串行或并行执行的,它最终的结果在一个高维向量。这是在特征级融合的主要问题。该算法生成相同大小的融合向量的单峰,因此无效高维度的问题。 The fusion process is depicted in Figure4和解释如下。(1)查询的特征指纹和虹膜图像。(2)最近的匹配查询指纹和虹膜的特征向量选择从4×100参考特征向量的指纹和虹膜使用和距离。(3)Mahalanobis距离在一个示例和一个样品使用下面的公式计算: 在哪里是类内协方差矩阵。在本文中,我们假设一个对角协方差矩阵。这让我们计算的距离只使用均值和方差。最小距离向量被认为是最相似的向量。(4)查询的区别及其最相似向量计算指纹和虹膜,再次的大小1×60。(5)这些差别向量归一化的元素通过双曲正切规模在0和1之间。扩展的参与(输入)特性相同的规模确保平等贡献融合。(6)均值计算这两个差别向量为每个组件。这产生了一个新的向量1×60。这本身就是融合的特征向量。这个融合向量用于使用SVM训练。这种方法可以节省培训和测试时间,同时保留融合的好处。

3.4。支持向量机分类器

SVM展现了优越的结果在不同的分类和模式识别问题(35,36]。此外,几个模式分类应用程序,支持向量机已经被证明提供更好的泛化性能比传统技术特别是当输入变量的数量是大的37,38]。考虑到这一目的,我们评估了支持向量机融合特征向量。

标准支持向量机将一组输入数据。这是一个预测模型算法来确定输入所属的类。这使得支持向量机非概率的二进制线性分类器(39]。给定一组训练样本,每个标记为属于它的类别,一个支持向量机训练算法构建一个模型,指定一个类别或另一个新样本。为此我们将为验证我们的方法支持向量机。为了达到更好的支持向量机的泛化性能,原始输入空间映射到一个高维点积空间称为特征空间,在特征空间的最优超平面,如图决定5。最初提出的最优超平面算法Vapnik [40)是一个线性分类器。然而,波沙et al。39)提出了一个方法来创建非线性分类器通过应用内核扩展线性技巧学习机器处理非线性的情况。我们旨在最大化利润的分离模式有更好的分类结果。函数返回的点积两个映射模式称为核函数。可以选择不同的内核构建支持向量机。最常用的核函数多项式,线性和高斯径向基核函数(RBF)。我们使用两种类型的内核的实验,即径向基函数内核和多项式的内核。

分离超平面(所描述的)是由最小化结构风险而不是经验主义的错误。最小化结构风险相当于两个类之间寻求最佳的保证金。最优超平面可以写成几个特征点的组合,称为支持向量的最优超平面。SVM训练可以被视为约束优化问题,最大化边缘的宽度和最小化结构风险: 在哪里是偏见,是权衡参数,是松弛变量,它衡量一个数据点的偏差从模式的理想条件,然后呢特征向量在特征空间扩大。惩罚参数”“控制之间的权衡决策函数的复杂性和数量的错误分类测试点。正确的价值无法提前知道,和一个错误的选择支持向量机的惩罚参数会导致严重的性能损失。因此估计参数值通常从训练数据交叉验证和指数增长的序列: 在哪里sv的数量,学习模式的目标价值吗,是拉格朗日乘数的sv值。给定一组训练样本,每个标记为属于它的类别,一个支持向量机训练算法构建一个模型,分配新样本的两个可用区域。

分类测试的样本是由 在哪里是内核功能,输入映射到高维特征空间。计算复杂度和分类的支持向量机分类器使用非线性内核取决于支持向量的个数(sv)所需的支持向量机。

支持向量机的有效性取决于所使用的内核,内核参数,适当的软边缘或惩罚值(41- - - - - -43]。核函数的选择是一个重要的问题在应用中,虽然没有理论告诉内核使用。在这两种类型的内核用于实验工作,即径向基函数内核和多项式的内核。比多项式RBF需要较少的参数设置内核。然而,收敛RBF内核需要更长的时间比其它内核(44]。

RBF核函数的高斯形式 在哪里是一个常数,它定义了内核的宽度。

多项式核函数是描述为 在哪里是一个正整数,代表多项式学位的常数。

在训练之前,对SVM径向基函数,两个参数需要被发现,和。是惩罚参数的误差项和是一个内核参数。通过交叉验证,最好的和值分别是8.0和0.1。同样polyorder价值需要被发现多项式SVM。后回归参数调优最好的发现是8.0。研究发现,RBF内核优于多项式内核为我们提出了特征级融合方法。

4所示。实验结果

评价算法进行了三组不同的实验。数据库为100真正的生成和50冒名顶替者样本病例。四个虹膜和指纹图像存储为每个人参考数据库。同样一个图像的所有100例虹膜和指纹存储在数据库查询。同样的数据在查询中引用和50例50例附加冒名顶替者。指纹图像是真实的,从CASIA虹膜图像数据库。生物特征的相互独立的假设让我们随机对用户的两个数据集。首先,我们所有的实验报告,基于单峰。然后,剩下的相关实验融合模式分类策略。两个内核,RBFSVM PolySVM,用于分类在不同的实验。 Three types of feature vectors, first from fingerprints, second from iris, and third as their fusion, are used as inputs in separate experimental setups. Combination of input features with classifier makes six different experiments. The objective of all these experiments is to provide a good basis for comparison. By using kernels the classification performance or the data separability in the high-dimensional space gets improved. Since this is a pattern recognition approach, the database is divided into two parts: training and testing. This separation of the database into training and test sets was used for finding the average performance rating. For unimodal biometric recognition 4 features per user were used in training and one image per user is used for testing the performance of the system. For multimodal, four fused features per user were used for training and one is used for testing. This separation of the database into training and test sets was used for finding the average performance results of genuine acceptance rate (GAR), false acceptance rate (FAR), training and testing time.

获得的结果列在下表中1。结果表明,融合向量的平均正确分类率是94%,在100年RBF核函数类。雀鳝的单峰指纹和虹膜的87%和88%,分别。也融合向量的平均正确分类率是93%,polykernel相同的数据集。发现为单峰指纹和虹膜85%和84%,分别。错误接受率(远)达到atoneable最小值,也就是说,0,使用熔融特性向量与内核分类器。我们还可以观察到RBF-SVM融合数据的最佳组合是雀鳝和远。

此外,该研究结果将有助于我们更好地评估结果由单峰,和多通道的训练和测试时间。这种培训和测试所需时间以秒为单峰和多通道也列在下表中1。表现最好的方法,融合特性,需要3.27秒的训练时间RBFSVM PolySVM 3.98秒。培训所需的最短时间为虹膜Haar小波方法(3.25秒)。结果显示,RBFSVM平均培训时间,并融合数据略大于单峰虹膜。融合特征向量优于单峰特性在这两种情况下进行测试。花了0.12使用PolySVM使用RBFSVM和0.19年代。我们的实验结果提供足够的支持,推荐融合特征向量与RBFSVM高识别的最佳组合。它有最高的雀鳝的94%和0%。至少测试时间0.12秒。这种组合是最好的表演者在六个不同的实验。 The GAR of 93% and FAR of 0% with testing time of 0.19 s for PolySVM is the second best performer. The training time for fused data lacks behind unimodal iris, but it should be tolerated as the training is to be carried out only once. From Table1,它可以很容易地得出结论,执行功能水平比单峰生物识别系统。

5。讨论和比较

摘要提出了一种多通道生物识别系统的特征级融合方法基于指纹和虹膜。提出了指纹和虹膜特征提取方法,融合,分类为单峰RBFSVM和PolySVM测试以及多通道使用真正的指纹识别系统数据库和CASIA虹膜数据库。更详细地,该方法执行指纹和虹膜特征提取使用基于Haar小波的方法。这些现成的特性是独特的表示模板。我们比较我们的方法与Besbes et al。3),Jagadeesan et al。18),而孔蒂et al。25]。

Besbes et al。3)工作在相同的模式(指纹和虹膜),但在决策级融合。他们声称的改善结果,因为他们的融合。索赔是不支持的实验结果。这里的过程之后,他们解释说。指纹的特征被minutiae-based提取方法。虹膜模式是由2 d伽柏编码过滤器。匹配是由汉明距离。每个通道单独处理获得其决定。最后的决定之间的系统使用操作符”和“决定来自于指纹识别步骤,来自虹膜识别。这进行“与”操作操作融合决策水平。 Hence, nobody can be accepted unless both of the results are positive. To compare their approach with our work, we fused their features sequentially and train these vectors by RBFSVM and PolySVM for two separate experiments.

类似尝试由Jagadeesan et al。18)提取特征,细节点,指纹和虹膜图像和纹理属性,分别。然后,提取的特征结合在一起用他们的创新方法,获得融合multi-biometric模板。生成一个256位的安全密钥从multi-biometric模板。实验,他们雇佣从公开渠道获得的指纹图像(我们使用真正的指纹数据库)和虹膜图像从CASIA虹膜数据库。训练和测试方面没有覆盖在他们的文学作品。工作中我们实现了这个系统分别训练支持向量机,进行比较。

特征级融合提出了孔蒂et al。25)是基于frequency-based方法。他们的融合生成向量是均匀的生物特征向量,将虹膜和指纹数据。hamming-distance-based匹配算法用于最终决定。比较我们的方法我们用SVM训练他们的融合向量。结果获得了远和FRR现在可供比较。我们测试了他们的技术在我们的数据库100年真正的和50冒名顶替者。远的比较图,FRR和响应时间列在下表中2。提出改进的性能所展示的特征级融合与融合方法相比其他研究人员使用。从表2,它可以很容易地得出结论,执行功能水平比单峰生物识别系统。

本节我们提出的方法之间的比较结果和推荐的方法3,18,25]。在特征级融合的结果进行了比较。结果表明80%的雀鳝在决策级融合进行“与”操作的单峰的决定。通过融合特性由RBFSVM顺序和培训,我们发现雀鳝= 90%的结果,远= 4%,训练时间4.3秒,测试时间0.20秒。同时,我们得到的结果雀鳝= 90%,远= 4%,训练时间4.98秒,测试时间的polySVM 0.24秒。实验结果的基础上,这是证明了特征级融合比决策级融合的概念提出的(3]。结果也显示,功能比个体特征级融合提供了更好的性能。的融合特征向量Jagadeesan et al。18FRR)达到0%,9%与内核的支持向量机。4.98的培训时间和测试时间0.20年代RBFSVM和培训所需的时间为5.01和0.21的测试时间年代要求PolySVM (18融合向量的一个主题。此外,孔蒂的结果等。25)达到0%,SVM的内核。获得8%和9%的FRR RBFSVM PolySVM,分别。平均培训时间培训的熔融特性集25是4.58和4.69年代RBFSVM PolySVM,分别。所需要的测试时间融合向量由RBFSVM 0.19秒和0.22年代的PolySVM [25]。在我们的例子中,雀鳝是94%,目前为0%,培训时间是3.27秒,测试时间由RBFSVM 0.12秒。雀鳝是93%,目前为0%,培训时间是3.98秒,测试时间由PolySVM 0.19秒。的认可率和错误率比较该方法与3,18,25)所示的数字6和7。结果从我们的融合方法优于Besbes et al。3),Jagadeesan et al。18),而孔蒂et al。25]。获得的结果,我们的方法是最好的竞争参考的结果适用于所有的四个性能指标。我们工作中使用的两个分类器RBFSVM优于PolySVM。实验结果证实该方法特征级融合的优越性和的方法(3,18,25]。

6。结论

信息含量丰富的多通道生物识别技术。满意度的问题,多峰性现在使用了一些应用程序覆盖人口众多。摘要小说特征级融合算法,并使用支持向量机提出了识别系统。目的工作的评估我们的站提出的特征级融合方法使用距离技术。这些融合特性分别由RBFSVM和PolySVM训练。仿真结果显示明显的优势特征级融合多种生物形式单一生物特征识别。特征级融合的优越性的基础上得出实验结果,,训练和测试时间。的两个比PolySVM RBFSVM执行。融合模板生成的独特性也优于决策级融合。性能的改善,FRR,响应时间比现有的研究。 From the experimental results it can be concluded that the feature level fusion produces better recognition than individual modalities. The proposed method sounds strong enough to enhance the performance of multimodal biometric. The proposed methodology has the potential for real-time implementation and large population support. The work can also be extended with other biometric modalities also. The performance analysis using noisy database may be performed.

引用

1. Soviany和m . Jurian“信息化系统的多通道生物保护方法,”美国第34国际春天电子技术研讨会美国,12 - 14页,凤凰城,亚利桑那州,2011年5月。视图:出版商的网站|谷歌学术搜索
2. 美国Soviany、c . Soviany和m . Jurian”与多个分类器生物认证的多通道的方法,”国际会议交流,信息和网络安全,28 - 30,2011页。视图:谷歌学术搜索
3. f . Besbes h . Trichili, b . Solaiman“多通道基于指纹识别、虹膜识别、生物识别系统”学报》第三届国际会议在信息和通信技术:从理论到应用程序(ICTTA 08年),页1 - 5,大马士革,叙利亚,2008年4月。视图:出版商的网站|谷歌学术搜索
4. a·贝格a . Bouridane f . Kurugollu, g .曲”Fingerprint-Iris融合基础识别系统使用单一汉明距离匹配器,”国际生物科学和生物技术杂志》上,1卷,不。1,47-58,2009页。视图:谷歌学术搜索
5. l .赵,y的歌,y朱、张,和y郑,“基于多支持向量机人脸识别,”IEEE国际会议控制和决策2009年6月,页5871 - 5873。视图:出版商的网站|谷歌学术搜索
6. t·c·莫塔和a·c·g·Thome One-against-all-based多类svm策略应用于车牌字符识别,”IEEE国际联合会议上神经网络(IJCNN ' 09),页2153 - 2159,纽约,纽约,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
7. r·布鲁内利和d . Falavigna“人识别使用多个线索,”IEEE模式分析与机器智能,17卷,不。10日,955 - 966年,1995页。视图:出版商的网站|谷歌学术搜索
8. Theodoridis和k . Koutroumbas模式识别爱思唯尔,第四版,2009年版。
9. b . Gokberk a . a .沙拉和l . Akarun”Rank-based决定对3 d shape-based人脸识别,融合”学报13 IEEE会议信号处理和通信的应用程序安塔利亚,页364 - 367年,土耳其,2005。视图:谷歌学术搜索
10. a . Jain和a·罗斯“mosaicking指纹”IEEE国际会议音响、演讲和信号处理(ICASSP ' 02)第四,页/ 4064 - IV / 4067,罗切斯特,纽约,美国,2002年5月。视图:谷歌学术搜索
11. m . Sepasian w . Balachandran, c .母马”对指纹图像增强minutiae-based算法使用CLAHE,标准偏差分析和滑动社区,”IEEE世界大会在工程和计算机科学,2008年,页1 - 6。视图:谷歌学术搜索
12. b . s .小梅刘优化在虹膜识别[博士。论文)圣母、计算机科学和工程学,印第安纳波利斯,印第安纳州,美国,2006年。
13. j . Daugman“虹膜识别是如何工作的,”IEEE电路和系统视频技术,14卷,不。1、21 - 30,2004页。视图:出版商的网站|谷歌学术搜索
14. l .洪教授和a . Jain“整合面临个人识别和指纹,”IEEE模式分析与机器智能,20卷,不。12日,第1307 - 1295页,1998年。视图:出版商的网站|谷歌学术搜索
15. j . Fierrez-aguilar l . Nanni j . Ortega-garcia, d . Maltoni”组合多个匹配器指纹验证:一个案例研究”诉讼的图像分析和处理国际会议(ICIAP ' 05)卷,3617在计算机科学的课堂讲稿施普林格,页1035 - 1042年,2005年。视图:谷歌学术搜索
16. a . Lumini和l . Nanni”当指纹结合Iris-a案例学习:FVC2004 CASIA,”国际网络安全》杂志上,4卷,不。1,27-34,2007页。视图:谷歌学术搜索
17. l ., a . k . Jain和美国Pankanti multibiometrics提高性能吗?“在IEEE自动识别先进技术研讨会,页59 - 64年,新泽西,新泽西,美国,1999年。视图:谷歌学术搜索
18. a . Jagadeesan t Thillaikkarasi, k . Duraiswamy”保护bio-cryptography关键发明从多通道模式:特征级融合的指纹和虹膜,”欧洲科学研究杂志》上卷,49号4、484 - 502年,2011页。视图:谷歌学术搜索
19. 即Raglu和p . p . Deepthi多通道生物特征加密使用细节和虹膜特征地图,”学报IEEE学生'International会议电气、电子和计算机科学苏黎世,页94 - 934年,瑞士,2012年。视图:谷歌学术搜索
20. v . c . Subbarayudu和m . v . n·k·普拉萨德,“多通道生物识别系统,”学报第一国际会议上新兴的工程和技术趋势(ICETET ' 08)那格浦尔,页635 - 640年,印度,2008年7月。视图:出版商的网站|谷歌学术搜索
21. m . Nagesh库马尔·k·马赫什和m . n . Shanmukha偶像,”一个高效安全的多通道生物融合利用掌纹和脸的形象,“国际计算机科学杂志》上,卷2,调查2009页。视图:谷歌学术搜索
22. f·杨和b .马”,一个新的混合模式基于指纹的生物识别信息融合,hand-geometry palm-print,”第四届国际会议上图像和图形学报》(ICIG ' 07)金华,页689 - 693年,中国,2007年8月。视图:出版商的网站|谷歌学术搜索
23. a . j .岜沙、诉Palanisamy和t . Purusothaman”快速的多通道生物方法使用动态指纹身份验证和增强虹膜特征,”《计算智能和计算研究IEEE国际会议(ICCIC 10)哥印拜陀,页1 - 8,印度,2010年12月。视图:出版商的网站|谷歌学术搜索
24. m . m . Monwar和m . l . Gavrilova“多通道生物识别系统使用rank-level融合方法,”IEEE系统,人与控制论B,39卷,不。4、867 - 878年,2009页。视图:谷歌学术搜索
25. 诉孔蒂,c·塔基、f . Sorbello和s . Vitabile”frequency-based方法指纹和虹膜特征融合的多通道生物识别系统,”IEEE系统,人与控制论C,40卷,不。4、384 - 395年,2010页。视图:出版商的网站|谷歌学术搜索
26. g . Aguilar g·桑切斯,k . Toscano m . Nakano h·佩雷斯,“多通道使用指纹生物识别系统,”国际会议上智能和先进的系统(ICIAS ' 07),页145 - 150,吉隆坡,马来西亚,2007年11月。视图:出版商的网站|谷歌学术搜索
27. l .林x。顾,j。李,l·杰J.-X。施,y y。黄”,研究数据融合多种生物特性,”国际会议上感知计算和情报分析(ICACIA ' 09)成都,页112 - 115年,中国,2009年10月。视图:出版商的网站|谷歌学术搜索
28. d·e·毛雷尔和j·p·贝克”,融合多通道生物识别技术与质量估计通过贝叶斯信念网络,”模式识别第41卷。。3、821 - 832年,2008页。视图:出版商的网站|谷歌学术搜索
29. t . Ko,“多通道生物识别大型用户使用指纹,脸和虹膜识别,”美国第34图像和模式识别应用研讨会(AIPR ' 05),页88 - 95,阿灵顿,弗吉尼亚州,美国,2005年。视图:谷歌学术搜索
30. k Nandakumar和a . k . Jain Multibiometric模板安全使用模糊金库”IEEE国际生物识别技术会议2:理论,应用程序和系统,页198 - 205,华盛顿特区,2008年10月美国。视图:出版商的网站|谷歌学术搜索
31. a . Nagar k Nandakumar, a . k . Jain”Multibiometric密码机制基于部件级融合,“IEEE取证和安全信息,7卷,不。1,第268 - 255页,2012。视图:出版商的网站|谷歌学术搜索
32. Balasubramanian k, p先生。”从指纹图像中提取细节使用图像反演和bi-histogram均衡”SPIT-IEEE讨论会和生物识别技术国际会议页53-56,华盛顿,美国,2009年。视图:谷歌学术搜索
33. Y.-P。黄,S.-W。罗和e y。陈”,一种有效的虹膜识别系统”国际会议的程序在机器学习和控制论,第454 - 450页,北京,中国,2002年11月。视图:谷歌学术搜索
34. n . Tajbakhsh k Misaghian, n . m .班得瑞”提出基于2 d-wavelet变换,虹膜特征提取方法”Bio-ID-MultiComm, 2009年联合成本2101年和2102年国际会议上生物识别身份证管理和多通道通信卷,5707在计算机科学的课堂讲稿,第307 - 301页,2009年。视图:谷歌学术搜索
35. f . d . Zhang歌,y,和z梁,与应用先进的模式识别技术,生物识别技术、医疗信息科学参考,纽约,纽约,美国,2008年。
36. c . j . c . Burges”教程对支持向量机模式识别,”数据挖掘和知识发现,卷2,不。2、121 - 167年,1998页。视图:谷歌学术搜索
37. m·m·雷蒙x Nan, c . g . Christodoulou“波束形成使用支持向量机,”IEEE天线和无线传播的信4卷,第442 - 439页,2005年。视图:谷歌学术搜索
38. m·j·加西亚Fernandez-Getino j·l·Rojo-Alvarez f . Alonso-Atienza和m . Martinez-Ramon“支持向量机对健壮的OFDM信道估计,“IEEE信号处理信件,13卷,不。7,397 - 400年,2006页。视图:出版商的网站|谷歌学术搜索
39. b·e·波沙i m·盖恩,v . n . Vapnik“训练分类器算法最优边缘,”学报》第五届ACM计算学习理论研讨会(柯尔特92)摩根考夫曼,页144 - 152年,圣马特奥市加州,美国,1992年7月。视图:谷歌学术搜索
40. v . n . Vapnik统计学习理论的本质施普林格,纽约,纽约,美国,1999年。
41. C.-W。许和C.-J。林,”一个简单的分解方法,支持向量机,“机器学习,46卷,不。1 - 3、291 - 314年,2002页。视图:出版商的网站|谷歌学术搜索
42. j·博,A·库马尔,n .烤箱”小说融合方法提高生物特征识别使用等级水平,”IEEE计算机视觉与模式识别会议,页1 - 6,香港,中国,2007年6月。视图:出版商的网站|谷歌学术搜索
43. j . Manikandan和b . Venkataramani”评价的多类支持向量机分类器使用优化基于阈值的修剪技术,”信号处理专业,5卷,不。5,506 - 513年,2011页。视图:出版商的网站|谷歌学术搜索
44. r .这m . a . Abdoli a .美国Ghasrodashti和m·贾利利Ghazizade”预测城市固体废物产生的支持向量机和主成分分析的组合:一个案例研究的马什哈德,”环境进步和可持续能源,28卷,不。2、249 - 258年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013葛文德Ujwalla et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。