模式识别PatternClassification第十一章:生物特征识别模式识别,第十一章3生物识别概述•生物特征识别是指将计算机与光学、声学、生物传感器和生物统计学等相结合,利用人体固有的生物特征来进行个人身份的鉴定。•其核心在于获取生物特征,并将之转换为数字信息,存储于计算机中,并利用可靠的匹配算法来完成验证与识别个人身份。模式识别,第十一章4生物识别概述•生物特征的涵义很广,大致上可分为生理特征和行为特征两类。•生理特性包括:指纹、掌纹、虹膜、视网膜、人体气味、脸像、DNA等•行为特征包括:签名、声音、步态等模式识别,第十一章5生物识别概述•传统的身份鉴定方法•身份标识物品:钥匙、证件、ATM卡•身份标识知识:用户名和密码•主要借助体外物,一旦证明身份的标识物品和标识知识被盗或遗忘,其身份就容易被他人冒充或取代。•生物特征识别技术不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用•比传统的身份鉴定方法更具安全、保密和方便性模式识别,第十一章6生物识别概述•政府、电子商务、军队、银行、社会福利保障、安全防务是生物识别技术最具潜力的应用领域•美国德克薩斯洲联合银行采用“虹膜识别系统”鉴定用户身份•美国维萨格公司的“脸象识别系统”在美国的两家机场大显神通,它能在拥挤的人群中挑出某一张面孔,判断他是不是通缉犯模式识别,第十一章7生物识别概述•基本原理•对生物特征进行取样,提取其唯一的特征并转化成数字代码•将代码生成特征模板•进行身份认证时,识别系统通过获取其特征与数据库中的特征模板进行比对,以确定二者是否匹配,从而决定接受或拒绝该人模式识别,第十一章8虹膜识别模式识别,第十一章9虹膜识别•虹膜是眼球前部含色素的环形薄膜,当中是瞳孔•眼球的颜色是由虹膜所含色素的多少决定的•不同人种的虹膜色彩不同,黄种人含色素较多,呈棕褐色,远看如黑色;白种人色素少,呈浅灰色或淡蓝色模式识别,第十一章10虹膜识别•虹膜的表层有凹凸不平的皱褶,这些皱褶像指纹一样每个人都不相同,而且不会改变•虹膜是人体最具独特性的器官之一,世界上两个人的眼睛虹膜一模一样的情况几乎没有•人的虹膜在出生6-18个月成型后终生不再发生变化•成为识别每个人生物特征的独一无二的标识模式识别,第十一章11虹膜识别•虹膜识别(IrisRecognition)就是通过提取人眼虹膜信息并通过这种人体生物特征来识别人的身份模式识别,第十一章12虹膜识别•1987年,眼科专家FLOM首次提出利用虹膜图像进行自动虹膜识别的概念•1991年,美国洛斯阿拉莫斯国家实验室的JOHNSON实现了一个自动虹膜识别系统•1993年,DAUGMAN实现了一个高性能的自动虹膜识别原型系统•大部分的自动虹膜识别系统使用DAUGMAN核心算法模式识别,第十一章13虹膜识别•2000年,美国国防高级研究项目署(DARPA)启动了名为HID的研究项目,即远距离身份识别•其中包括远距离虹膜识别项目(IrisRecognitionataDistance)•研究目的之一就是将虹膜识别应用于未来的国家安全领域,尤其是国家重要信息和技术的管理模式识别,第十一章14虹膜识别•虹膜识别的原理模式识别,第十一章15虹膜识别•虹膜识别的原理通过一个距离眼睛3英寸的精密相机来捕获虹膜的信息模式识别,第十一章16虹膜识别•虹膜识别技术的特点•生物活性虹膜与人体生命现象同时存在,共生共息,所以想用照片、录像的虹膜代替活体的虹膜图像都是不可能的,从而保证了生理组织的真实性•唯一性虹膜的纤维组织细节复杂而丰富,具有极大的随机性,即便使用克隆技术也无法复制某个虹膜。同卵双胞胎的虹膜纹理信息不同,同一个人左右眼的虹膜纹理都不会相互认同模式识别,第十一章17虹膜识别•虹膜识别技术的特点•非接触性从一定距离即可获得虹膜数字图像,无需用户接触设备,对人身没有侵犯,因而容易被公众接受•稳定性虹膜在人的一生中都极其稳定,出生6—18个月后定型,此后终身不变•防伪性不可能将一个人的虹膜组织特征改变得与某个特定对象的特征相同模式识别,第十一章18虹膜识别•虹膜识别技术的特点•高精度虹膜识别被公认为是目前精确度、稳定性、可升级性最高的身份识别系统(humanauthentication),其特征匹配的准确性甚至超过了DNA匹配模式识别,第十一章19虹膜识别•在身份识别或确认过程中会有错误•有两个重要的测量因子——拒假率(FRR)和容假率(FAR)可以表明任何一种生物测量技术的有效性和可靠性•拒假率(FRR):在进行生物测量时,对某对象的某一生物特征进行生物测量所得结果与该对象已经记录在系统中的模板不匹配,这时拒假事件发生。FRR即是拒假事件发生的概率。模式识别,第十一章20虹膜识别•容假率(FAR):在进行生物测量时,对某对象的某一生物特征进行生物测量所得结果与另一对象已经记录在系统中的模板匹配,这时容假事件发生。(FAR)即是容假事件发生的概率。•性能良好的识别系统,FRR和FAR应尽可能低•虹膜识别在FRR和FAR均表现出良好的特性模式识别,第十一章21虹膜识别•虹膜识别的应用•虹膜识别考勤系统•虹膜识别门禁系统•虹膜识别信息访问系统模式识别,第十一章22虹膜识别•长野冬季奥运会使用该技术对射击项目行安全管理•2001年,一些欧洲考试中心使用基于虹膜识别技术的系统对应试者进行身份鉴别•2002年,英国最大的伦敦Heathrow机场开始在入境口岸试用虹膜识别系统,加强入境安全管理模式识别,第十一章23指纹识别•指纹是指人的指尖皮肤形成的纹路模式识别,第十一章24•十九世纪初,科学研究发现了指纹至今仍然承认的两个重要特征•两个不同手指的指纹纹脊的样式(RidgePattern)不同•指纹纹脊的样式终生不变•该研究成果使得指纹在犯罪鉴别中得以正式应用指纹识别模式识别,第十一章25指纹识别•二十世纪六十年代,由于计算机可以有效地处理图形,人们开始着手研究计算机来处理指纹•自动指纹识别系统(AFIS)在法律实施方面的研究与应用有就由此展开来模式识别,第十一章26指纹识别•指纹的特点•稳定性:每幅指纹的结构是恒定的,胎儿在4个月左右就形成指纹,以后终身不变•唯一性:全球60亿人没有两个人指纹相同•可分类性:可按指纹的纹线走向进行分类,特征易于提取模式识别,第十一章27指纹识别•利用指纹的唯一性和确定性,可将人现场采集的指纹与预先保存的指纹进行比较,以鉴定其真实身份。•目前,指纹识别已被全球大部分国家政府接受与认可•广泛地应用到政府、军队、银行、社会福利保障、电子商务和安全防卫等领域模式识别,第十一章28指纹识别•西门子公司最早将指纹识别技术运用于手机中•指纹识别技术在我国已经得到较广泛的应用•北大高科等对指纹识别技术的研究开发已达到可与国际先进技术抗衡•中科院的汉王科技公司在指纹识别算法上取得重大进展,达到的性能指标中拒识率小于0.1%,误识率小于0.0001%,居国际先进水平模式识别,第十一章29指纹识别•指纹识别的原理指纹图像数据获取预处理特征提取模板生成待识指纹数据获取预处理特征提取模式匹配识别结果模式识别,第十一章30指纹识别•数据获取•通过指纹读取设备读取人体指纹图像•光学传感器•晶体传感器(电容阵列)3×1×1英寸模式识别,第十一章31指纹识别•预处理•规格化把不同原始图像的对比度和灰度调整到一个固定的级别上原始图像规格化后的图像模式识别,第十一章32指纹识别•预处理•图像分割将指纹前景区域同背景区域分离开来,以避免在噪声和背景区域中提取特征,提高特征提取的准确性模式识别,第十一章33指纹识别•预处理•图像增强、滤波、细化模式识别,第十一章34指纹识别•特征提取•基于指纹脊线和谷线的细节进行特征提取•分为总体特征和局部特征•总体特征:环形、弓型和螺旋型•局部特征节点(分叉点、终止点、孤立点等)模式识别,第十一章35指纹识别•特征提取•每个点具有七种以上的唯一性特征(位置、方向、曲率等)•每个手指平均具有70个节点•产生大约1K的模板数据•尚无特征提取标准,各厂商自定义模式识别,第十一章36指纹识别•模式匹配•通过模糊模式匹配的方法,对待识指纹与模板进行比对,计算其相似度,得出分类结果模式识别,第十一章37指纹识别•典型应用•门禁系统•考勤系统•犯罪记录系统•银行身份认证系统模式识别,第十一章38步态识别•步态识别是生物特征识别领域一个新的研究方向•旨在根据人们走路的姿势进行身份识别模式识别,第十一章39步态识别•步态分析一直是医学、心理学的研究课题,医学研究认为,如果考虑步态运动的所有信息,那么步态就是唯一的•与其他生物特征识别技术(例如指纹等)相比,步态识别的优势在于非接触性、非侵犯性、易于感知、难于隐藏、难于伪装•步态识别在门禁系统、安全监控、人机交互、医疗诊断等领域具有广泛的应用前景和经济价值模式识别,第十一章40步态识别•美国DARPA(美国国防部高级研究计划署)2000年重大研究项目—HID(远距离身份识别)计划•联合马里兰大学、麻省理工学院、卡耐基梅隆大学等诸多知名院校参与,重点研究远距离的步态识别•HID计划对步态识别的研究产生了深远的影响,在一定程度上也促进了计算机视觉技术的发展•目前,步态识别的研究仍处于初期阶段模式识别,第十一章41步态识别•步态识别的原理•对包含人体运动的图像序列进行分析和处理,通常包含运动检测、周期检测、特征提取、识别算法4个过程待测序列运动检测周期检测特征提取识别算法识别结果样本库模式识别,第十一章42步态识别•运动检测•从视频序列的场景图像中检测、提取出运动目标•后续处理(例如运动目标分类、跟踪、行为分析和理解等)都是在检测出来的运动区域上进行的•由于光照、影子、背景扰动等因素造成的背景图像的动态变化,使得有效的运动检测成为一项挑战性的工作•运动检测的方法:基于特征的方法、帧间差分法、背景减除法、光流法模式识别,第十一章43步态识别•运动检测•基于特征的方法通过从视频图像序列中提取边界轮廓等特征来刻画运动目标•帧间差分法利用视频序列中连续两帧或3帧图像亮度变化来提取运动目标•背景减除法利用当前帧图像与背景图像的差分运算进行运动目标检测模式识别,第十一章44步态识别•周期检测•通过计算人体轮廓随时间变化的自相似性,利用自相关分析实现周期检测•或通过分析人体宽度信号或人体区域像素点数来实现周期检测模式识别,第十一章45步态识别•特征提取•特征提取直接影响最终的识别性能•基于模型的方法和非模型的方法•基于模型的方法首先建立人体结构模型(人体运动模型),然后将序列图像的每帧与模型匹配来获取特征•非模型的方法则通过对位置、速度、形状、色彩等相关特征的预测或估计来建立相邻帧间的关系模式识别,第十一章46步态识别•特征提取•椭圆模型:用7个椭圆来建模人体的各个部分,提取椭圆参数(长短轴之比、质心坐标、主轴夹角)以及人体结构参数(质心坐标)共29个参数作为步态识别的特征•钟摆模型:将大腿建模为连接的钟摆,通过对其摆动的周期分析获得相位加权的傅里叶描述的步态信号模式识别,第十一章47步态识别•步态识别•模板匹配法和统计方法•模板匹配法在步态识别中,测试序列与样本序列的时间尺度一般不同,而动态时间规整可较好地完成该情况下的匹配,且具有简单易懂、算法鲁棒的优点模式识别,第十一章48步态识别•步态识别•统计方法:基于隐马尔可夫模型(HMM),将步态周期看作一个双重随机过程,其中隐过程用姿态之间的转移来描述,而显过程则用特定姿态下的图像特征刻画通过训练集建立特征分布的类内和类间先验概率分布模型,然后通过贝叶斯分类器实现个体的验证模式识别,第十一章49步态识别•研究难点•运动分割•遮挡处理•性能评估