一种智能识别方法及工作流程的制作方法
【技术领域】
[0001]本发明涉及生物特征识别技术领域，具体涉及一种智能综合生物识别装置及其方法。
【背景技术】
[0002]如今，随着当今信息社会计算机技术和新理论的快速发展，现代的生物特征识别技术得到了快速的发展和应用，另一方面，对个人身份认证与管理的需求也在不断增长。生物特征识别就是利用人体独特的生理与行为特征来进行自动身份鉴别的技术，包括静脉识另IJ、人脸识别、语音识别、虹膜识别，现已被广泛应用在工资考核系统、门禁系统、安监系统、政务系统中，以及数字终端接入、网络资源访问的身份认证等社会生活的各个方面，为不断提高人类生活的品质做出了贡献。
[0003]但是，目前对生物特征识别技术的研究，一般集中在对单模态识别系统的研究上，虽然具有快速识别的特点，但也出现了很多仅仅靠单模态识别无法克服的问题。因为采用单一技术和模块时，很难做到有效识别，其准确性也不高，诸如人体指纹可以比较容易地被复制与伪造，从而存在着利用伪造的指纹副本对指纹识别系统进行欺骗的可能性，具有不稳定性。
【发明内容】
[0004]本发明的目的在于克服上述识别技术的缺点与不足之处，提供一种智能识别方法及工作流程，通过采取多种生物特征相融合的识别方式，来提高系统的精确度、保证系统的防伪性，主要通过以下技术方案来实现。
[0005]本发明所述的智能生物识别方法及其工作流程，采用了红外光谱生物识别技术、手型生物识别技术、指纹生物识别技术三个基本模态，是将上述几种生物特征识别技术结合在一起的一种智能化综合生物识别系统装置。
[0006]本发明中的智能生物特征识别技术是综合利用来自同一生物特征的多种识别技术，或者来自不同生物特征的多种识别技术，对个人身份进行判断的生物特征识别技术，提高了验证精度和辨识精度。基于多种生物特征融合技术，现正在形成一种新的发展趋势，近年来受到广泛重视并成为研究热点。
[0007]该智能生物识别方法及其工作流程，融合了激光技术、红外光谱技术、数据采集技术制作生物特征采集系统，通过研究现有手型和指纹识别算法进行改进，开发手型和指纹图像处理软件系统，形成智能化综合生物特征识别产品，并通过将系统实现模块化，增加了产品的应用领域，为工资考核系统、门禁系统、安监系统提供技术支持，形成了具有较高识别精确度，又具备较理想的大库检索时间性能的智能生物识别系统。该系统可作为独立的功能单元嵌入在安防或门禁系统中，也可以作为智能家居或智能终端设备的一个组成部分实现个人身份的鉴别和认证，其智能模块可以在出现异常信息时，对终端用户发出提示报塾目ο
[0008]本发明中所述的智能生物识别装置由生物信号采集单元、信号传输和处理单元、微处理器单元、控制单元、显示与报警单元和接口单元几个主要部分组成。其中，生物特征采集单元系统分为:红外光谱数据采集、手形采集系统和指纹采集系统。是融合了激光技术、红外光谱技术、数据采集技术制作生物特征采集系统。
[0009]其工作流程如下:本发明所述的智能生物特征识别系统主要是借助计算机终端设备，通过光谱数据采集、手形数据采集以及指纹数据采集，输入到微处理器单元，由智能控制单元系统，对上述信息进行融合后，通过网络写入后台个体生物特征信息数据库管理系统，并可与其它信息等进行数据关联，并采用指纹传感器和三维图像采集器件，利用高级微处理器，研制小形的、集成化的手形和指纹综合数据采集系统，输入计算机终端后，经由无线通讯或局域网在个体生物特征信息库中对其进行匹配查询，并用协议下接口单元技术，设计系统对外接口，该设备能通过显示与报警单元，对所采集的数据资料进行显示比对及图像、声光方面的信息反馈、及时进行报警提示。
[0010]关于生物特征采集单元系统中红外光谱数据采集，是根据生物个体某一特殊部位，如手掌温度的差异形成的红外光谱特征的不同进行个体的识别，对红外光谱数据进行采集。本发明通过红外这种非接触式生物特征识别系统、确定温度采集部位，满足了大众公共卫生与个人接受程度方面的要求，既保证个体数据之间的差异，又能够保证采集数据的方便易行，不被检测对象反感，大大地提高了生物特征识别技术的用户接受度。
[0011]本发明通过上述方法，完成红外光谱数据的采集，并制作数据采集系统。对于手形和指纹采集系统的研究，则根据实际需要对上述采集设备进行改进，采用指纹传感器和三维图像采集器件，利用微处理器，研制小型的、集成化的手形和指纹综合数据采集系统和装置。
[0012]所述智能生物识别方法及其工作流程，对于上述红外光谱特征的提取及匹配算法的研究，是针对采集特定部位的红外光谱数据进行研究，来确定光谱数据的特征点，研究光谱数据特征提取算法，利用较少的特征点实现有效的光谱信息表征，占用最小的存储空间。本发明通过研究其光谱数据的匹配问题，确定数据匹配算法，并采用高级编程软件编写特征点采集及特征数据匹配程序，实现有效的光谱数据识别。
[0013]另外，本发明采用常规的特征线和特征相配合的生物识别方法，对手形及指纹识别算法研究，目前指纹识别算法比较成型，本发明重点是全手形识别方法，具体涉及了全手形特征图像采集和数据库建立方法、结构特征和统计特征相结合的全手形身份确定性特征提取方法和基于K近邻投票法和遗传SVM的全手形特征匹配方法。
[0014]—种智能识别方法及工作流程，其全手形特征图像采集系统装置主要包括光学系统设计、嵌入式全手形特征图像信号采集模块、基于SDRAM的数据存储模块、USB2.0协议下的数据传输模块、基于以太网模式的数据无线传输模块、WDM模型的USB驱动程序和VC++应用软件开发。
[0015]上述全手形特征图像采集与智能识别系统装置和目前普遍采用单一的手形、掌纹、指纹的身份认证方法存在着显著的不同，全手形特征图像包含了手形、掌纹和指纹信息，为全手形特征提取和识别奠定基础，其基础就是建立全手形特征图像库。
[0016]—种智能识别方法及工作流程，给出了一套基于手部特征的智能生物识别系统实现方案，该方案把手形与指纹识别的高效性与掌纹识别的高精确性相结合，在现有的生物识别系统的各种信息融合方法中，选择了一种简单易行的“与”规则决策级信息融合方法，用层次匹配的方式，通过与各层次匹配器的阈值调节相结合，实现的生物识别系统与单一模态相比较，既提高了识别的精确性，又提高了在大数据库检索的时间性能。从手部图像提取的多重特征可以在大数据库中实现引导性匹配，五个层次的特征包括了指形特征、指纹特征、掌纹主纹线、双树复小波变换及旋转平移不变局部区域描述子特征。
[0017]本发明所述的手形特征构造方法，这种特征区分性强、鲁棒性好，维度低，有良好的类内聚集度和类间离散度，该个人身份验证方法提取的特征数据量小，匹配时间短，而且也能取得较高的识别精度，适用于在大的手掌库中进行初始匹配，筛选出最相似的库本进入下一层匹配。前几层的粗匹配显著地减少进入下一层精细匹配的样本数，最底层匹配则实现了高精度的验证。
[0018]上述的结构特征和统计特征相结合的全手形身份确定性特征提取方法，其全手形特征信息包含了指纹、手形、掌纹三种模态信息，其特征信息因人而异，非常丰富，具有持久性和确定性。在特征提取时，主要提取包括奇异点特征和纹理特征的指纹特征、还包括手掌和手指几何形状特征的手形特征以及包括主线特征和皱褶特征的掌纹特征，所有这些特征都表现为统计特征和结构特征。结构特征比较直观，能较好地反映全手形身份确定性特征的结构特性;缺点是对结构基本单元提取困难，各结构元素之间的拓扑关系复杂，抗干扰性较差。统计特征提取方便，抗干扰能力强，缺点是没有充分利用手形、掌纹、指纹的结构信息。单独运用结构特征或统计特征必然存在识别的盲区，融合结构特征和统计特征可以实现各种特征的优势互补，更全面地反映全手形身份确定性特征。
[0019]目前，指纹检测已经成为一个独立于指纹识别的研究课题。本发明所述的指纹检测识别，具体流程如下:指纹检测是从指纹识别机中检测出所有指纹的位置、大小及其姿态，检测出的指纹与比对的指纹在图像中的位置、尺寸和姿态上可能存在差异，在比对之前，需要将两个指纹进行指纹配准，使得相应的特征在同样的位置上出现。对于二维图像，通常是手工或自动提取指纹的位置，然后对配准后的指纹进行特征提取，构造特征向量，作为指纹的表示，与指纹数据库中的各指纹图像进行特征比较、特征匹配，得到待识别的指纹身份。
[0020]一种智能识别方法及工作流程，其基于K近邻投票法和遗传SVM的全手形特征匹配方法，充分利用了K近邻投票法存储量小、计算速度快并且准确可靠的优点，研究K近邻快速粗分类方法。SVM分类器具有全局优化、训练时间短、泛化性能好、算法复杂度与特征空间维数无关的特点。本发明通过遗传算法优化SVM的核函数参数，来研究遗传SVM的高精度身份认证识别方法，其全手形特征匹配方法是验证未知样本与既定模型的一致性，匹配的精度和计算速度需要同时兼顾的关键技术指标。
[0021 ]本发明所述系统装置