基于人脸和虹膜融合的身份识别技术研究

【摘要】：目前,传统认证识别方法(如身份证或口令)存在遗忘和易窃取等风险,生物特征识别方法则是利用指纹、虹膜、人脸和声音等实现身份认证识别,这些个人特有的生理或行为特征不存在遗忘和易窃取等问题,比传统方法更为安全、方便和可靠。然而单一生物特征识别在实际应用中受一些不利因素如环境、噪声和欺骗攻击等影响,无法满足高安全性场合需求,而融合多种生物特征进行认证识别被认为是一种有效的解决思路。在实际应用中,人脸和虹膜作为典型特征在身份识别应用领域中占据了重要位置。然而,大部分虹膜采集设备获取虹膜图像质量通常较差,包含较多的噪声、清晰度较低,且虹膜部分区域常被眼睑眼睫毛遮挡,导致虹膜实际识别效果不理想;人脸在不利环境下,容易受到质量、姿态、表情和光照变化的影响,且人脸采集设备较普遍化,人脸相比其他生物特征存在较高的复制和仿造风险。因此,本文将人脸和虹膜融合识别作为重点研究方向,研究并给出了以下两种基于分数层和特征层的多生物特征融合识别方法。首先,本文研究并给出了一种基于质量评估的分数层动态加权融合识别方法。第一,结合多种算法提取人脸虹膜特征,弥补单一算法提取特征单一片面,无法挖掘完整特征信息的缺陷。第二,利用生物特征图像质量来评估特征匹配质量情况,进而充分挖掘出隐藏在高质量特征匹配分数中的身份认证信息,削弱低质量特征匹配分数对融合识别结果的干扰,实现分数层动态加权融合。实验结果表明本文所提方法增强了系统的鲁棒性和精度,进而提升了系统的整体识别效果。其次,本文研究并给出一种基于深度学习模型的特征层融合识别方法。第一,针对传统人工设计特征具有盲目性和差异性等缺陷,采用卷积神经网络自动挖掘特征本质信息,从而进行后续的认证识别。第二,使用参数化t-SNE算法来解决多特征串联融合后特征维度过高的问题,并采用支持向量机进行分类识别,从而实现高质量的融合识别。实验结果表明本文给出的方法有效提升了融合识别系统的精度和鲁棒性。