一种基于线性规划模型的生物特征图像分析与识别方法

摘要

本发明公开了一种基于线性规划模型的生物特征图像识别方法，该方法包括以下步骤：生物特征训练样本图像归一化；得到基于局部子区域特征的生物特征图像表达；若特征个数过大，基于并行随机采样处理和线性规划模型选择最优特征，若否基于线性规划模型选择最优特征；将最优特征按权重大小降序排列，选择排名靠前的特征通过SVM得到分类器模型；待测试生物特征图像归一化；提取其最优局部子区域特征并输入分类器模型中，得到该生物特征图像的识别结果。本发明得到的生物特征图像特征鲁棒性好，识别精度高，因此本发明方法效率高，能够提高大规模生物特征数据比对的速度和精度，可用于生物特征识别的身份认证系统和其他需要安全性防范的诸应用系统中。

主权项

一种基于线性规划模型的生物特征图像识别方法，其特征在于，该方法包括以下步骤：步骤S1，对生物特征训练样本图像进行归一化处理；步骤S2，对于归一化后的生物特征训练样本图像，提取其局部子区域特征，得到基于局部子区域特征的生物特征图像表达；步骤S3，判断所述生物特征图像表达中所包含的局部子区域特征个数是否过大，如是则转向步骤S5，如否则进入步骤S4；步骤S4，基于线性规划模型从局部子区域特征中选择最优特征；步骤S5，基于并行随机采样处理和线性规划模型从局部子区域特征中选择最优特征；步骤S6，将所述步骤S4或者S5得到的最优特征按其权重的取值大小进行降序排列，选择排名靠前的一定数量的特征，通过支持向量机SVM方法训练学习得到分类器模型；步骤S7，输入待测试生物特征图像；步骤S8，按照所述步骤S1对该待测试生物特征图像进行归一化处理；步骤S9，对于归一化后的待测试生物特征图像，提取其所述步骤S4或S5得到的最优局部子区域特征；步骤S10，将提取出的最优局部子区域特征输入到所述步骤S6得到的分类器模型中，从而得到对于该生物特征图像的识别结果；所述步骤S4进一步包括以下子步骤：步骤S41，建立具有最大间隔性质的损失函数模型；步骤S42，建立对所述损失函数模型中的特征权重的非负约束，即第i维特征的权重w_i≥0i＝1...D，其中，D为特征的总维数；步骤S43，计算经过所述步骤S42约束的每个局部子区域特征的可区分性参数信息f；步骤S44，对于每个样本的损失函数模型，加入相应非负的松弛变量ξ＝(ξ₁,ξ₂,...ξ_N)的限制，其中，N为样本数目；步骤S45，基于所述步骤S43得到的可区分性参数信息f和所述步骤S44得到的损失函数模型，建立标准线性规划模型，并采用单纯形算法求解出非负的特征权重向量，从而得到对于分类识别起到关键作用的特征；所述具有最大间隔性质的损失函数模型为Hinge函数：Loss＝max(0,1‑yf(x))，其中，y代表类标记，f(x)代表分类器函数；上式等价于下面的线性不等式约束表达式：$\begin{array}{cc}w·x_j^{+}\le \alpha & j=1...N^{+}\\ w·x_j^{-}\ge \beta & j=1...N^{-}\end{array},$其中，和分别表示第j个正、负样本，N⁺和N^‑分别表示正负样本的个数，α和β分别为正负样本特征均值，w为特征权重向量；所述标准线性规划模型可表示为：$\min f·w+\lambda \underset{i=1}{\overset{N}{\Sigma }}{\xi }_i$$s.t.\left\{\begin{array}{cc}w·x_j^{+}\le \alpha +{\xi }_j& j=1...N^{+},\\ w·x_j^{-}\ge \beta -{\xi }_j& j=1...N^{-}\\ w\ge 0,\xi \ge 0& \end{array}\right.$其中，为目标函数，表示对特征权重向量作l₁范数优化；$s.t.\left\{\begin{array}{cc}w·x_j^{+}\le \alpha +{\xi }_j& j=1...N^{+}\\ w·x_j^{-}\ge \beta -{\xi }_j& j=1...N^{-}\\ w\ge 0,\xi \ge 0& \end{array}\right.$为对于该目标函数的约束；w代表特征权重，为待优化的目标变量；f为先验的可区分性参数信息；分别代表正、负样本的特征；N⁺，N^‑分别代表正、负样本的个数；α,β分别为训练集合中两类样本匹配分数的平均值；λ表示待定的参数。