一种基于手掌特征提取身份识别方法

摘要

一种基于手掌特征提取身份识别方法：为通过提取手掌生物电阻抗频谱（BIS）特征来实现身份识别。本发明通过提取手掌生物电阻抗频谱特征来实现身份识别，识别率高，可靠性好，操作简单，使用方便。经实验证明，手掌BIS特征拥有作为生物特征的潜力的高稳定性和唯一性，符合生物特征识别的要求，本发明是一种高效的身份识别和认证技术，能够有效抵抗伪造等攻击。由于手掌BIS特征具有唯一性、普遍性、稳定性和可采集性等特点。因此本发明在身份识别领域具有重要的理论和实用价值，并具有广阔的应用前景。

主权项

一种基于手掌特征提取身份识别方法，其特征在于：为通过提取手掌生物电阻抗频谱BIS特征来实现身份识别；包括手掌BIS数据预处理步骤、手掌BIS特征选择步骤、手掌BIS特征提取步骤和手掌BIS特征匹配步骤；步骤一、手掌BIS数据预处理为将BIS采集仪采集到的原始数据样本采用拉依达准则进行过滤处理；其处理方法如下：1)求n次测量值X_i,1≤i≤n的平均值2)求各项的残差：$V_i=X_i-\bar{X}---\left(1\right)$3)计算标准偏差：$\sigma =\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Sigma }}{V_i}^2}---\left(2\right)$4)剔除奇异项，对测量值X_i，如果有V_i＞3σ，则将其剔除；步骤二、手掌BIS特征选择为建立散布矩阵；假设样本中共有N个样本，分属M个类别，则类内散布矩阵S_w，即$S_w=\frac{1}{N}\underset{i=1}{\overset{M}{\Sigma }}{n}_{i}E\left[(x-{\mu }_i){(x-{\mu }_i)}^T\right]---\left(3\right)$式(3)中μ_i为第i类样本的均值，x为输入样本集，T表示矩阵转置，E为期望，n_i表示第i类样本；同时得到类间散布矩阵S_b，即$S_b=\frac{1}{N}\underset{i=1}{\overset{M}{\Sigma }}{n}_i({\mu }_i-{\mu }_0){({\mu }_i-{\mu }_0)}^T---\left(4\right)$式(4)中μ₀是全局均值，n_i表示第i类样本，μ_i为第i类样本的均值；通过S_w和S_b的不同组合可构成一系列可分性测度：$J_1=\frac{\mathrm{tr}\left(S_b\right)}{\mathrm{tr}\left(S_w\right)}$$J_2=\ln \frac{\left|S_b\right|}{\left|S_w\right|}$$J_3=\mathrm{tr}\left(S_w^{-1}{S}_b\right)$         (5)$J_4=\frac{|S_w+S_b|}{\left|S_w\right|}$J₁，J₂，J₃，J₄都是可分性测度，其中J₁中迹tr(S_b)是所有类的特征方差的平均测度，迹tr(S_w)是每一类均值和全局均值之间的平均距离的测度，二者的比值越大，类内距离相对类间距离越小；步骤三、手掌特征提取包括手掌BIS特征归一化、手掌BIS特征降维和手掌BIS特征提取；1)手掌BIS特征归一化：采用各分量的均值和方差的估计值做归一化两部分，其方法如下：设样本集{z_i|1≤i≤N}中每一个样本为z＝R+jX，且有实部R＝(R₁,R₂,...,R_d)，虚部X＝(X₁,X₂,...,X_d)，j表示为为了方便后续计算，需对复阻抗样本进行拉伸得到相应的实际样本z^r＝(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T，将最终的样本矩阵表示为：对样本z^r的第k个特征的N个数据，有：$\begin{array}{cc}{\bar{z}}_k^r=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{z}_{i,k}^r& k=\mathrm{1,2},...,2d\end{array}$${\sigma }_k^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{(z_{i,k}^r-{\bar{z}}_k^r)}^2$$\begin{array}{cc}{\hat{z}}_{i,k}^r=\frac{z_{i,k}^r-{\bar{z}}_k^r}{{\sigma }_k}& i=\mathrm{1,2},...,N,k=\mathrm{1,2},...,2d\end{array}---\left(7\right)$归一化后的特征具有零均值和单位方差，d表示维数；2)手掌BIS特征降维：采用主成分分析PCA(Principal Component Analysis，PCA)对BIS特征数据进行降维分析，其方法如下：设归一化后的样本矩阵为X＝(X_ij)_K×N，即共有N组数据，每组数据有K个特征；(1)求出样本的协方差矩阵：$\Sigma =E\left[{\mathrm{XX}}^T\right]=\frac{1}{N-1}{\mathrm{XX}}^T---\left(8\right)$(2)求出Σ的K个特征值和特征向量，设不为零的特征值为λ_i,i＝1,2,...,M,M≤N，相应的特征向量为U＝[u₁,u₂,...,u_M],M≤N；(3)将样本在特征向量上投影，得到PCA变换后的样本矩阵：Y＝U^TX       (9)(4)使用式(5)中的J₁对Y的所有特征由大到小进行排序；同时依据特征值的累积方差贡献率选择前k个特征，作为由PCA变换得到的分类样本集，其中贡献率大小从训练样本集中得到；并将得到的样本集记为X_P；3)手掌BIS特征提取：(1)对样本集X_P中的每一类数据求出平均值x；设样本集包含m类样本，对ω_i类有${\bar{x}}_i=\frac{1}{K_i}\underset{x\in {\omega }_i,i=1}{\overset{m}{\Sigma }}x---\left(10\right)$其中K_i为ω_i类中样本的数量；(2)将每个类平均值看作一个信号源，即令s类样本向量注意此处样本以行向量的形式出现，使用fastICA方法求独立信号源S＝WX_s         (11)(3)此时矩阵S的每一行是一个独立分量，将其作为线性变换的基底；使用中心化后的c类样本数据X_c进行投影，得到投影后的样本矩阵Y，即Y＝SX_c          (12)式(12)中，矩阵Y的每一列都代表了一个投影后的样本；步骤四、手掌BIS特征匹配为采用隐空间支持向量机机制：1)如令X表示输入的样本集，X＝{x₁，x₂，...，x_N}，对任意一个样本x∈X，定义一个由一组实值函数生成的矢量：矢量将d维输入空间中的样本矢量映射到一个新的d_h维空间中：由于函数集的作用与前向网络中隐节点的作用类似，故称为隐函数；相应地由隐函数集映射所得的样本空间称为隐空间或者特征空间；2)构造隐空间中的样本集:类似支持向量机定义，对于已知分类的二类样本集X＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)|y_i∈{1，‑1}}，和核函数k(x,y)，映射得到隐空间中的样本集为：{(z₁,y₁),(z₂,y₂),...,(z_N,y_N)|z_i＝[k(x₁,x_i),k(x₂,x_i),...,k(x_N,x_i)]^T}   (15)3)构造隐空间中的线性分类函数:隐空间中的线性分类函数f(z)＝w^Tz+b，相应的优化问题为：$\begin{array}{cc}\min & R(w,b)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{N}{\Sigma }}{\xi }_i\right)\end{array}---\left(16\right)$s.t.y_i(w^Tz_i+b)≥1‑ξ_iξ_i≥0(i＝1,...,N)其中，C为惩罚因子，调节经验风险和函数集容量控制之间的平衡；4)构造Wolfe对偶规划函数:求解式(16)得Wolfe对偶规划函数，即：$\begin{array}{cc}\min & \frac{1}{2}\underset{i,j,k=1}{\overset{N}{\Sigma }}{\alpha }_i{y}_i{\alpha }_j{y}_{j}k(x_i,x_k)·k(x_k,x_j)-\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_i\end{array}---\left(17\right)$$\begin{array}{cc}s.t.& \underset{i=1}{\overset{N}{\Sigma }}{y}_i{\alpha }_i=0\end{array}$0≤α_i≤C(i＝1,...,N)其中α_i为Lagrange乘子；求解隐空间模式识别支撑向量机的决策函数凸优化，即特征分类；隐空间模式识别支撑向量机的决策函数为：$y=\mathrm{sign}(w^{T}x+b)=\mathrm{sign}(\underset{i.j=1}{\overset{N}{\Sigma }}{\alpha }_i{y}_{i}k(x_i,x_j)k(x_j,x)+b)---\left(18\right)$如令${\lambda }_j=\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_i{y}_{i}k(x_i,x_j)---\left(19\right)$则式(18)可以简化表示如下：$y=\mathrm{sign}(\underset{j=1}{\overset{N}{\Sigma }}{\lambda }_{j}k(x_j,x)+b).$