（信号与信息处理专业论文）一种基于支持向量机的多生物特征融合身份识别方法研究.pdf

一种基于支持向量机的 多生物特征融合身份识别方法研究 学位论文完成日期： 指导教师签字： 答辩委员会成员签字： 独独 创创 声声 明明 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及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，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 未 获 得 （注：如没有其他需要特别声明的，本栏可空）或其他教育机构的学位或证书使 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 确的说明并表示谢意。 学位论文作者签名： 签字日期： 年 月 日 - 学位论文版权使用授权书学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，有权保留并 向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人 授权学校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， 可以采用 影印、缩印或扫描等复制手段保存、汇编学位论文。同时授权中国科学技术信息 研究所将本学位论文收录到中国学位论文全文数据库 ，并通过网络向社会公 众提供信息服务。 （保密的学位论文在解密后适用本授权书） 学位论文作者签名： 导师签字： 签字日期： 年 月 日 签字日期： 年 月 日 i 一种基于支持向量机的 多生物特征融合身份识别方法研究 摘 要 生物特征识别技术在信息化高度发展的当今社会中为身份识别提供了有效 的途径，受到越来越多研究者的关注。基于多生物特征融合的身份识别方法相比 单特征识别具有以下特点：1）更强的可靠性，可以提高系统性能和容错能力， 减少噪声；2）更广的适用性，弥补了单特征对某些人不适用的缺点；3）更强的 安全性等，具有非常广阔的应用前景。 支持向量机是基于统计学习理论最优化方法用以机器学习的新工具，具有解 决高维数、 非线性、 小样本的能力， 已被广泛应用于生物信息、 人工智能等领域。 将支持向量机用于生物特征身份识别，具有非常重要的意义。 本论文的目的研究支持向量机对多生物特征融合身份识别的有效性，修正的 高斯核函数对生物特征识别的更优性及多生物特征融合对身份识别的实用性。 本文主要工作是： 1. 针对采集的原始人脸图像、指纹图像和虹膜图像的不足，分别进行处理， 消除噪声并进行特征提取，将支持向量机用于决策层构建分类器，对提取的特征 进行训练和测试。实验验证了该方法可行性，具有较高的识别率。 2. 研究了一种改进高斯函数的核函数，选择合适的参数来提高高斯核的学 习能力和分类能力，证明了它的合法性。并将改进的高斯核函数用于生物特征识 别实验，与径向基核函数对比，性能得到改善。 3. 研究将三种单特征识别在决策层进行融合的方法。分别进行两两融合和 全部融合，并将三种不同的生物特征数据库进行模拟对应，建立了一个多特征的 数据库。实验验证了多特征融合身份认证的实用性、有效性和良好的扩展性。 关键词：多生物特征融合，人脸识别，指纹识别，虹膜识别，支持向量机，核函 数，身份识别 ii research on multi-biometrical identity recognition method based on svm abstract in todays society which information has highly developed, biometric technology provide an effective way for identification and subject to the attention of more and more researchers. compared to a single feature recognition, multi-biometrical identity recognition has the following characteristics: 1)greater reliability which can improve the performace and fault tolerance of the system and reduce noise; 2)broader applicability which make up the single-fratures shortcomings that it may be not suitable for some people; 3)stronger security and so on. it has a very broad application prospects. the support vector machine is a new tool for machine learning based on optimization methods of staristical learning theory. it has the ability to solve high dimension, nonlinear and small samples. it has been widely used in the field of bioinformatics, artificial intelligence and so on. using the svm for biometric identification has a very important significance. the main work of this paper is: 1. because of the insufficient of the primitive face images, fingerprint images and iris images, these images have to be processed to eliminate noise and extract features. use svm to build the classifier and to train and test the features. the experments has feasibility and a high recognition rate. 2. an improved gaussian function is researed to build the kernel function. select the appropriate parameters to improve the learning and classification abilities of the gaussian kernel function. its legitimacy has been proved. the improved gaussian kernel is uesd for biometric experiment. compared with the rbf kernel function, it improved the performace of the system. iii 3. a decision level fusion method of the three single feature recognition is studied. pairwise fusion and fusion of the three are separate experiments. the three biometric databases are simulately correspond to establish a multi-feature database. the experiments suggest the practicality, effectiveness and scalabitity of the multi-feature fusion authentication. key words: multi-biometric fusion, face recognition, fingerprint recognition, iris recognition, svm, kernel function, identification iv 目 录 1 绪论 . 1 1.1 研究背景与意义 . 1 1.2 多生物特征身份识别的国内外研究现状和发展 . 3 1.2.1 多生物特征身份识别的国内外研究现状 . 3 1.2.2 生物特征身份认证技术的发展 . 4 1.3 支持向量机的研究进展 . 4 1.4 本文研究的主要内容 . 5 2 基于生物特征融合的身份识别技术 . 8 2.1 人脸识别 . 8 2.1.1 人脸图像预处理 . 10 2.1.2 建立特征脸空间 . 11 2.1.3 提取训练集映射特征 . 12 2.2 指纹识别 . 13 2.2.1 指纹图像增强 . 14 2.2.2 方向信息提取 . 15 2.2.3 二值化处理 . 16 2.2.4 细化 . 16 2.3 虹膜识别 . 18 2.3.1 虹膜图像定位 . 18 2.3.2 虹膜图像归一化 . 19 2.3.3 特征提取 . 19 2.4 多生物特征融合识别 . 20 2.5 本章小结 . 22 3. 支持向量机理论基础 . 23 3.1 支持向量机 . 23 3.1.1 线性可分 svm . 23 3.1.2 线性不可分 svm. 25 2.1.3 非线性支持向量机 . 26 3.2 核函数理论 . 27 3.2.1 内积与核函数 . 27 3.2.2 mercer 定理 . 28 3.2.3 常用核函数 . 30 3.3 修正的高斯核函数 . 31 3.4 本章小结 . 34 4 基于支持向量机的身份识别 . 35 4.1 实验一：人脸识别实验. 35 4.1.1 实验环境 . 35 4.1.2 实验步骤及结果 . 35 v 4.1.3 实验结果分析 . 39 4.2 实验二：指纹识别实验. 40 4.2.1 实验环境 . 40 4.2.2 实验步骤及结果 . 40 4.2.3 实验结果分析 . 44 4.3 实验三：虹膜识别实验. 45 4.3.1 实验环境 . 45 4.3.2 实验步骤及结果 . 45 4.2.3 实验结果分析 . 48 4.4 实验四：多生物特征融合的身份识别实验 . 48 4.4.1 实验环境 . 48 4.4.2 实验步骤及结果 . 49 4.4.3 实验结果分析 . 53 4.5 本章小结 . 53 5 总结与展望 . 54 5.1 研究总结 . 54 5.2 研究展望 . 55 参考文献 . 56 致谢 . 59 个人简历 . 60 发表的学术论文 . 60 一种基于支持向量机的多生物特征融合身份识别方法研究 1 1 绪论 1.1 研究背景与意义 在计算机及网络技术高速发展的 21 世纪中，无论是日常生活中的自动视频 监控系统、门禁系统、银行 atm 机，还是鉴定、个人密保、金融等应用领域， 都少不了认证个人身份。以往的安全手段主要依靠身份标志物（id 卡） ，如用户 的口令卡、工作证、储蓄卡等，和密码等手段。其缺点是明显的，身份标志物容 易丢失或被伪造，如人的指纹随处可见，可被任何人提取，一个隐蔽的摄像头即 可获取人脸特征和虹膜特征使得这种身份识别无法辨别谁是真正合法的用户谁 是仿冒的，这些人用窃取的 id 卡和对应的密码冒充用户进行敏感信息和个人财 产的窃取1。现代社会的发展使得大量的凭借 id 卡、密码等方式识别用户身份 变得岌岌可危， 对敏感信息的保密性和完整性不断提出更高要求，生物特征的身 份识别技术更加适用于这种密钥机制的生成和使用。 所谓生物特征身份识别技术是以人体固有的生理特征和行为特征为基础， 以光学、声学、统计学、生物学等科技手段在计算机平台上对人进行身份识别的 一种技术。人体固有的生物特征很多，但可被用于身份识别的特征屈指可数。理 论上，可用的生物特征均是具备以下特质的： （1）普遍性：该特征为一般的个体人都具备的； （2）独特性：对任意两个个体是有别的； （3）可采集性：通过设备获取进而加以量化； （4）稳定性：在一个相对较长的时间范围内能够很好的维持。 各种生物特征识别技术各有其优缺点：指纹具有终身不变形、唯一性、稳 定性和价格相对低廉，已成为最常用的生物特征之一，但某些人指纹特征少而难 以成像，指纹印痕容易被复制，进而伪造和用于欺骗；人脸识别具有主动性、用 户友好、直观性和非侵犯性等优点，但其容易受到面部位置、光照、距离、姿势、 化妆、表情夸张、年龄跨度、长相相似等因素影响，从而准确程度大大受限；虹 膜自幼儿时期即形成并稳定，不随年龄变化，不受遗传影响，即使同样基因型， 两人的虹膜也是不相关的，而且具有活体组织的特点，随光线强度变化而收缩， 一种基于支持向量机的多生物特征融合身份识别方法研究 2 使得虹膜具有高度防伪性，但采集虹膜数据具有一定的难度，所需设备昂贵，镜 头还有产生图像畸变的可能等，使得虹膜识别存在较大难度；根据 dna 特征的 识别，需要有专业人员对 dna 进行提取和各种特殊的专业处理，周期较长且识 别复杂度高；语音识别的优点是非接触性和用户接受程度高，缺点是变化范围大 进而难以精确匹配，而且会随着音量、速度和音质的变化而改变，影响结果。人 脸、指纹、虹膜技术的特征采集录入和身份识别显得更为灵活方便，且在识别阶 段也不需要被识别者的主动配合，因此有着更为广阔的应用前景。 相比单模态生物特征的身份识别，基于多生物特征的身份识别具有以下三 方面优点： （1）更高的可靠性。多生物特征是一个融合的过程，即为达到提高身份识别系 统的准确率和性能，减少噪声、高容错能力等目的，融合各种不同类型的数据。 （2）适用的广泛性。对于任何一种生物特征，虽人人具备，但都不同程度的具 有所含信息缺失（如指纹淡薄）等问题，从而局限了使用该类生物识别人群的范 围。 但基于多特征的识别技术很好的弥补了这方面的不足，进一步扩大了识别范 围。 （3）更高的保密性。由于生物特征的稳定性，在一个长久过的过程如何保存， 如何生物特征不被攻击、破坏是个严峻的问题，而一次仿冒多个生物特征比仿冒 一个难度大的多，由此系统便安全可靠的多。 分类与识别问题是现在普遍问题，目的在于对某一具体事物正确的归于某 一类，然后以一种方法来处理这一类事物。作为新兴的机器学习方法，支持向量 机（support vector machine，简称 svm）2基于结构风险最小化原则3，通过最 小化 vc 维生成最优的判别超平面，优势有4： （1）统计学习是在小样本基础上，保持较好的泛化性能； （2） 并非依赖于非输入空间的维数， 而是依赖于 vc 维方法 （vapnik-chervonenkis dimension） ，所以在训练样本为高维空间的小样本集合上，仍能保持良好的泛化 能力； （3）只需获取于数据中的支持向量变具有分类信息，结构简单， ； （4）需要在训练过程中确定的参数不多，简化计算复杂度。 一种基于支持向量机的多生物特征融合身份识别方法研究 3 1.2 多生物特征身份识别的国内外研究现状和发展 1.2.1 多生物特征身份识别的国内外研究现状 生物特征识别在字面上看是非常先进的技术，但实际上可以追溯至千年以 前，一直稳步增长的一个过程。古人认为指纹或掌纹其基本上可以代表这个人， 因而应用到房契、银票、商契、供状等。但他们并没有在科学领域进行进一步的 探索，没有得到革命性的突破。到 20 世纪 80 年代末 90 年代初，随着 it 技术快 速发展， 在计算机的帮助下， 一些以生物特征认证为核心的技术和产品不断涌现， 以弥补对出信息安全的需要， 彻底改变以往靠人眼辨别的落后状况。剑桥大学的 daugman 博士于 1933 年开创 iridia 公司并研制成功虹膜认证系统。 从 60 年代末， fbi 开始使用到十年后在美国大量使用自动识别指纹的仪器。许多新兴的生物识 别技术还有待学者们进行深入而广泛的研究。 由此如 harris 半导体的 authen tee 公司等专门研发机构被设立并吸引了许多名企名家， 美国还为组织协调和指导生 物特征识别领域的理论研究和产品开发成立了专门的生物特征认证协会。 1995 年 duc 等提出用结合 bayes 理论的监督学习方法融合声音与人脸进行 识别，取得正确率高达 99.5%5 。1997 年 verlinde 等人提出用 k-nn 方法融合 声音和视觉6；kittler 等人提出了三层的融合理论框，比较了融合中加法规则和 乘法规则7。1998 年，l.hong 和 jain 等人融合指纹和人脸进行识别；并于次年 理论的证明了其可提高识别率8。2000 年 jaina 和 ross 等提出融合指纹、手形和 人脸的特定参数的识别结果，并在其后进行了进一步阐述9。2004 年刘红毅、王 蕴红等提出了融合了声纹和指纹特征获并基于改进 enn 算法的多特征融合身份 识别， 有较高的识别率10。在 2005 年 gao 和 maggs 首先分别采集人脸和掌纹数 据中的线状特征， 然后进行连接， 在小规模数据库上取得特征较好的融合11。 2007 年蒲晓蓉等提出在融合人脸和指纹中，基于自适应 bayes 决策的 pso 算法，实 验结果比单特征好得多12。2008 年，nandakumar 等人采用基于有限高斯混合模 型的仿照真正冒充者进行模板冒充相似度的研究，并在 nist，xm2vts，和 wvu 数据库上取得了良好的效果13。kumar 用数位相机采集人手数据，将掌纹 和手形两种特征在特征层融合识别，没有顾忌特征维度升高影响准确率，仅简单 连接特征，使得实验效果不理想14。wang 和 han 等人于 2009 年用径向基核函 一种基于支持向量机的多生物特征融合身份识别方法研究 4 数构造 svm 用于虹膜特征识别，结果表明，基于支持向量机的方法优于 lda 和加权求和规则的方法15。 1.2.2 生物特征身份认证技术的发展 1998 年 5 月，称为 biometrics and the future of money 的会议在美国举行， 致力于应用到金融和个人信息领域的生物特征识别技术情况展开讨论， 并对发展 趋势进行预测。2003 年 6 月，生物技术的应用规划由联合国国际民用航空组织 制定，将在国家边境身份识别时加入生物特征（如人脸、指纹、虹膜特征等）在 个人护照中。目前，此项计划在欧盟、美国、澳大利亚等国家列入研究并实施。 指纹识别因其造价优势被广泛使用， 但随着人脸识别被政府项目广泛采用及在其 他大型行业的应用，预计未来 5 年人脸识别会得到快速发展。 由于被寄望于提高准确率和避免被攻击， 多特征融合识别生物模板的安全性 亟待提高， 如何达到安全、 隐私与性能共赢的局面还没有一个可靠的研究方案16 17 18。最近几年都有新的关于生物特征识别研究发表，由于技术尚为发展成熟 与造价方面原因， 虽在计算机生物特征识别技术上取得一定进展被公安司法、公 司、企业等大型单位应用，但没有发展为大范围的应用。 1.3 支持向量机的研究进展 支持向量机在分类问题、模式识别和数据挖掘等方面取得了很大的进展，因 此作为统计学习理论的杰出代表，将支持向量机应用到身份识别系统中，给海量 处理高维数据提供了可能，并且提高识别系统的有效性和准确率。 它是由vapnik等人于上世纪60年代开始的研究， 1981年美国科学家v.vapnik 和 a.chervonenkis 提出了 vc 维19奠定了重要的基础；一年后，进一步提出结构 风险最小化原理20，具有划时代的意义。发展到 90 年代初提出最大间隔分类器 21， 并进一步研究非线性最大间隔的分类问题22，框架趋于成熟，全面地提出 了支持向量机分类23。与传统人工神经网络相比，支持向量机结构简单、良好 的推广能力，对模型选择、过学习、非线性和高维问题、局部极小点等问题的解 决有较大贡献。 现在， 模式识别、 数据挖掘等领域都在使用支持向量机， 并在遥感图线分析、 一种基于支持向量机的多生物特征融合身份识别方法研究 5 手写数字、文本分类、生物特征身份识别、计算机入侵检测等诸多实际问题中取 得较好效果。 国际众多学者由其广泛的应用价值及 svm 中核方法对其潜心研究， 很快改进的支持向量机算法屡见不鲜。 smola 于 1988 年具体阐述了 svm 中各种 核的构造与选择，对加强支持向量机的应用广度和精度都进行了完善。 svm 虽然可以提高分类精度、降低分类面的复杂度，但还是存在需要解决 的难点包括以下方面： （1）svm 计算的复杂度。 如何解决训练速度与训练样本规模间的问题， 测试速度与支持向量数目间的 问题，在不影响 svm 分类性能的前提下，提高学习速度，降低计算复杂度，找 到对大规模集有效的训练和分类算法仍是未得到很好解决的问题。 （2）核函数的选择和构造。 核函数的思想之所以如此广泛被采用， 是因为现实中任何一个使用点积运算 的问题，都可以通过一种方法解决引入核函数从低维空间映射到高维空间， 在高维空间解决。但核函数的选择直接影响分类器的性能，如何根据具体问题的 先验知识和样本数据选择和构造合适的核函数、 确定其中各种参数等问题都缺乏 相应的理论指导。 （3）多分类问题与有效的增量。 尽管已有研究关于训练多类分类的问题的算法， 但其有效性、 对多分类 sbm 的优化设计仍然需要进一步的研究。而在许多在线训练、实时应用中关键是具有 增量学习的能力， 需要有效的增量学习算法以同时满足在线学习和期望风险控制 的要求。 （4）修正的高斯核函数。 核方法的核心是核函数，在身份识别的研究中，分类器的构建是识别成功的 关键， 其中关键之管家是核函数的选取，改进的高斯核函数不仅弥补了高斯核函 数在无限远是衰减几乎没有的不足，而且可以用参数进行调节，以达到控制衰减 的目的。 1.4 本文研究的主要内容 此文将综合研究数字图像处理、生物学、支持向量机、模式识别、数值计算 一种基于支持向量机的多生物特征融合身份识别方法研究 6 和计算机仿真等多领域知识，采用支持向量机技术进行多生物特征身份识别，即 人脸识别、指纹识别和虹膜识别，并且将多生物特征融合的身份识别技术研究。 多特征融合和改进的支持向量机算法是本论文的核心创新内容。通过 matlab 平 台进行实验，并对实验进行分析，进而获得对多特征融合身份识别的有效论证。 本论文的主要工作是： 1. 重点研究了三种单模态生物特征识别：人脸识别、指纹识别和虹膜识别。 首先利用主成分分析法对原始的高维人脸原始图像进行降维， 然后获得所需特征 信息，简化运算过程；针对指纹图像在获取时会产生纹路断裂或黏连，边缘阴影 及手指本身等问题，对原始指纹图像进行预处理，经过图像增强和细化，提取指 纹特征；由于采集社会和眼睛位置变化，平移、缩放和旋转等对虹膜识别会产生 消极影响，所以要对虹膜图像进行定位和归一化，然后提取特征用于识别。 2. 在身份识别决策层采用支持向量机构造分类器，在支持向量机核函数的 选取中，先用径向基核函数做实验，然后用改进的高斯核函数构建支持向量机作 对比实验，验证支持向量机用于身份识别的可行性和有效性，以及改进的高斯核 函数的可行性和优势。 3. 由于各种单模态生物特征识别各有优缺点，所以识别率并非完美，本文 进行将多种生物特征融合进行身份识别技术的研究， 以期克服单模态识别系统的 诸多不足，有效的进行融合以提高性能和效率。 本论文内容安排如下： 第一章 绪论。简要阐述本论文的课题背景和意义，多生物特征身份识别技 术和支持向量机技术的研究进展，对研究难点进行了分析，介绍了进行的工作和 安排。 第二章 多生物特征身份识别理论基础。分别介绍了人脸识别、指纹识别和 虹膜识别的采集图像预处理、 特征提取与匹配算法，并介绍了基于多生物特征的 融合识别算法的研究。 第三章 介绍了支持向量机（svm）的基本理论。主要介绍了线性可分支持 向量机、线性不可分支持向量机、非线性支持向量机和核方法的基础支持。对改 进的支持向量机进行了进一步的阐述。 第四章 多生物特征的身份识别实验。本章主要分别进行了大量的实验，有 一种基于支持向量机的多生物特征融合身份识别方法研究 7 单特征的人脸识别、指纹识别、虹膜识别实验，并将三种单特征生物特征识别融 合进行身份识别实验。通过实验图片和实验数据，验证了基于支持向量机技术在 身份识别中的有效性和可靠性，并且将实验结果对比，以验证多特征融合的身份 识别比单特征身份识别具有更高的识别率。 并在此基础上采用修正的高斯核函数 作为分类器进行试验，实验证明其具有更好的实用性和有效性。 第五章 总结与展望。对本文涉及的理论和算法进行总结概括，并对基于支 持向量机的多生物特征身份识别技术发展趋势和研究重点方向提出了展望。 一种基于支持向量机的多生物特征融合身份识别方法研究 8 2 基于生物特征融合的身份识别技术 生物特征识别系统对特征进行采集，提取其独特的特征并量化为数字数据， 将这些代码组成特征模板，用户使用该系统时，系统先采集其用户的该项特征， 进行处理，然后对比数据库中的模板，决定用户的身份。典型的生物特征识别系 统包含两个模块24： （1）注册（登记）模块； （2）识别模块。注册模块已提取 出用户的生物特征信息， 然后以与用户id相关联的形式保存到系统的样本数据库 中。在注册模块中，首先由相应仪器对用户生物特征采集、量化，然后通过不同 的方法对特征进行提取，即为样本。识别模块将用户需要进行识别的信息与数据 库进行匹配，决定身份。在这一过程中，仍需对用户新输入的特征进行采集和量 化，在提取出所需的信息，将其与数据库中样本信息进行比对，并根据比较结果 确定用户身份。一个生物识别系统的工作流程，大体如图2-1所示。 图2-1 生物识别系统工作流程图 2.1 人脸识别 人们最先是通过一个人的面貌区分的，这种方法在人际交往中功不可没。相 比于另外几种相对成熟的单特征身份识别方法（如指纹、虹膜识别等） ，人脸识 别显现出一些不可比拟的优势： 数据采集 特征提取 数据采集 特征提取 特征匹配 注册模块 识别模块 数据库 一种基于支持向量机的多生物特征融合身份识别方法研究 9 （1）非直接接触式。使用者无任何心理障碍，不需要被动的配合。 （2）人的区分习惯。人们惯用相貌来区分身份，若单纯用指纹或虹膜在交往中 区分对方的身份，几乎是不可行的。 （3）操作隐蔽性和快捷性。先进的摄像，拍照设备使得人脸识别可在远距离瞬 间完成，能悄无声息的不被被识别着发现，在需要时即可调取。 当然，人脸识别也有许多相比其他识别的不足： （1）自身干扰度。肌肉的多样性使得富含肌肉的面部呈现多样性，会由表情、 姿势等变化，和双胞胎、长相相似或作出类似表情等影响识别的准确率。 （2）外部干扰度。对于拍照、摄像而取得的数据，会因光照、角度、距离等因 素而受影响，从而造成即使是同一人脸也存在数据上的差异25。 对于人脸识别，最关键的一步是特征提取，如何将高维空间的数据转换到低 维特征空间，是主要解决的问题。基于特征脸的方法实用、快速、简单，已是使 用最多，研究最多，人脸识别领域的标准算法之一。 主成分分析（principal component analysis, pca）在模式识别中又称为 k-l 变换，是公认特征提取的最重要工具之一，是多元统计分析中用来分析数据 的一种方法。特征脸（eigenface）概念由 l.sirovich 和 kirby 最先提出26 27， 即从训练数据中利用主成分分析法分离出一组特征脸数据（主元） ，此后新采集 到的数据可作为这组图像的线性组合，该组合的权重系数即人脸的特征向量。 特征脸（eigenface）方法以主成分分析（pca）为基础。输入数据的信息经 过主成分分析都集中在前面几个具有较大特征值的基函数上。 特征脸方法大体分 为三步： 首先通过用于训练的数据集合建立特征脸空间；其次将这些数据映射到 特征脸空间； 最后将新输入的数据映射到这个空间中，与已取得的特征集进行对 比，决定归类。完整的人脸识别算法流程如图 2-2 所示： 一种基于支持向量机的多生物特征融合身份识别方法研究 10 图 2-2 pca 人脸识别算法流程图 2.1.1 人脸图像预处理 为了得到统一的人脸图像需要将各个渠道获取的数据进行归一化。 这里介绍 双线形插值法。 （1）缩小原始图像尺寸： ) , (),( j jy l lx fyxf （2-1） 其中， f 是原始图像的灰度值函数，l是原始图像的宽度，h是原始图像的高度； f 是缩小后图像的灰度值函数， l 是原始图像的宽度， h 是原始图像的高度。 （2）放大原始图像尺寸： 需要进行双线性插值法得到原始图像中矩形顶点的灰度值， 以避免放大后会 产生的马赛克现象。首先复制原始图像中矩形顶点的灰度值，并将其到要变换的 顶点处；然后用双线性插值算法计算原始图像中所有点的灰度值，以达到目的。 矩形的两个对角顶点用 ),( 00 yx 和 ),( 11 yx 表示， ),(yx 表示矩形中的点： ),(),( 1010 yyyxxx ，用 ),(yxf 进行计算： （1） ： ),(),()/()(),(),( 000100000 yxfyxfxxxxyxfyxf ； （2-2）