老龄用户多生物特征身份认证中的隐式语义特征提取方法

摘要

本发明涉及老龄用户多生物特征身份认证中的隐式语义特征提取方法，通过对老龄用户多生物特征图像进行多方式隐式语义分析和数据挖掘映射，并提取图像隐式语义特征进行身份认证。本发明的老龄用户多生物特征身份认证中的隐式语义特征提取方法是通过提取人脸、多指指纹和掌纹等多生物特征图像，能够获取多种局部底层特征；利用多方式隐式语义分析算法从底层特征-图像矩阵构建、二维矩阵分解以及聚类算法三方面，能够对提取的特征进行处理；通过“智能黑箱模型”进一步对处理后的特征进行挖掘映射，能够有效地获取图像隐式语义特征；通过引入带遗传算法(GA)的自适应反馈结构，对系统自动调整，实现图像隐式语义特征的修正。

主权项

一种老龄用户多生物特征身份认证中的隐式语义特征提取方法，其特征是：通过对老龄用户多生物特征图像进行多方式隐式语义分析和数据挖掘映射，并提取图像隐式语义特征进行身份认证，其所述的多方式隐式语义分析的具体步骤如下：a.底层特征的图像矩阵构建：采用多种底层特征，构建每个用户的底层特征的图像矩阵；b．并行二维非负矩阵分解算法：先对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化；c.模糊C均值聚类：利用编程工具箱中的模糊C均值聚类方法来进行聚类；所述的数据挖掘映射的具体步骤如下：a.剪枝算法分析：初始化模糊神经网络的网络结构预定义参数，输入第一组特征向量，产生第一条模糊规则，对任意输入特征向量计算其与第一组特征向量的距离，得出最小值dmin，从而计算出实际的输出误差ei，如果误差ei大于规则重要性阈值f，则产生新的模糊规则，从而调整网络结构参数；b.提取图像隐式语义特征：包括离线学习阶段和在线测试阶段；所述的提取图像隐式语义特征进行修正的具体步骤如下：a.引入自适应动态反馈结构：在基于模糊神经网络的智能黑箱模型中，利用带GA优化算法的自适应动态反馈结构来提取辨识的提取图像隐式语义特征和状态参数；b．图像隐式语义特征归一化：通过辨识出智能黑箱模型的状态参数和与通过样本学习得到的基准状态进行比较，得出差值作为智能黑箱模型的输入，从而得出因环境差异而导致的图像隐式语义特征偏差。