在对两幅掌纹进行匹配时,利用集成学习的方法,将基于未匹配细节点的信息与传统基于匹配细节点的信息进行集成,完成匹配。具体而言,本节利用得分级集成方法,将基于未匹配细节点的七个辅助匹配得分(s1到s7)与主匹配得分(s0)进行集成,得到最终匹配得分。此方法中,未匹配细节点和成功匹配的细节点均由同一个基于细节点的匹配算法中的细节点提取方法得到,本文将这一匹配算法称为基方法(base method)。基本上,所有的基于细节点的匹配算法都可以作为基方法,通过定义和提取未匹配细节点中的区分性信息,并与匹配细节点信息进行集成,提升识别性能。具体的,使用加权相加的集成方法,利用下面公式得到最终匹配得分sf。
图4.2 基于未匹配细节点的特征及辅助匹配得分关系图
(www.xing528.com)
值得注意的是,虽然具有一定的区分能力,但基于未匹配细节点的特征仍然是区分性较弱的辅助特征,经实验证明,多数情况下,单独使用辅助匹配得分进行识别并不能得到令人满意的识别性能。未匹配细节点区分性信息与匹配细节点信息的关系与生物特征识别中的弱特征(性别、民族、身高)与主要特征(掌纹、人脸)的关系相似。在这种情况下,一方面,应该赋予辅助匹配得分较小的权重,以免使其超越主得分而在最终得分中占主导地位,也就是说,在对权重赋值时应满足;ω0 >> ωi,i=1,2,…,7;另一方面,辅助匹配得分的权重也不能过小,从而导致辅助信息(基于未匹配细节点的区分性信息)的丢失。基于此,在实现中,首先赋值ω0>0.5,然后用在模板库上的交叉验证方法确定辅助匹配得分的权重。
识别过程中,在匹配待识别指纹样本和模板库中指纹模板时,首先,利用基方法获得主匹配得分s0和(未)匹配细节点,然后,利用本节中的方法定义和提取基于未匹配细节点的七个辅助特征和辅助匹配得分,最后,用得分级集成方法获取最终得分sf。设置一个判断合法用户的阈值τ。如果sf≥τ,则判断待识别指纹与模板掌纹之间的匹配属于同源匹配,这两个掌纹采集自同一手掌(个体);如果sf <τ,则判断待识别指纹与模板指纹之间的匹配是异源匹配,这两个掌纹采集自不同手掌(个体)。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。