专利名称：老龄用户多生物特征身份认证中的隐式语义特征提取方法
技术领域：
本发明涉及生物识别技术领域，尤其是老龄用户多生物特征身份认证中的隐式语义特征提取方法。
背景技术：
目前，我国60岁以上人口达1.8亿人，约占总人口 13.8%，按国际标准衡量，我国已进入了老年型社会，随着国家大力加快建立和完善覆盖城乡居民的社会保障体系，如社会养老保险金的发放、企业年金、医疗保险等，老龄用户将成为未来社会公共服务的主要群体，社会养老保险金、企业年金等发放过程中存在欺骗、冒领现象成为现今社会普遍关注的问题，信息化、数字化、网络技术为解决老龄用户身份认证困局提供了帮助。目前，生物特征识别技术、远程视频认证已经被成功应用到核实社会养老金冒领现象中老龄用户的身份。生物特征识别技术通过利用人体固有的生理特征和行为动作来进行身份识别和验证。根据使用生物特征的种类和数目，生物特征识别可以分为单生物特征识别和多生物特征识别，作为使用最广的单生物识别身份认证技术，指纹识别在解决老龄用户社会养老金发放时身份认证的问题已受到广泛关注。早在1901年，英国已开始应用指纹识别来避免铁路工人冒领、多领薪金。目前，相关公司如IBM、MiCr0S0ft、HP、C0mpaq、长春鸿达、杭州中正等公司的产品已经进入社会服务领域。我国劳动和社会保障部社会保险事业管理中心发布的《支付养老金指纹身份认证系统技术规范(试行)》也将基于细节点(minutiae)的指纹识别方法作为社会公共服务标准予以颁布，但是，对老龄用户来说，由于久经风霜，模糊手指很常见，传统的基于细节点的指纹识别系统往往会因为提取细节点不理想而导致系统误识率增加甚至认证失效。此外，基于单生物特征的识别技术存在着不普遍性某些生物特征缺失(如断手指)、损伤(如受损手指)、病变(如白内障)或特征采集质量较差(如人脸光线变化)都会导致识别系统的鲁棒性、可靠性差，防欺骗性弱，难以满足不同场合的实际要求。图像隐式语义特征(Image Latent Semantic Features, ILSF)由底层特征-图像矩阵获得，具有比传统意义上的图像语义更加丰富的信息，但是相对与底层特征来说，这些特征具有更强的表达和分类能力。因此，利用TLSA提取的特征可以作为一种“独特”的特征，并被证明能运用在生物特征身份认证领域。同时，相比传统的底层特征，由于间接用来描述图像，图像隐式语义特征对于采集图像的质量要求并不是很高，可以更好的克服某些不利因素带来的影响，比如指纹的图像纹线模糊，以及人脸光照变化的影响。
发明内容
本发明要解决的技术问题是为了克服上述中存在的问题，提供一种老龄用户多生物特征身份认证中的隐式语义特征提取方法，利用图像处理技术和智能技术对用户进行身份认证的技术。本发明解决其技术问题所采用的技术方案是一种老龄用户多生物特征身份认证中的隐式语义特征提取方法，通过对老龄用户多生物特征图像进行多方式隐式语义分析和数据挖掘映射，并提取图像隐式语义特征进行身份认证。所述的多生物特征图像包括人脸、多指指纹和掌纹，其提取多生物特征图像的多种局部底层特征的具体步骤如下a.生物特征图像预处理由人脸、四指指纹和掌纹构成的融合系统进行预处理；b.提取底层特征提取不变矩特征、Garbor filter特征、方向均衡化特征和灰度信息熵特征；C.提取底层特征中的局部底层特征依次通过对参考点的选择、基于参考点的 ROI的提取和ROI的划分，最后通过提取图像的局部底层特征，提取图像的局部底层特征为不变矩特征、Garbor filter特征、方向均衡化特征和灰度信息熵特征。所述的多方式隐式语义分析的具体步骤如下a.底层特征的图像矩阵构建采用多种底层特征，构建每个用户的底层特征的图像矩阵；b.并行二维非负矩阵分解算法先对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化；c.模糊C均值聚类利用编程工具箱中的模糊C均值(FCM)聚类方法来进行快速聚类。对多方式隐式语义分析后的数据进行数据挖掘映射的具体步骤如下a.剪枝算法分析初始化模糊神经网络(FNN)的网络结构预定义参数(如收敛常数a、衰减常数b、最小误差e、规则重要性阈值f)，输入第一组特征向量，产生第一条模糊规则，对任意输入特征向量计算其与第一组特征向量的距离，得出最小值dmin，从而计算出实际的输出误差如果误差ei大于规则重要性阙值f，则产生新的模糊规则，从而调整网络结构参数(如收敛常数a、衰减常数b、最小误差e、规则重要性阈值f)；b.提取图像隐式语义特征包括离线学习阶段和在线测试阶段。所述的离线学习阶段是通过学习样本用来训练模糊神经网络(FNN)并采用剪枝算法对模糊神经网络(FNN)的网络结构做动态调整。所述的在线测试阶段是利用训练好的模糊神经网络对测试样本进行测试，从而提取图像隐式语义。对提取图像隐式语义特征进行修正的具体步骤如下a.引入自适应动态反馈结构在基于模糊神经网络的智能黑箱模型中，利用带GA 优化算法的自适应反馈结构来提取辨识的语义特征和状态参数；b.图像隐式语义特征归一化通过辨识出智能黑箱模型的状态参数和与通过样本学习得到的所定基准状态进行比较，得出差值作为模型的输入，从而得因环境差异而导致的图像隐式语义特征偏差，从而得到归一化的图像隐式语义特征。本发明的老龄用户多生物特征身份认证中的隐式语义特征提取方法的有益效果是通过提取人脸、多指指纹和掌纹等多生物特征图像，能够获取多种局部底层特征；利用多方式隐式语义分析算法从底层特征-图像矩阵构建、二维矩阵分解以及聚类算法三方面，能够对提取的特征进行处理；通过“智能黑箱模型”进一步对处理后的特征进行挖掘映射，能够有效地获取图像隐式语义特征；通过引入带遗传算法(GA)的自适应反馈结构，对系统自动调整，实现图像隐式语义特征的修正，此方法采集质量好和可靠性强，能够满足不同场合的实际要求。
下面结合附图和实施例对本发明进一步说明。图1是本发明的结构原理框图；图2是图1中二维矩阵对角化(a)行组合(b)列组合的示意图；图3是图1中FCM聚类示意图；图4是图1中自适应动态反馈结构框图；图5是图1中图像隐式语义特征归一化的结构框图。
具体实施例方式现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。如图1所示的老龄用户多生物特征身份认证中的隐式语义特征提取方法，由人脸、四指指纹和掌纹构成的融合系统进行分别进行预处理，从预处理的生物特征图像中提取出不变矩特征(包括hu不变矩和zernike不变矩)、Garbor filter特征、方向均衡化特征和灰度信息熵特征的图像底层特征，提取后的图像底层特征进行首先进行多种底层特征，构建每个用户的底层特征的图像矩阵，其次对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化，再利用编程工具箱中的模糊C均值聚类方法来进行聚类，经过多方式隐式语义分析后的数据进行数据挖掘映射后，在基于模糊神经网络的智能黑箱模型中，利用带GA优化算法的自适应反馈结构来提取辨识的语义特征和状态参数。本发明的老龄用户多生物特征身份认证中的隐式语义特征提取方法的具体步骤如下一、底层特征的提取包括生物特征图像预处理、提取底层特征以及提取局部底层特征三个主要步骤(1)生物特征图像预处理多生物特征图像的预处理是特征提取之前的关键步骤之一，由于融合系统由人脸、四指指纹和掌纹等构成，因此需要对其分别进行预处理，预处理的主要步骤包括感兴趣区域(ROI)分割、增强、归一化等。首先，我们要提取图像的ROI ①对人脸，主要从视频中检测并分割人脸图像；②对手部采集图像，先要分割多指指纹和掌纹，通过对四个手指以及掌纹定位，借鉴等的思路(见参考文献)，将四指指纹、掌纹一一分割出来，然后，在前期研究的基础上对获得的人脸、指纹、掌纹等图像的ROI分别进行增强和归一化处理；(2)底层特征的提取别提取不变矩特征(hu不变矩和zernike正交不变矩)、 Garbor filter特征、方向均衡化特征、灰度信息熵特征等。(a)不变矩特征不变矩特征具有旋转、尺度和平移不变特性，具有很强的描述图像的区域特征能力。比较常用的不变矩如hu不变矩和zernike正交不变矩，其主要步骤如下步骤1.依据hu不变矩公式提取的7个hu不变矩的特征值I ；步骤2.依据公式
权利要求
1.一种老龄用户多生物特征身份认证中的隐式语义特征提取方法，其特征是通过对老龄用户多生物特征图像进行多方式隐式语义分析和数据挖掘映射，并提取图像隐式语义特征进行身份认证。
2.根据权利要求1所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是所述的多生物特征图像包括人脸、多指指纹和掌纹，其提取多生物特征图像的多种局部底层特征的具体步骤如下a.生物特征图像预处理由人脸、四指指纹和掌纹构成的融合系统进行预处理；b.提取底层特征提取不变矩特征、Garborfilter特征、方向均衡化特征和灰度信息熵特征；c.提取底层特征中的局部底层特征依次通过对参考点的选择、基于参考点的ROI的提取和ROI的划分，最后通过提取图像的局部底层特征。
3.根据权利要求1所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是所述的多方式隐式语义分析的具体步骤如下a.底层特征的图像矩阵构建采用多种底层特征，构建每个用户的底层特征的图像矩阵；b.并行二维非负矩阵分解算法先对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化；c.模糊C均值聚类利用编程工具箱中的模糊C均值聚类方法来进行聚类。
4.根据权利要求1所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是对多方式隐式语义分析后的数据进行数据挖掘映射的具体步骤如下a.剪枝算法分析初始化模糊神经网络的网络结构预定义参数，输入第一组特征向量，产生第一条模糊规则，对任意输入特征向量计算其与第一组特征向量的距离，得出最小值Clmin,从而计算出实际的输出误差如果误差ei大于规则重要性阙值f，则产生新的模糊规则，从而调整网络结构参数；b.提取图像隐式语义特征包括离线学习阶段和在线测试阶段。
5.根据权利要求4所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是所述的离线学习阶段是通过学习样本用来训练模糊神经网络并采用剪枝算法对模糊神经网络的网络结构做动态调整。
6.根据权利要求4所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是所述的在线测试阶段是利用训练好的模糊神经网络对测试样本进行测试，从而提取图像隐式语义。
7.根据权利要求1所述的老龄用户多生物特征身份认证中的隐式语义特征提取方法， 其特征是对提取图像隐式语义特征进行修正的具体步骤如下a.引入自适应动态反馈结构在基于模糊神经网络的智能黑箱模型中，利用带GA优化算法的自适应反馈结构来提取辨识的语义特征和状态参数；b.图像隐式语义特征归一化通过辨识出智能黑箱模型的状态参数和与通过样本学习得到的所定基准状态进行比较，得出差值作为模型的输入，从而得因环境差异而导致的图像隐式语义特征偏差。
全文摘要
本发明涉及老龄用户多生物特征身份认证中的隐式语义特征提取方法，通过对老龄用户多生物特征图像进行多方式隐式语义分析和数据挖掘映射，并提取图像隐式语义特征进行身份认证。本发明的老龄用户多生物特征身份认证中的隐式语义特征提取方法是通过提取人脸、多指指纹和掌纹等多生物特征图像，能够获取多种局部底层特征；利用多方式隐式语义分析算法从底层特征-图像矩阵构建、二维矩阵分解以及聚类算法三方面，能够对提取的特征进行处理；通过“智能黑箱模型”进一步对处理后的特征进行挖掘映射，能够有效地获取图像隐式语义特征；通过引入带遗传算法(GA)的自适应反馈结构，对系统自动调整，实现图像隐式语义特征的修正。
文档编号G06K9/62GK102324031SQ20111026448
公开日2012年1月18日 申请日期2011年9月7日 优先权日2011年9月7日
发明者伍世虔, 余人强, 刘华平, 吴军, 方志军, 杨勇, 杨寿渊, 杨巨成, 解山娟 申请人:常州蓝城信息科技有限公司, 江西财经大学