[发明专利]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

权利要求书

1.一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。

2.根据权利要求1所述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，其特征是：所述的多生物特征图像包括人脸、多指指纹和掌纹，其提取多生物特征图像的多种局部底层特征的具体步骤如下：

a.生物特征图像预处理：由人脸、四指指纹和掌纹构成的融合系统进行预处理；

b.提取底层特征：提取不变矩特征、Garbor filter特征、方向均衡化特征和灰度信息熵特征；

c.提取底层特征中的局部底层特征：依次通过对参考点的选择、基于参考点的ROI的提取和ROI的划分，最后通过提取图像的局部底层特征。

3.根据权利要求1所述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，其特征是：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。

4.根据权利要求1所述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，其特征是：对多方式隐式语义分析后的数据进行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d_min，从而计算出实际的输出误差e_i，如果误差e_i大于规则重要性阙值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。

5.根据权利要求4所述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，其特征是：所述的离线学习阶段是通过学习样本用来训练模糊神经网络并采用剪枝算法对模糊神经网络的网络结构做动态调整。

6.根据权利要求4所述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，其特征是：所述的在线测试阶段是利用训练好的模糊神经网络对测试样本进行测试，从而提取图像隐式语义。

7.根据权利要求1所述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，其特征是：对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优化算法的自适应反馈结构来提取辨识的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所定基准状态进行比较，得出差值作为模型的输入，从而得因环境差异而导致的图像隐式语义特征偏差。