[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

说明书

本发明涉及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，其主要技术特点是：将原始数据集图像重构为32*32的图像；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；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；将融合特征向量送入ELM分类器进行分类。本发明以卷积神经网络结构为基础，同时引入粒子群优化算法和典型关联分析法，将不同的生物特征图像特征进行融合，最终得到比较完备的生物特征集合，从而进行有效的身份认证；本发明具有较高的准确性和稳定性，可广泛用于图像识别、安防检查等领域。

技术领域

本发明属于生物特征图像识别技术领域，尤其是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。

背景技术

目前，生物特征识别技术在身份认证领域起着越来越重要的应用，而图像融合技术能够获取更多的生物特征细节和信息，对识别性能有更大的提升，因此吸引了越来越多的研究人员的关注。在这其中，多模态生物特征融合技术就是重要的一个方向。多模态生物特征融合包括如下三个层次：特征层融合指的是对生物特征进行提取之后进行融合的策略；匹配层融合则是将不相同的特征向量的匹配值融合得到一组新的匹配值并进行身份认证；决策层融合是对不同的生物特征分别经过各自的提特征、建模型、做识别之后的决策结果进行融合。但是，现有的多模态生物特征融合技术在进行生物特征识别时的准确性和稳定性上仍然存在不足。

发明内容

本发明的目的在于克服现有技术的不足，提出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，其利用多种生物特征的独有特征结合在一起，提高生物特征图像识别的准确性和稳定性。

本发明解决其技术问题是采取以下技术方案实现的：

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，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

进一步，所述特征选择的计算公式为：

Fitness＝∑Dk(1<＝k<＝m)