（信号与信息处理专业论文）基于改进的pca和ica算法的掌纹识别研究.pdf

中文摘要 摘要：生物特征识别技术就是通过计算机和生物统计学原理等高科技手段的 密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。它被 认为是当今高度互联的信息化社会的最高级别的安全密钥系统。近年来正以其独 特的优势引起了国际学术界、企业界、政府以及国防、军事部门的高度重视。掌 纹识别是众多生物特征识别技术的一种，具有非常重要的意义。掌纹识别指通过 人体手掌的掌纹中包含的有效信息来识别个人的身份。人的掌纹具有唯一性，且 终身不变，根据这一特点，掌纹可以被用作人体的身份识别。 掌纹识别的算法很多，包括刚刚兴起时利用掌纹点特征的方法，以及后来的 频域方法，主成分分析法，独立成分分析法，等等。其中的每种算法都是各有优 缺点。因而近些年来，研究学者们倾向于将几种算法混合起来实现掌纹识别。 本论文也是从此角度出发，潜心研究了掌纹识别技术中的p c a 关键技术，并 在研究的基础上对其进行改进和创新。即是针对经典p c a 算法中并不适用于分类 的缺点，在本文对掌纹图像的的实验分类中，选取那些使样本类内离散度较小， 而样本类间离散度较大的特征值来表示原有的掌纹图像信息。将此思想应用于实 验中时，结果证明，此改进算法既不会丢失掌纹图像的原有信息，又在一定程度 上提高了识别率。 本实验同时也将改进的p c a 算法和1 c a 算法结合起来，即是在对掌纹图像经 过改进的p c a 处理后，再进行独立成分分量的提取，并将两种算法应用于一个掌 纹识别系统中。实验数据显示，两张方法的结合与单一方法相比，在时间上并无 明显差别，但是对于同等数量的掌纹图像，其识别率较其中的某一种方法得到了 显著的提高。实验最后还作出了本算法的掌纹识别系统。 关键词：生物特征识别；掌纹图像；掌纹识别技术；掌纹识别系统；p c a 算法； 改迸的p c a 算法；i c a 算法； 分类号：1 鸭9 1 4 创匿蟹衄 a b s t r a c t b i o m e t r i c si sat e c h n i q u e , t h a tt h r o u g ht h ec o m p u t e rw i t hav a r i e t yo f s e u s o r s , b i o m e t r i cp r i n c i p l ea n do t h e rh i g h - t c c ht e c h n i q u ec l o s e l yi n t e g r a t e d , u s et h e i n h e r e n th u m a np h y s i o l o g i c a lc h a r a c t e r i s f i ：sa n db e h a v i o r a lc h a r a c t e r i s t i c s ，t oc a r r yo u t t h ei d e n t i f i c a t i o no fp e r s o n a ls t a t u s n o wi ti sc o n s i d e r e d 猫t h eh i g h e s t - r a n k i n gs e c u r i t y k e ys y s t e m , i n t h e h e i g h t o ft h ei n t e r a c ti n f o r m a t i o n - b a s e ds o c i e t y p a l m p r i n t i d e n t i f i c a t i o nr e f e r st ot h eh u m a ne f f e c t i v ei n f o r m a t i o no ft h ep a l m p r i n tt oi d e n t i f y i n d i v i d u a l s t h eh u m a np a l m p r i n th a v eb ee x c l u s i v ef o ro t h e r s , a n di n v a r i a b i l i t y , a c c o r d i n gt ot h ef e a t u r e , p a l m p r i n t so f t h eh u m a n b o d yc a l lb eu s e da si d e n t i f i c a t i o n t h e r ea r em a n ya l g o r i t h m si np a l m p f i n ti d e n t i f i c a t i o n , i n c l u d i n ga p p l y i n gp o i n t c h a r a c t e r i s t i c so fp a l m p r i n t , f l e q u e n c y d o m a i nm e t h o d s ，p r i n c i p a lc o m p o n e n ta n a l y s i s ， t h ei n d e p e n d e n tc o m p o n e n ta n a l y s i s ，a n ds oo n a l lo fw h i c hh a v et h e i ro w na d v a n t a g e s a n dd i s a d v a n t a g e s t h u si nr e c e n ty e a r s , r e s e a r c hs c h o l a r st e n dt ob em i x e ds e v e r a l a l g o r i t h m st o g e t h e rt oa c h i e v ep a l m p r i n ti d e n t i f i c a t i o n t h i s p a p e ri ss t a r t i n g f o rt h i sp o i n t , r e s e a r c hp c ap i v o t a lt e c h n o l o g yo ft h e p a l m p r i n ti d e n t i f i c a t i o nt e c h n o l o g yw i t hg r e a tc o n c e n t r a t i o na n dp a i n s t a k i n g , a n dt a k e i m p r o v e m e n ta n di n n o v a t i o no nt h eb a s i so ft h e i ra l g o r i t h m t h a ti sa i m i n ga tt h a t c l a s s i c a lp c a a l g o r i t h mi sn o ta p p l i c a b l et ot h ed u s s i f i e a f i o n , a n dt h ee x p e r i m e n t si n t h i sp a p e r , c l a s s i f y i n gt h o s ee i g e n v a l u et h a tt a k es a m p l ed i s p e r s i o nw i t h i nt h ec a t e g o r y o fs m a l l e r , a n dt a k es a m p l ed i s p e r s i o nb e t w e e nt h ec a t e g o r yo fl a r g e r , t od e s c r i b et h a t t h eo r i g i n a lp a h n p r i n ti m a g e s f o l l o w i n ge x p e r i m e n t ss h o wt h a tt h i si m p r o v e da l g o r i t h m w i l ln o tb el o s to r i g i 五a li n f o r m a t i o n , a n dt oao e l l a l ne x t e n te n h a n c et h er e c o g n i t i o nr a t e t h ef i n a le x p e r i m e n tc o m b i n et h ei m p r o v e dp c a a l g o r i t h mw i t hi c aa l g o r i t h m ，t h a ti s a f t e rd i s p o s a l i n go fi m p r o v e dp c a a l g o r i t h m ，t a k et h ee x t r a c t i o no fp a i m p r i n ti m a g e si n i n d e p e n d e n tc o m p o n e n tc o m p o n e n l e x p e r i m e n td a t as h o wt h a tt h i sm e t h o dn o to n l y h a sa d v a n t a g e si nt e r m so ft i m e ，b u tc o m p l e t ei d e n t i f i c a t i o nw i t hl e s st i m ef o rt h es a m e p a l m p r i n ti m a g e s ，a n dt h er e c o g n i t i o n r a t ew a s s i g n i f i c a n t l ye n l m n c e d k e y w o r d s ：b i o m e t r i c s ；p a l m p r i n ti m a g e ；p a l m p r i n ti d e n t i f i c a t i o nt e c h n o l o g y ； p a l m p r i n ti d e n t i f i c a t i o ns y s t e m ；p c aa l g o r i t h m ；i m p r o v e dp c aa l g o r i t h m ；i c a a l g o r i t h m ； c l a s s n 0 ：砸，3 9 1 4 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：“石苏砝 导师签名： 胆寺 签字日期：伽司年肜月矽日签字日期：。一年，。月i 日 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意 学位论文作者签名：膳耘谚签字日期；加。7 年猢幻日 致谢 本论文的研究工作是在我的导师阮秋琦教授的悉心指导下完成的，攻读硕士 学位期间，阮秋琦教授严谨的治学态度、勤勉的工作精神以及科学的工作方法给 了我极大的影响。阮老师对我的科研工作和论文提出了许多宝贵的意见，使我能 够顺利完成课题的研究。在生活上，阮老师也给予了我无微不至的关怀。两年半 的学习生活中，我很荣幸地能成为阮老师的学生，他对我潜移默化的影响，给我 以后成功的人生道路打下了坚实的基础。在此，我向阮秋琦教授表示衷心的感谢 和诚挚的敬意。 在研究生阶段的学习和科研过程中，信息所的唐晓芳老师、倪蓉蓉老师也从 各个方面都给予了我很大的帮助，为科研工作的展开提供了最大的便利。同课题 组的王艳霞、潘欣同学对我研究的课题提出了很多珍贵的建议，使我少走了很多 弯路。同时，在进行编程实现以及科研过程中，我也遇到了很多技术上的问题， 同实验室的谢竞、马驰、杨曼、曹蹊渺和支瑞聪等同学，在这个方面都给予了我 很多无私的帮助。在此，向他们表达我的感激之情。还要感谢信息所的全体老师， 他们在这两年半的学习生活中，都给予了我莫大的帮助和鼓舞，使我打下了扎实 的理论研究基础。 最后，感谢我的父母和亲人，他们无论是在物质上，还是精神上，都最大可 能的支持和鼓励我，这些都鼓舞了我学习的动力，让我更有使我能够顺利完成自 己的学业。 谢谢每一位帮助我过的人! 序 掌纹识别是生物特征识别技术的一种。掌纹自动识别技术就是用计算机分析 人体的手掌掌纹图像，从中提取有效的识别信息并自动鉴别的一种技术。而且这 是一种简便易行的识别方法，可以应用于各种安全部门，并且用掌纹对人类进行 身份识别，不会随着时间的流逝而产生误差，掌纹是人体中稳定而清晰的信息。 掌纹识别因其在特有的优势在公安、验证系统和档案管理等方面取得了越来越广 泛的前景。 掌纹识别的研究始于1 9 8 5 年，经过了几十年的发展，掌纹识别算法取得了巨 大的进展。从早起的提取掌纹的点或线特征，到目前的根据掌纹的纹理信息或是 提取掌纹的代数特征进行掌纹识别，甚至是将多种掌纹识别算法结合应用于一个 掌纹识别系统中，掌纹识别随着科学研究的发展也取得了长足的进步。 本文首先介绍了各种生物特征识别技术及其研究现状，并总结了生物特征识 别技术存在的问题及发展方向。接着对掌纹识别技术所涉及到的关键技术进行了 描述。在此基础上，验证并改进了掌纹识别中的p c a 算法，并将改进的算法与原 有的i c a 算法结合起来，应用于掌纹识别中，取得了良好的效果。 本课题是国家自然科学基金( n o 6 0 4 7 2 0 3 3 ) 、国家9 7 3 项目 ( n o 2 0 0 4 c b 3 1 8 0 0 5 ) 以及教育部博士点基金资助项目( n o 2 0 0 3 0 0 0 4 0 2 3 ) 。 1 1生物特征识别技术综述 1 综述 网络信息化时代的一大特征就是个人身份的数字化和隐性化。如何准确鉴定 一个人的身份，保护信息安全是当今信息化时代必须解决的一个关键性社会问题。 目前，我国的各种管理大部分使用证件、磁卡、i c 卡和密码，这些手段无法避免 伪造或遗失，密码也很容易被窃取或遗忘。这些都给管理者和使用者带来很大不 方便。生物特征身份鉴别方法可以避免这些麻烦。因此，这技术已经随着网络 和高科技技术的发展，成为身份鉴别领域的研究热点。 生物特征识别技术是为了进行身份验证而采用自动技术测量其身体特征或是 个人行为特点，并将这些特征或特点与数据库的模板数据进行比较，完成认证的 一种解决方案。人的生物特征是唯一的，生物特征识别技术的基本工作就是对这 些基本的、可测量或可自动识别和验证的生理特征进行统计分析。生物识别的过 程大多包括四个步骤：图像获取、抽取特征、比较与匹配。生物特征识别技术是 一门利用人的生理上的特征来识别人的科学。和传统方法的不同在于，生物特征 识别方法依据的是我们所搠有的东西，是我们的个体特性。生物特征分为身体特 征和行为特点两类。身体特征包括：指纹、掌形、眼睛( 视网膜和虹膜) 、人体气 味、脸型、皮肤毛孔、手腕，手的血管纹理和d n a 等；行为特点包括签名、语音、 行走的步态、击打键盘的力度等。 因此可以说，生物特征识别技术就是通过计算机与各种传感器和生物统计学 原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人 身份的鉴定。生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为 后天性的。将生理和行为特征统称为生物特征。 并非所有的生物特征都可用于个人的身份鉴别。身份鉴别可利用的生物特征 必须满足以下几个条件：第一，普遍性。即必须每个人都具备这种特征。第二， 唯一性。即任何两个人的特征是不一样的。第三，可测量性。即特征可测量。第 四，稳定性。即特征在一段时间内不改变。当然，在应用过程中，还要考虑其它 的实际因素，比如：识别精度、识别速度、对人体无伤害、被识别者的接受性等 等现在常用的生物特征有：人脸识别、虹膜识别、手形识别、指纹识别、掌纹 识别、签名识别、声音识别等下面将分别介绍各种生物特征识别技术 j e 夏窑逼太堂亟堂僮j 金室 1 2基于生理特征的识别技术 基于生理特征的识别可以分为指纹识别、人脸识别、虹膜识别和视网膜识别、 基因( d n a ) 识别和掌纹识别等。下面将对各种识别技术做一个简单扼要的介绍。 1 2 1指纹识别 如图1 - 1 是采集指纹的设备。采集时需将用户的手指对准设备上的凹槽，然后 操作软件即可完成指纹的采集。 图1 - 1 采集指纹的设备 f i g 1 - 1a c q u i s i t i o nf m g e i p i i me q u i p m e n t 指纹识别主要根据人体指纹的纹路、细节特征等信息，对操作或被操作者进 行身份鉴定。因为现代电子集成制造技术和快速而可靠的算法研究，指纹识别已 经开始走入我们的日常生活，成为目前生物检测学中研究最深入，应用最广泛， 发展最成熟的技术。指纹识别技术首先通过取像设备读取指纹图像，然后用计算 机识别软件分析指纹的全局特征和指纹的局部特征，特征点如脊、谷、终点、分 叉点和分歧点等，从指纹中抽取特征值，这样就可以非常可靠地通过指纹来确认 一个人的身份【1 】。如图1 2 即是清晰的指纹图像 图1 - 2 指纹图像 2 f 喀1 - 2f i n g e r p r i a ti m a g e 指纹识别的过程，就是从指纹数据库中查找与给定指纹相同的数据，从而达 到身份辨认的目的。指纹识别系统主要包括两大功能：指纹注册和指纹匹配。 指纹注册是指，通过一定的指纹图像采集设备，对用户进行信息采集，以保 留信息便于指纹的检测和识别。无论采取哪种方法提取指纹，总会给指纹图像带 来各种噪声。因此，指纹图像必须经过预处理，它的目的就是去除图像中的噪音， 把它变成一幅清晰的点线图，以便于提取正确的指纹特征。在扫描完整幅图像后， 可得其全部的特征点，这些特征点绝大部分是真实的，但其中也包括由噪音引入 的伪特征点，因此，还需进一步根据以下规则去除伪特征点【2 l 【3 】： ( 1 ) 纹线断点删除。若具有同一方向的两个端点之间的距离小于某一阀值， 则认为是伪特征点。 ( 2 ) 毛刺删除。若连接于分支上的端点且其到分支的距离小于某一阀值， 则认为是伪特征点。 ( 3 ) 位于前景区域边界的特征点应删除。经以上步骤的处理，可删除大部分 假特征点。 指纹匹配是指纹识别系统的核心步骤，也是一个重要的研究课题。指纹匹配 中比较经典的方法有，用图匹配来对两幅指纹图像进行匹配，和用结构匹配来做 指纹识别，等等。目前最常用的方法是用美国联邦调查局提出的细节点坐标模型 来做细节匹配。它利用脊线末梢( 也称为端点) 与脊线分支点这两种关键点来鉴 定指纹。通过将细节点表示为点模式，一个自动指纹认证问题可以转化为一个点 模式匹配( 细节匹配) 问题。一般的点模式匹配问题是模式识别中的一个有名的 难题，人们对一般的点模式匹配问题提出过很多的算法，像松弛算法、基于二维 聚类的快速算法、三角匹配的算法、基于局部和全局结构的匹配算法【4 1 1 5 】。 在指纹图中出现频度较高的细节特征有8 种，即点、纹线端点、分支、眼、枝 叉、交叉、小桥和短线，其中纹线端点和分支是两种基本的特征，而其它的特征 可看作由其组合而成。取纹线端点和分支作为指纹的细节特征。指纹特征的提取 采用链码搜索法对指纹纹线进行搜索，提取出各种特征及其特征的坐标位置，最 终形成指纹特征文件。文件中包含指纹特征点的种类、大小、坐标和方向等有用 的识别信息。 指纹分类的实现方法很多，大致上可以分为4 类：基于神经网络的分类方法、 基于奇异点进行分类的方法、语法分析的方法和其它的方法【q n 指纹识别的过程可以简单地用图1 3 表示鸭 j 宝窑亟太堂亟堂焦监窑 ： 图1 - 3 指纹识别流程图 f i g 1 - 3f i n g e r p r i n ti d e n t i f i c a t i o nf l o w c h a r t 在北京交通大学计算机学院，已经实现了指纹识别系统的初步应用。在每位 新生入学的时候，采集每位同学的指纹信息，等到开学注册的时候，就可以让每 个学生都到学院的指纹识别系统上注册。指纹识别系统可以自动识别出学生姓名、 班级和学号等信息。但是计算机学院的指纹识别系统也存在一定的不足，比如， 采集信息的时候，同学的指纹信息必须是清楚可见的，不能脏污和磨损，而且在 重新识别时，指纹识别系统还常常因为同学手指放置的细微偏差，或者方向上的 细微偏移，都会造成识别结果的不顺利。 综上所述，指纹识别的优点表现在：研究历史较长，技术相对成熟；指纹图 像提取设备小巧；同类产品中，指纹识别的成本较低。其缺点表现在：指纹识别 是物理接触式的，具有侵犯性；指纹易磨损，手指太干或太湿都不易提取图像。 1 2 2人脸识别 人脸识别可以说是人们日常生活中最常用的身份确认手段。也是当前最热门 的模式识别研究课题之一。人脸识别就是通过与计算机相连的摄像头动态捕捉人 的面部，同时把捕捉到的人脸与预先录入的库存人脸进行比较识别。因为人们对 这种技术没有任何的排斥心理，所以从理论上讲，人脸识别可以成为一种最友好 的生物特征身份认证技术。 人脸识别技术通过对脸部特征和它们之间的关系( 眼睛，鼻子和嘴的位置以 及它们之间的相对位置) 来进行识别。首先要用摄像头对人脸图像进行采集，用 于扑捉人脸图像的两项技术为标准视频和热成像技术：标准视频技术通过视频摄 像头摄取入脸图像，热成像技术通过分析由面部的毛细血管的血液产生的热线来 产生人脸图像，与视频摄像头不同，热成像技术并不需要在较好的光源，即使在 4 黑暗情况下也可以使用嘲。 如图1 4 为人脸识别时的流程图。 图1 4 人脸识别流程图 v g 1 4f a c er e c o g n i t i o nf l o w c h a r t 人脸识别从2 0 世纪6 0 年代末就开始发展，至今为止，可以认为人脸识别算 法技术的发展经历了如下四个阶段唧。 ( 1 ) 基于简单背景的人脸识别阶段。这是人脸识别研究的初级阶段。它开始 于印年代末，主要依据是利用人脸器官的局部特征来描述人脸。但由于人脸器官 没有显著的边缘且这种描述极易受到表情的影响，因此它仅限于正面人脸且变形 较小的识别。 ( 2 ) 基于多姿态，表情的人脸识别阶段。这是人脸识别研究的发展阶段。它开 始于7 0 年代末。但这种基于表情的人脸识别直到9 0 年代初才被人们真正关注， 并开始进行专门研究。 ( 3 ) 动态跟踪人脸识别阶段。这是人脸识别研究的实用化阶段。始于9 0 年 代末。特别是美国发生的“9 1 1 ”事件，更促进了动态人脸跟踪技术的快速发展。 ( 4 ) 三维人脸识别阶段随着科学的发展，三维人脸识别渐渐呈现出优势， 因为它可以获得更多的特征信息。直接利用二维人脸图像合成三维人脸模型进行 识别也成为该领域的一个主要研究方向。 人脸识别的研究步骤主要包括以下几个方面【1 川： ( 1 ) 入脸检测。即是在输入的图像中寻找人脸区域。 ( 2 ) 人脸的规范化。即是校正人脸在尺度、光照和旋转等方面的变化。 ( 3 ) 特征提取。即是从人脸图像中映像提取一组反映人脸特征的数值表示样 本。 ( 4 ) 特征匹配。即是将待识别人脸与数据库中的已知人脸比较，得出相关信 息。 特征提取是人脸识别中核心步骤，是识别技术的关键，它决定了最终的识别 结果，直接影响识别率的高低。一般说来，在特征提取之前，对于上一步检测分 割出的人脸区域需要进行预处理，以达到位置校准和灰度归一的目的，将其转换 成所需要的“标准图像”。 人脸识别中的关键问题还有光照问题。光照问题一直是人脸检测和识别中的 一个非常重要而又难以解决的问题，目前许多识别方法对光照条件都有不同程度 的依赖，过亮、过暗或偏光现象的存在都可能导致识别率的急剧下降，但总的说 来，对于光照问题的研究还相对较少，缺乏高效实用的算法。 姿态估计与匹配同样是人脸识别中的关键闯题。由于人脸在自然状态下所获 得的图像是并不总是正面的，而人脸的偏移或俯仰会造成面部信息的部分缺失， 这就给人脸特征的精确提出造成一定的困难。解决方法就是建立多姿态人脸数据 库，通过多样本学习方法进行识别；也可以寻求基于姿态不变特征的方法，另外 利用自动生成算法，在单视图基础上自动生成多角度视图进行识别l l l l 。 人脸表情的变化同样给人脸识别带来了一定的困扰。由于人的面部表情比较 丰富，所以在采集人脸时的人脸表情一定程度上影响了识别过程。到目前为止， 一般的入脸识别的方法都是建立在无表情人脸的假设前提下进行实现的。不过到 目前为止，人脸表情也作为人工心理学的一个重要分支，在国内外受到普遍关注。 国际上关于表情分析和识别研究的工作可以分为基于心理学的和基于计算机识别 的两类。 到目前为止，随着三维图像采用技术的发展，利用直接的三维图像信息来进 行人脸识别成为人们研究的重点。这就是三维人脸建模与识别。三维图像采用技 术的发展带来了三维人脸建模。它的基础是在三维人脸模型基础上，利用三维模 型在不同角度下的投影进行二维图片的辅助识别【播。 综上所述，人脸识别技术的优点是非接触性的，不需要被动配合，便可以用 在某些隐蔽的场合。但人脸识别的缺点也是显而易见的。人脸的差异性并不是很 明显，误识率可能较高；对于双胞胎，人脸识别技术不能区分；人脸的持久性差， 例如长胖、变瘦、长出胡须等；人的表情也是丰富多彩的，这也增加了识别的难 度、人脸识别受周围环境的影响也较大。另外，对于因人体面部的如头发，饰物， 变老以及其它的变化可能需要通过人工智能技术来得到补偿。这些因素限制了人 脸识别技术的广泛运用。 1 2 3虹膜识别和视网膜识别 虹膜是瞳孔与巩膜之间的环形可视部分，由随瞳孔直径变化而拉伸的复杂纤 维状组织构成，具有终生不变性和差异性。简单来说，虹膜识别技术就是利用人 眼的虹膜其终身不变性和差异性的特点来识别人的身份。 眼睛的外观图由巩膜、虹膜、瞳孔三部分构成。巩膜即眼球外围的白色部分， 约占总面积的3 0 ；眼睛中心为瞳孔部分，约占5 ；虹膜位于巩膜和瞳孔之间， 6 包含了最丰富的纹理信息，占据6 5 。从外观上看，虹膜由许多腺窝、皱褶、色 素斑等构成，它是人体中最独特的结构之一。虹膜的形成由遗传基因决定，人体 基因表达决定了虹膜的形态、生理、颜色和总的外观。人在出生前的随机生长过 程，造成了各自虹膜组织结构的差异。发育n j l 个月左右时，虹膜就基本上发育 到了足够尺寸，进入了相对稳定的时期。除非极少见的反常状况，或身体上大的 创伤才可能造成虹膜外观上的改变，否则虹膜形貌可以保持数十年没有太大变化。 更有利于识别的是，虹膜既能被人眼可见，同时又属于内部组织，位于角膜后面。 若改变虹膜外观，需要非常精细的外科手术，而且要冒着视力损伤的危险【l ”。如 图1 - 5 为清晰的虹膜图像。 图1 - 5 虹膜图像 h g 1 - 5i r i si m a g e 虹膜总体上呈现一种由里到外的放射状结构，包含许多相互交错的类似斑点、 细丝、冠状、条纹、隐窝等形状的细微特征。这些特征信息对每个人来说都是惟 一的，其惟一性主要是由胚胎发育环境的差异所决定的。通常人们将这些细微特 征信息称为虹膜的纹理信息。因此，虹膜的这种高度独特性、稳定性及不可更改 的特点，是虹膜可用作身份鉴别的物质基础。虹膜识别的过程可以简单用图1 6 来 表示。 图1 6 虹膜识别流程图 f i g 1 - 6i r i sr e c o g n i t i o nf l o w c h a r t 通常情况下，一个自动虹膜识别系统包含硬件和软件两大模块，即虹膜图像 获取装置和虹膜识别算法。虹膜识别算法通过一个距离眼睛3 英寸的精密相机来确 定虹膜的位置。当相机对准眼睛后，算法逐渐将焦距对准虹膜左右两侧，确定虹 膜的外沿，这种永平方法受到了眼睑的阻碍。算法同时将焦距对准虹膜的内沿( 瞳 孔) 并排除眼液和细微组织的影响。根据虹膜识别算法系统，在人员注册自己的 7 虹膜信息后，系统对已注册的虹膜信息进行预处理，并对有效的虹膜纹理特征进 行描述，最后完成基于不同虹膜特征的分类的任务在识别过程中，通过与数据 库中已分类的虹膜特征配对，完成识别1 1 4 1 。 同虹膜识别技术的原理一样，视网膜也是人类比较最可靠、最值得信赖的生 物特征之一，但视网膜识别技术运用起来的难度也较大。 视网膜是一些位于眼球后部十分细小的神经( 相当于一英寸的1 ，5 0 ) ，它是人 眼感受光线并将信息通过视神经传给大脑的重要器官，它同胶片的功能有些类似， 用于生物识别的血管分布在神经视网膜周围， 即视网膜四层细胞的最远处。如果 视网膜不被损伤，从三岁起就会终身不变。视网膜识别技术要求激光照射眼球的 背面以获得视网膜特征的唯一性1 1 5 1 。 视网膜扫描技术可能是最古老的生物识别技术，在2 0 l ! t 纪5 0 年代，通过研究 就得出了人类眼球后部血管分布唯一性的理论，进一步的研究表明，即使是外表 极其相似的孪生子，这种血管的分布也是具有唯一性的，除了患有眼疾或者严重 的脑外伤外，视网膜的结构形式在人的一生当中都相当稳定。因为视网膜在人体 内部，所以此方法对视网膜扫描的技术含量要求较高。 视网膜扫描设备要获得视网膜图像，使用者的眼睛与录入设备的距离应在半 英寸之内，并且在录入设备读取图像时，眼睛必须处于静止状态，使用者的眼睛 在注视一个旋转的绿灯时，录入设备从视网膜上可以获得4 0 0 个特征点，同指纹录 入比较，指纹只能提供4 0 到5 0 个特征点用来录入、创建范本和完成确认。由此可 见，视网膜扫描技术的录入设备的认假率低于0 0 0 0 1 ( 一百万分之一) 【垌。 视网膜识别技术的优点是，视网膜是一种极其固定的生物特征，因为它是“隐 藏”的，故而不易磨损，老化或是为疾病所影响：同时它也是非接触性的：视网 膜是不可见的，故而在识别过程中不会被伪造，这点可以在安全系统中保障了效 果，同时也可以将此技术应用于各个需要高识别精确度的安全部门。不过视网膜 识别技术也存在严重的缺点，即是视网膜技术未经过任何测试，可能会给使用者 带来健康的损坏，这需要进一步的研究；对于消费者来说，视网膜技术没有吸引 力；而且视网膜识别时，很难进一步降低它的成本。 1 2 4基因( d n a ) 识别 基因也称d n a ，是一种脱氧核糖核酸，存在于一切有核的动( 植) 物中，生 物的全部遗传信息都贮存在d n a 分子里，因此基因是生物体遗传信息的物理和功 能单位元元，生物体的一切表形，包括结构和功能均由基因决定。基因识别就是 在给定了一个d n a 序列，找出那些能够编码蛋白质的基因区域，因为不同的人体 b 细胞中具有不同的d n a 分子结构，所以基因识别是识别率相对较高的一种识别方 法【矧。 细胞或生物体的一套完整的单倍体遗传物质是基因组，基因组是所有不同染 色体上全部基因和基因间的d n a 的总和。基因组经测序后就可以从中查找基因， 它是解读整个基因组的基础。查找基因的常用方法是，先利用基因识别程序根据 基因的序列特征进行基因的预测，然后再进行相关的实验来进行验证。 当基因识别系统获得足够的基因组数据后，在d n a 序列中进行基因识别成为 首要的任务。在基因识别中，隐马尔科夫模型( h i d d e nm a r k o vm o d e l s ，h m m ) 因其是一种概率论模型，所以和其它很多识别领域一样，也已经被广泛地应用。 目前，基因识别的h m m 方法大致可以分为两类。一类为按照内容搜索的方法， 一类为按照信号搜索的方法。按照内容搜索的方法是指通过核苷和三联子码在编 码区的分布规律来界定蛋白质编码区。按照信号搜索的方法是指通过编码区周围 的信号( 启动子、停止子、结合位点等) 界定蛋白质编码区口】。 基因识别的过程，用一句话表述，就是在给定了一个d n a 序列，找出那些能 够编码蛋白质的基因区域。基因识别的目的就是要在d n a 序列中预测可能的基因， 包括它的各个结构单元的位置，以用于后续的研究工作。比如现在医学上已经比 较先进的亲子鉴定工作，就是完全依赖于基因识别技术。基因识别的方法主要有： 利用同源比对；基于基因中编码序列和非编码序列区域碱基的统计差异性：根据 基因的结构建立整体的基因预测模型，等等幽。 随后，新的基因识别方法不断出现，但这些方法一个最大的弱点，就是仅仅 从某一个方面出发，因而识别的效果并不十分理想。科学家们开始着手将现存的 各种方法结合起来使用，以期提高基因预测的准确性。 人体内的d n a 在整个人类范围内具有唯一性和永久性，哪怕对双胞胎个体的 鉴别，都不会失去它应有的功能，这种方法具有绝对的权威性和准确性。基因识 别不象指纹必须从手指上提取，d n a 模式在身体的每一个细胞和组织都一样。它 的主要问题是使用者的伦理问题和实际的可接受性，d n a 模式识别必须在实验室 中进行，不能达到实时以及抗干扰，而且耗时长也是一个问题。这就限制了d n a 识 别技术的使用；另外，某些特殊疾病可能改变人体d n a 的结构，这就会造成系 统无法对这类人群进行识别。不过基因识别因其特殊性，还是相对较高的识别技 术，所以经常用于识别犯罪1 2 5 】 1 2 5掌纹识别 掌纹是指手腕至手指之间的手掌内表面上各种纹线，主要分为乳突纹、皱纹 9 和屈肌线( 又叫主线) 三大类 掌纹与指纹一样也具有稳定性和唯一性，利用掌纹的线特征、点特征、纹理 特征或者几何特征等完全可以确定一个人的身份，因此掌纹识别是基于生物特征 身份认证技术的重要内容f 冽。 目前采用的掌纹图像主要分脱机掌纹和在线掌纹两大类。脱机掌纹图像，是 指在手掌上涂上油墨，然后在一张白纸上按印，然后通过扫描仪进行扫描而得到 数字化的图像。在线掌纹则是用专用的掌纹采样设备直接获取，图像质量相对比 较稳定。随着网络、通信技术的发展，脱机掌纹因其识别率不高且费时费力的原 因，已经逐渐被现代的研究人员淘汰，与此同时，在线身份认证变得更加重要， 也成为研究人员的重点研究对象。脱机和联机的掌纹样本分别如图1 - 9 和图1 1 0 所示。 图1 - 9 脱机掌纹样本 图1 加联机掌纹样本 f i g 1 - 9o f f l i n er a t m p r i n ts a m p l e f 培1 1 0o n l i n ep a i m p r i n ts a m p l e 掌纹识别一般分为四个步骤：获取掌纹图像( 有时候会因为图像质量的问题， 在获取图像之后要进行预处理) ，掌纹图像的特征提取，掌纹图像的匹配识别，最 后得出识别结果。这里获取图像时常常需要对图像做一定的预处理，以使掌纹的 图像更加有利于识别和特征提取 2 7 - 2 9 1 。 对图像做预处理之后，就是很关键的掌纹特征提取。即是采用一定的方法将 掌纹中最能代表人的一些点、线或者是代数特征，通过一定的方式提取出来，用 于随后的掌纹图像匹配和识别。这些特征提取方法下文将有详细的讲述。特征提 取之后就是掌纹与掌纹之间的匹配，即是对待识别图像用同样的特征提取方法提 取之后，把两幅图像的特征放在一起比较，或者是计算两者的欧式距离，从而得 出是否为同一人的掌纹的结果。 掌纹识别一般用作整体分离后的同一认定。有将其用做批量商品的防伪，以 防止成箱的商品内有部分被“调包”，以部分赝品充真；还可广泛应用于各种场合 的安全认证，掌纹识别技术可以应用于掌纹鼠标、掌纹门锁等的核心技术，此外 还在公安刑侦等领域得到了广泛的应用 s 0 1 1 3基于行为特征的生物识别技术 基于行为的生物识别技术和基于生理的生物特征识别有很大的不同之处，生 理特征是与生俱来的，多为先天性的；行为特征则是习惯使然，多为后天形成。 引入行为因素，将大大提高识别的准确性。基于行为特征的生物识别技术有以下 几种最为常见，应用最为广泛。 1 3 1手势识别 最近几年，基予计算机视觉的手势识别逐渐引起研究人员的关注和兴趣。手 势一般被定义为：人手或者手臂结合产生的各种姿势或者动作，它包括手形 ( p o s t u r e ，指姿态) 和动态手势( g e s t u r e ，指动作，由一系列姿态组成) 。也可以 理解为，手的运动及手势是肢体语言的一部分，它表达了做手势的人的意图或者 说不同的手势表达不同的概念i ”】。 在日常生活中，手势是一种常用的自然直观的交流方式，也是一种自然、直 观、易于学习的人机交互手段。手势识别研究的主要目的就是把手势引入到人机 接口( h u m a nc o m p u t e ri n t e r f a c e ，h c i ) 中，实现更加符合人类行为习惯的人机接 口。计算机为了给人们提供人类的自然交互技能，并与其创造的虚拟环境进行直 接交互，达到或接近人类日常自然交互的灵敏和准确，是虚拟现实技术研究的主 要内容之一。在虚拟现实中，计算机通过解释用户手势来获取动作信息，实现用 户希望的动作效果，这就要求计算机能够读取用户的手势数据并加以分析、识别， 可见手势识别实际上是一个模式识别问题l 埘。 以人手直接作为计算机的输入设备，人机间的通讯将不再需要中间的媒体， 用户可以简单地定义一种适当的手势来对周围的机器进行控制。手势也包括静态 手势( 指姿态，单个手形) 和动态手势( 指动作，由一系列姿态组成) 。静态手势 对应空间里的一个点，而动态手势对应着模型参数空间里的一条轨迹，需要使用 随时间变化的空间特征来表述。 静态手势对应着模型参数空间里一个点，而动态手势则对应着模型参数空间 里的一条轨迹，因此它们的识别方法有所不同。静态手势识别算法包括基于经典 参数聚类技术的识别和基于非线性聚类技术的识别。与静态手势不同，动态手势 涉及时间及空间上下文。绝大多数动态手势被建模为参数空间里的条轨迹。不 同用户做手势时存在的速率差异、熟练程度会在轨迹的时间轴上引起非线性波动。 如何消除这些非线性波动是动态手势识别技术必须克服的一个重要问题。 手势识别技术按照分类方法，可以分为基于数据手套和基于计算机视觉两大 l l 类。以人手直接作为输入手段与其它输入方法相比较，具有自然性、简洁性、丰 富性和直接性的特点。因此说用计算机来识别手势提供了一个更自然的人机接口。 但是由于其难度较大，目前的研究结果尚不能实用化。 数据手套是虚拟现实技术中广泛使用的交互设备。基于数据手套的手势识别 严格来说其实不能算作一种真正的手势识别。传统的交互设备，如鼠标( 或笔) 等其实也可以认为是一些手势输入设备。基于数据手套手势输入( g l o v e - - b a s e d g e s t u r ei n p u t ) 的优点是输入数据量小，速度高，就直接获得手在空间的三维信息 和手指的运动信息。可识别的手势种类多，已能够进行实时地识别。 基于数据手套的手势识别目前较多采用神经网络等方法由于神经网络可以 用静态的和动态的输入，很适合用快速、交互的方式进行训练，而不必用一种解 析的方式定义传递特征。还可以根据用户个人情况调整网络的连接权值，使手势 识别程序能适应不同的用户。存在的不足是手势识别网络依赖于设备。当使用不 同的手套设备时，要改变网络的拓扑结构，并重新训练网络得到新的连接权值【1 9 j 。 同采用数据手套( d a t a g l o v e ) 或电磁波等方式的手势识别相比，基于计算机视 觉的手势识别更加自然舒适。资料手套和电磁波发射器等接触性传感器( c o n t a c t t y p es e n s o r s ) 会削弱人机交可的自然性和灵活性。尽管不同手势模型的参数各不相 同，但是用于计算模型参数的图像特征基元通常是非常相似的。常用的图像特征 基元包括灰度图像、二值图像、区域、边界及轮廓或者指尖等。 自然手的研究是未来的趋势，因此基于视觉的手势识别是顺应潮流的。一个 基于视觉的手势识别系统的总体构成如图i 一7 所示i 驯 图1 7 手势识别流程图 f 碴1 - 7g e s t u r er e c o g n i t i o nf l o w c h a r t 由图我们可以看出，手势识别的步骤为：首先通过一个或多个摄像机获取视 频数据流，接着，系统根据手势输入的交互模型检测数据流里是否有手势出现 如果有，则把该手势从视频信号中切分出来，然后，选择手势模型进行手势分析， 分析过程包括特征检测和模型参数估计识别阶段，根据模型参数对手势进行分类 并根据需要生成手势描述。最后，系统根据生成的描述去驱动具体应用。 目前，所采用的手势识别技术主要有1 2 l j ： ( 1 ) 范本匹配技术。这是一种最简单的识别技术，它将传感器输入的原始数 据与预先存储的模板进行匹配，通过测量两者之间的相似度来完成识别任务。 ( 2 ) 神经网络技术。它是一种较新的模式识别技术，具有自组织和自学习能 力，具有分布性特点，能有效抗噪声和处理不完整的模式以及具有模式推广能力。 ( 3 ) 统计分析技术。它是通过统计样本特征向量来确定分类器的一种基于概 率的分类方法。在模式识别中一般采用贝叶斯极大似然理论确定分类函数。不过 其缺点是要求人们从原始数据中提取特定的特征向量，而不能直接对原始数据进 行识别。 然而，对于数据手套的手势识别来说，手势识别网络依赖于设备，当使用不 同的手套设备时，可能要改变网络的拓扑结构，并重新训练网络得到新的连接权 值，才能迸行识别和应用，所以这就大大消耗了入力物力和资源。而对于基于计 算机视觉的手势识别来讲，手势本身具有多样性、多义性，以及时间和空间上都 存在差异性等等，且人手是复杂变形体，而人的视觉本身具有不适定性，因此手 势识别依然是一个极富挑战性的多学科交叉研究课题。 1 3 2语音识别 语音识别的研究工作开始于2 0 世纪5 0 年代，当时a