专利名称：基于仿生与生物特征识别的考试者身份鉴定系统的制作方法
技术领域：
本发明涉及一种身份识别认证系统，具体涉及一种融合多种生物特征并 且基于仿生模式识别的身份鉴定系统。
背景技术：
考试是对考试者知识掌握能力和心理素质的集中检阅，是每个求学者的 必经之路。同时，考试意味着机会，像高考这样的重要考试会对应试者的人 生产生深远的影响。然而近年来，各种社会考试的考试秩序受到了严峻挑战， 替考现象层出不穷，严重破坏了考试的严肃性与公平性。究其原因， 一方面 是由于行政监管不力，另一方面则是因为现有考试模式陈旧，技术手段落后， 难以对应试者进行准确的资格审查。以髙考为例，监考人员主要通过比较准 考证上的照片、身份证上的照片和考生本人来确认考生身份，当这些证件被 伪造时，监考人员往往难以辨别证件的真伪而使得替考者蒙混过关。随着模式识别理论的发展和完善，基于人体的生物、行为特征的身份识 别技术取得了长足的进步，人脸识别、指纹识别、虹膜识别、签名识别、步 态识别等都在各自研究领域取得了相应的成果并逐步应用于生产实际。这些 生物特征既反映了人的静态图像信息(人脸、指纹、虹膜)，又包含了人的 动态行为信息(在线签名、步态)，具有良好的专有性和排它性，每一种生 物特征认证和识别的准确率、用户接受程度和成本方面有所不同，各有优缺 点，对于用户来说，通过人脸系统进行识别和认证是最友好的方式，而虹膜 识别和认证则已经被证明是最可靠、稳定和准确的一种检测途径，在线签名 和笔迹识别系统因其采集方便且操作简单，也被用户广泛接受。但是这些常 用的识别系统在单独使用的时候面临不少问题，比如人脸识别系统对光照、 姿态和表情等因素非常敏感，虹膜识别系统对采集到的样本质量有很髙的要 求，采集时不易操作，而且在实际使用中很可能因为采集到的用户虹膜样本 质量太差或是用户在患眼科疾病等的情况下失效，签名和笔迹识别，对于同一个用户，其签名和笔迹在不同时期和不同状态下也会产生较大差异，更不 用说其面临的伪造和假冒的问题。而通过将多种生物特征识别认证系统间的 融合可以有效地解决上述问题，用于考试者身份的准确鉴定，从技术层面上 防止了采用伪造证件欺骗监考人员的替考方式。关于各种生物特征融合的身份鉴定方法，已有一些成型的研究成果获得 了专利授权，如公开号为CN1304114A的中国专利公开了一种基于多生物特 征的身份鉴定融合方法，该技术属于模式识别领域。其利用人的生物特征， 如脸像、虹膜、指纹、笔迹等，对人进行身份鉴定，并将鉴定结果用标准 归一化方法将全部特征输出归一化到同一范围，再分别采用自组织特征映射 神经网络及模糊神经网络技术等方法进行融合；公开号为CN1794266A的中 国专利公开了生物特征融合的身份识别和认证方法，其特征在于，首先通过 各种采集设备获得用户的人脸、虹膜、在线签名和脱机笔迹各生物特征，接 下来将这些生物特征分别送入对应的识别认证子模块进行特征提取和模板 匹配，并输出各自匹配后得到的分数。这些分数经过归一化后，或者被送入 识别融合模块，通过置信度集成等步骤得到最后的识别结果；或者被送入认 证融合模块，映射到多维空间并通过分类器分类后得到最后的认证结果；或 者识别融合之后再次进行认证融合，得到认证后的最终识别结果。经过融合 以后，无论是进行验证还是识别，总的错误率较之单一生物特征识别认证系 统，都得到了降低。这两项专利都是从方法研究角度出发，采用各种采集设 备采集所有的生物特征信息，没有考虑到实际应用中的适用性和对用户的侵 入性，而且主要采用的仍然是传统的模式识别方法，侧重于方法的融合。公 开号为CN1464478A的中国专利公开了一种模式识别中的非超球面几何形体 覆盖方法，包括如下步骤(l)初始化样本空间，将样本空间分成已知样本子 空间和未知样本子空间两大类；(2)开始针对某种类型样本的训练；(3)根据 规则构造同类型样本之间的相互关系，构造该样本子空间；(4)采用非超球面 的几何形体对每种类型样本子空间进行覆盖；(5)形成封闭的样本子空间。该 发明提出同类样本在特征空间中分布的最佳覆盖思想，有效地解决了传统模 式识别中划分理论所存在的问题，但是该方法中的特征空间选择标准和覆盖 用几何形体的选取方法仍有待于进一步研究。发明内容本发明目的是提供一种基于仿生与生物特征识别的考试者身份鉴定系 统，通过方法的改进，实现对考试者身份快捷、准确的鉴定，以既适用于现 有纸笔考试模式下的考试者身份鉴定，又适用于将来的机考模式下的身份鉴 定。为达到上述目的，本发明采用的技术方案是 一种基于仿生与生物特征 识别的考试者身份鉴定系统，包括利用采集器采集多种生物特征、对采集的 数据进行处理、根据训练样本集进行认证鉴定，具体包括以下步骤(1) 同时采集考试者的多项生物特征，将采集到的数据通过硬件加密后传 输到前端处理设备，所述生物特征至少包括在线签名、握笔指纹图案和人脸 图像；(2) 采集到数据的预处理，包括对数据进行滤波和规则化；(3) 从预处理的数据中进行特征提取和特征组合，再经过数据软加密，然 后通过网络传输至后端处理设备(4) 数据的后端分析处理在后端处理设备解密从网络接收到的数据包， 采用基于髙维空间几何形体自适应覆盖理论的生物特征识别方法实现考试 者身份的识别(5) 样本集动态更新将验证通过的数据添加到样本集中，动态生成相应 的模板，使新的模板反映出样本变化的趋势。上述技术方案中，所述步骤(l)的采集方法是，首先通过数据板采集考试 者的在线签名，利用人在签名时姿态相对稳定的特点釆用摄像头获得较为清 晰的人脸及签名姿势图像，同时通过前端设有多功能传感器的签名笔采集握 笔指纹图像，所述握笔指纹图像为人握笔时手指与笔间的全部接触信息，包 括所有接触处的指纹纹理片断以及相对位置。其中，在签名同时采集握笔压力特征，其方法为，在所述签名笔的各接 触处设置压力传感器，采集握笔压力在签名过程中的变化并对应于握笔指纹 图像的相应区域进行记录。上述步骤(l)的同步采集方式可以称为"一站式"采集生物特征的方式，其实现了在考试者一次签名书写过程中收集尽可能多的静态(人脸、指纹) 和动态(签名)生物特征信息，具有较好的非侵入性和易接受性，尤其是握 笔指纹图像与签名时的握笔压力变化是每个人所特有的生物特征，具有专有 性和排它性，与其它生物特征结合后可以显著地提高身份识别的准确率。由于生物特征信息的特殊性，数据安全问题显得尤为突出。本系统首先 将采集到的数据通过加密芯片进行数据格式转换，然后再将其传输到前端处 理设备，消除了数据在传输过程中的安全隐患。上述技术方案中步骤(2)对采集到的数据进行预处理，其主要目的是消除 图像中的无关信息，恢复有用的真实信息，增强有关信息的可检测性和最大 限度地简化数据，从而提髙后续处理结果的可靠性。在本系统中主要用到了 以下几个预处理方法归一化、平滑、复原和增强。上述技术方案中步骤(3)对经过预处理的数据进行特征提取，包括在线签 名的特征提取、人脸检测与特征提取和握笔指纹的特征提取；经过特征提取 阶段后，如何从纷繁多样的特征中筛选出有用特征，并将其有机融合形成相 应的特征向量一直是模式识别领域的难点。本技术方案从仿生的角度出发， 采用多尺度分析的思想实现了关联特征集之间的有机融合，首先对提取后的 特征进行尺度划分，将其分为整体信息和细节信息，进而根据特征间的关联 性进一步划分，将关联性强的特征划分到同一个关联特征集，最后进行特征 融合，将关联特征合成为特征向量。在对人脸图像、在线签名和握笔指纹图像进行了特征提取之后，前端处 理设备需要将合并好的特征向量通过网络传输到后端处理设备进行分析识 别。特征向量包含考试者的生物特征信息，并且是后端分析识别和训练样本 集更新的重要数据源，其重要性不言而喻。本发明采用加密算法， 一种多步 加密算法对数据进行加密，改变特征向量的数据格式，然后以数据包的形式 将数据通过网络传输到后端处理设备，有效地保护了考试者的个人信息安 全。后端处理设备解密从网络接收到的数据包后对其进行认证鉴定，本发明 对于全局特征向量和细节特征向量采用不同的方法进行匹配度计算。对于全 局特征向量直接将其映射成为髙维空间中的点，根据同类样本点在髙维空间中的连续性，训练样本集应该为一片有限的、连续的区域所覆盖，通过分析 待观测点与训练样本集覆盖区域的关系即可得到该生物特征样本与训练样 本集间的匹配度；而对于细节特征则采用动态规划的方法进行模板匹配。然 后将两者的结果相乘后得到一种生物特征的匹配度，最后采用融合决策算法 处理多种生物特征样本与训练样本集间的匹配度，将多种生物特征的匹配度 加权求和后得到整体匹配度，与阚值比较后即可得出识别结论，即可实现对 考试者身份的鉴定。"同类样本点在髙维空间中的连续性"作为样本点分布的先验知识，认 为来自于同一个人的某种生物特征(签名、指纹、人脸)样本在髙维空间中 应该是连续的，即样本之间不可能发生突变，任意两个样本点之间都存在一 条连续变化的曲线，使其中一个样本点平滑地过渡到另外一个样本点。这就 是"同源连续性"原理，B卩设特征空间Rn中所有属于A类事物的全体为 集合A，若集合A中存在任意两个元素x与y，则对于任意大于0的值e, 必定存在集合B，使得W = <J x,x2, x3,…,X" [>, W C j对应于学习过程，就是针对同类事物的训练样本在特征空间中的分布， 选择一个或多个合适的封闭曲面，形成一个髙维空间的连续的复杂几何形体 来合理覆盖训练样本。而这个复杂几何形体需要根据训练样本的分布进行自 适应选取，以最合理的方式覆盖训练样本集。当用户进行身份验证通过之后，新的生物特征样本信息也自动被系统所 记录。当存储空间有限时，训练样本集在添加新信息的同时必须动态地删除 掉一些陈旧信息，让训练样本集以动态更新的方式体现出其变化趋势是有意 义的。训练样本集的更新方式可以通过高维空间中几何形体的覆盖区域的选 择来考虑。本发明实现了覆盖区域的自适应动态生成，即认为动态更新后的 训练样本集在髙维空间中应实现对所有样本的最合理动态覆盖，将新验证通 过的生物特征更新至训练样本集，同时将陈旧信息从覆盖区域中滤除。由于上述技术方案运用，本发明与现有技术相比具有下列优点1. 采集考试者生物特征的时候采集了在线签名、人脸、签名姿势，还 采用带有多功能传感器的签名笔，采集了手指与笔相接触的全部指纹以及对 应的握笔时的压力变化，丰富的生物信息具有专有性和排它性，结合后可以 显著地提髙身份识别的准确率。2. 数据从采集设备传输到前端处理设备时经过硬加密一一加密芯片加 密，从前端处理设备传输到后端处理设备时经过软加密一一多步加密算法加 密，保证了数据的安全。3. 整个系统融入了仿生思想，模仿人认知世界的方式进行模式识别， 其核心思想体现在以下三个方面(1) 人的思维可以分为逻辑思维和形象思维两种，大脑进行逻辑思维是以 通过演绎法为主的逻辑推理过程发展的，而进行形象思维则是以归纳法为主 的经验总结过程发展的。模式识别更多地是一种形象思维问题，其涉及的变 量数量往往很多，对其进行严格的逻辑推理，采用多变量函数建模计算是不 现实的。因此，要解决模式识别问题必须找到一种形象思维的描述方式，而 图形概念，即髙维空间中几何形体描述恰为形象思维的一种有效描述方式。(2) 人在进行识别的时候是有尺度变化概念的。以签名、人脸和指纹为例， 人在识别时不仅观察其整体轮廓，而且关注其细节特征。因此，在提取签名、 人脸以及指纹特征时不仅要考虑长宽比、形态等全局信息，而且要关注笔画 交叉、眼角纹路等细节信息，从不同的尺度对识别对象进行准确地评价。(3) 人用作识别的记忆库是不断更新的。当人根据先验知识识别了某个对 象之后，会将该对象的现有特征提炼成信息进行存储记忆，以便于将来的准 确识别。因此，在将待测样本与现有训练样本集进行比较并确定其为真之后， 需要将验证通过的新数据自动添加到该样本集中，并重新对其进行评估，根 据各样本在髙维空间中的分布情况，合理地去除陈旧的样本，使新的训练样 本集反映出识别对象的变化趋势。4. 本发明的系统从仿生的思想出发，综合运用基于高维空间几何形体 自适应覆盖理论的各种生物特征识别方法来实现对考试者身份的鉴定，鉴定 快捷，结果准确，不仅适用于现有纸笔考试模式下的考试者身份鉴定，而且 在将来的机考模式下具有更广阔的应用前景。
图1是实施例一的系统流程示意图； 图2是实施例一的握笔指纹采集示意图； 图3是实施例一的在线签名参数示意图； 图4是实施例一的同源连续性示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述-实施例一参见附图1至附图4所示， 一种基于仿生与生物特征识别的 考试者身份鉴定系统，通过以下步骤详细阐述第一步，在线签名、握笔指纹图案和人脸图像数据的采集。采用附图l所示的方式，利用数据板采集考试者的在线签名、同时利用 摄像头采集人脸图像和握笔指纹图像，并通过专用签名笔前端的多功能传感 器采集握笔指纹图像及书写时的握笔压力信息，该传感器不仅能够采集人签 名时的握笔指纹图像，而且能够感知签名过程中的握笔压力变化，所述握笔 指纹图像不同于传统指纹采集设备采集到的单枚完整指纹图像，它记录了人 握笔时手指与笔间的全部接触信息，包括所有接触处的指纹纹理片断以及相 对位置；同时，各接触处的压力在签名过程中的变化也被传感器采集并对应 于握笔指纹图像的相应区域。随后，本系统将采集到的数据通过专用加密芯片进行数据格式转换，再 将其传输到前端处理设备，有效地保证了用户生物特征信息的数据安全。第二步，对采集到的数据进行预处理。预处理的主要目的是消除图像中的无关信息，恢复有用的真实信息，增 强有关信息的可检测性和最大限度地简化数据，从而提髙后续处理结果的可 靠性。在本系统中主要用到了以下几个预处理方法 (l)归一化使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。图 像的某些性质，例如物体的面积和周长，本来对于坐标旋转来说就具有不变的性质。在一般情况下，某些因素或变换对图像一些性质的影响可通过归一 化处理得到消除或减弱，从而可以被选作测量图像的依据。灰度归一化、几 何归一化和变换归一化是获取图像不变性质的三种归一化方法。(2) 平滑消除图像中随机噪声的技术。对平滑技术的基本要求是在消去噪声的同 时不使图像轮廓或线条变得模糊不清。常用的平滑方法有中值法、局部求平 均法和k近邻平均法。局部区域大小可以是固定的，也可以是逐点随灰度值 大小变化的。此外，有时应用空间频率域带通滤波方法。(3) 复原校正各种原因所造成的图像退化，使重建或估计得到的图像尽可能地逼 近于理想无退化的像场。在实际应用中常常会发生图像退化现象，例如光学 系统的像差，相机和物体的相对运动都会使人脸图像发生退化。基本的复原 技术是把获取的退化图像g(x， y)看成是退化函数h(x， y)和理想图像f(x， y)的 巻积。它们的傅里叶变换存在关系G(u， v) = H(u， v)F(u， v)。根据退化机理 确定退化函数后，就可从此关系式求出F(u， v)，再用傅里叶反变换求出f(x, y)。通常把M(u， v)=l/H(u， v)称为反向滤波器。实际应用时，由于H(u，v)随 离开uv平面原点的距离增加而迅速下降，为了避免髙频范围内噪声的强化， 当112+一大于某一界限值W0时，使M(n，v)等于l。 W0的选择应使H(u， v) 在U2+V^W0范围内不会出现零点。图像复原的代数方法是以最小二乘法最 佳准则为基础。寻求一估计值，使优度准则函数值最小。这种方法比较简单， 可推导出最小二乘法维纳滤波器。当不存在噪声时，维纳滤波器成为理想的 反向滤波器。(4) 增强对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，或将图 像转变为更适合于机器处理的形式，以便于数据抽取或识别。例如一个图像 增强系统可以通过髙通滤波器来突出图像的轮廓线，从而使机器能够测量轮 廓线的形状和周长。图像增强技术有多种方法，反差展宽、对数变换、密度 分层和直方图均衡等都可用于改变图像灰调和突出细节。实际应用时往往要 用不同的方法，反复进行试验才能达到满意的效果第三步，对预处理后的数据进行特征提取，并组合成特征向量，然后经 数据软加密后通过网络传输到后端处理设备。 (l)在线签名的特征提取在线签名中包含了丰富的特征信息，按时-空域信息(如附图3)和变换 域信息划分可将各种特征如下表分类。时-空域信息变换域信息位置 (Position) 速度 (Velocity) 力口速度 (Acceleration) 方位角 (Azimuth) 倾角 (Altitude) 压力 (Pressure)傅立叶变换(Fourier Transform) 哈达马变换(Hadamard Transform) 小波变换(Wavelet Transform)此外，在线签名中的一些全局特征也值得关注，例如签名完成时间、签 名图像的长宽比、签名过程中笔上行时间占总时间的比例等等。对于速度、倾角、压力等随时间变化的特征，本发明首先将其合并成特征向量，进而排列成特征向量链，采用动态规划的方法进行模板匹配；而对 于全局特征，本发明将其排列成特征向量后映射成髙维空间中的待观测点， 利用高维空间中待观测点与样本覆盖区域之间的关系确定其匹配度。 (2)人脸检测与特征提取本发明基于肤色模型，直接采用YCbCr颜色空间并通过阈值对肤色区 域进行判决，对图像中的每个点(A:,力，我们用/(x，力表示该点是否属于肤色 像素，得到下式<formula>formula see original document page 12</formula> 然后采用粒子群优化算法对肤色区域进行分割。粒子群优化算法是基于 群体的演化算法，其思想来源于人工生命和演化计算理论。PSO求解优化问题时，问题的解对应于搜索空间中一个"粒子"(particle)或"主体"(agent)。 每个粒子都有自己的位置和速度(决定飞行的方向和距离)，还有一个由被优 化函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜 索。每次迭代的过程不是完全随机的，如果找到较好解，将会以此为依据来 寻找下一个解。令PSO初始化为一群随机粒子(随机解)，在每一次迭代中，粒子通过跟 踪两个"极值"来更新自己第一个就是粒子本身所找到的最好解，叫做极 值点(用pbest表示其位置)，PSO中的另一个极值点是整个种群目前找到的 最好解，称为全局极值点(用gbest表示其位置)。在找到两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 r' = w x K + q x n7"t/() x (/^esf, — x,.) + c2 x n7"d()x (g方^^ — x》 ,在上述两式中hl，2，…，M， M是该群体中粒子的总数；K,是粒子的速度；r^rf()是介于(0，l)之间的随机数；x,是粒子的当前位置；"和C2是学习因子；ffl非负，称为惯性因子。在每一维，粒子都有一个最大限制速度K ^，如果某一维的速度超过设 定的J^m,那么这一维的速度就被限定为F ^(FMfl;c>0)。(2)式中，w值较大，则全局寻优能力强，局部寻优能力弱；《值较小反 之。初始时，w取为常数，后来实验发现，动态w能够获得比固定值更好的 寻优结果。动态ffl可以在PSO搜索过程中线性变化，也可根据PSO性能的 某个测度函数动态改变。本发明采用的是线性递减权值策略。Q为最大进化代数，W,",为初始惯性权值，W^为迭代至最大代数时惯性 权值。当肤色区域确定后，所分割的区域有可能包括一些非人脸区域，因此需 要采用模糊隶属度函数对人脸进行判别。模糊隶属函数定义如下<formula>formula see original document page 14</formula>本系统用3个特征来表述人脸。分别为人脸的髙度、髙度与宽度的比例 以及人脸垂直方向偏移角度，采用模糊隶属函数对这些参数模糊化分别得到三个特征的模糊隶属函数ll ,(X)、"2(X)和U3(X),将其乘积作为判别该区域是否是人脸的总的隶属函数，BP:如果某一区域的隶属函数值大于某一阈值，则认为该区域就是一个人脸 区域，对于本系统的单人脸应用，则隶属函数值最大的区域为人脸区域。检测到人脸区域后需要提取人脸特征，人脸特征主要包括眼睛、眉毛、 嘴巴的位置、大小和形状的变化。首先利用主分量分析与人脸比例特性结合， 获取双眼的初步所在区域后，使用边缘检测等技术，可以快速准确地确定眼 黑准确位置，然后利用人脸的比例特征和眉毛、嘴巴的颜色特征，可以很准 确地提取出眉毛和嘴巴。将这些面部特征中的显著特征点或属性提取后可用 于人脸的身份识别。(3)握笔指纹的特征提取如附图2所示，本发明中所采集到的握笔指纹不同于传统的单枚完整指 纹，其记录的是用户在签字时手指与笔间的全部接触信息，包括所有接触处 的指纹纹理片断以及相对位置。因此，其特征提取过程中融合了传统方法与 新方法。指纹一般有两种结构Henry指纹模式和Galton特征。Henry分类是标 准定性的设计，表征波峰模式的整体结构，通常用于划分指纹数据。Galton 一般定义了四个特点(l)波峰的起点和终点；(2)分支；(3)孤立区域；(4)干 扰。为了从数字指纹图像中提取特征，首先选择了包括四个Galton特点在内的八个特征，并将其分为两类原始的及合成的。原始特征分别为点，波 峰终点和分支。在此基础上，又定义了合成特征孤立的区域，毛刺，交叉， 桥及短峰。此外，对于握笔指纹图像还可以提取到以下特征指纹片断数量， 各片断间相对位置等。(4) 特征向量合成经过特征提取阶段后，如何从纷繁多样的特征中筛选出有用特征，并将 其有机融合形成相应的特征向量一直是模式识别领域的难点。本发明从仿生 的角度出发，采用多尺度分析的思想实现了关联特征集之间的有机融合。首先，对各特征进行尺度划分，将其分为整体信息和细节信息。进而根 据特征间的关联性进一步划分，比如签名时的握笔着力点的力度变化、数位 板上记录的压力信息、签名的书写速度和笔画方向角的变化具有较强的相关 性，可将其划分到同一个关联特征集。最后进行特征融合，将关联特征合成 为特征向量。以前面的讨论为例，令rf,(Z是着力点数量)表示握笔力度，p表示数位板 上记录的压力，v表示签名的书写速度，0表示方向角，则可以得到一个关联特征向量"《，户，v，0)。(5) 数据软加密及网络传输由于生物特征信息的特殊性，数据安全问题显得尤为突出。考虑到网络 传输中的信息安全问题，本系统采用了一种多步加密算法对传输数据进行加 密。该算法使用一系列的数字(比如说128位密钥)，来产生一个可重复的 但髙度随机化的伪随机的数字序列。 一次使用256个表项，使用随机数序列 来产生密码转表，即把256个随机数放在一个矩阵中，然后对其进行排序， 根据最初的位置来产生一个随意排序的表，表中的数字在0到255之间。这 样产生了一个具体的256字节的表。让这个随机数产生器接着来产生这个表 中的其余的数，以至于每个表是不同的。接下来，使用"Shot Gun Technique" 技术来产生解码表。基本上说，如果a映射到b,那么b—定可以映射到a， 所以b[a[n]]=ii (n是一个在0到255之间的数)。在一个循环中赋值，使一 个256字节的解码表对应于前面产生的256字节的加密表。通过这个方法，可以产生这样的一个表，表的顺序是随机，所以产生这 256个字节的随机数使用的是二次伪随机，使用了两个额外的16位的密码。 现在，已经有了两张转换表，基本的加密解密过程如下所述前一个字节密 文是这个256字节的表的索引，或者，为了提髙加密效果，可以使用多余8 位的值，甚至使用校验和或者crc算法来产生索引字节。假定这个表是 256x256的数组，那么其满足encryptl-a[encryptOJ [value
变量'encryptl'是加密后的数据，'encryptO'是前一个加密数据(或者是前面 几个加密数据的一个函数值)。很自然的，第一个数据需要一个"种子"，这 个"种子"是必须记住的。加密时所产生的伪随机序列是很随意的，可以设计成想要的任何序列。没有关于这个随机序列的详细的信息，解密密文是不现实的。例如 一些ASCII码的序列，如"processing"可能被转化成一些随机的没有任何意义的乱码，每一个字节都依赖于其前一个字节的密文，而不是实际的值。对于 任一个单个的字符的这种变换来说，隐藏了加密数据的有效的真正的长度。第四步，采用基于仿生和髙维空间几何形体自适应覆盖理论的生物特征 识别方法鉴定考试者身份。本发明对于全局特征向量和细节特征向量采用不同的方法进行匹配度 计算。对于全局特征向量直接将其映射成为髙维空间中的点，计算其与训练 样本集间的匹配度而对于细节特征则采用动态规划的方法进行模板匹配。 然后将两者的结果相乘后得到一种生物特征的匹配度，最后将多种生物特征 的匹配度加权求和后得到整体匹配度，与阈值比较后即可得出识别结论。以在线签名识别为例，首先将细节特征中的各个关联特征向量采用动态 规划的方法求解出其与训练样本集的匹配度，将得到的匹配度加权求和得到 细节特征匹配度。然后将全局特征向量映射成为髙维空间中的一个点，根据 其与训练样本集覆盖区域的关系得到相应的全局特征匹配度。最后将细节与 全局特征匹配度相乘得到最终的在线签名整体匹配度。最后将在线签名、人 脸、握笔指纹的匹配度加权求和后与阈值比较，最终实现考试者身份的验证。第五步，动态更新训练样本集。当用户进行身份验证通过之后，新的生物特征样本信息也自动被系统所 记录。当存储空间有限时，训练样本集在添加新信息的同时必须动态地删除 掉一些陈旧信息。这在实际应用中是合理的，因此人的签名习惯可能会随着 时间发生变化，让训练样本集以动态更新的方式体现出其变化趋势是有意义 的。训练样本集的更新方式可以通过高维空间中几何形体的覆盖区域的选 择来考虑。本发明实现了覆盖区域的自适应动态生成，即认为动态更新后的 训练样本集在髙维空间中应实现对所有样本的最合理动态覆盖，将新验证通 过的生物特征更新至训练样本集，同时将陈旧信息从覆盖区域中滤除。
权利要求
1.一种基于仿生与生物特征识别的考试者身份鉴定系统，包括利用采集器采集多种生物特征、对采集的数据进行处理、根据训练样本集进行认证鉴定，其特征在于具体包括以下步骤(1)同时采集考试者的多项生物特征，将采集到的数据通过硬件加密后传输到前端处理设备，所述生物特征至少包括在线签名、握笔指纹图案和人脸图像；(2)采集到数据的预处理，包括对数据进行滤波和规则化；(3)从预处理的数据中进行特征提取和特征组合，再经过数据软加密，然后通过网络传输至后端处理设备；(4)数据的后端分析处理在后端处理设备解密从网络接收到的数据包，采用基于高维空间几何形体自适应覆盖理论的生物特征识别方法实现考试者身份的识别；(5)样本集动态更新将验证通过的数据添加到样本集中，动态生成相应的模板，使新的模板反映出样本变化的趋势。
2. 根据权利要求1所述的基于仿生与生物特征识别的考试者身份鉴定 系统，其特征在于所述步骤(l)的采集方法是，首先通过数据板采集考试者 的在线签名，利用人在签名时姿态相对稳定的特点采用摄像头获得较为清晰 的人脸及签名姿势图像，同时通过前端设有多功能传感器的签名笔采集握笔 指纹图像，所述握笔指纹图像为人握笔时手指与笔间的全部接触信息，包括 所有接触处的指纹纹理片断以及相对位置。
3. 根据权利要求2所述的基于仿生与生物特征识别的考试者身份鉴定 系统，其特征在于在签名同时采集握笔压力特征，其方法为，在所述签名 笔的各接触处设置压力传感器，采集握笔压力在签名过程中的变化并对应于 握笔指纹图像的相应区域进行记录。
4. 根据权利要求1所述的基于仿生与生物特征识别的考试者身份鉴定 系统，其特征在于步骤(3)中对提取后的生物特征组合时，首先对提取后的特 征进行<尺度划分，将其分为整体信息和细节信息，进而根据特征间的关联性 进一步划分，将关联性强的特征划分到同一个关联特征集，最后进行特征融 合，将关联特征合成为特征向量。
5. 根据权利要求1所述的基于仿生与生物特征识别的考试者身份鉴定系统，其特征在于步骤(3)中对特征组合后的数据采用多步加密算法进行软加 密。
6. 根据权利要求1所述的基于仿生与生物特征识别的考试者身份鉴定 系统，其特征在于步骤(4)中对于全局特征直接将其映射成为高维空间中的 点，计算其与训练样本集之间的匹配度对于细节特征采用动态规划的方法 进行模板匹配，然后将两者的结果相乘后得到一种生物特征的匹配度，最后 将多种生物特征的匹配度加权求和后得到整体匹配度，与阈值比较后得出识 别结论。
7. 根据权利要求1所述的基于仿生与生物特征识别的考试者身份鉴定 系统，其特征在于步骤(5)中训练样本集的更新方式为动态更新后的训练样 本集在髙维空间中应实现对所有样本的最合理动态覆盖，即覆盖区域的自适 应动态生成，将新验证通过的生物特征更新至训练样本集，同时将陈旧信息 从覆盖区域中滤除。
全文摘要
本发明公开了一种基于仿生与生物特征识别的考试者身份鉴定系统，综合运用基于高维空间几何形体自适应覆盖理论的各种生物特征识别方法来实现对考试者身份的鉴定。首先通过采集设备获取考试者的握笔指纹、在线签名和人脸图像，进而将这些数据分别进行特征提取后映射成为相应高维空间中的待观测点，最后根据同类样本点在高维空间中的连续性，通过待观测点与样本集覆盖区域的关系得到不同生物特征的网络匹配度，进而通过匹配度融合决策算法识别考试者的身份，并通过新验证数据的自动添加来实现样本集的动态更新和趋势预测。本发明鉴定快捷，结果准确，不仅适用于现有考试模式下的考试者身份鉴定，而且在将来的机考模式下具有更广阔的应用前景。
文档编号G06K9/62GK101246543SQ20081001983
公开日2008年8月20日 申请日期2008年3月18日 优先权日2008年3月18日
发明者张耀辉, 怡 朱, 睿 貊, 邓宗武, 磊 魏 申请人:苏州纳米技术与纳米仿生研究所