多模态面部与指纹识别生物特征系统

### 多模态面部与指纹识别生物特征系统 #### 1. 引言 生物识别技术有助于保护用户数据免受黑客攻击。生物特征可分为两组，第一组包含生理特征，如面部、指纹、视网膜或手部几何特征等，这些特征与人体的构造相关；第二组由行为特征组成，例如击键动态、语音或签名等。 在生物识别安全程序中，用户无需携带令牌或记住密码，因为人们可以通过自身的生理或行为特征被识别，用户本身就是“钥匙”。指纹、视网膜、面部等可测量特征可以充当密码，由于人类特征不易模仿，所以比传统密码更安全。 本系统仅考虑生理特征，因为它们不易被模仿且每个人的生理特征都是独一无二的。虽然行为特征在大多数情况下不需要专门的硬件，并且可以在不通知用户的情况下收集，但同一用户的行为特征样本也会有所不同，重复性较低，而生理特征由于其独特性，能提供更高的识别准确率。 本系统是多模态的，将至少两种特征结合起来，以检查这种组合是否比单独使用每个特征获得的数据具有更高的准确性，同时也探讨更多的分析数据是否能带来更准确的分类。这里选择了指纹和面部特征，因为大多数个人电脑都配备了摄像头，而指纹扫描仪也很常见，笔记本电脑和手机中的内置扫描仪也越来越普及。 #### 2. 已知方法 近期，面部和指纹识别受到了更多关注，以下是几种不同的识别方法： - **特征脸（Eigenface）方法**：该方法使用特征向量来识别人脸，起源于1987年Sirovich和Kirby的研究，Matthew Turk和Alex Paul Pentland首次将特征向量作为人类识别算法的重要部分。其算法主要基于主成分分析（PCA），关键步骤包括将图像转换为垂直向量以构成分析矩阵，计算每个水平向量的平均值，得到平均垂直向量并从矩阵的每个垂直向量中减去，对矩阵值进行归一化处理，使其在0 - 255区间内，最后计算矩阵的主要特征值和每个垂直向量。不过，该算法的作者仅描述了处理方法，未展示或比较结果。 - **改进的Fisher线性判别模型（MFLD）和模糊Fisher线性判别（FFLD）**：此方法主要基于Turk和Pentland在特征脸方法中的思想。特征脸技术旨在最大化变化，而Fisherface方法的主要目标是最大化类间平均距离并最小化类内方差。该方法使用了MFLD模型，将Fisher线性判别分解为两个类内和类间散布矩阵的同时对角化。此外，还提到了FFLD。作者通过该方法实现了降维，使算法更高效，使用欧几里得度量来测量两个样本之间的距离。作者声称，使用MFLD时，用户识别准确率为91.4%，使用FFLD时为94.8%。 - **局部二值模式直方图（LBPH）方法**：与特征脸和Fisherface技术不同，该方法考虑图像的局部特征。对于每个像素，通过将其值与所有相邻像素的值进行比较来确定一个二进制字符串，即局部二值模式（LBP）。该算法的主要思想是将输入图像分成m个不同的部分，为每个部分计算LBP函数，然后为每个区域创建基于LBP的直方图，并准备基于直方图的特定向量。对于未存储在数据库中的新样本，计算其直方图向量并与数据库中的所有向量进行比较。作者仅描述了处理方法，未展示或比较结果。 - **指纹特征提取方法**： - 一种方法主要关注指纹特征提取算法，检测指纹中的脊分叉、脊终点、核心和三角等