[发明专利]基于粒子群算法和典型关联分析法的多生物特征融合算法

权利要求书

1.一种基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于包括以下步骤：

步骤1：图像预处理：将原始数据集图像重构为32*32的图像；

步骤2：特征提取：通过两次卷积操作、特征选择操作和全连接操作，将预处理后的32*32的图像用120维的一维特征向量；

步骤3：特征融合：使用典型关联分析法对一维特征向量进行分析，得到关联度最高的特征向量作为多生物特征的融合特征向量；

步骤4：将融合特征向量送入ELM分类器进行分类。

2.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述原始数据集图像包括人脸图像和指静脉图像,所述人脸图像为112*92,所述指静脉图像为60*128。

3.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述步骤2特征提取的实现方法：第一次使用8组5x5的卷积核对图像进行卷积操作，得到8组28x28的特征图；第二次使用20组5x5的卷积核对图像进行卷积操作，得到20组5x5的特征图；再经过一次全连接操作，最终得到120维的一维特征向量。

4.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述卷积操作的处理方法为：

w2＝(w1+2*p-k)/s+1

h2＝(h1+2*p-k)/s+1

c2＝n

其中，w1、h1、c1分别表示输入图像的宽度、高度和深度；w2、h2、c2分别表示输出图像的宽度、高度和深度；在卷积层中，n表示卷积核的个数，k*k表示卷积核大小，p表示扩充边缘，s表示卷积核步长。

5.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述步骤2特征选择使用改进的粒子群优化算法实现：第一次从28x28的特征图中，选择14x14特征子集；第二次从10x10的特征图中选择5x5的特征子集。

6.根据权利要求5所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述特征选择的计算公式为：

Fitness＝∑Dk(1<＝k<＝m)

vx[]＝w*vx[]+c1*rand()*(pbest[]-p[])+c2*rand()*(gbest[]-p[])

p[]＝p[]+vx[]

其中，Dk表示当前粒子的第k个维度特征与周围特征的差异总和，m表示种群规模，pbest表示局部最优解，gbest表示全局最优解，v[]是粒子的速度,w是惯性权重,p[]是当前粒子的位置，rand()是介于(0，1)之间的随机数，c1、c2是学习因子。

7.根据权利要求6所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述学习因子c1、c2均等于2。

8.根据权利要求1所述的基于粒子群算法和典型关联分析法的多生物特征融合算法，其特征在于：所述步骤3的实现方法为：使用典型关联分析法计算人脸特征和指静脉特征之间的相关关系，将120维的特征向量映射到多维的共享特征空间，使用共享空间特征重构多模态特征，得到融合特征向量。