多生物特征识别技术在泛地铁环境中的应用

在准确性和安全性的要求日益提高的今天，如果将两种或两种以上的生物特征结合，将会使识别系统的性能得到很大提高。多生物特征识别技术就是结合多种生理或行为特征进行人的身份识别的技术。在多生物特征识别系统中，需要考虑两方面的问题：一是不同生物特征的选择和实现，二是多种生物特征信息的融合。

多生物特征信息的融合可以在下面三个层次中的任意一层进行。

（1）数据层融合，即在原始信号未作预处理之前进行的综合分析，然而，对于计算机处理而言，由于数据的大量性、特征的复杂性以及数据之间的强关联性等，使得直接利用原始数据的融合很难。

（2）特征层融合，输入数据经过前端处理后，对于每种生物特征分别得到其特征描述向量，然后经过特征融合的处理，将多个低维的特征描述向量合并形成更高维的联合特征向量参数。(www.xing528.com)

（3）决策层融合，决策级融合是在最高层上进行的融合，在各个传感器单独决策后，按一定准则做出全局的最优决策。现有的关于多生物特征信息融合的研究主要集中在决策研究方面。

Dieckmann等利用人脸、唇部运动及声纹“2-from-3”投票方法进行决策。Brunel li等利用超基函数（HyperBF）网络融合声纹和人脸特征，取得了较好的识别效果，该方法的实现难点在于需要准确构建正负样本集和选择若干映射参数。Duc等利用监督学习并结合Bayes理论的方法融合声纹和人脸进行身份验证，在M2VST的37个人中进行实验，取每个人4个样本，其中3个样本作为训练集，第4个样本作为测试集，达到99.5%的识别率。Jain等提出了确定每个用户的特定参数的方法，将指纹、人脸和手型的识别结果融合。Ver linde等提出用K-NN方法融合声和视觉特征，取得了较好的效果。Kittler等提出了融合理论框架并将其分为三层，同时比较了加法准则和乘法准则等算法在融合中的优缺点，证明了应用Bayesian网络进行多个同一生物特征融合的有效性。刘红毅等选取指纹和声纹特征进行融合，在传统K-NN方法基础上提出了改进的ENN方法，与传统ENN相比，认证率进一步提高2%。如何利用多模态获得最大的信息量，是一个值得关注的研究课题。多生物特征的决策层融合虽然简单可行，但是仅进行决策阶段的研究是不够的，因为在处理过程中忽略了特征之间的关联关系所带来的作用和影响，而且仅着眼于融合算法的讨论，因此，还需要研究数据层和特征层的融合。多生物特征识别系统相对复杂，数据存储量大，计算量显著增加，这是它的弱点。但随着计算机技术的高速发展以及高性能价格比专用芯片的出现，多生物特征识别技术将得到更进一步的发展，必将成为生物识别技术的发展主流。