《虹膜识别与模式提取研究进展.ppt》由会员分享，可在线阅读，更多相关《虹膜识别与模式提取研究进展.ppt（20页珍藏版）》请在三一文库上搜索。
1、虹膜识别与模式提取研究进展,东南大学系统工程研究所 2009年11月14日,主要内容,虹膜识别 模式提取, 虹膜识别 ,虹膜识别的流程 虹膜识别的研究方向,1.1 虹膜识别的流程,虹膜,1.1 虹膜识别的流程,虹膜识别的研究进展 人眼虹膜识别 John Daugman （Cambridge） R.P.Wildes (Australia) 谭铁牛（中科院自动化所） 施鹏飞 （上海交通大学图像处理与模式识别研究所） 动物虹膜识别 Masahiko Suzaki （Japan）: Horse 东南大学系统工程研究所：牛、羊、猪等,1.1 虹膜识别的流程,虹膜识别的流程,1.1 虹膜识别的流程,虹膜识
2、别中模式提取方法 基于相位信息的方法 （Gaugman,IEEE T-PAMI93） 基于过零点检测的方法 （Boles, IEEE T-SP98; Noh,AVBPA03） 基于纹理分析的方法 （Tan, IEEE T-PAMI03） 基于局部变化分析的方法 （Tan, IEEE T-IP04, PR04, ICBA04） ,1.2 虹膜识别的研究方向,Credible,Active,Move,1,2,3,5,4,识别准确率、防伪性能 自适应算法 活动对象的虹膜采集与识别, 模式提取 ,主分量分析 鉴别分析 流形学习 基于稀疏表示的图像特征提取,模式提取,模式特征抽取问题可以定义为：在高维的
3、观察样本空间中寻找其隐藏的有意义的低维数据结构，并藉此分析和探索事物的内在规律。 特征抽取技术可分为两大类：线性特征抽取和非线性特征抽取。线性特征抽取算法研究的侧重点在于小样本问题。对于非线性特征抽取，有两个较大的分支值得注意。一是基于kernel的特征抽取技术，以支持向量机、kernel主分量分析和kernel鉴别分析为代表；二是以流形学习（manifold learning）为主导的维数约减理论和技术，2000年SCIENCE(科学)上的两篇文章开创了流形学习的先河。有证据表明，基于流形学习的维数约减方法与人本身的认知机理具有某种内在的关联性，,2.1 主分量分析,K-L变换（PCA） P
4、CA能够最大保持模式的内在分布规律，消除模式分量之间的相关性，实现模式样本的维数的削减。,2.1 主分量分析,非线性主分量分析 核主分量分析（KPCA）将输入空间通过非线性函数映射到更高维特征空间，并在高维特征空间中应用PCA方法。KPCA在由非线性映射而得到的高维空间中应用PCA的手段。它仍然能捕获对特征空间中样本数据描述能力强的特征。其本质是通过核技巧将非线性的数据结构尽可能地线性化。如依赖于类的主分量分析。,2.2 鉴别分析,线性鉴别分析（LDA） 其目的是选择使得Fisher准则函数达到极值的向量最为最佳投影方向，从而使得样本在该方向上投影后，达到最大的类间离散度和最小的类内离散度。W
5、ilks和Duda分别提出了鉴别矢量集的概念，即寻找一组鉴别矢量构成子空间，以原始样本在该子空间内的投影矢量作为鉴别特征用于识别。 非线性鉴别分析：基于kernel和支持向量基进行 小样本问题：模式识别中样本的维数往往大大超过样本的个数，造成类内散度矩阵的奇异。,2.3 流形学习,复杂模式的特征之间往往存在着高阶的相关性，因此数据集呈现明显的非线性，并且往往是由于一组维度远远低于样本维度的隐含变量决定的。在数学上，具备这种性质的模型是流形。以流形为模型，利用流形的基本建设和性质来研究高维空间中的数据分布，达到简约数据，降低维度，探寻复杂模式的内部规律的学习方法被称为流形学习。,2.3 流形学习
6、,流形学习的核心，是如何合理有效地对数据进行流形建模，即如何找到一个好的流行模型，能够较好地逼近数据，使得数据的内在结构性质能够在流形上良好地保持下来，以便研究者能够通过对流形模型的研究，获得对数据集内在结构的深刻认识。目前流形建模的主要途径：“隐式”的图嵌入方法、“显式”的主流形方法。 图嵌入法：学习观测数据之间的近邻关系或者全局关系，并在低维特征空间重现这种关系，从而实现从低维特征空间到高维观测空间的一个隐式的流行映射。,流形学习算法,局部线性嵌入(LLE). S. T. Roweis and L. K. Saul. Nonlinear dimensionality reduction b
7、y locally linear embedding. Science, vol. 290, pp. 2323-2326, 2000. 等距映射(Isomap). J.B. Tenenbaum, V. de Silva, and J. C. Langford. A global geometric framework for nonlinear dimensionality reduction. Science, vol. 290, pp. 2319-2323, 2000. 拉普拉斯特征映射(Laplacian Eigenmap). M. Belkin, P. Niyogi, Laplacia
8、n Eigenmaps for Dimensionality Reduction and Data Representation. Neural Computation, Vol. 15, Issue 6, pp. 1373 1396, 2003 .,2.3 流形学习,主流形方法：该方法力图在高维观测空间中直接构造学习流形来逼近观测数据HS主曲线、K主曲线、概率主曲面、正则主流形、非监督核回归主曲面等。 HS主曲线强调流形的自相合性质，即位于数据分布的“中间”的性质；K主曲线是有限弯曲的主曲线与正则流形，在最小二乘意义下最小化流形到观测数据集的距离。非监督核回归主曲面，首先采用传统的统计特征抽取方法，如PCA，KPCA等或者图嵌入法，然后以留一重构误差为目标，进一步优化隐变量。,2.4 基于稀疏性理论的图像特征提取,多尺度分析理论（单一基方法）：图像具有非平稳性和非高斯性，很难用线性算法处理，应建立适合处理边缘及纹理各层面几何结构的图像模型。 过完备库分解理论（多基方法）：根据信号本身的特点自适应选取表示基，实现信号更加稀疏的表示,模式提取的研究趋势,建立面向高维数据分析的广义鉴别分析的理论和算法 独立分量分析（ICA） 融合多组特征的提取方法（小样本问题） 流形学习与模式分类相结合 基于稀疏矩阵的特征提取和模式分类相结合的算法和理论,谢 谢 !,