基于改進(jìn)psco―svm多生物特征融合技術(shù)探究

《基于改進(jìn)psco―svm多生物特征融合技術(shù)探究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于改進(jìn)PSCO-SVM多生物特征融合技術(shù)探摘要：為了解決單通道生物特征識(shí)別的缺陷，在信息融合的基礎(chǔ)上提出了一種基于人臉和語(yǔ)音融合的生物特征識(shí)別模型，實(shí)現(xiàn)了特征層的融合。對(duì)人臉圖像采用主成分分析法(PCA)進(jìn)行特征提取，對(duì)說(shuō)話(huà)人采用fisher判別進(jìn)行特征維數(shù)的約簡(jiǎn)。同時(shí)，提出一種基于PSO的多粒子群協(xié)調(diào)優(yōu)化(PSCO)方法，并將其用于訓(xùn)練SVM來(lái)實(shí)現(xiàn)人臉和語(yǔ)音的混合認(rèn)證系統(tǒng)，實(shí)驗(yàn)結(jié)果表明該方法取得了較好的識(shí)別效果。關(guān)鍵詞：支持向量機(jī)；粒子群優(yōu)化算法；人臉識(shí)別；語(yǔ)音；特征層融合中圖分類(lèi)號(hào)：TP391單一模態(tài)的生物特征識(shí)別技術(shù)容易受到噪聲的影響和單一算法自身穩(wěn)定性的影響，很難保證在取得較高

2、識(shí)別率的同時(shí)保持高的魯棒性。多生物特征的識(shí)別技術(shù)同時(shí)采用多種生物特征作為識(shí)別依據(jù)，使得身份識(shí)別系統(tǒng)具有更好的安全性、可靠性和有效性，為解決單一模態(tài)生物特征識(shí)別的缺陷提供了較好的解決方案［1］。在這種情況下，多生物特征認(rèn)證已經(jīng)成為國(guó)內(nèi)外的研究熱點(diǎn)。SVM是統(tǒng)計(jì)學(xué)理論的一個(gè)分支，在解決小樣本，高維數(shù)及非線(xiàn)性問(wèn)題中表現(xiàn)出特有的優(yōu)勢(shì)。已經(jīng)被成功的運(yùn)用模式識(shí)別的各個(gè)領(lǐng)域，在多生物特征識(shí)別中也得到應(yīng)用［2］。但SVM本質(zhì)上求解二次規(guī)劃問(wèn)題，當(dāng)訓(xùn)練樣本數(shù)很多的時(shí)候，可能會(huì)導(dǎo)致訓(xùn)練速度變慢。粒子群優(yōu)化算法(PSO)［3］是一種群聚性智能優(yōu)化算法，由于其出色的表現(xiàn)和很好的收斂性越來(lái)越受到人們的關(guān)注，許多學(xué)

3、者從不同的角度對(duì)算法進(jìn)行了改進(jìn)。文獻(xiàn)［4］和文獻(xiàn)［5］從不同角度提出了多粒子群協(xié)同進(jìn)化算法，使粒子更容易跳出局部極小值，提高了收斂精度。然而，粒子群的中心位置是一個(gè)非常重要的位置，隨著粒子的進(jìn)化，所有粒子都向該方向收縮，中心粒子更有可能成為全局最優(yōu)解［6］。為此，在文獻(xiàn)［5］的基礎(chǔ)上本文提出一種改進(jìn)的多粒子群協(xié)同進(jìn)化(PSCO)方法，并將其用于訓(xùn)練SVM來(lái)實(shí)現(xiàn)人臉和語(yǔ)音特征層融合的多生物特征識(shí)別系統(tǒng)，取得了較好的識(shí)別效果。1基于PCA的人臉識(shí)別方法主成分分析(PrincipalComponentAnalysis,PCA)［7］,是統(tǒng)計(jì)學(xué)中數(shù)據(jù)分析的一種方法，其目的是在最小均方意義下尋找最

4、能代表原始數(shù)據(jù)的投影方向，來(lái)獲得逼近原圖像空間的最低識(shí)別空間?；赑CA的人臉識(shí)別算法一般分為三個(gè)階段：第一個(gè)階段利用訓(xùn)練樣本圖像數(shù)據(jù)構(gòu)建特征臉空間；第二個(gè)階段是訓(xùn)練階段，主要是將訓(xùn)練樣本圖像投影到特征臉空間上；最后一個(gè)階段是人臉識(shí)別階段，即將待識(shí)別的人臉圖像投影到特征臉空間，并且和投影后的訓(xùn)練樣本圖像相比較，得到識(shí)別結(jié)果［8］。假設(shè)人臉圖像I(x,y)是大小為MXN的灰度圖像，將其每列相連組成一個(gè)大小為維的列向量D=MXNo人臉圖像向量的維數(shù)就是D,圖像空間的維數(shù)也是Do在人臉識(shí)別問(wèn)題中，通過(guò)將2維人臉灰度矩陣的各行級(jí)聯(lián)起來(lái)，可以得到一個(gè)1維的長(zhǎng)向量［9］。設(shè)P個(gè)原始觀測(cè)指標(biāo)向量x二(

5、xl,x2,???xp)T,給定的一個(gè)樣本x=(xil,xi2,…xip)T,i=l,2,…n,則樣本數(shù)據(jù)的協(xié)方差矩陣為：(1)其中，U為這組隨機(jī)向量的均值矢量，近似表示為：(2)計(jì)算協(xié)方差矩陣Cx的特征值，將前n個(gè)特征值從大到小的順序排序，入1$入2$…入n,對(duì)應(yīng)的特征矢量為：wl,w2,???,w,則存在正交矩陣A使得ATCxA=A。其中,A=diag(入1,入2,…入n)為對(duì)稱(chēng)矩陣。由PCA變換定義得：Y(1)=WTX'(i),重構(gòu)特征向量X'=WTY(i),則X、為該圖像在特征空間中投影得到的新圖像向量，有n維大小，且保留了原始圖像的絕大部分信息。2基于fisher鑒別準(zhǔn)語(yǔ)音特征

6、提取［10］對(duì)說(shuō)話(huà)人識(shí)別來(lái)說(shuō)，受錄音環(huán)境的影響，采集到的數(shù)據(jù)集難免有噪音存在，而這些噪音屬性會(huì)直接影響識(shí)別的準(zhǔn)確性，從而使得分類(lèi)器的性能下降。另外一方面，特征矢量在特征空間中有一定的重疊，識(shí)別過(guò)程中如果所提取的特征包含過(guò)多的語(yǔ)義信息，就不能很好地反映原始結(jié)構(gòu)信息，識(shí)別結(jié)果很差。Fisher鑒別分析其核心思想是從高維空間中提取最具有分類(lèi)能力的低維空間，并使得類(lèi)間離散度最大且保證類(lèi)內(nèi)離散度最小。給定一個(gè)數(shù)據(jù)集{xi},i=l,2……N將其分為c類(lèi)，類(lèi)內(nèi)離散度和類(lèi)間離散度分別定義為：(3)(4)其中，上式中，xik表示第i類(lèi)中的第k個(gè)訓(xùn)練樣本，li表示第i類(lèi)的樣本數(shù)，則有，表示所有訓(xùn)練樣本的均

7、值，第i類(lèi)樣本的均值。定義St=SB+SW,St為總體散度矩陣。則Fisher準(zhǔn)則函數(shù)定義為：(5)問(wèn)題轉(zhuǎn)化為找到一個(gè)最佳投影方向3,使得F(3)取得最大值。引入lagrange函數(shù)：L(o,入)“TSEs-入(sTSWs-￡)(6)其中入為lagrange乘子，則問(wèn)題轉(zhuǎn)化為求L(3,X)的極值問(wèn)題，對(duì)上式中3求偏導(dǎo)并令偏導(dǎo)數(shù)為零，則SB?i=XiSWwio設(shè)Xi為對(duì)應(yīng)矩陣SW-1SB大于零的特征值，則所對(duì)應(yīng)的特征向量si(i=l,