CN111460880A - 多模生物特征融合方法和系统 - Google Patents

Abstract

本发明实施例公开一种多模生物特征融合方法和系统，其中方法包括如下步骤：对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量，对所述分数向量进行分段线性分类处理，生成所述分数向量对应的决策值，根据所述决策值识别所述多模态生物数据对应的身份信息。采用本发明，通过线性分类器将多种生物特征进行融合，可以保留每种生物特征的有用信息，在高维度的特征空间中提取身份信息，可以保证身份识别的准确率。

Description

多模生物特征融合方法和系统

技术领域

本发明涉及毫米波安检成像身份识别技术领域，尤其涉及一种多模生物特征融合方法和系统。

背景技术

每个人都具其固有的生物特征，例如，指纹、面部、耳朵轮廓、身形骨架、虹膜以及步态等，每一种生物特征都可以作为识别一个人的身份标识。但是当出现特殊情况（例如，手指受伤、戴着口罩等）时，相应的指纹或面部识别都不能准确的识别出其相应的身份。

发明内容

本发明实施例提供一种多模生物特征融合方法和系统，通过线性分类器将多种生物特征进行融合，可以保留每种生物特征的有用信息，在高维度的特征空间中提取身份信息，可以保证身份识别的准确率。

本发明第一方面实施例提供了一种多模生物特征融合方法，该方法可包括：

对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量，所述多模态生物数据包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据；

对所述分数向量进行分段线性分类处理，生成所述分数向量对应的决策值；

根据所述决策值识别所述多模态生物数据对应的身份信息。

进一步的，多模生物特征融合方法还包括：

对所输入的多模态生物数据进行数据归一化处理。

进一步的，多模生物特征融合方法还包括：

采用与多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据。

进一步的，在对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量时，多模生物特征融合方法还包括：

将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据；

对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成所述多模态生物数据的分数向量。

进一步的：

所述多模态生物数据包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。

本发明第二方面实施例提供了一种多模生物特征融合系统，该系统可包括：

向量生成模块，用于对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量，所述多模态生物数据包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据；

决策值生成模块，用于对所述分数向量进行分段线性分类处理，生成所述分数向量对应的决策值；

身份识别模块，用于根据所述决策值识别所述多模态生物数据对应的身份信息。

进一步的，多模生物特征融合系统还包括：

数据归一化模块，用于对所输入的多模态生物数据进行数据归一化处理。

进一步的，多模生物特征融合系统还包括：

特征提取模块，用于采用与多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据。

进一步的，向量生成模块包括：

子数据分割单元，用于将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据；

向量生成单元，用于对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成所述多模态生物数据的分数向量。

进一步的：

所述多模态生物数据包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。

在本发明实施例中，通过线性分类器将多种生物特征进行融合，保留每种生物特征的有用信息，在高维度的特征空间中提取身份信息，保证了身份识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术对象员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种多模生物特征融合方法的流程示意图；

图2是本发明实施例提供的一种多模生物特征融合系统的结构示意图；

图3是本发明实施例提供的向量生成模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术对象员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中，多模态生物特征融合系统以下可以简称为融合系统。

下面将结合附图1，对本发明实施例提供的多模生物特征融合方法进行详细介绍。

请参见图1，为本发明实施例提供了一种多模生物特征融合方法的流程示意图。如图1所示，本发明实施例的方法可以包括以下步骤S101-步骤S103。

S101，对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成多模态生物数据的分数向量。

可以理解的是，融合系统可以获取输入的多模态生物数据，上述多模态生物数据可以包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据，例如，可以包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。进一步的，融合系统可以对上述多模态生物数据进行数据归一化处理。进一步的，融合系统可以采用与上述多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据，可选的，也可以使用相同的特征提取方法对上述各生物数据进行特征提取。

在本发明实施例中，融合系统可以对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成多模态生物数据的分数向量。可以理解的是，分数向量中可以隐含各生物数据有用的特征数据。

在可选实施例中，融合系统可以将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据，进一步的，可以对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成多模态生物数据的分数向量。

S102，对分数向量进行分段线性分类处理，生成分数向量对应的决策值。

在本发明实施例中，融合系统可以采用分段线性分类器的分层融合算法对上述分数向量进行分段线性分类处理，生成分数向量对应的决策值。可以理解的是，上述分段线性分类处理的过程可以是将分数向量映射到一个更高维度的特征空间，在该空间中提取隐含在分数向量中能够指示身份信息的决策值的过程。

S103，根据决策值识别多模态生物数据对应的身份信息。

具体的，融合系统可以根据决策值识别多模态生物数据对应的身份信息。可以理解的是，决策值可以是上述分数向量在线性分类器中训练学习后得到的能够综合反映身份信息的信息值。

在可选实施例中，融合系统可以根据预先采集的一组多模态生物数据训练上述线性分类器的分类模型，在识别阶段，可以将上述决策值输入训练好的分类模型识别出上述多模态生物数据对应的身份信息。

在本发明实施例中，通过线性分类器将多种生物特征进行融合，保留每种生物特征的有用信息，在高维度的特征空间中提取身份信息，保证了身份识别的准确率。

下面将结合附图2和附图3对本发明实施例提供的多模生物特征融合系统进行详细介绍。需要说明的是，附图2所示的融合系统，用于执行本发明图1所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1所示的实施例。

如图2所示，本发明实施例的所述融合系统10可以包括：向量生成模块101、决策值生成模块102、身份识别模块103、数据归一化模块104和特征提取模块105。

向量生成模块101，用于对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成多模态生物数据的分数向量。

可以理解的是，融合系统10可以获取输入的多模态生物数据，上述多模态生物数据可以包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据，例如，可以包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。进一步的，数据归一化模块104可以对上述多模态生物数据进行数据归一化处理。进一步的，特征提取模块105可以采用与上述多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据，可选的，也可以使用相同的特征提取方法对上述各生物数据进行特征提取。

在本发明实施例中，向量生成模块101可以对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成多模态生物数据的分数向量。可以理解的是，分数向量中可以隐含各生物数据有用的特征数据。

可选的，请一并参考图3，向量生成模块可以包括子数据分割单元1011和向量生成单元1012。

子数据分割单元1011，可以将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据，进一步的，向量生成单元1012可以对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成多模态生物数据的分数向量。

决策值生成模块102，用于对分数向量进行分段线性分类处理，生成分数向量对应的决策值。

在本发明实施例中，决策值生成模块102可以采用分段线性分类器的分层融合算法对上述分数向量进行分段线性分类处理，生成分数向量对应的决策值。可以理解的是，上述分段线性分类处理的过程可以是将分数向量映射到一个更高维度的特征空间，在该空间中提取隐含在分数向量中能够指示身份信息的决策值的过程。

身份识别模块103，用于根据决策值识别多模态生物数据对应的身份信息。

具体实现中，身份识别模块103可以根据决策值识别多模态生物数据对应的身份信息。可以理解的是，决策值可以是上述分数向量在线性分类器中训练学习后得到的能够综合反映身份信息的信息值。

在可选实施例中，融合系统10可以根据预先采集的一组多模态生物数据训练上述线性分类器的分类模型，在识别阶段，身份识别模块103可以将上述决策值输入训练好的分类模型识别出上述多模态生物数据对应的身份信息。

在本发明实施例中，通过线性分类器将多种生物特征进行融合，保留每种生物特征的有用信息，在高维度的特征空间中提取身份信息，保证了身份识别的准确率。

可以理解的是，上述方法步骤的执行过程只是一种优选的执行顺序，在实现的过程中可以根据实际需求调整上述执行过程的顺序。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所用的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种多模生物特征融合方法，其特征在于，所述方法包括：

对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量，所述多模态生物数据包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据；

对所述分数向量进行分段线性分类处理，生成所述分数向量对应的决策值；

根据所述决策值识别所述多模态生物数据对应的身份信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所输入的多模态生物数据进行数据归一化处理。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

采用与多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据。

4.根据权利要求1所述的方法，其特征在于，在对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量时，所述方法还包括：

将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据；

对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成所述多模态生物数据的分数向量。

5.根据权利要求1所述的方法，其特征在于：

所述多模态生物数据包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。

6.一种多模生物特征融合系统，其特征在于，所述系统包括：

向量生成模块，用于对多模态生物数据中各生物数据对应的特征数据进行特征比对，生成所述多模态生物数据的分数向量，所述多模态生物数据包括至少两种基于全电子稀疏阵列所采集的毫米波生物数据；

决策值生成模块，用于对所述分数向量进行分段线性分类处理，生成所述分数向量对应的决策值；

身份识别模块，用于根据所述决策值识别所述多模态生物数据对应的身份信息。

7.根据权利要求1所述的系统，其特征在于，所述系统还包括：

数据归一化模块，用于对所输入的多模态生物数据进行数据归一化处理。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

特征提取模块，用于采用与多模态生物数据中各生物数据类型相匹配的特征提取算法提取归一化处理后的各生物数据的特征数据。

9.根据权利要求6所述的系统，其特征在于，所述向量生成模块包括：

子数据分割单元，用于将多模态生物数据中各生物数据对应的特征数据分割为多个不重叠的子特征数据；

向量生成单元，用于对所有的子特征数据进行特征比对，将特征比对的比对分数连接形成所述多模态生物数据的分数向量。

10.根据权利要求6所述的系统，其特征在于：

所述多模态生物数据包括毫米波人脸图像数据、毫米波步态图像数据和步态电磁回波数据。

Images