專利名稱：人臉和虹膜混合識(shí)別的新方法——特征提取層融合的制作方法
技術(shù)領(lǐng)域：
本發(fā)明專利屬于計(jì)算智能、模式識(shí)別和圖像處理技術(shù)領(lǐng)域，在研究人臉和 虹膜的單一生物特征識(shí)別技術(shù)的基礎(chǔ)上，討論人臉和虹膜在特征提取層進(jìn)行信 息融合的理論和算法。
背景技術(shù)：
隨著對(duì)社會(huì)安全和身份鑒別的準(zhǔn)確性和可靠性要求的日益提高，目前單一 的生物特征識(shí)別系統(tǒng)產(chǎn)品還不能滿足社會(huì)的需要，因此，研究新的模型和算法， 進(jìn)一步提高識(shí)別率，降低誤識(shí)率和誤拒率仍然是一個(gè)發(fā)展趨勢(shì)。另外，多模態(tài) 生物特征識(shí)別的研究和應(yīng)用也逐漸興起和深入，是生物特征識(shí)別發(fā)展的必然趨 勢(shì)?；诙嗌锾卣魅诤系纳矸蓁b別的優(yōu)點(diǎn)主要有三個(gè)方面準(zhǔn)確性，多個(gè)生 物特征的識(shí)別可以提高身份鑒別的準(zhǔn)確性；可靠性，偽造多個(gè)生物特征顯然比 偽造單個(gè)生物特征更為困難；適用性，可有效避免單一生物特征存在的應(yīng)用局 限性。目前，單項(xiàng)生物識(shí)別技術(shù)和相關(guān)產(chǎn)品已經(jīng)取得了很好的效果，獲得了較高 的識(shí)別率，其中人臉識(shí)別具有直接、友好和方便等特點(diǎn)，虹膜識(shí)別具有唯一性、 穩(wěn)定性等優(yōu)點(diǎn)。為了更好地提高生物特征識(shí)別的效率和準(zhǔn)確性，降低采集和識(shí) 別環(huán)境的限制條件，本發(fā)明專利研究人臉和虹膜在特征提取層融合的新方法， 探求生物特征的內(nèi)在聯(lián)系，構(gòu)建新的型模型和算法，以提高生物識(shí)別系統(tǒng)的魯 棒性和可靠性，充分發(fā)揮人臉和虹膜識(shí)別的優(yōu)勢(shì)，應(yīng)用于安全防范、電子政務(wù)、 電子商務(wù)和金融業(yè)，保持良好的經(jīng)濟(jì)環(huán)境，具有深遠(yuǎn)的社會(huì)經(jīng)濟(jì)意義。發(fā)明內(nèi)容本發(fā)明的主要目的在于研究模糊進(jìn)化神經(jīng)網(wǎng)絡(luò)在人臉和虹膜圖像特征提取 層的融合識(shí)別方法。該方法將神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算和模糊系統(tǒng)相互融合，利用粒子群(PSO)優(yōu)化算法建立一種有自學(xué)習(xí)能力的、能自適應(yīng)的確定網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)整網(wǎng)絡(luò)參數(shù)的信息融合系統(tǒng)?？梢詫⑷四樅秃缒さ奶卣餍畔⒅苯犹峁┙o網(wǎng)絡(luò) 進(jìn)行學(xué)習(xí)訓(xùn)練和識(shí)別。見圖l。在圖像增強(qiáng)算法中，采用超分辨率的圖像增強(qiáng)算法，對(duì)過小、不清晰的圖 像進(jìn)行處理，主要對(duì)人臉區(qū)域進(jìn)行超分辨率操作，能有效地降低在超分辨率過 程中的時(shí)間開銷。人臉識(shí)別中光照、姿態(tài)和表情的處理方法，采用擬線性曲面擬合和改進(jìn)的 球面諧波函數(shù)進(jìn)行光照補(bǔ)償算法，研究對(duì)檢測(cè)到的人臉特征信息區(qū)域，進(jìn)行光線 恒常性變換，校正光線的差別，克服環(huán)境光線對(duì)識(shí)別效果的不利影響，進(jìn)一步提高識(shí)別率；基于線性相關(guān)濾波和神經(jīng)網(wǎng)絡(luò)的方法，克服人臉識(shí)別中姿態(tài)的影 響；多小波變換快速濾波方法和人工圖像生成技術(shù)研究，減小裝飾和時(shí)間跨度 對(duì)人臉識(shí)別精度的制約；基于Candide和ASM方法降低表情對(duì)識(shí)別精度的不良作 用。在虹膜識(shí)別中，去除眼睛其他部分如角膜與鞏膜的相連處，眼瞼和睫毛等 的影響，準(zhǔn)確地定位虹膜的位置，提取較為精確的特征數(shù)據(jù)。


圖l為本發(fā)明結(jié)構(gòu)示意圖。圖2 USF數(shù)據(jù)庫中的一個(gè)對(duì)象計(jì)算出的9個(gè)球面基函數(shù)圖像。圖3 (a) K二20的條件下恢復(fù)出的基圖像。圖3 (b) K^60的條件下恢復(fù)出來的基圖像。圖4 YaluB中同一個(gè)對(duì)象在不同光照下的圖像。圖5基于線性相關(guān)濾波器和神經(jīng)網(wǎng)絡(luò)姿態(tài)估計(jì)結(jié)果。圖6不同的姿態(tài)組合的分區(qū)。
具體實(shí)施方式
1. 使用模糊進(jìn)化神經(jīng)網(wǎng)絡(luò)在人臉、虹膜圖像特征提取層的融合識(shí)別方法。在結(jié)構(gòu)設(shè)計(jì)上，將全局幾何拓?fù)浣Y(jié)構(gòu)和局部幾何拓?fù)浣Y(jié)構(gòu)相結(jié)合，以數(shù)學(xué) 形態(tài)學(xué)的理論方法構(gòu)造主成分算子提取抽象的基本元素。將神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì) 算和模糊系統(tǒng)相互融合，利用粒子群優(yōu)化算法建立一種新的、有學(xué)習(xí)能力的、 能夠自動(dòng)選擇最佳網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、能夠自適應(yīng)調(diào)整網(wǎng)絡(luò)控制參數(shù)，適合于將人 臉、虹膜特征信息有效融合的系統(tǒng)，參見圖l。2. 采用超分辨率方法進(jìn)行圖像增強(qiáng)。采用神經(jīng)網(wǎng)絡(luò)方法，設(shè)計(jì)適用的多層感知網(wǎng)絡(luò)，選擇合適的樣本和學(xué)習(xí)算 法，對(duì)圖像中難以精確定位面部特征的人臉區(qū)域進(jìn)行超分辨率操作，降低或消 除人臉區(qū)域過小或不清晰對(duì)識(shí)別結(jié)果帶來的不利影響。3. 基于改進(jìn)的球面諧波函數(shù)的光照補(bǔ)償方法。使用bootstrap集合，計(jì)算統(tǒng)計(jì)模型，這個(gè)模型包含人臉的3維信息，該統(tǒng) 計(jì)模型的計(jì)算就是求出一個(gè)概率密度函數(shù)的估計(jì)參數(shù)，因?yàn)榍蛎嬷C波函數(shù)的基 圖像服從這個(gè)密度函數(shù)的分布。在計(jì)算過程中，需要一個(gè)人臉3維信息的人臉 庫，當(dāng)統(tǒng)計(jì)模型計(jì)算結(jié)束之后，將不再需要任何人臉的3維信息。實(shí)驗(yàn)中，使 用兩個(gè)不同的人臉數(shù)據(jù)庫，計(jì)算3維統(tǒng)計(jì)模型時(shí)，使用USF大學(xué)的HumanID 3D face scan數(shù)據(jù)庫，而在訓(xùn)練和測(cè)試算法性能時(shí)，使用Yalu大學(xué)的YaluB人臉數(shù) 據(jù)庫，這兩數(shù)據(jù)庫中沒有相同的人臉對(duì)象。得到3維人臉的統(tǒng)計(jì)信息之后，可 以根據(jù)任意光照下新的人臉圖像來估計(jì)人臉對(duì)象在球面諧波模型中的9個(gè)基圖 像。算法首先估計(jì)這個(gè)人臉圖像在9個(gè)基圖像上的系數(shù)，然后使用最大后驗(yàn)概率估計(jì)(MAP)來估計(jì)對(duì)應(yīng)的9個(gè)基圖像。圖2顯示了USF數(shù)據(jù)庫中的一個(gè)人 臉對(duì)象對(duì)應(yīng)的9個(gè)球面諧波基圖像，在計(jì)算過程中，對(duì)灰度進(jìn)行了調(diào)整，使其 能夠在0 — 255之間顯示。圖3 (a)是在樣本數(shù)量K二20的條件下恢復(fù)出的基圖像，為了能恢復(fù)出效 果更好的基圖像，(a)的原始圖像的灰度值被進(jìn)行了一定的放大，(b)是在K =60的條件下恢復(fù)出來的基圖像，其原始圖像沒有做任何處理?？梢钥匆娂词?在這種情況下，(b)恢復(fù)處理的基圖像也比(a)的好。圖4是YaluB中同一個(gè)對(duì)象在不同光照下的圖像，應(yīng)用改進(jìn)的球面諧波函 數(shù)光照補(bǔ)償算法求出各自的9個(gè)球面諧波基圖像，第一列是原圖像，后面9列 是恢復(fù)出來的圖像。4.基于線性相關(guān)濾波器的姿態(tài)估計(jì)方法。利用已知姿態(tài)的一組圖像組合成一個(gè)復(fù)合相關(guān)濾波器。根據(jù)姿態(tài)參數(shù)把相 關(guān)權(quán)值分配到對(duì)應(yīng)的姿態(tài)圖像中，測(cè)試圖像經(jīng)濾波器后得到的峰值就會(huì)依賴于 它的姿態(tài)參數(shù)。同時(shí)采用兩個(gè)這樣的濾波器，可以估計(jì)出人臉繞x軸和y軸轉(zhuǎn) 動(dòng)的角度。圖5給出了基于線性相關(guān)濾波和神經(jīng)網(wǎng)絡(luò)算法在81幅圖像構(gòu)成的"估計(jì)集" 上進(jìn)行姿態(tài)估計(jì)的結(jié)果。該估計(jì)集包括了對(duì)應(yīng)Yaw方向旋轉(zhuǎn)角0在0°和8 °之間、 Tilt方向旋轉(zhuǎn)角^在0。和8。之間的所有組合，其中步長(zhǎng)為4。。估計(jì)的姿態(tài)結(jié)果 顯示在網(wǎng)格的交叉點(diǎn)處，良好的姿態(tài)估計(jì)結(jié)果應(yīng)該使網(wǎng)格線筆直地通過實(shí)心點(diǎn)。在^[—80，80]， ^[_40，40]的范圍內(nèi)，將不同的姿態(tài)組合劃分為12大區(qū)域， 如圖6所示。圖中水平方向?yàn)榻嵌炔反怪狈较驗(yàn)榻嵌萟。對(duì)于每個(gè)區(qū)域，將待估計(jì)姿態(tài)的圖像經(jīng)過背景置黑、寬度裁剪、歸一化為 240像素x240像素大小的灰度圖像等一系列處理后送入相應(yīng)區(qū)域的精確姿態(tài)估計(jì)。對(duì)所有區(qū)域都進(jìn)行實(shí)驗(yàn)，得到的總平均誤差為& ^=3.2度，￡m^=3.5 度。引進(jìn)三位掃描設(shè)備之后，姿態(tài)估計(jì)精度顯著提高，^的平均估計(jì)誤差 在1度以內(nèi)。5.基于三維人臉的Candide模型和ASM算法，在一定程度上降低表情對(duì) 識(shí)別精度的不利因素。主動(dòng)形狀模型(Active Shape Model, ASM)首先對(duì)一組標(biāo)有特征點(diǎn)圖像(訓(xùn) 練集)的形狀和局部進(jìn)行灰度建模，然后在搜索過程中不斷調(diào)節(jié)形狀和姿態(tài)參 數(shù)，從而使形狀達(dá)到最優(yōu)化。為了研究訓(xùn)練圖像的形狀變化，比較不同的形狀 相對(duì)應(yīng)的點(diǎn)，應(yīng)先對(duì)這些圖像進(jìn)行校準(zhǔn)，對(duì)其它形狀進(jìn)行旋轉(zhuǎn)，縮放和平移使 其盡可能的與基準(zhǔn)形狀接近。然后對(duì)校準(zhǔn)后的形狀數(shù)據(jù)進(jìn)行主元分析(Principle Component Analysis, PCA),過程如下計(jì)算校準(zhǔn)后的形狀矢量的協(xié)方差矩陣-通過下式計(jì)算協(xié)方差的特征值、(A1， "， ， 一取相應(yīng)的特征向量并正定化，記P-(pl,p2，…pt) 跟蹤過程中通過一個(gè)反復(fù)迭代循環(huán)的過程，不斷擾動(dòng)外形參數(shù)中的平移量，旋 轉(zhuǎn)角度，縮放比例，直至形狀變不大，可認(rèn)為此時(shí)的形狀即所要搜索的圖像形 狀。Candide標(biāo)準(zhǔn)模型CANDIDE是一種可以得到特征人臉的標(biāo)準(zhǔn)模型，它將人臉每個(gè)部位進(jìn)行 了編碼，建立了人臉的數(shù)據(jù)結(jié)構(gòu)。由于其較少的多邊形(大約100個(gè)左右)，使得普通的PC機(jī)器和嵌入式系統(tǒng)可以快速地得到三維人臉重建模型.CANDIDE人臉模型可以由全局Action Units和局部Action Units來控制。 全局Action Units是用來控制人臉模型繞X, Y， Z軸進(jìn)行旋轉(zhuǎn)，而局部Action Units可以控制人臉的不同的表情。CANDIDE中的人臉運(yùn)動(dòng)參數(shù)包括兩類外形參數(shù)(ShapeUnits)和動(dòng)畫參數(shù) (AnimationUnits)。外形參數(shù)是描述人臉形狀的參數(shù)，對(duì)于一個(gè)確定的人外形參 數(shù)不會(huì)有較大變化，它描述人臉的靜態(tài)特征。外形參數(shù)包括頭的高度，眼睛， 眉毛在縱向上的位置以及人眼的寬度、高度，鼻子、嘴的位置和高度等等。動(dòng) 畫參數(shù)是用來描述人臉的動(dòng)態(tài)外形，當(dāng)人做各種表情的時(shí)候，雖然外形參數(shù)變 化不大，但描述人臉的細(xì)節(jié)變化的動(dòng)畫參數(shù)，往往變化較大。動(dòng)畫參數(shù)包括 眼睛的睜開、閉合，嘴唇的蠕動(dòng)，嘴的張開，嘴角的運(yùn)動(dòng)等。模型的構(gòu)建可以形式化的表示為g( o ， a )=g +S o +A a其中g(shù)是一個(gè)三維的空間坐標(biāo)，S， A分別為外形和動(dòng)畫單元，(J和a分 別為外形和動(dòng)畫參數(shù)。當(dāng)考慮到全局的運(yùn)動(dòng)參數(shù)之后，上式可以表示為 g=RS3(g +S o +A a )+t其中F^R(rx，ry，rz)為一旋轉(zhuǎn)矩陣，s3二s3(sx,sy,sz)為x,y,z三個(gè)方向上的縮放 系數(shù)，t^t(tx，ty,tz)為平移矢量。因此，該模型的參數(shù)可以表示為參數(shù)矢量p = [v,(j，a] =[rx,ry,rz,s,tx,ty,tz，cj，a]。根據(jù)上式，用戶可以通過調(diào)節(jié)這些模型參數(shù)，使得 模型能接近輸入的人臉的外形，得到個(gè)性化的人臉模型?；贖armonic Model的特征點(diǎn)對(duì)應(yīng)Morphing的重要一環(huán)就是如何找到源圖像和目標(biāo)圖像中點(diǎn)的對(duì)應(yīng)關(guān)系，在源圖像中找到細(xì)分后的特征點(diǎn)之后，根據(jù)目標(biāo)圖像中搜索出來的特征點(diǎn)用調(diào)和 映射的方法就可以自動(dòng)查找這些在源圖像中新增加的點(diǎn)在目標(biāo)圖像中的對(duì)應(yīng)位置?；贖armonic Model的能量最小的約束，找到最優(yōu)的對(duì)應(yīng)點(diǎn),從而進(jìn)一步在 morphing過程中保證人臉形變最小。設(shè)D, Q是二維上具有相同拓?fù)浣Y(jié)構(gòu)的兩個(gè)幾何形體，其中(e,ii)ED,cl) (e , n) = (x， y)并且x( e , il), y( e ， E Q.當(dāng)x,y滿足如下兩個(gè)方程的時(shí)候我們稱小是一個(gè)調(diào)和映射A 32x 32x 八八 Ax = ~^ + ~^ = 0 e Q,根據(jù)動(dòng)畫參數(shù)及Harmonic Model的特征點(diǎn)模型擬和，使受表情影響的二維 圖像擬和到中性的模型上，從而一定程度上消除表情影響識(shí)別精度的不利因素。主要技術(shù)指標(biāo)使用虹膜和人臉識(shí)別在特征提取層相融合實(shí)現(xiàn)身份認(rèn)證識(shí)別，識(shí)別時(shí)間小 于1秒，誤識(shí)率接近于零，拒識(shí)率小于0.1%。
權(quán)利要求
1.人臉與虹膜混合識(shí)別的新方法—特征提取層融合，包括如下步驟步驟1將神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算和模糊系統(tǒng)相互融合；步驟2在結(jié)構(gòu)設(shè)計(jì)上，將全局幾何拓?fù)浣Y(jié)構(gòu)和局部幾何拓?fù)浣Y(jié)構(gòu)相結(jié)合；步驟3利用粒子群優(yōu)化算法優(yōu)化網(wǎng)絡(luò)參數(shù)；步驟4構(gòu)建一種新的、有學(xué)習(xí)能力的、能夠自動(dòng)選擇最佳網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并且能夠自適應(yīng)調(diào)整網(wǎng)絡(luò)控制參數(shù)的系統(tǒng)；步驟5以數(shù)學(xué)形態(tài)學(xué)的理論方法構(gòu)造主成分算子(Principal Component，PC)提取抽象的基本元素；步驟6使用該系統(tǒng)在人臉、虹膜圖像特征提取層進(jìn)行融合。
2. 根據(jù)權(quán)利要求1所述的人臉、虹膜圖像特征提取層融合的方法，其特征在于 系統(tǒng)兼具模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算等算法的優(yōu)點(diǎn)，系統(tǒng)性能穩(wěn)定，特征 融合的可靠性高。
3. 根據(jù)權(quán)力要求2所述的系統(tǒng)，構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，其特征在于既包含全局 幾何拓?fù)浣Y(jié)構(gòu)又包含局部幾何拓?fù)浣Y(jié)構(gòu)，系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)靈活，描述能力強(qiáng)。
4. 根據(jù)權(quán)利要求2所述的系統(tǒng)，優(yōu)化系統(tǒng)參數(shù)，其特征在于采用粒子群優(yōu)化 算法，構(gòu)建一種新的、有學(xué)習(xí)能力、能夠自動(dòng)選擇最佳網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并且能夠 自適應(yīng)調(diào)整網(wǎng)絡(luò)控制參數(shù)的系統(tǒng)。
5. 根據(jù)權(quán)利要求4所述的經(jīng)過優(yōu)化后的系統(tǒng)，對(duì)人臉和虹膜在特征提取層進(jìn)行融合的系統(tǒng)，其特征在于人臉和虹膜的魯棒性的特征提取方法。
6. 根據(jù)權(quán)利要求5所述的特征提取算法，在圖像采集方面，其特征如下非理 想采集和非線性彈性畸變下，采用超分辨率方法，改善圖像質(zhì)量，克服或降低 圖像中人臉區(qū)域過小、對(duì)比度差對(duì)識(shí)別結(jié)果帶來的不良影響。
7. 根據(jù)權(quán)利要求5所述的特征提取算法，在人臉特征提取中，其特征如下能 減少或克服關(guān)照、姿態(tài)和表情對(duì)識(shí)別效果的影響。步驟l:基于改進(jìn)的球面諧波函數(shù)的光照補(bǔ)償方法。使用bootstmp集合， 計(jì)算統(tǒng)計(jì)模型，這個(gè)模型包含人臉的3維信息，該統(tǒng)計(jì)模型的計(jì)算就是求出一個(gè) 概率密度函數(shù)的估計(jì)參數(shù)，因?yàn)榍蛎嬷C波函數(shù)的基圖像服從這個(gè)密度函數(shù)的分 布。在計(jì)算過程中，需要一個(gè)人臉3維信息的人臉庫，當(dāng)統(tǒng)計(jì)模型計(jì)算結(jié)束之后, 將不再需要任何人臉的3維信息。得到3維人臉的統(tǒng)計(jì)信息之后，可以根據(jù)任意 光照下新的人臉圖像來估計(jì)人臉對(duì)象在球面諧波模型中的9個(gè)基圖像。算法首先 估計(jì)這個(gè)人臉圖像在9個(gè)基圖像上的系數(shù)，然后使用最大后驗(yàn)概率估計(jì)(MAP)來估計(jì)對(duì)應(yīng)的9個(gè)基圖像。步驟2:基于線性相關(guān)濾波器的姿態(tài)估計(jì)方法。利用已知姿態(tài)的一組圖像組 合成一個(gè)復(fù)合相關(guān)濾波器。根據(jù)姿態(tài)參數(shù)把相關(guān)權(quán)值分配到對(duì)應(yīng)的姿態(tài)圖像中， 測(cè)試圖像經(jīng)濾波器后得到的峰值就會(huì)依賴于它的姿態(tài)參數(shù)。同時(shí)采用兩個(gè)這樣 的濾波器，可以估計(jì)出人臉繞x軸和y軸轉(zhuǎn)動(dòng)的角度。步驟3:基于三維人臉的Candide模型和ASM算法，在一定程度上降低表情 對(duì)識(shí)別精度的不利因素。CANDIDE人臉模型可以由全局Action Units和局部 Action Units來控制。全局Action Units是用來控制人臉模型繞X， Y， Z軸 進(jìn)行旋轉(zhuǎn)，而局部Action Units可以控制人臉的不同的表情。根據(jù)動(dòng)畫參數(shù)及 Harmonic Model的特征點(diǎn)模型擬和，使受表情影響的二維圖像擬和到中性的模 型上，從而一定程度上消除表情影響識(shí)別精度的不利因素。
8. 根據(jù)權(quán)利要求5所述的特征提取算法，在虹膜特征提取中，其特征如下 利用多分辯率分析方法提高虹膜特征提取的精確度。 步驟l:利用灰度直方圖和Hough變換相結(jié)合，進(jìn)行虹膜定位； 步驟2:對(duì)外圓鄰域利用改進(jìn)的OTSU方法進(jìn)行自適應(yīng)分類，檢測(cè)眼皮和睫 毛區(qū)域；步驟3:利用多分辨率Gabor濾波器、多層小波變換和分形方法進(jìn)行特征提取。
9. 根據(jù)權(quán)利要求5所述的魯棒性特征提取算法，在人臉和虹膜圖像采集方 面，其特征如下采用自主開發(fā)的雙重快速采集人臉和虹膜的裝置，具有功耗 低、價(jià)格低廉、集成度高、不易被人察覺以及對(duì)人眼無損等優(yōu)點(diǎn)。
全文摘要
本發(fā)明涉及一種人臉和虹膜混合識(shí)別的新方法——特征層提取融合。根據(jù)神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算和模糊理論，構(gòu)建人臉和虹膜特征提取層融合系統(tǒng)；在設(shè)計(jì)結(jié)構(gòu)上采用全局和局部幾何拓?fù)浣Y(jié)構(gòu)；利用粒子群優(yōu)化算法，優(yōu)化網(wǎng)絡(luò)控制參數(shù)。在對(duì)人臉和虹膜圖像進(jìn)行特征提取時(shí)，采用超分辨率的圖像增強(qiáng)算法，基于改進(jìn)的球面諧波函數(shù)的光照補(bǔ)償算法，基于線性相關(guān)濾波器的姿態(tài)估計(jì)和基于三維人臉的Candide模型和ASM算法的表情分析等技術(shù)，魯棒地提取人臉和虹膜的特征向量，并采用自主開發(fā)的雙重人臉和虹膜采集裝置采集人臉和虹膜圖像。本發(fā)明既能構(gòu)建一種新的、有學(xué)習(xí)能力的、能夠自動(dòng)選擇最佳網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并且能夠自適應(yīng)調(diào)整網(wǎng)絡(luò)控制參數(shù)的系統(tǒng)，又能在人臉和虹膜的獨(dú)立特征提取過程中，克服和降低環(huán)境和生理等因素的不利影響，有效地提高人臉和虹膜混合識(shí)別的識(shí)別率，促進(jìn)基于人臉和虹膜混合識(shí)別的系統(tǒng)性能向?qū)嵱眯浴⒖煽啃院涂山邮苄园l(fā)展。
文檔編號(hào)G06K9/00GK101261677SQ20071005619
公開日2008年9月10日 申請(qǐng)日期2007年10月18日 優(yōu)先權(quán)日2007年10月18日
發(fā)明者周春光 申請(qǐng)人:周春光