專利名稱：基于仿生與生物特征識別的考試者身份鑒定系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種身份識別認證系統(tǒng)，具體涉及一種融合多種生物特征并 且基于仿生模式識別的身份鑒定系統(tǒng)。
背景技術(shù)：
考試是對考試者知識掌握能力和心理素質(zhì)的集中檢閱，是每個求學者的 必經(jīng)之路。同時，考試意味著機會，像高考這樣的重要考試會對應(yīng)試者的人 生產(chǎn)生深遠的影響。然而近年來，各種社會考試的考試秩序受到了嚴峻挑戰(zhàn)， 替考現(xiàn)象層出不窮，嚴重破壞了考試的嚴肅性與公平性。究其原因， 一方面 是由于行政監(jiān)管不力，另一方面則是因為現(xiàn)有考試模式陳舊，技術(shù)手段落后， 難以對應(yīng)試者進行準確的資格審查。以髙考為例，監(jiān)考人員主要通過比較準 考證上的照片、身份證上的照片和考生本人來確認考生身份，當這些證件被 偽造時，監(jiān)考人員往往難以辨別證件的真?zhèn)味沟锰婵颊呙苫爝^關(guān)。隨著模式識別理論的發(fā)展和完善，基于人體的生物、行為特征的身份識 別技術(shù)取得了長足的進步，人臉識別、指紋識別、虹膜識別、簽名識別、步 態(tài)識別等都在各自研究領(lǐng)域取得了相應(yīng)的成果并逐步應(yīng)用于生產(chǎn)實際。這些 生物特征既反映了人的靜態(tài)圖像信息(人臉、指紋、虹膜)，又包含了人的 動態(tài)行為信息(在線簽名、步態(tài))，具有良好的專有性和排它性，每一種生 物特征認證和識別的準確率、用戶接受程度和成本方面有所不同，各有優(yōu)缺 點，對于用戶來說，通過人臉系統(tǒng)進行識別和認證是最友好的方式，而虹膜 識別和認證則已經(jīng)被證明是最可靠、穩(wěn)定和準確的一種檢測途徑，在線簽名 和筆跡識別系統(tǒng)因其采集方便且操作簡單，也被用戶廣泛接受。但是這些常 用的識別系統(tǒng)在單獨使用的時候面臨不少問題，比如人臉識別系統(tǒng)對光照、 姿態(tài)和表情等因素非常敏感，虹膜識別系統(tǒng)對采集到的樣本質(zhì)量有很髙的要 求，采集時不易操作，而且在實際使用中很可能因為采集到的用戶虹膜樣本 質(zhì)量太差或是用戶在患眼科疾病等的情況下失效，簽名和筆跡識別，對于同一個用戶，其簽名和筆跡在不同時期和不同狀態(tài)下也會產(chǎn)生較大差異，更不 用說其面臨的偽造和假冒的問題。而通過將多種生物特征識別認證系統(tǒng)間的 融合可以有效地解決上述問題，用于考試者身份的準確鑒定，從技術(shù)層面上 防止了采用偽造證件欺騙監(jiān)考人員的替考方式。關(guān)于各種生物特征融合的身份鑒定方法，已有一些成型的研究成果獲得 了專利授權(quán)，如公開號為CN1304114A的中國專利公開了一種基于多生物特 征的身份鑒定融合方法，該技術(shù)屬于模式識別領(lǐng)域。其利用人的生物特征， 如臉像、虹膜、指紋、筆跡等，對人進行身份鑒定，并將鑒定結(jié)果用標準 歸一化方法將全部特征輸出歸一化到同一范圍，再分別采用自組織特征映射 神經(jīng)網(wǎng)絡(luò)及模糊神經(jīng)網(wǎng)絡(luò)技術(shù)等方法進行融合；公開號為CN1794266A的中 國專利公開了生物特征融合的身份識別和認證方法，其特征在于，首先通過 各種采集設(shè)備獲得用戶的人臉、虹膜、在線簽名和脫機筆跡各生物特征，接 下來將這些生物特征分別送入對應(yīng)的識別認證子模塊進行特征提取和模板 匹配，并輸出各自匹配后得到的分數(shù)。這些分數(shù)經(jīng)過歸一化后，或者被送入 識別融合模塊，通過置信度集成等步驟得到最后的識別結(jié)果；或者被送入認 證融合模塊，映射到多維空間并通過分類器分類后得到最后的認證結(jié)果；或 者識別融合之后再次進行認證融合，得到認證后的最終識別結(jié)果。經(jīng)過融合 以后，無論是進行驗證還是識別，總的錯誤率較之單一生物特征識別認證系 統(tǒng)，都得到了降低。這兩項專利都是從方法研究角度出發(fā)，采用各種采集設(shè) 備采集所有的生物特征信息，沒有考慮到實際應(yīng)用中的適用性和對用戶的侵 入性，而且主要采用的仍然是傳統(tǒng)的模式識別方法，側(cè)重于方法的融合。公 開號為CN1464478A的中國專利公開了一種模式識別中的非超球面幾何形體 覆蓋方法，包括如下步驟(l)初始化樣本空間，將樣本空間分成已知樣本子 空間和未知樣本子空間兩大類；(2)開始針對某種類型樣本的訓練；(3)根據(jù) 規(guī)則構(gòu)造同類型樣本之間的相互關(guān)系，構(gòu)造該樣本子空間；(4)采用非超球面 的幾何形體對每種類型樣本子空間進行覆蓋；(5)形成封閉的樣本子空間。該 發(fā)明提出同類樣本在特征空間中分布的最佳覆蓋思想，有效地解決了傳統(tǒng)模 式識別中劃分理論所存在的問題，但是該方法中的特征空間選擇標準和覆蓋 用幾何形體的選取方法仍有待于進一步研究。發(fā)明內(nèi)容本發(fā)明目的是提供一種基于仿生與生物特征識別的考試者身份鑒定系 統(tǒng)，通過方法的改進，實現(xiàn)對考試者身份快捷、準確的鑒定，以既適用于現(xiàn) 有紙筆考試模式下的考試者身份鑒定，又適用于將來的機考模式下的身份鑒 定。為達到上述目的，本發(fā)明采用的技術(shù)方案是 一種基于仿生與生物特征 識別的考試者身份鑒定系統(tǒng)，包括利用采集器采集多種生物特征、對采集的 數(shù)據(jù)進行處理、根據(jù)訓練樣本集進行認證鑒定，具體包括以下步驟(1) 同時采集考試者的多項生物特征，將采集到的數(shù)據(jù)通過硬件加密后傳 輸?shù)角岸颂幚碓O(shè)備，所述生物特征至少包括在線簽名、握筆指紋圖案和人臉 圖像；(2) 采集到數(shù)據(jù)的預(yù)處理，包括對數(shù)據(jù)進行濾波和規(guī)則化；(3) 從預(yù)處理的數(shù)據(jù)中進行特征提取和特征組合，再經(jīng)過數(shù)據(jù)軟加密，然 后通過網(wǎng)絡(luò)傳輸至后端處理設(shè)備(4) 數(shù)據(jù)的后端分析處理在后端處理設(shè)備解密從網(wǎng)絡(luò)接收到的數(shù)據(jù)包， 采用基于髙維空間幾何形體自適應(yīng)覆蓋理論的生物特征識別方法實現(xiàn)考試 者身份的識別(5) 樣本集動態(tài)更新將驗證通過的數(shù)據(jù)添加到樣本集中，動態(tài)生成相應(yīng) 的模板，使新的模板反映出樣本變化的趨勢。上述技術(shù)方案中，所述步驟(l)的采集方法是，首先通過數(shù)據(jù)板采集考試 者的在線簽名，利用人在簽名時姿態(tài)相對穩(wěn)定的特點釆用攝像頭獲得較為清 晰的人臉及簽名姿勢圖像，同時通過前端設(shè)有多功能傳感器的簽名筆采集握 筆指紋圖像，所述握筆指紋圖像為人握筆時手指與筆間的全部接觸信息，包 括所有接觸處的指紋紋理片斷以及相對位置。其中，在簽名同時采集握筆壓力特征，其方法為，在所述簽名筆的各接 觸處設(shè)置壓力傳感器，采集握筆壓力在簽名過程中的變化并對應(yīng)于握筆指紋 圖像的相應(yīng)區(qū)域進行記錄。上述步驟(l)的同步采集方式可以稱為"一站式"采集生物特征的方式，其實現(xiàn)了在考試者一次簽名書寫過程中收集盡可能多的靜態(tài)(人臉、指紋) 和動態(tài)(簽名)生物特征信息，具有較好的非侵入性和易接受性，尤其是握 筆指紋圖像與簽名時的握筆壓力變化是每個人所特有的生物特征，具有專有 性和排它性，與其它生物特征結(jié)合后可以顯著地提高身份識別的準確率。由于生物特征信息的特殊性，數(shù)據(jù)安全問題顯得尤為突出。本系統(tǒng)首先 將采集到的數(shù)據(jù)通過加密芯片進行數(shù)據(jù)格式轉(zhuǎn)換，然后再將其傳輸?shù)角岸颂?理設(shè)備，消除了數(shù)據(jù)在傳輸過程中的安全隱患。上述技術(shù)方案中步驟(2)對采集到的數(shù)據(jù)進行預(yù)處理，其主要目的是消除 圖像中的無關(guān)信息，恢復(fù)有用的真實信息，增強有關(guān)信息的可檢測性和最大 限度地簡化數(shù)據(jù)，從而提髙后續(xù)處理結(jié)果的可靠性。在本系統(tǒng)中主要用到了 以下幾個預(yù)處理方法歸一化、平滑、復(fù)原和增強。上述技術(shù)方案中步驟(3)對經(jīng)過預(yù)處理的數(shù)據(jù)進行特征提取，包括在線簽 名的特征提取、人臉檢測與特征提取和握筆指紋的特征提??；經(jīng)過特征提取 階段后，如何從紛繁多樣的特征中篩選出有用特征，并將其有機融合形成相 應(yīng)的特征向量一直是模式識別領(lǐng)域的難點。本技術(shù)方案從仿生的角度出發(fā)， 采用多尺度分析的思想實現(xiàn)了關(guān)聯(lián)特征集之間的有機融合，首先對提取后的 特征進行尺度劃分，將其分為整體信息和細節(jié)信息，進而根據(jù)特征間的關(guān)聯(lián) 性進一步劃分，將關(guān)聯(lián)性強的特征劃分到同一個關(guān)聯(lián)特征集，最后進行特征 融合，將關(guān)聯(lián)特征合成為特征向量。在對人臉圖像、在線簽名和握筆指紋圖像進行了特征提取之后，前端處 理設(shè)備需要將合并好的特征向量通過網(wǎng)絡(luò)傳輸?shù)胶蠖颂幚碓O(shè)備進行分析識 別。特征向量包含考試者的生物特征信息，并且是后端分析識別和訓練樣本 集更新的重要數(shù)據(jù)源，其重要性不言而喻。本發(fā)明采用加密算法， 一種多步 加密算法對數(shù)據(jù)進行加密，改變特征向量的數(shù)據(jù)格式，然后以數(shù)據(jù)包的形式 將數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)胶蠖颂幚碓O(shè)備，有效地保護了考試者的個人信息安 全。后端處理設(shè)備解密從網(wǎng)絡(luò)接收到的數(shù)據(jù)包后對其進行認證鑒定，本發(fā)明 對于全局特征向量和細節(jié)特征向量采用不同的方法進行匹配度計算。對于全 局特征向量直接將其映射成為髙維空間中的點，根據(jù)同類樣本點在髙維空間中的連續(xù)性，訓練樣本集應(yīng)該為一片有限的、連續(xù)的區(qū)域所覆蓋，通過分析 待觀測點與訓練樣本集覆蓋區(qū)域的關(guān)系即可得到該生物特征樣本與訓練樣 本集間的匹配度；而對于細節(jié)特征則采用動態(tài)規(guī)劃的方法進行模板匹配。然 后將兩者的結(jié)果相乘后得到一種生物特征的匹配度，最后采用融合決策算法 處理多種生物特征樣本與訓練樣本集間的匹配度，將多種生物特征的匹配度 加權(quán)求和后得到整體匹配度，與闞值比較后即可得出識別結(jié)論，即可實現(xiàn)對 考試者身份的鑒定。"同類樣本點在髙維空間中的連續(xù)性"作為樣本點分布的先驗知識，認 為來自于同一個人的某種生物特征(簽名、指紋、人臉)樣本在髙維空間中 應(yīng)該是連續(xù)的，即樣本之間不可能發(fā)生突變，任意兩個樣本點之間都存在一 條連續(xù)變化的曲線，使其中一個樣本點平滑地過渡到另外一個樣本點。這就 是"同源連續(xù)性"原理，B卩設(shè)特征空間Rn中所有屬于A類事物的全體為 集合A，若集合A中存在任意兩個元素x與y，則對于任意大于0的值e, 必定存在集合B，使得W = <J x,x2, x3,…,X" [>, W C j對應(yīng)于學習過程，就是針對同類事物的訓練樣本在特征空間中的分布， 選擇一個或多個合適的封閉曲面，形成一個髙維空間的連續(xù)的復(fù)雜幾何形體 來合理覆蓋訓練樣本。而這個復(fù)雜幾何形體需要根據(jù)訓練樣本的分布進行自 適應(yīng)選取，以最合理的方式覆蓋訓練樣本集。當用戶進行身份驗證通過之后，新的生物特征樣本信息也自動被系統(tǒng)所 記錄。當存儲空間有限時，訓練樣本集在添加新信息的同時必須動態(tài)地刪除 掉一些陳舊信息，讓訓練樣本集以動態(tài)更新的方式體現(xiàn)出其變化趨勢是有意 義的。訓練樣本集的更新方式可以通過高維空間中幾何形體的覆蓋區(qū)域的選 擇來考慮。本發(fā)明實現(xiàn)了覆蓋區(qū)域的自適應(yīng)動態(tài)生成，即認為動態(tài)更新后的 訓練樣本集在髙維空間中應(yīng)實現(xiàn)對所有樣本的最合理動態(tài)覆蓋，將新驗證通 過的生物特征更新至訓練樣本集，同時將陳舊信息從覆蓋區(qū)域中濾除。由于上述技術(shù)方案運用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點1. 采集考試者生物特征的時候采集了在線簽名、人臉、簽名姿勢，還 采用帶有多功能傳感器的簽名筆，采集了手指與筆相接觸的全部指紋以及對 應(yīng)的握筆時的壓力變化，豐富的生物信息具有專有性和排它性，結(jié)合后可以 顯著地提髙身份識別的準確率。2. 數(shù)據(jù)從采集設(shè)備傳輸?shù)角岸颂幚碓O(shè)備時經(jīng)過硬加密一一加密芯片加 密，從前端處理設(shè)備傳輸?shù)胶蠖颂幚碓O(shè)備時經(jīng)過軟加密一一多步加密算法加 密，保證了數(shù)據(jù)的安全。3. 整個系統(tǒng)融入了仿生思想，模仿人認知世界的方式進行模式識別， 其核心思想體現(xiàn)在以下三個方面(1) 人的思維可以分為邏輯思維和形象思維兩種，大腦進行邏輯思維是以 通過演繹法為主的邏輯推理過程發(fā)展的，而進行形象思維則是以歸納法為主 的經(jīng)驗總結(jié)過程發(fā)展的。模式識別更多地是一種形象思維問題，其涉及的變 量數(shù)量往往很多，對其進行嚴格的邏輯推理，采用多變量函數(shù)建模計算是不 現(xiàn)實的。因此，要解決模式識別問題必須找到一種形象思維的描述方式，而 圖形概念，即髙維空間中幾何形體描述恰為形象思維的一種有效描述方式。(2) 人在進行識別的時候是有尺度變化概念的。以簽名、人臉和指紋為例， 人在識別時不僅觀察其整體輪廓，而且關(guān)注其細節(jié)特征。因此，在提取簽名、 人臉以及指紋特征時不僅要考慮長寬比、形態(tài)等全局信息，而且要關(guān)注筆畫 交叉、眼角紋路等細節(jié)信息，從不同的尺度對識別對象進行準確地評價。(3) 人用作識別的記憶庫是不斷更新的。當人根據(jù)先驗知識識別了某個對 象之后，會將該對象的現(xiàn)有特征提煉成信息進行存儲記憶，以便于將來的準 確識別。因此，在將待測樣本與現(xiàn)有訓練樣本集進行比較并確定其為真之后， 需要將驗證通過的新數(shù)據(jù)自動添加到該樣本集中，并重新對其進行評估，根 據(jù)各樣本在髙維空間中的分布情況，合理地去除陳舊的樣本，使新的訓練樣 本集反映出識別對象的變化趨勢。4. 本發(fā)明的系統(tǒng)從仿生的思想出發(fā)，綜合運用基于高維空間幾何形體 自適應(yīng)覆蓋理論的各種生物特征識別方法來實現(xiàn)對考試者身份的鑒定，鑒定 快捷，結(jié)果準確，不僅適用于現(xiàn)有紙筆考試模式下的考試者身份鑒定，而且 在將來的機考模式下具有更廣闊的應(yīng)用前景。


圖1是實施例一的系統(tǒng)流程示意圖； 圖2是實施例一的握筆指紋采集示意圖； 圖3是實施例一的在線簽名參數(shù)示意圖； 圖4是實施例一的同源連續(xù)性示意圖。
具體實施方式
下面結(jié)合附圖及實施例對本發(fā)明作進一步描述-實施例一參見附圖1至附圖4所示， 一種基于仿生與生物特征識別的 考試者身份鑒定系統(tǒng)，通過以下步驟詳細闡述第一步，在線簽名、握筆指紋圖案和人臉圖像數(shù)據(jù)的采集。采用附圖l所示的方式，利用數(shù)據(jù)板采集考試者的在線簽名、同時利用 攝像頭采集人臉圖像和握筆指紋圖像，并通過專用簽名筆前端的多功能傳感 器采集握筆指紋圖像及書寫時的握筆壓力信息，該傳感器不僅能夠采集人簽 名時的握筆指紋圖像，而且能夠感知簽名過程中的握筆壓力變化，所述握筆 指紋圖像不同于傳統(tǒng)指紋采集設(shè)備采集到的單枚完整指紋圖像，它記錄了人 握筆時手指與筆間的全部接觸信息，包括所有接觸處的指紋紋理片斷以及相 對位置；同時，各接觸處的壓力在簽名過程中的變化也被傳感器采集并對應(yīng) 于握筆指紋圖像的相應(yīng)區(qū)域。隨后，本系統(tǒng)將采集到的數(shù)據(jù)通過專用加密芯片進行數(shù)據(jù)格式轉(zhuǎn)換，再 將其傳輸?shù)角岸颂幚碓O(shè)備，有效地保證了用戶生物特征信息的數(shù)據(jù)安全。第二步，對采集到的數(shù)據(jù)進行預(yù)處理。預(yù)處理的主要目的是消除圖像中的無關(guān)信息，恢復(fù)有用的真實信息，增 強有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而提髙后續(xù)處理結(jié)果的可 靠性。在本系統(tǒng)中主要用到了以下幾個預(yù)處理方法 (l)歸一化使圖像的某些特征在給定變換下具有不變性質(zhì)的一種圖像標準形式。圖 像的某些性質(zhì)，例如物體的面積和周長，本來對于坐標旋轉(zhuǎn)來說就具有不變的性質(zhì)。在一般情況下，某些因素或變換對圖像一些性質(zhì)的影響可通過歸一 化處理得到消除或減弱，從而可以被選作測量圖像的依據(jù)?；叶葰w一化、幾 何歸一化和變換歸一化是獲取圖像不變性質(zhì)的三種歸一化方法。(2) 平滑消除圖像中隨機噪聲的技術(shù)。對平滑技術(shù)的基本要求是在消去噪聲的同 時不使圖像輪廓或線條變得模糊不清。常用的平滑方法有中值法、局部求平 均法和k近鄰平均法。局部區(qū)域大小可以是固定的，也可以是逐點隨灰度值 大小變化的。此外，有時應(yīng)用空間頻率域帶通濾波方法。(3) 復(fù)原校正各種原因所造成的圖像退化，使重建或估計得到的圖像盡可能地逼 近于理想無退化的像場。在實際應(yīng)用中常常會發(fā)生圖像退化現(xiàn)象，例如光學 系統(tǒng)的像差，相機和物體的相對運動都會使人臉圖像發(fā)生退化。基本的復(fù)原 技術(shù)是把獲取的退化圖像g(x， y)看成是退化函數(shù)h(x， y)和理想圖像f(x， y)的 巻積。它們的傅里葉變換存在關(guān)系G(u， v) = H(u， v)F(u， v)。根據(jù)退化機理 確定退化函數(shù)后，就可從此關(guān)系式求出F(u， v)，再用傅里葉反變換求出f(x, y)。通常把M(u， v)=l/H(u， v)稱為反向濾波器。實際應(yīng)用時，由于H(u，v)隨 離開uv平面原點的距離增加而迅速下降，為了避免髙頻范圍內(nèi)噪聲的強化， 當112+一大于某一界限值W0時，使M(n，v)等于l。 W0的選擇應(yīng)使H(u， v) 在U2+V^W0范圍內(nèi)不會出現(xiàn)零點。圖像復(fù)原的代數(shù)方法是以最小二乘法最 佳準則為基礎(chǔ)。尋求一估計值，使優(yōu)度準則函數(shù)值最小。這種方法比較簡單， 可推導(dǎo)出最小二乘法維納濾波器。當不存在噪聲時，維納濾波器成為理想的 反向濾波器。(4) 增強對圖像中的信息有選擇地加強和抑制，以改善圖像的視覺效果，或?qū)D 像轉(zhuǎn)變?yōu)楦m合于機器處理的形式，以便于數(shù)據(jù)抽取或識別。例如一個圖像 增強系統(tǒng)可以通過髙通濾波器來突出圖像的輪廓線，從而使機器能夠測量輪 廓線的形狀和周長。圖像增強技術(shù)有多種方法，反差展寬、對數(shù)變換、密度 分層和直方圖均衡等都可用于改變圖像灰調(diào)和突出細節(jié)。實際應(yīng)用時往往要 用不同的方法，反復(fù)進行試驗才能達到滿意的效果第三步，對預(yù)處理后的數(shù)據(jù)進行特征提取，并組合成特征向量，然后經(jīng) 數(shù)據(jù)軟加密后通過網(wǎng)絡(luò)傳輸?shù)胶蠖颂幚碓O(shè)備。 (l)在線簽名的特征提取在線簽名中包含了豐富的特征信息，按時-空域信息(如附圖3)和變換 域信息劃分可將各種特征如下表分類。時-空域信息變換域信息位置 (Position) 速度 (Velocity) 力口速度 (Acceleration) 方位角 (Azimuth) 傾角 (Altitude) 壓力 (Pressure)傅立葉變換(Fourier Transform) 哈達馬變換(Hadamard Transform) 小波變換(Wavelet Transform)此外，在線簽名中的一些全局特征也值得關(guān)注，例如簽名完成時間、簽 名圖像的長寬比、簽名過程中筆上行時間占總時間的比例等等。對于速度、傾角、壓力等隨時間變化的特征，本發(fā)明首先將其合并成特征向量，進而排列成特征向量鏈，采用動態(tài)規(guī)劃的方法進行模板匹配；而對 于全局特征，本發(fā)明將其排列成特征向量后映射成髙維空間中的待觀測點， 利用高維空間中待觀測點與樣本覆蓋區(qū)域之間的關(guān)系確定其匹配度。 (2)人臉檢測與特征提取本發(fā)明基于膚色模型，直接采用YCbCr顏色空間并通過閾值對膚色區(qū) 域進行判決，對圖像中的每個點(A:,力，我們用/(x，力表示該點是否屬于膚色 像素，得到下式<formula>formula see original document page 12</formula> 然后采用粒子群優(yōu)化算法對膚色區(qū)域進行分割。粒子群優(yōu)化算法是基于 群體的演化算法，其思想來源于人工生命和演化計算理論。PSO求解優(yōu)化問題時，問題的解對應(yīng)于搜索空間中一個"粒子"(particle)或"主體"(agent)。 每個粒子都有自己的位置和速度(決定飛行的方向和距離)，還有一個由被優(yōu) 化函數(shù)決定的適應(yīng)值。各個粒子記憶、追隨當前的最優(yōu)粒子，在解空間中搜 索。每次迭代的過程不是完全隨機的，如果找到較好解，將會以此為依據(jù)來 尋找下一個解。令PSO初始化為一群隨機粒子(隨機解)，在每一次迭代中，粒子通過跟 蹤兩個"極值"來更新自己第一個就是粒子本身所找到的最好解，叫做極 值點(用pbest表示其位置)，PSO中的另一個極值點是整個種群目前找到的 最好解，稱為全局極值點(用gbest表示其位置)。在找到兩個最優(yōu)值后，粒子通過下面的公式來更新自己的速度和位置。 r' = w x K + q x n7"t/() x (/^esf, — x,.) + c2 x n7"d()x (g方^^ — x》 ,在上述兩式中hl，2，…，M， M是該群體中粒子的總數(shù)；K,是粒子的速度；r^rf()是介于(0，l)之間的隨機數(shù)；x,是粒子的當前位置；"和C2是學習因子；ffl非負，稱為慣性因子。在每一維，粒子都有一個最大限制速度K ^，如果某一維的速度超過設(shè) 定的J^m,那么這一維的速度就被限定為F ^(FMfl;c>0)。(2)式中，w值較大，則全局尋優(yōu)能力強，局部尋優(yōu)能力弱；《值較小反 之。初始時，w取為常數(shù)，后來實驗發(fā)現(xiàn)，動態(tài)w能夠獲得比固定值更好的 尋優(yōu)結(jié)果。動態(tài)ffl可以在PSO搜索過程中線性變化，也可根據(jù)PSO性能的 某個測度函數(shù)動態(tài)改變。本發(fā)明采用的是線性遞減權(quán)值策略。Q為最大進化代數(shù)，W,",為初始慣性權(quán)值，W^為迭代至最大代數(shù)時慣性 權(quán)值。當膚色區(qū)域確定后，所分割的區(qū)域有可能包括一些非人臉區(qū)域，因此需 要采用模糊隸屬度函數(shù)對人臉進行判別。模糊隸屬函數(shù)定義如下<formula>formula see original document page 14</formula>本系統(tǒng)用3個特征來表述人臉。分別為人臉的髙度、髙度與寬度的比例 以及人臉垂直方向偏移角度，采用模糊隸屬函數(shù)對這些參數(shù)模糊化分別得到三個特征的模糊隸屬函數(shù)ll ,(X)、"2(X)和U3(X),將其乘積作為判別該區(qū)域是否是人臉的總的隸屬函數(shù)，BP:如果某一區(qū)域的隸屬函數(shù)值大于某一閾值，則認為該區(qū)域就是一個人臉 區(qū)域，對于本系統(tǒng)的單人臉應(yīng)用，則隸屬函數(shù)值最大的區(qū)域為人臉區(qū)域。檢測到人臉區(qū)域后需要提取人臉特征，人臉特征主要包括眼睛、眉毛、 嘴巴的位置、大小和形狀的變化。首先利用主分量分析與人臉比例特性結(jié)合， 獲取雙眼的初步所在區(qū)域后，使用邊緣檢測等技術(shù)，可以快速準確地確定眼 黑準確位置，然后利用人臉的比例特征和眉毛、嘴巴的顏色特征，可以很準 確地提取出眉毛和嘴巴。將這些面部特征中的顯著特征點或?qū)傩蕴崛『罂捎?于人臉的身份識別。(3)握筆指紋的特征提取如附圖2所示，本發(fā)明中所采集到的握筆指紋不同于傳統(tǒng)的單枚完整指 紋，其記錄的是用戶在簽字時手指與筆間的全部接觸信息，包括所有接觸處 的指紋紋理片斷以及相對位置。因此，其特征提取過程中融合了傳統(tǒng)方法與 新方法。指紋一般有兩種結(jié)構(gòu)Henry指紋模式和Galton特征。Henry分類是標 準定性的設(shè)計，表征波峰模式的整體結(jié)構(gòu)，通常用于劃分指紋數(shù)據(jù)。Galton 一般定義了四個特點(l)波峰的起點和終點；(2)分支；(3)孤立區(qū)域；(4)干 擾。為了從數(shù)字指紋圖像中提取特征，首先選擇了包括四個Galton特點在內(nèi)的八個特征，并將其分為兩類原始的及合成的。原始特征分別為點，波 峰終點和分支。在此基礎(chǔ)上，又定義了合成特征孤立的區(qū)域，毛刺，交叉， 橋及短峰。此外，對于握筆指紋圖像還可以提取到以下特征指紋片斷數(shù)量， 各片斷間相對位置等。(4) 特征向量合成經(jīng)過特征提取階段后，如何從紛繁多樣的特征中篩選出有用特征，并將 其有機融合形成相應(yīng)的特征向量一直是模式識別領(lǐng)域的難點。本發(fā)明從仿生 的角度出發(fā)，采用多尺度分析的思想實現(xiàn)了關(guān)聯(lián)特征集之間的有機融合。首先，對各特征進行尺度劃分，將其分為整體信息和細節(jié)信息。進而根 據(jù)特征間的關(guān)聯(lián)性進一步劃分，比如簽名時的握筆著力點的力度變化、數(shù)位 板上記錄的壓力信息、簽名的書寫速度和筆畫方向角的變化具有較強的相關(guān) 性，可將其劃分到同一個關(guān)聯(lián)特征集。最后進行特征融合，將關(guān)聯(lián)特征合成 為特征向量。以前面的討論為例，令rf,(Z是著力點數(shù)量)表示握筆力度，p表示數(shù)位板 上記錄的壓力，v表示簽名的書寫速度，0表示方向角，則可以得到一個關(guān)聯(lián)特征向量"《，戶，v，0)。(5) 數(shù)據(jù)軟加密及網(wǎng)絡(luò)傳輸由于生物特征信息的特殊性，數(shù)據(jù)安全問題顯得尤為突出。考慮到網(wǎng)絡(luò) 傳輸中的信息安全問題，本系統(tǒng)采用了一種多步加密算法對傳輸數(shù)據(jù)進行加 密。該算法使用一系列的數(shù)字(比如說128位密鑰)，來產(chǎn)生一個可重復(fù)的 但髙度隨機化的偽隨機的數(shù)字序列。 一次使用256個表項，使用隨機數(shù)序列 來產(chǎn)生密碼轉(zhuǎn)表，即把256個隨機數(shù)放在一個矩陣中，然后對其進行排序， 根據(jù)最初的位置來產(chǎn)生一個隨意排序的表，表中的數(shù)字在0到255之間。這 樣產(chǎn)生了一個具體的256字節(jié)的表。讓這個隨機數(shù)產(chǎn)生器接著來產(chǎn)生這個表 中的其余的數(shù)，以至于每個表是不同的。接下來，使用"Shot Gun Technique" 技術(shù)來產(chǎn)生解碼表?；旧险f，如果a映射到b,那么b—定可以映射到a， 所以b[a[n]]=ii (n是一個在0到255之間的數(shù))。在一個循環(huán)中賦值，使一 個256字節(jié)的解碼表對應(yīng)于前面產(chǎn)生的256字節(jié)的加密表。通過這個方法，可以產(chǎn)生這樣的一個表，表的順序是隨機，所以產(chǎn)生這 256個字節(jié)的隨機數(shù)使用的是二次偽隨機，使用了兩個額外的16位的密碼。 現(xiàn)在，已經(jīng)有了兩張轉(zhuǎn)換表，基本的加密解密過程如下所述前一個字節(jié)密 文是這個256字節(jié)的表的索引，或者，為了提髙加密效果，可以使用多余8 位的值，甚至使用校驗和或者crc算法來產(chǎn)生索引字節(jié)。假定這個表是 256x256的數(shù)組，那么其滿足encryptl-a[encryptOJ [value
變量'encryptl'是加密后的數(shù)據(jù)，'encryptO'是前一個加密數(shù)據(jù)(或者是前面 幾個加密數(shù)據(jù)的一個函數(shù)值)。很自然的，第一個數(shù)據(jù)需要一個"種子"，這 個"種子"是必須記住的。加密時所產(chǎn)生的偽隨機序列是很隨意的，可以設(shè)計成想要的任何序列。沒有關(guān)于這個隨機序列的詳細的信息，解密密文是不現(xiàn)實的。例如 一些ASCII碼的序列，如"processing"可能被轉(zhuǎn)化成一些隨機的沒有任何意義的亂碼，每一個字節(jié)都依賴于其前一個字節(jié)的密文，而不是實際的值。對于 任一個單個的字符的這種變換來說，隱藏了加密數(shù)據(jù)的有效的真正的長度。第四步，采用基于仿生和髙維空間幾何形體自適應(yīng)覆蓋理論的生物特征 識別方法鑒定考試者身份。本發(fā)明對于全局特征向量和細節(jié)特征向量采用不同的方法進行匹配度 計算。對于全局特征向量直接將其映射成為髙維空間中的點，計算其與訓練 樣本集間的匹配度而對于細節(jié)特征則采用動態(tài)規(guī)劃的方法進行模板匹配。 然后將兩者的結(jié)果相乘后得到一種生物特征的匹配度，最后將多種生物特征 的匹配度加權(quán)求和后得到整體匹配度，與閾值比較后即可得出識別結(jié)論。以在線簽名識別為例，首先將細節(jié)特征中的各個關(guān)聯(lián)特征向量采用動態(tài) 規(guī)劃的方法求解出其與訓練樣本集的匹配度，將得到的匹配度加權(quán)求和得到 細節(jié)特征匹配度。然后將全局特征向量映射成為髙維空間中的一個點，根據(jù) 其與訓練樣本集覆蓋區(qū)域的關(guān)系得到相應(yīng)的全局特征匹配度。最后將細節(jié)與 全局特征匹配度相乘得到最終的在線簽名整體匹配度。最后將在線簽名、人 臉、握筆指紋的匹配度加權(quán)求和后與閾值比較，最終實現(xiàn)考試者身份的驗證。第五步，動態(tài)更新訓練樣本集。當用戶進行身份驗證通過之后，新的生物特征樣本信息也自動被系統(tǒng)所 記錄。當存儲空間有限時，訓練樣本集在添加新信息的同時必須動態(tài)地刪除 掉一些陳舊信息。這在實際應(yīng)用中是合理的，因此人的簽名習慣可能會隨著 時間發(fā)生變化，讓訓練樣本集以動態(tài)更新的方式體現(xiàn)出其變化趨勢是有意義 的。訓練樣本集的更新方式可以通過高維空間中幾何形體的覆蓋區(qū)域的選 擇來考慮。本發(fā)明實現(xiàn)了覆蓋區(qū)域的自適應(yīng)動態(tài)生成，即認為動態(tài)更新后的 訓練樣本集在髙維空間中應(yīng)實現(xiàn)對所有樣本的最合理動態(tài)覆蓋，將新驗證通 過的生物特征更新至訓練樣本集，同時將陳舊信息從覆蓋區(qū)域中濾除。
權(quán)利要求
1.一種基于仿生與生物特征識別的考試者身份鑒定系統(tǒng)，包括利用采集器采集多種生物特征、對采集的數(shù)據(jù)進行處理、根據(jù)訓練樣本集進行認證鑒定，其特征在于具體包括以下步驟(1)同時采集考試者的多項生物特征，將采集到的數(shù)據(jù)通過硬件加密后傳輸?shù)角岸颂幚碓O(shè)備，所述生物特征至少包括在線簽名、握筆指紋圖案和人臉圖像；(2)采集到數(shù)據(jù)的預(yù)處理，包括對數(shù)據(jù)進行濾波和規(guī)則化；(3)從預(yù)處理的數(shù)據(jù)中進行特征提取和特征組合，再經(jīng)過數(shù)據(jù)軟加密，然后通過網(wǎng)絡(luò)傳輸至后端處理設(shè)備；(4)數(shù)據(jù)的后端分析處理在后端處理設(shè)備解密從網(wǎng)絡(luò)接收到的數(shù)據(jù)包，采用基于高維空間幾何形體自適應(yīng)覆蓋理論的生物特征識別方法實現(xiàn)考試者身份的識別；(5)樣本集動態(tài)更新將驗證通過的數(shù)據(jù)添加到樣本集中，動態(tài)生成相應(yīng)的模板，使新的模板反映出樣本變化的趨勢。
2. 根據(jù)權(quán)利要求1所述的基于仿生與生物特征識別的考試者身份鑒定 系統(tǒng)，其特征在于所述步驟(l)的采集方法是，首先通過數(shù)據(jù)板采集考試者 的在線簽名，利用人在簽名時姿態(tài)相對穩(wěn)定的特點采用攝像頭獲得較為清晰 的人臉及簽名姿勢圖像，同時通過前端設(shè)有多功能傳感器的簽名筆采集握筆 指紋圖像，所述握筆指紋圖像為人握筆時手指與筆間的全部接觸信息，包括 所有接觸處的指紋紋理片斷以及相對位置。
3. 根據(jù)權(quán)利要求2所述的基于仿生與生物特征識別的考試者身份鑒定 系統(tǒng)，其特征在于在簽名同時采集握筆壓力特征，其方法為，在所述簽名 筆的各接觸處設(shè)置壓力傳感器，采集握筆壓力在簽名過程中的變化并對應(yīng)于 握筆指紋圖像的相應(yīng)區(qū)域進行記錄。
4. 根據(jù)權(quán)利要求1所述的基于仿生與生物特征識別的考試者身份鑒定 系統(tǒng)，其特征在于步驟(3)中對提取后的生物特征組合時，首先對提取后的特 征進行<尺度劃分，將其分為整體信息和細節(jié)信息，進而根據(jù)特征間的關(guān)聯(lián)性 進一步劃分，將關(guān)聯(lián)性強的特征劃分到同一個關(guān)聯(lián)特征集，最后進行特征融 合，將關(guān)聯(lián)特征合成為特征向量。
5. 根據(jù)權(quán)利要求1所述的基于仿生與生物特征識別的考試者身份鑒定系統(tǒng)，其特征在于步驟(3)中對特征組合后的數(shù)據(jù)采用多步加密算法進行軟加 密。
6. 根據(jù)權(quán)利要求1所述的基于仿生與生物特征識別的考試者身份鑒定 系統(tǒng)，其特征在于步驟(4)中對于全局特征直接將其映射成為高維空間中的 點，計算其與訓練樣本集之間的匹配度對于細節(jié)特征采用動態(tài)規(guī)劃的方法 進行模板匹配，然后將兩者的結(jié)果相乘后得到一種生物特征的匹配度，最后 將多種生物特征的匹配度加權(quán)求和后得到整體匹配度，與閾值比較后得出識 別結(jié)論。
7. 根據(jù)權(quán)利要求1所述的基于仿生與生物特征識別的考試者身份鑒定 系統(tǒng)，其特征在于步驟(5)中訓練樣本集的更新方式為動態(tài)更新后的訓練樣 本集在髙維空間中應(yīng)實現(xiàn)對所有樣本的最合理動態(tài)覆蓋，即覆蓋區(qū)域的自適 應(yīng)動態(tài)生成，將新驗證通過的生物特征更新至訓練樣本集，同時將陳舊信息 從覆蓋區(qū)域中濾除。
全文摘要
本發(fā)明公開了一種基于仿生與生物特征識別的考試者身份鑒定系統(tǒng)，綜合運用基于高維空間幾何形體自適應(yīng)覆蓋理論的各種生物特征識別方法來實現(xiàn)對考試者身份的鑒定。首先通過采集設(shè)備獲取考試者的握筆指紋、在線簽名和人臉圖像，進而將這些數(shù)據(jù)分別進行特征提取后映射成為相應(yīng)高維空間中的待觀測點，最后根據(jù)同類樣本點在高維空間中的連續(xù)性，通過待觀測點與樣本集覆蓋區(qū)域的關(guān)系得到不同生物特征的網(wǎng)絡(luò)匹配度，進而通過匹配度融合決策算法識別考試者的身份，并通過新驗證數(shù)據(jù)的自動添加來實現(xiàn)樣本集的動態(tài)更新和趨勢預(yù)測。本發(fā)明鑒定快捷，結(jié)果準確，不僅適用于現(xiàn)有考試模式下的考試者身份鑒定，而且在將來的機考模式下具有更廣闊的應(yīng)用前景。
文檔編號G06K9/62GK101246543SQ20081001983
公開日2008年8月20日 申請日期2008年3月18日 優(yōu)先權(quán)日2008年3月18日
發(fā)明者張耀輝, 怡 朱, 睿 貊, 鄧宗武, 磊 魏 申請人:蘇州納米技術(shù)與納米仿生研究所