基于人脸和声纹组合验证的身份识别系统的设计与实现

发布时间：2021-08-22 01:22

　　目前,基于单模态的生物识别系统取得了非常多的研究成果,但随着应用领域的不断拓宽,单模态生物识别系统在应用中表现出许多弊端和局限性,具体表现为:复杂环境下某些生物特征在采集过程中易受干扰,生物特征伪造技术的进步使得单模态识别系统存在安全隐患等影响了生物识别技术的广泛推广。本文通过研究人脸识别算法、声纹识别算法以及多模态生物特征融合算法,设计并实现了一种基于人脸和声纹组合验证的身份识别系统。在人脸识别算法研究方面,针对人脸图像在成像过程中会受到环境因素干扰而影响图像质量的问题,采用中值滤波器去除图像中噪点等信息;根据人脸图像的不同区域对识别率贡献度不同的特点,提出了一种基于逆差矩加权的HOG改进算法,此算法通过对人脸图像分块,提取每块图像的逆差矩作为权值,并计算每个子块最佳的权值系数,有效提高了HOG特征的识别率;针对HOG的特征向量维度较高的问题,采用PCA算法实现特征降维。在声纹识别算法研究方面,针对语音信号在录取过程中的静音问题,采用双门限端点检测法消除无声段;针对MFCC系数只能描述静态特性的问题,增加MFCC有效的弥补了MFCC动态特性的不足;针对MFCC特征语音帧数不固定的问题... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

人脸灰度化图像

哈尔滨理工大学工程硕士学位论文-40-（1）由于SVM是一个凸优化问题，所以求得的解一定是全局最优而不是局部最优。（2）通过合理选择核函数，SVM不但可以解决线性线性问题，而且对于非线性问题也能进行有效处理。（3）拥有高维样本空间的数据也能用SVM，这是因为数据集的复杂度只与特征向量有关，而不是取决于数据集的维度。使用SVM进行分类时，样本集有线性可分、线性不可分和非线性可分3种情况。线性可分问题，存在超平面使得样本集中不同的类相互分离；线性不可分问题，能够找到一个超平面分离样本空间中不同的类，但存在误分类的情况；非线性可分问题，不存在可将样本空间分类的超平面，但将样本空间映射到高维空间时，能够找到超平面实现分类工作。（1）线性可分SVM对于线性可分问题，其根本解决方案是根据待训练的数据集，找到最大边缘超平面（MMH）将数据集按类别分隔开，超平面分类函数如式（4-3）所示：()Tfxwxb（4-3）当f(x)为0时，x是位于超平面上的样本点；当f(x)大于0时，x属于1类的样本点；f(x)小于0时，x属于-1类的样本点，如图4-1所示。图4-2线性可分支持向量机示意图Fig.4-2Schematicoflinearseparablesupportvectormachine当有新的数据输入到SVM时，将其带入式（4-3）中，如果f(x)大于0，则新数据的类别赋为1；反之，若f(x)小于0，则此数据的类别为-1。由图4-2可以看出，在样本空间中存在多个超平面可以对样本空间进行完全分隔，

哈尔滨理工大学工程硕士学位论文-43-图4-3线性不可分支持向量机示意图Fig.4-3Schematicoflinearinseparablesupportvectormachine对于此类问题，SVM允许样本数据在一定程度上偏离超平面，对每个样本数据引入松弛变量，式（4-8）则变为：211min2..()1,1,2,...,0,1,2,...,niiTiiiiwCstywxbinin（4-15）式（4-15）中，C表示惩罚因子，C值的大小表示对偏离超平的面样本数据的重视程度，C值越大则离群数据越重要，此时将导致过拟合；C值越小模型复杂度越低，将导致欠拟合。由式（4-15）可知，线性不可分问题的求解与线性可分问题相似，这也是带约束条件求解最优解的问题，求解过程参考线性可分最优解求解。（3）非线性可分SVM前面两部份具体研究了样本空间在线性条件下SVM的两种情况。但在实际应用中，样本集多数都存在非线性问题，这意味着通过训练样本集并分离样本集难以获得合适的超平面。基于上述问题，SVM提出，在非线性映射的作用下，将输入空间中的样本集映射到高维特征空间H，此时，可以在高维特征空间将样本数据集进行分隔，从而得到一个最优超平面。设非线性映射:nRH，nR表示样本空间，H表示高维特征空间，则有12()((),(),...,())Tnxxxxx（4-16）在式（4-10）和式（4-14）中用(x)替换x，则可以求得最优分类超平


本文编号：3356715