文摘

信息安全的必要性和有关规定采用正成为一个压倒性的全球需求。作为一种有效的解决方案,混合的多通道生物识别系统利用融合结合多种生物特征和来源和提高识别精度,更高级别的安全保证,应对uni-biometric系统的局限性。摘要三种策略来处理部件级深度融合五生物特征(脸、两个虹膜和两个指纹)来源于三个来源的证据提出和比较。在前两个建议的方法中,每个特征向量与特征空间映射到再生核希尔伯特空间再生核希尔伯特空间理论()分别通过选择适当的复制内核。在更高的空间,结果是线性的非线性关系的转换,降维算法(KPCA KLDA)和quaternion-based算法(KQPCA KQPCA)用于融合的特征向量。在第三个方法,基于深度学习的融合特征空间由的特征向量相结合深入和全面连接层。实验结果在6数据库提出了混合multibiometric系统清楚地表明获得的多通道模板功能空间的深度融合;同时对欺骗攻击的安全并使系统健壮,他们可以使用的低维度融合向量增加混合多通道生物识别系统的准确性100%,显示出显著的改善而uni-biometric和其他多通道系统。

1。介绍

multibiometric系统利用融合结合多个生物源和提高识别精度(1]而消除的局限性uni-biometric系统依靠单一生物特征。它受到限制,如噪音,数据质量不佳,nonuniversality和大型用户之间变化。多个源的生物识别信息而言,存在五个可能的场景。五个场景可以提供生物识别来自多个源的信息。Multibiometric系统可分为根据他们的信息来源,如多种感觉的,multi-algorithm,多实例,multisampling和多通道。有四个场景单一生物特征(如指纹或虹膜)可用于推导出几种类型的信息,而五分之一的场景(即多通道生物识别系统)包括使用几个生物特征(指纹、虹膜等)。上述五个场景也可以组合成一个multibiometric系统[2]。这些系统被称为混合multibiometric系统(图1)。

此外,进一步增加用户身份验证的复杂性和确保更高的安全性,一个以上的特征是相互结合3]。因此,本文介绍了混合multibiometric结构来解决上述问题。由于可靠性更强,更大的适用性,和更好的安全性、多通道生物识别系统已经开发了生物特征识别和吸引了更多的研究人员4]。

如图2,有四个级别的生物特征数据融合。原始数据将结合如果它发生在传感器水平。多通道系统不能受益于这种类型的融合;然而,它可以提高uni-biometric系统的效率。可以结合各种生物特性相同的类通过使用特性融合。还可以结合来自多个分类器获得的分数,每一种都属于一个特定的生物。该方法的简单性和低成本使它适合设计multibiometric系统。决策级融合也可以出现在一些决策相结合,都来自一个生物识别系统。决策级融合的有效性低于score-level融合,然而。Uni-biometric系统有效地识别个体,所以两个水平可以提高有限的空间使用。 A comparison of the four fusion levels reveals that the feature level can extract the maximum discriminative data from the initial feature sets and remove redundant information [4,5]。多通道系统最佳设计使用特性融合由于丰富的信息特征向量。有一些机器学习方法在生物医学的应用6- - - - - -9),科学(知识10,11,网络和系统保护(12- - - - - -16]。

我们方法级的深度融合作为设计和开发技术来实现一个健壮、安全的混合多通道生物特征模板。然而,它具有挑战性的执行直接连接的特性集固有的差异表示(例如,IrisCode虹膜和指纹细节)(17,18)不同的特征融合方法探索了几位作者19- - - - - -21合理和有效融合其他形式。我们还提出了三种策略级深度融合的生物特征。

一个特征向量是由结合两个或两个以上的特征向量在特征空间。结果,最后向量检测能力高于原来的向量。结合特征向量的过程可以由他们通过选择复制内核函数映射到再生核希尔伯特空间再生核希尔伯特空间理论()和更高的维度,然后融合再生核希尔伯特空间理论的向量映射到通过降维算法(KPCA KLDA)和quaternion-based算法(KQPCA KQLDA)。

或功能空间的融合可以实现基于深度学习相结合特征向量深入、全面连接层(图3)。

提出了三种策略来面对合并,合并虹膜和指纹特征向量相结合的混合multibiometric识别系统创建一个健壮的和安全的多通道生物特征模板。我们提出和比较降维算法(KPCA KLDA)和quaternion-based算法(KQPCA KQLDA)再生核希尔伯特空间基于再生核希尔伯特空间理论()和深入学习融合。

作为本文的一个延续,部分2介绍了内核方法的理论基础,希尔伯特空间,RKHS,和四元数,以及深度学习的特征向量相结合的方法再生核希尔伯特空间理论深度和完全连接层使用。概述该混合动力系统的设计和实现提出了部分3,其中还包括特征提取、特性集成,和分类模块。分析和测试报告的结果部分4提出了部分,结论5。

2。理论基础

在本节中,解释建议的方法,我们提出的主要理论基础,我们依靠我们的作品22,23]。

2.1。内核的方法

内核技术是基于以下的想法;假设x₁,x₂∈X⊆R^d代表两个标本,φ:X⟶H是非线性的特征映射类型转换现有的每个元素在吗X为一个高维(甚至无限维度)再生核希尔伯特空间再生核希尔伯特空间理论()。内部之间的产品φ(x₁),φ(x₂间距)的特性H不得计算通过核函数的应用程序k(x₁,x₂):

事实上,这从直接获得内部产品引入内核k无需显式表达式φ,通常被称为“内核技巧。“即使它是有效学习非线性结构、内核技术处理大规模问题时经常遭受可伸缩性的缺点由于极端的时间和空间复杂度24]。

2.2。希尔伯特空间(H)

H是一种广义的欧几里得空间中向量代数的扩展时,二维欧几里得平面和三维空间扩展到有限或无限维度空间。在众多的属性描述和几何直觉是决定性的希尔伯特空间理论框架,特别是在无限维的函数空间。希尔伯特空间H是一个复杂的向量空间向量的内积为每一对具有以下属性:

同时,H用一个距离函数 是一个完备度量空间,这样每个柯西序列H有一个限制H:

希尔伯特空间,勾股定理和平行四边形法是精确的模拟。然而,希尔伯特空间的每个元素可以基于对轴的坐标来表示(正常正交基地)。在有限维空间投影和基底希尔伯特空间的事情之一显示了希尔伯特空间的应用的范围。

2.3。再生核希尔伯特空间再生核希尔伯特空间理论()

希尔伯特空间可以用来提取非线性或高阶时刻从数据25]。再生核希尔伯特空间理论为;

2.3.1。复制属性

对于任何x在X,一个非零的功能k_x存在于H这 对于任何特定的函数f在H,在那里代表的内积H。上面的k_x被称为复制内核的H在x。然后,复制内核设置{k_x}_x∈X是一个密集的子集H。集 ,它定义了两个变量的函数 。

具体地说, 可以确定自共轭矩阵的情况下X是一个有限集合,称为格拉姆矩阵的H(26]。此外,它遵循从复制属性:

再生核希尔伯特空间理论的属性在内核的学习是重要的,因为它唯一地确定一个再生核函数k(x在一些特定的希尔伯特空间,·)H。实际上,H可以抽象为形象Φ(x与非线性),可能是无限维的,映射函数的属性等 也称为内核技巧。内核技巧让我们直接评估之间的内积发达φ(x),φ(x′)H没有构建的显式方程φ。事实上,一些内核,如高斯内核,融入无限维的特征空间。有很多基于学习算法计算基于克只有有限数量的数据点矩阵。克矩阵在一个数据集x₁、…x_n是由 (27]。转移运营商可能会生活在一个空间的无限维度,但是,使用克从训练数据矩阵的推导,可以执行所有相关的操作。功能空间也可以无限维度(如高斯内核)以及低维(如多项式内核)28]。本文特征向量的面孔,虹膜和指纹以适当的内核函数的特征空间映射到希尔伯特空间(高属性)。基的变换在空间中提取更多的线性关系。

高斯核函数如下:

多项式核函数如下:

而PolyPlus内核函数如下:

线性核函数如下:

汉明核函数如下:

我们可以计算出主成分或线性判别空间寻找最佳核函数(再生核希尔伯特空间理论中)使用高阶输入像素的相关性。Matlab代码将选择最好的响应基于输入图像的映射到一个高阶特征空间使用多个内核。高斯多项式,线性内核,内核,内核和汉明内核是最常用的核函数。再生核希尔伯特空间理论的内核函数如下:

2.4。四元数

当前部分提供了一个背景图像的四元数代数和我们所说的四元数运算符用来介绍我们的模型。数字系统在数学,四元数数量将扩展复数。四元数多的一种形式问=一个1 +。b。我+c。j+dk,在那里一个,b,c,d实数,我,j,k基本单位四元数。ℍ集的四元数是在实数与向量空间维度4 (R⁴)(相比之下,实数(ℝ)维度1,复数(ℂ)维度2 (R²),八元数维度8 (R⁸))。H是建立在四维向量空间,事实上,在实数(一个,b,c,d),1,我,j,k代表的基础上,由组件明智的增加和组件明智的标量乘法。四元数的乘法表定义了四元数的乘法运算的代数系统(表1)[29日]。

在欧几里得空间定理,四元数是优于传统的实值方法有几个原因:(1)四元数是由一个真正的组件和一些虚构的成分,这将导致更大的表现力。(2)四元数数字/向量替换为一个应用程序的汉密尔顿产品作为点的替代产品在欧氏空间中,对应最佳跨多个(inter-latent)四元数,加强inter-latent关系,导致更多的表达模型。(3)汉密尔顿产品重量共享,所以它没有它会比一个模型参数较少。图4通过比较说明了四元数比实值表示用四元数转换的过程。相比之下,实值表示在欧几里得空间,四元数可以提供优越的相互依赖关系交互编码参数(降低75%30.]。

并行功能融合再生核希尔伯特空间理论的四元数可以延长与data-adapted内核直接执行。这对应平行超平面的融合可能无限维空间H。同时,非线性Φ内核诱导映射模式(x),利用再生核希尔伯特空间理论,使用适当的内核的主要结果的线性决议multibiometric特性的非线性关系。

部件级融合模块实现了提出的方法,如图5。内核函数用于再生核希尔伯特空间理论的特征子空间映射到。非线性内核映射的核函数最大化组内的散射而减少同类分散提取判别信息定义。再生核希尔伯特空间理论的整合特征向量使用几个quaternion-based算法,包括四元数奇异值分解(矩阵),四元数主成分分析(QPCA),四元数线性判别分析(QLDA) [31日,四元数保局投影(QLPP)。QPCA和四元数的矩阵提取全局数据部门戒指,和QLPP提取本地数据,发现四元数的基本歧管构造融合。此外,QLDA也最大限度地减少内部冲突和四元数的类和类之间的最大化方差之间融合特性集(31日]。结果是一个quaternion-based融合再生核希尔伯特空间理论中。该算法实现多通道混合模板的三个特征向量的脸,虹膜,再生核希尔伯特空间理论和结合指纹通过四元数包括以下四个步骤:(我)步骤1:规范化特征向量(2)步骤2:内核映射为个人输入数据点x_我。(3)非线性映射函数φ被定义为φ: 。一个隐式的高维特征空间F是由输入数据映射特征点吗习来理查德·道金斯。非线性映射函数φ再生核希尔伯特空间理论的,内核函数 可以被定义为 在哪里K代表一个内核。(iv)步骤3:使用串行的规则,两个左右虹膜特征向量和左和合适的索引指纹特征向量的总和。(v)步骤4:quaternion-based算法应用于再生核希尔伯特空间理论融合的特征向量。这三个特征向量X,Y,Z填充三个虚部的四元数形式 。

根据这一点,我们提出一个quaternion-based再生核希尔伯特空间理论并行融合算法在该模型融合的三种类型的脸,虹膜和指纹生物识别技术。与之前工作特性融合、基于欧几里得空间,我们介绍了系统模型的融合三个生物特征向量的脸,虹膜相结合,并结合指纹进一步实现效率与高维再生核希尔伯特空间(甚至无限维度)和超复杂系统(即。四元数空间)。

2.5。深度学习

在前面的部分中,四元数和维算法的理论基础在再生核希尔伯特空间再生核希尔伯特空间理论()表达的一个简要讨论拟议中的机器学习模型,旨在结合几种生物识别特征的特征向量来实现混合生物特征模板。同样,这一节是指深度学习,这是一个机器学习模型的建设适用于展示数据的分级显示。深入学习是一种强有力的工具,因为它管理大量的数据。在深度学习,用多层神经网络通常被称为深层神经网络,说明如何用多层神经网络可以成功地创建表征结构。(32- - - - - -34]。这些网络的权重可以使用功能调整学习算法有或没有观察者。一个卷积神经网络(CNN-based)是最受欢迎的深层神经网络之一。卷积,池,完全连接层CNN的架构。卷积层是CNN的支柱的商业模式。这一层是图像的逐像素扫描并创建一个执行功能映射定义未来的分类。通过收购图像的总体尺寸,池也被称为数据采样。每个属性的信息从每个卷积层基本信息是有限的。使用池创建卷积层,是连续的;它可以多次使用。 Once the feature analysis has been performed and the calculation time has arrived, the fully connected layer would assign a random weight to the inputs, predicting the appropriate label. The fully connected output layer is the last layer of the CNN model, which contains the results of the tags assigned for the classification and allocates a class to the images.

过滤器,因此,确定属性通过引导过程,产生一个属性映射作为输出,如图6。这些属性向量相邻,组合成一个混合模式,为我们构建一个混合动力系统。

3所示。系统实现

图7显示了混合multibiometric系统的三个主要模块:特征提取、特征融合,和分类。此外,该方法是在融合中实现层。模块分为部分。

3.1。特征提取模块

图像空间映射到特征空间中特征提取模块中提取的最佳特性的每一生物特征脸,虹膜和指纹。两种方法通常用于特征提取的生物特征提出了系统。应用第一个方法,一个卷积神经网络(CNN)设计并用于提取的脸,虹膜、指纹特征,而在第二个方法中,六个显式算法用于提取每个生物特征:基于算法(KPCA & KLDA),用于提取面部特征,Log-Gabor过滤器,适用于提取指纹特征,Daugman和霍夫变换算法用于提取左右虹膜特征。本节简要介绍了算法提取的脸,虹膜和指纹特征向量。

3.1.1。脸、虹膜和指纹特征提取

单峰虹膜,脸,和指纹特征提取算法用于我们以前的工作中重用提出混合多通道生物识别系统使用的三个特征(虹膜、脸和指纹)。

(1)特征提取。有三种类型的面部特征提取方法:基于模型,基于模板和外貌。几个外貌的方法是可用的,包括主成分分析(PCA),线性判别分析(LDA),保局投影(垂直距离),局部二进制模式(LBP)和离散余弦变换(dct)。非线性方法包括内核主成分分析,核线性判别分析,和内核保局投影。面对经验丰富的内在(即。,一个ge wrinkles, facial expression variations) and exterior changes (i.e., occlusions, gestures, and lighting variations) changes in the real world. Because of high cost and complex calculations, it may be challenging and difficult to provide many experimental face photos. Accordingly, face recognition is often a nonlinear issue due to the small-scale photos’ complicatedness, number, and dimensionality. That explains the importance of developing algorithms with useful features and nonlinear scales for describing the nonlinear relationsships between face samples. Considering that the kernel method can effectively register nonlinear similarities between samples, kernel-based face feature extraction methods have been introduced to develop linear algorithms in which appropriate kernel functions are used to map the samples implicitly into a new feature space with higher dimensionalities. Then, in this new feature space, nonlinear relations become linear, and the distance metrics are trained for the desired use. Of course, unlike the excellent performance of kernel functions in various algorithms, one key matter in the algorithms is to select the appropriate kernel or parameters for a specific kernel [35]。本文利用KPCA (36]和KLDA [37)提取面部特征。

(2)虹膜特征提取。虹膜识别系统是一种准确、可靠的生物识别技术。Daugman算法(38)和霍夫变换(39)提取虹膜特征。虹膜特征提取算法可以概括为三个步骤:(1)确定眼睛的虹膜边界图像是虹膜识别的第一和最重要的一步。Duagman算法,(x,y)表示虹膜图像,r表示图像中搜索半径范围,和G(r)代表的高斯平滑函数,开始搜索学生区分最大像素值的改变(偏导数)。两个圆代表霍夫变换的眼睛,(习,易中心坐标和)表示r表示半径。(2)创建一个矩形块的图像正常化隔离圈分成相等的维度。(3)一个虹膜特征提取上使用1 d Log-Gabor滤波器归一化图像显示虹膜的组织信息。这个过滤器是一个对数刻度伽柏功能,Log-Gabor滤波器的频率在以下公式,提供了f0表示频率中心和σ滤波器的带宽:

一个9600位的代码是用于虹膜的特征过程,在一个9600位的代码用于处理上下睫毛。

(3)指纹特征提取。指纹验证技术可以分为基于相关性,基于脊特征,基于细节。山脊和山谷的模式也可以被视为一种面向纹理。细节模式是独一无二的,但许多因素影响系统性能,如噪音和失真发生而获取的图像(40]。指纹匹配算法来解决这个问题,提出了新的指纹图像表示和技术最近[41]。独特的材料制成的假指纹可以攻击指纹识别系统。指纹活性检测算法(盛名)提高了指纹识别系统的安全性。图像质量,汗毛孔,汗水,皮肤变形,和纹理特征是基于软件的盛名的五类方法。前四个盛名方法有一个糟糕的用户体验,因为他们需要比较两个或两个以上的图像。使用纹理特性,第一个四个方法解决了单独分析细纹理信息和测量使用只有一个图像。视觉特征如纹理反映表面结构的安排属性和描述图像的同质性现象。盛名,指纹纹理信息可用于确定形态、平滑、真实和假指纹的方向。(42]。

指纹特征空间是基于指纹纹理特征。在指纹特征提取方法,如细节匹配,短时傅里叶变换(STFT)和伽柏过滤器银行(43使用)。伽柏滤波器通常用于提取特征。

有四个主要步骤后的指纹特征提取算法改善指纹图像:(1)识别目标区域和参考点(2)一个参考点是用来分割目标区域(3)伽柏过滤器银行可以用来过滤目标区域在六或八个不同的方向(4)计算每一段的绝对标准偏差来生成一个特征向量(44]。

3.1.2。CNN-Based特征提取

在VGG-16架构(45],cnn包括卷积层、汇聚层,和联通层。一个输入图像是由卷积处理层使用滑动窗口技术。特征映射是由原始图像卷积,捕获各种特性,包括边缘,角落,等等,从原始图像。这允许不同类型的过滤器来产生不同的特征图谱。之后,卷积的生产层,通常是一个非线性激活函数(例如,纠正线性单元(ReLU),介绍elementwise,所以一个整流特性可以生成地图。这个ReLU,当激活,将取代负面像素值的总数等于一分之零特性图。降低维数的整流特性图,应该使用一个汇聚层。池中的所有像素特征映射的当地社区,池保留在地图上的所有重要信息。

因此,特征映射等变化的规模和翻译(46]。层的非线性激活和池后,卷积层测序;美国有线电视新闻网有一个或多个完全连接层,所有的神经元连接到所有后续层中的神经元,这第一个完全连接层耦合到最后一个最小化功能映射。利用完全连接层、维度可以进一步降低和非线性相关性可以被捕获。有同等数量的输出神经元在过去完全连接层相比,目标类。这一层使用一个名为“softmax的函数。“目前几种pretrained CNN架构,包括VGG-16 [46]。关于ImageNet VGG-16网络提供了出色的效率竞争,网络的训练在一千年与无数的图像类别。此外,VGG-16是利用适当的结果在我们以前的工作,也就是说,R-CNN越快,给我们的动力在当前的研究中重用它。这个VGG-16十三层的旋转+ reLU池的五层,三层完全连接层(46)(见图8)。

3.2。特征融合模块

一个向量作为混合多通道模板是融合模块的输出特性,通过结合三个向量的脸,虹膜和指纹特征。这个向量微分功率比的输出特征向量特征提取模块。图2包含最富有的数据说明了特征空间。这意味着比其他水平特征向量是更好的定量和定性的信息。在两个方面,数据融合在图像空间是至关重要的。第一个是判别信息来自原始的功能;第二,它可以去除不必要的和重复的信息,因为不同功能之间的相关性。换句话说,特征融合会产生最好的向量来创建系统的最大区别,最小尺寸做出最好的决定(1]。

特征空间中的向量融合过程可以通过三种方式实现:“串联或并联组合”(2),”特征提取算法,或降维方法”(47),或“二进制特征融合”(2]。特征向量的组合构成的三个特性融合策略。有三种主要模式特征向量相结合:串行规则,加权求和规则(48),和并行融合。第一个使用丰富的计算资源,采用最后一个;重量选择是有问题的。并行融合提出了杨et al。49]。它避免了大量的计算序列规则和选择的权重加权求和规则。但是这个方法取两个特性的实部和虚部复杂的矢量,它只能融合两个单一特征模式或一个形态与两种类型的特性。通常,多通道生物识别必须受益于更多的形态或功能更高的效率。

出于这个原因,本文提出了三个或更多的并行融合特征向量使用四元数算法。当然,对于更好的性能,在四元数融合之前,特征向量映射到希尔伯特空间使用复制内核提取更多的非线性关系。如图5,从3特征进行了提取的特征融合代表用户生成的新特性。因为上面所讨论的,融合策略模型可以识别在整个训练阶段的结合特性。结果,第二个完全连接层的融合的输出的脸,虹膜,手指静脉cnn。通过结合三个CNN模型,产生的向量2完全连接层成为一个向量,定义如下:

一个虹膜图像包含xr特点,一脸图像包含xf特点,一根手指静脉图像包含特征。识别人,由此产生的向量X然后输入将softmax分类器分类图像基于相似性得分(19]。

3.3。分类模块

如图9、培训和测试提出了混合动力系统的两个方面。

作为测试阶段的一部分,同样的参数应用到新的数据来确定水平的相应特征向量之间的区别。然后比较分类结果和良好的目标函数来确定系统的效率。获取每个神经元的权值神经网络类似于确定神经网络的有效性。

在深度学习,训练有素的训练得到的模型数据。测试数据是进入这个模型(可以是一个深层神经网络和包括所有提取、融合、和分类模块)。结果将可以从输出。使用其他的方法,正如前面所解释的,面对的特点,虹膜和指纹图像中提取。之后,由再生核希尔伯特空间理论特征向量映射到正常化,quaternion-based算法用于熔断器和存储生物识别技术的多通道模板代表数据库中的每个类。最后,在识别阶段,分类模块比较获得的新的混合生物模板从之前的模块(提取器和特征融合)混合模块以前存储在数据库在招生阶段进一步确定其类基于相似性(或更短的距离)之间的新模板和存储的模板。为了使系统高效,必须分类模块表现良好。9个分类器的结果已经被评估在这篇文章中,如图8。除了距离函数分类器(欧几里得,Manhatan角,Mahalanobis),概率神经网络分类器(并),径向基函数神经网络(rbf),再分类,内核支持向量机(KSVMs)和高斯分类,这些分类包括再分类器。

4所示。评价指标

必须评估模型在开发机器学习或深度学习模型的实际应用。训练模型被用来测试图像预处理后,进行分类培训和验证。提出了衡量uni-biometric的性能,多实例,multialgorithm和混合的多通道生物识别系统22,34)通过观察识别精度等性能指标接收机工作特性曲线(ROC), auc (ROC曲线下的面积),敏感性,特异性和效率(22,34]。在表2,真阳性(TP)代表作业正确积极的例子,假阴性(FN)显示不正确的负示例作业正类,假阳性(FP)显示不正确的正示例作业负类,和真正的底片(TN)显示正确的负面例子作业。(我)灵敏度:这也被称为召回率或真正的正面率,并衡量分类器执行。计算阳性的比例,正确识别。(2)特异性:样本的比例,测试-实际上与测试的负面问题,这是通常被称为一个测试的特异性。底片的正确识别,换句话说。所有健康的人都确定为消极的对于一个给定的测试条件,例如。特异性措施是基于准确诊断健康个体的比例在所有健康组。(3)精度:精度指标措施有多少样本正确识别。接近一个特定值的测量(iv)精度:精度指标,计算有关问题作为一个百分比。测量距离的测量。分类器的评估是根据他们拒绝无关主题的能力。因为回忆度规,相关学科中发现许多样品。在分类过程中,它认为的分类器提供了所有相关的主题。(v)阳性似然比(PLR):似然比积极的似然比积极的结果的概率是一个测试用例与测试条件积极除以一个测试用例的概率没有需要测试阳性。(vi)阴性似然比(NLR):似然比消极的或似然比负面结果的概率是一个测试用例与测试条件的概率负除以一个不需要测试-测试用例。

接受者操作特性曲线是由策划真阳性利率对假阳性(TPR)利率(玻璃钢)用不同的阈值。以下显示了这个显然:以下曲线面积可以计算(积分边界不可避免地使颠倒,因为大的阈值T较低的价值x设在):

ROC曲线和验证性能无法验证multibiometric系统的性能。现场验证研究,分析两个模型从一个另一个显著不同,是否至关重要但没有受到足够的重视。因此,Bengio和Mariethoz50)提出了一个可信区间(CI),一半总错误率(ht)统计。我们使用这两个参数,本研究测试方法。ht计算如下:

计算在ht CI,我们寻找绑定σ×zα/ 2。在这里,σ和zα/ 2的定义是:

NG和倪表明组内比较和阶级之间的比较(51]。介绍了系统性能参数,如识别准确性,ROC曲线,AUC,敏感性,特异性和效率。100类被认为是这些测试的系统的培训和测试。为此,面孔,左右虹膜,左翼和右翼指数指纹登记的100人的选择在上述数据库中提取特征向量。百分之八十的图像的每个人(类)被用于训练和测试剩下的百分之二十。

5。实验结果的分析和讨论

多通道生物识别设备的效率很大程度上影响了融合方法。因为高质量和数量的信息在特征空间中,特性融合比融合在其他更有效的水平。因此,部件级融合技术是最稳定的。我们使用特征向量的融合将五个特征向量转化为一个向量来实现健壮的多通道生物特征模板,安全检测能力高于原来的向量。然而,功能设置来自多个生物特性和用于多通道设备设计可能是不一致的52]。这是我们所面临的挑战在不同功能空间的融合。的融合特征空间是通过三个过程之一“串联或并联组合,”“特征提取算法或降维方法,”或“二进制特征融合。”在本文中,我们提出三个融合方法,以避免不一致性问题的特征空间五个生物特征来源于三个来源的证据。本节比较策略的结果序列组合,降维,并行融合,和多实例CNN-based融合指纹,虹膜multialgorithm,和深度混合动力多通道识别系统。深混合多模态生物特征识别系统使用深度学习和quaternion-based再生核希尔伯特空间理论和降维算法的有效融合策略和准确的生物特征识别。使用映射在更高的空间特性进行深度融合再生核希尔伯特空间理论()或深度层;结合特征向量的过程可以通过映射执行通过选择繁殖再生核希尔伯特空间理论内核函数与更高维度,然后融合再生核希尔伯特空间理论的向量映射到通过降维算法。同时,并行特性融合再生核希尔伯特空间理论的四元数可以延长直接与执行数据修改内核。优点是使用适当的内核再生核希尔伯特空间理论在很大程度上导致的非线性关系的线性决议multibiometric特性。在图的深度上优于融合模型6与完全连接层显示了深多通道CNN网络的体系结构特征融合的特点,虹膜和指纹。

我们六个数据库上执行实验,包括两个脸的数据库(FERET [53)和Shahed-University聚集在国王大学,德黑兰,伊朗)[23),CASIA虹膜数据库(左右虹膜)[54],左派和右派的指数Shahed-University指纹数据库。

首先,我们现在的结果multibiometric使用虹膜识别系统,指纹,面临数据分别与相应的分类器。multialgorithm和多实例融合识别系统考察了左右两个指纹和虹膜。最后一个例子,混合多通道生物识别系统的识别结果说明使用相同的分类器,是用来面对的特点结合起来,两个虹膜,两个指数的指纹。

5.1。Uni-Biometric识别系统

图10与CNN模型比较了AUC uni-biometric识别系统的表现在脸上,虹膜(左,右),和指纹(右指数,左指数)与中华民国,真正的流行曲线,和AUC FERET和沙面数据库,虹膜CASIA数据库,以及国王指数指纹数据库。

使用LDA的AUC特征提取技术在高斯再生核希尔伯特空间和角距离分类器(Dis-Angle),以及Mahalanobis距离分类器(Dis-L1)对FERET和沙数据库,分别达到0.7881和0.9094用数字表示10 ()和10 (b)。

探讨uni-biometric虹膜识别系统,几个100 CASIA数据库类相对于左和右虹膜被认为,从这3虹膜图像的评估对左边的虹膜数据库,2培训和1进行测试。此外,从正确的虹膜数据库4图像被认为是在每个类,3培训和1进行测试。至于特征提取,Daugman和霍夫变换算法是利用,和一些9600年从虹膜特征提取。接下来,五个复制内核(高斯、polyplus多项式,线性和汉明)被用来映射再生核希尔伯特空间理论特征空间的特征向量,通过它的非线性关系转化为线性的。进一步比较uni-biometric虹膜识别系统的性能数据10 (c)和10 (d)ROC曲线后,描述了基于Daugman和脚腕转移算法提取的特征左翼和右翼虹膜CASIA数据库,分别。最初,8 Log-Gabor过滤器被应用在几个频率,和一些73960具体特性提取指纹。对于左、右食指指纹数据库,得到图0.8553和0.9593,分别作为ROC曲线下的面积(AUC) uni-biometric系统。

5.2。Multialgorithm虹膜和多实例指纹识别系统

表3显示了AUC的CNN模型和分类结果multialgorithm再生核希尔伯特空间理论和多实例系统涉及五个复制内核。

再生核希尔伯特空间理论与特征空间映射到通过高斯和线性复制内核,识别精度会增加100%和99.07,分别结合向量维数的180年和83年降融合维度的。图(11日)更准确地比较multialgorithm虹膜识别系统的性能ROC曲线后,来自Daugman和脚腕传输算法的应用和CNN左右虹膜特征提取的CASIA数据库。

在应用LDA再生核希尔伯特空间理论和主成分分析,指纹特征从73960年到150年减少特征。当左、右食指指纹特征向量是再生核希尔伯特空间理论的相结合,产生向量输入到分类器。当申请转移再生核希尔伯特空间理论特性的特征向量空间,线性和高斯复制内核会识别精度提高了84%,对多实例系统,81%。图11 (b),说明中华民国曲线,表示多实例识别系统的性能当Dis-Angle分类器和CNN-based应用于左右指纹数据库。考虑到多实例指纹系统,ROC曲线下面的面积(AUC = 0.9123)代表适当的系统的性能。

5.3。深混合多通道识别系统

表4比较多实例指纹和虹膜multialgorithm系统的识别精度和混合多模式系统应用4降维方法,串行组合,通过四元数并行融合,CNN-based融合。深多通道混合模板结果CNN-based融合伴随着并行融合的脸,联合虹膜和指纹向量通过再生核希尔伯特空间理论的四元数算法。介绍了混合多通道系统,使用CNN-based融合和并行功能融合通过四元数,结合虹膜,再生核希尔伯特空间理论和指纹特征向量使用QSVD-QPCA算法,识别精度达到100%。

6。结论和未来的工作

由于信息的丰富性特征空间(在数量和质量方面),特性融合比融合在其他更有效的水平(传感器、分数、和结论)。提出了一种混合多通道生物识别系统获得一个健壮的和安全的混合模板融合的脸,虹膜,两个了。正确的索引指纹特征层面上。提出的策略,融合特征空间的基于深度学习算法进行特征向量的使用组合在深入和全面连接层。第二个提议的方法是基于设计涉及并行融合实现人脸的特征空间,结合虹膜和指纹在再生核希尔伯特空间中使用四元数。使用适当的再生核希尔伯特空间理论对特征向量映射到内核函数的线性和非线性关系,换句话说,达到更多解决生物特征向量的非线性关系的新空间。再生核希尔伯特空间理论中,三个特征向量填补三个虚部的四元数。使用并行融合方法,quaternion-based算法提取全局和本地信息构成了四元数融合特性,基于全球和本地信息提取。

生物识别系统可以评估使用AUC不指定客户端和骗子先验或相关费用不同的错误。AUC值为- 1指示一个完美匹配没有虚假拒绝和没有错误的接受。审核员执行像随机猜测AUC为0.5。一个验证器应该执行比随机猜测,至少。AUC值越高,匹配就越好。

至于FERET和沙面数据库,左、右食指指纹数据库,和左、右虹膜CASIA数据库,数据0.7881,0.9094,0.8553,0.9593,0.8892,和0.9593,分别的AUC uni-biometric系统。

同时,提出战略级的深度融合multialgorithm虹膜识别系统的AUC = 0.9813和多实例指纹识别系统AUC = 0.9123,如预期。

搜索大量的数据库(识别),CNN-based quaternion-based特性融合再生核希尔伯特空间理论建议。根据结果,相应的类的测试可以准确区分在一个安全的多通道模板示例数据库不一致性错误。它是100%准确,表现良好。保留一些研究主题为未来的工作。一个问题是如何在其他大型multibiometric数据库进行分析。就必须获得一个健壮、安全策略的混合模板向量融合特征空间,再次重复和评估的方法,通过使用一个提到的三个过程,考虑到数据的质量受损和体积会更大。同时,另一个主题是分析算法的计算成本。(55- - - - - -60]。

数据可用性

数据是可用的,可以直接在电子邮件查询提供通讯作者(作者(电子邮件保护))

的利益冲突

作者宣称没有利益冲突