识别技术（精选12篇）
识别技术 篇1
摘要：随着科学信息技术的不断发展, 计算机技术也得到了快速地发展和广泛地应用, 同时也促使模式识别技术在文字识别领域得到广泛的应用。近些年来, 模式识别技术的发展和应用也得到了广大专家学者和社会的关注和重视。该文主要从模式识别技术的发展历史和现状出发, 对文字识别的基本原理进行阐述, 对其统计决策及字句结构等基础识别方法及在文字识别领域的相关应用进行研究分析和总结, 并对模式识别技术领域的前景和未来做出展望。
关键词：文字识别,模式识别,应用,科技信息技术
随着高科技信息技术的快速发展, 计算机技术在存取信息、输出和高速运算等方面得到了不断的完善和健全, 但目前计算机的信息输入还是主要依靠人工, 文字识别中的模式识别技术主要是运用大脑识别机理通过计算机的模拟工作, 从而构造出一个完全能够代替人工完成分类的识别等工作, 以达到实现自动信息处理的机器系统的目的[1]。随着人工智能、思维科学和计算机技术迅速发展, 在文字识别领域的模式识别技术也在不断的向更深、更高层次发展。模式识别主要是由模糊理论、统计、神经网络、句法结构以及支持向量机识别等方法, 笔者就文字识别领域的中模式识别的应用原理做出分析。
1模式识别系统的基本概念
人们在看到某个事物和现象时会不自觉的收集该事物或现象的相关信息, 并将该信息与大脑中已经储存的信息进行匹配或比较后得出相应的结果。对该事物或现象中所获取到的时间及空间信息将其统称为模式。而将模式中同一类别模式统称为模式类[2]。当需要将具体的样本进行归类时就叫做模式分别或模式识别。模式识别系统通常由四部分组成, 分别为数据获取、数据预处理、数据的特征提取及选择和分类决策。数据获取指的是把输入模式切换成适合计算机处理形式的一个过程。数据预处理主要是将多余的噪音去除, 从中提取需要的信息, 通过专业的输入设备对残缺的信息进行必要的修复和处理, 以便于计算机提取特征, 在通过数据获取和预处理后输入信息的数据维数较高, 为了达到分类识别的目的, 对原始数据进行处理过程中, 通过相互的转换从数据中提取出最原始的模式特征。原始数据空间又可以被称为测量空间, 而分类识别都是在一个称为特征空间中进行的。所谓的模式识别系统指的是在测量空间模式中, 维数由低向高的转化的过程, 这也是该系统通常采用的特诊提取及特诊选择。文字算法是文字识别的关键和核心。
2 模式识别技术的应用方法
2.1 统计识别
在数学决策理论的基础上, 产生了一种新的识别方法, 也就是统计识别方法。在进行特征提取时, 就可以采用统计识别的方法, 这时可以将相应的特征向量通过一个特征空间进行定义, 全部的特征矢量都在这个特征空间内。这个特征空间的点都能与各种对象及特征向量之间进行对应。在分类阶段中, 通常采用统计决策的方法完成对特征空间信息的分类, 以此来达到对各类特征对象识别的目的效果。随着科学技术的进步, 我国的统计识别技术已经逐渐成熟, 尤其是对特征提取的识别。
2.2 模糊识别
模糊识别的方法主要是采用模糊数学的原理、概念和方法解决分别识别中存在的问题。模糊识别根据识别事物逻辑思维与吸取大脑识别的特征, 把计算机中的二位逻辑不断地向连续逻辑进行相关的转化。模糊识别的结果根据已经被采用被识别对象所属于的某个类别程度, 也就是隶属度得出结果, 一个对象可以适应于不同的类别或不同程度的类别。通常情况下, 一个对象只可以对应某一个类别。单模糊集理论就是将识别方法按模糊聚类法、择近原则识别法或最大隶属原则识别法分为多个类别[3]。
2.3 神经网络识别
20世纪50年代, 一些相关技术人员对动物神经系统的某些功能进行了研究分析, 并对其进行模拟, 他们通过使用计算机技术对大量的数据进行处理, 从中实现了处理单元结点的建立, 这种单元的出现为互联拓扑网络的建立提供了依据, 被称之为人工神经网络[4]。人工神经网络可以将不同的处理单元进行互连成为一个网络, 在进行识别分类的过程中, 能够通过网络对人的神经系统进行相关模仿, 从而实现分类的效果。这种网络识别方式相比于其它识别方法存在较大的差别, 人工精神网络对识别的对象不需要要求有过多的认识和分析, 并且可以实现智能化处理。神经网络可以实现和模拟人认知过程中的形象思维、感知觉、分布式记忆、自组织与自学习, 同时神经网络识别方法和符号处理之间可以实现互补的作用, 主要用于有处理需求且要考虑诸多条件和因素, 信息模糊或不精准的信息处理。
2.4 句法结构识别
句法识别是统计识别的基础上进行的延伸和补充, 统计识别主要是通过利用数值对图像的主要特征进行相应的描述, 而句法结构识别主要是通过符号的特征描述图像。而句法结构识别通过对语言学中句法层次结构进行一定的模仿, 通过利用分层描述的技术对图像进行层次分解, 从中获得较为简单的子图像, 这种识别方法体现出了识别对象各层次的信息。图像识别的方法也是在统计方法的基础上进行的延伸, 而句法结构识别方法的识别能力较图像识别的识别能力明显提升, 句法结构识别不在是单纯的对象物进行归类处理, 对物体结构和景物同样具备识别能力。
2.5 支持向量机的模式识别
支持向量机的核心思想主要是在特征或样本空间中打造一个最优的超平面, 而这个最优超平面与各种类样本集之间的距离最大, 就是要使其达到最大的泛化能力。支持向量机具有泛化能力强、结构相对简单、全局最优性等特点, 关于支持向量机的模式识别在20世纪90年代中期提出后就得到了大量的专家和学者的重视, 并得到了较为广泛的认知和应用[5]。支持向量机识别解决了函数估计和模式识别等问题。在数字图像处理中具有寻找图像像素的特征, 可根据像素点的特征和周围的环境检测出其差异, 并具备各像素点区分功能。
3 结语
随着科技的进步和信息技术的发展, 利用计算机技术对文字进行识别的应用越来越广泛, 该文通过模式识别技术的几种应用方法进行了简单分析, 对其在统计识别、模糊识别、神经网络识别、句法结构识别、支持向量机的模式识别的应用上加以总结和归纳, 从中了解到模式识别技术还具有巨大的发展空间, 通过人们的不断研究, 模式识别技术不仅能够更好的应用到文字识别中, 同时还能够广泛的应用到其它领域中。
参考文献
[1]张俊玲, 赵林.模式识别的方法与应用[J].产业与科技论坛, 2014 (13) :131-132.
[2]高翔, 邢玉娟.模式识别及其在图像处理中的应用[J].自动化与仪器仪表, 2015 (3) :102-103.
[3]罗笑玲, 黄绍锋, 欧阳天优, 等.基于多分类器集成的图像文字识别技术及其应用研究[J].软件, 2015, 36 (3) :98-102.
[4]崔志国, 曾丽娟, 李晓静.创新技术与应用模式提升勘验系统应用效率[J].警察技术, 2011 (2) :26-28.
[5]李新良.模式识别理论的研究与应用[J].北京电子科技学院学报, 2011 (4) :75-79.
识别技术 篇2
1面像识别原理2、1、1面像识别技术概述
面像识别是近年来随着计算机技术、图象处理技术、模式识别技术等技术的快速进步而出现的一种崭新的生物特征识别技术。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术，如同人的指纹、掌纹、眼虹膜、DNA以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、无法复制一样，不易失窃或被遗忘。由于每个人的这些特征都不相同，因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。
随着计算机技术的迅速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹（视网膜）识别等多种生物识别技术，目前许多技术都己经成熟并得以应用。而面像识别技术则是生物识别技术的新秀，与其他识别技术相比较，面像识别具有简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、出入口控制等多个方面。
面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像，面像跟踪指对被检测到的面像进行动态目标跟踪，面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。
面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过阀值来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断测试样本是否包含人脸；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器；肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。
上述方法在实际系统中也可综合采用。
面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟
踪也不失为一种简单有效的手段。
面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方
法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等
属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量；面纹模板
法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所
有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结
合的方法。
面像识别技术的最新进展是可以通过摄象机来搜索捕捉识别活动的人像，而不仅仅
识别照片。例如，最近由美国新泽西州Visionics公司开发的面像局部特征分析法识别
系统，仅用一部摄象机和一台计算机，即可在人群中识别出某个人来。
该系统利用摄象机扫描拍摄的某一区域，搜索有可能是人脸的形状。然后在存储器
中搜索已事先存入的与之类似的面部特征。为了确认扫描到的眼睛、鼻子和嘴等特征就是一
个活人而不是人体模型或图片，系统还对眨眼或其他可以提供信息的面部动作进行搜索。
然后系统对组成面部图像的像素进行分析。它将每个像素点的明暗度与相邻点进行比较，查找明暗度向周围呈放射突变的区域。在眉骨、眼睛、或者其他突起的特征，比如颧骨和鼻子等处，都会出现这种突变。系统将勾勒出每一个这种像素点的位置，这些点称为“参照点”然后在点之间连线，形成一个由三角形构成的网络。
系统将测量每个三角形的角度，生成由672个1和0组成的数来描述一张面孔。之后程
序尝试从它的数据库中找出与该数据相匹配的类似记录。这种匹配不可能绝对理想，因此软
件会将相似程度分为不同的等级。软件是根据骨络结构描绘参考点的，因此胡须、化妆和眼
睛等伪装都不可能骗过它。
用于扑捉面部图像的除了为标准视频外，近来的发展趋势是热成像技术。热成像技术通
过分析由面部的毛细血管的血液产生的热线来形成面部图像，与视频摄像头不同，热成像技
术并不需要在较好的光源条件下，因此即使在黑暗情况下也可以使用。并可更好地排除胡须、头发以及化妆引起的面部变化的干扰。2、1、2面像识别过程
1．建立面像档案:可以从摄像头采集面像文件或取照片文件，生成面纹(Faceprint)编码；
2．获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹；
3．将当前面像的面纹编码与档案中的面纹编码进行检索比对。
“面纹”编码方式是根据脸部的本质特征和开头来工作的，它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。
上述整个过程都自动、连续、实时地完成，而且系统只需要普通的处理设备。几乎所有的生物测量过程对人们来说都是一种干扰。指纹和掌纹的测定需要人们将手放在玻璃表面。虹膜扫描需要用激光照射你的眼睛。面部识别最大的优越性在于它的方便性, 快速性，而且是非侵扰的。面部识别无需干扰人们行为而达到识别效果，无需为是否愿意将手放在指纹采集设备上，或对着麦克风讲话，或是将他们的眼睛对准激光扫描装置而进行争辩。你只要很快从一架摄像机前走过，你就已经被快速的检验。2、1、3面像识别技术应用范围
面像识别技术作为生物识别技术体系的后起之秀，将有着十分广泛的应用前景。可应用于诸多领域，如出入口控制、银行金融系统、公安追辑嫌疑犯、反恐怖斗争以及互联网中等等。在我国开展的“追逃”斗争，如果能利用面像识别技术，则可大大提高工作效率，并能对犯罪分子产生极大的威慑力量。使用面像识别系统只要在重要的车站、码头、机场、海关出入口附近架设摄像机，系统即可在无人职守的状态下，自动捕捉进、出上述场所的人员的头像，并通过计算机网络将面像特征数据传送到计算机中心数据库，自动与面像数据库中的逃犯面像比较，迅速准确地作出身份判断。一旦发现吻合的头像，可以自动报警并记录。
我国银行金融系统对安全控制有着极高的要求，如电子商务信息系统、金库的安全设施、保险柜、自动柜员机的使用等。由于近年来金融诈骗、抢劫发生率有所增高，对传统安全措施提出了新的挑战。面像识别技术不需要携带任何电子、机械“钥匙”，可以杜绝丢失钥匙、密码的现象，如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。同时，在ATM自动取款机上应用面像识别技术，可以免除用户忘记密码的苦恼，还可以有效防止冒领、盗取的事件发生。
目前，在我国，面部识别技术的研究和应用还刚刚开始，但在欧美等发达国家这一技术已被应用在许多场所。特别是“9.11”恐怖事件之后，美国警方率先在冰岛国际机场、美国波士顿机场、美国奥克兰机场、美国亚特兰大机场、美国休斯敦机场等开始应用这一先进技术，借助闭路监视系统监控扫描人群自动搜寻警方所需要的恐怖分子目标。
蒋遂平:人脸识别技术及应用简介人脸识别的分类
1.1 鉴别、验证和监控
(1)鉴别(identification)：鉴别回答“这是谁？” 将给定的人脸图象与计算机中存储的N个人的图象逐个比较，输出M幅图象，这些按与给定图象的相似度从大到小排列，再由人来确定这是谁。通常，一个人在计算机中只存储一幅正面图象。
(2)验证(verification)：验证回答“这是否为某人？” 将给定的人脸图象与与计算机中存储的某人的图象比较，回答给定的图象是否为某人的图象。通常，一个人在计算机中存储多幅不同角度的图象。
(3)监控(watch list)：监控同时具有鉴别和验证，回?quot;这是否为要找的人？"(Are you looking for me?)。将未知身份的人的图象输入计算机，计算机决定这个人是否在监控名单中，如果在，还必须确定这个人的身份。
1.2 人脸识别和人头识别
(1)人脸识别：输入给计算机识别的人脸图象，只包括人的脸部部分，没有背景、头发、衣服等。这时，计算机在进行真正的人脸识别。
(2)人头识别：输入给计算机识别的人脸图象，除了包括人的脸部有皮肤的部分外，还有部分背景、头发、衣服。这时，人脸的五官特征是次要的，头发、背景、人脸轮廓等是主要特征，一旦头发、背景等变化，识别率下降。
1.3 自动与半自动人脸识别
(1)自动人脸识别：输入到计算机的图象可以是包含人脸的图象，由计算机自动检测人脸部分进行分割后，进行识别。最初人们认为人脸检测是件容易的事，后来发现人脸检测可能比人脸识别更困难（特别是在灰度图象情况下，这时没有运动信息和肤色信息可利用），人脸检测已经是一个独立的研究课题。
(2)半自动人脸识别：采用人工确定人脸图象中两眼各自的中心位置，计算机根据这两个位置分割人脸图象，进行识别。常用于人脸鉴别。人脸识别的性能
2.1主要性能指标
测量人脸识别的主要性能指标有：（1）误识率(False Accept Rate, FAR)：这是将其他人误作指定人员的概率；（2）拒识率(False Reject Rate, FRR)：这是将指定人员误作其它人员的概率。
计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR 随阈值的增大（放宽条件）而增大，拒识率FRR 随阈值的增大而减小。因此，可以采用错误率（Equal Error Rate, ERR）作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR 或 FRR。
2.2 影响人脸识别性能的因素及解决方法
(1)背景和头发：消除背景和头发，只识别脸部图象部分。
(2)人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。
(3)人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。
(4)光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric shape from shading)技术，可以得到一个与光源位置无关的图象。
(5)年龄的变化：建立人脸图象的老化模型。
(6)表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。
(7)附着物（眼镜、胡须）的影响。
(8)照相机的变化：同一人使用不同的照相机拍摄的图象是不同的。应用情况
在无数影视或新闻中出现过这样的场景：警方利用人脸识别技术抓住了罪犯。然而，在现实生活中，人脸识别技术的效果并不令人满意。
美国陆军实验室在13周时间内，用270人的图象测试一个人脸识别系统，发现识别率只有 51%。这套系统在机场中进行测试时，存储了250人的图象，其中的15人在1个月内通过摄影机958次，只有455次被正确辨认，识别率只有47%。在美国一个机场开展的一项为期8周的公开测试中，使用一家公司的人脸识别系统，在4个星期出错率为53%。在另一个机场开展的一项为期90天的测试中，人脸识别系统发出的错误警报也太多。
智能车牌识别技术 篇3
[关键词] 车牌定位车牌识别字符分割字符识别
车牌识别技术在公共安全、交通管理、及相关军事部门有着重要的应用价值，目前该技术主要应用于职能交通系统（Intdligent Transportation SystemITS）。一般来讲车牌识别软件系统主要包括三部分，它们是车牌定位、车牌分割和字符识别，车牌定位的任务是给出图像中车牌的位置，车牌分割的主要任务是将定位后的车牌区域中的字符分割出来，字符识别是最后一部分，它的主要任务是将分割出的字符识别出来。有关车牌识别技术国内外有大量的研究报道，在车牌识别系统中，涉及的方法比较多，有的算法简单，速度快，但识别正确率较低；有的算法复杂，正确率高，但速度慢，以下对现有的一些车牌识别技术进行综述比较。
一、车牌定位技术
车牌定位就是从车牌的图像中提取出车牌区域，它的好坏直接关系到这个系统识别率的高低，并且对识别速度也有很大的影响。由于车牌背景的复杂性与车牌特征的多样性，迄今为止, 仍没有一个完全通用的职能化车牌定位方法。车牌定位算法目前主要有基于彩色的方法、寻找车牌图像上下边界的方法、基于灰度的方法、基于频域或其他变换域的方法等几大类，结合这些基本方法与各种优化算法又派生出许多其他定位算法。
1.利用车牌的纹理的几何变化的定位方法
对车牌区域检测需要运用车牌区域所特有的属性。按照模式识别原理，应找到车牌区域图像固有的且与图像其他区域不易混淆的属性，并且所有使用的属性在各种环境下摄取的图像具有稳定性。在各种条件下车牌所在的图像区域稳定可靠的信息是它具有丰富的边缘，因此涉及了对边缘纹理信息分析为基础的算法。
这类算法的流程可以分为三个步骤:(1)预处理，将彩色图像转换成灰度图并进行图像边界增强;(2)利用根据牌照特点设计的变换公式进行变换;(3)对变换后的图像进行分析，利用牌照的几何特点进行定位。
2.利用图像信息差进行车牌定位的方法
这种方法是利用两帧或两场车牌图片之间的信息差，进行车牌的定位，所以这种方法也叫基于互相关矢量图的车牌定位算法。该算法已于车牌字符笔画两个边缘互相关值最大的原理，由原始图像构造两幅图像，用类似粒子图像测速互相关方法求出“位移矢量图”，再从中依据先验知识进行车牌定位的算法。该算法的特点是可在车牌两倍大小范围内自适应车牌大小，同时还可以得到对后续处理非常有用的信息。
3.利用颜色的车牌定位的方法
利用颜色的车牌定位方法不同于大多数的车牌定位方法，由于对车牌的大小、汽车在图像中的位置以及图像背景的限制很少，而且综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。有关车牌的模型化，根据机动车牌号标准，中国车牌照主要有蓝底白字、黄底黑字、黑底白字、和白底黑字4种类型，根据车牌底色，利用颜色空间距离及相似度计算，就可以从图像中分割出想要的顏色区域，再采用投影法来找到该颜色区域。
4.投影法进行车牌定位
在所有的车牌定位算法中，利用投影法进行牌照区域与背景的分割，是一种非常常用的方法，也是非常实用的方法。其实在上面提到的几种定位放法中，在完成特征计算后，都采用了投影的方法进行切分。投影法定位有牌照水平方向的定位算法和垂直方向的定位算法两种。
二、字符分割技术
在经过车牌定位后，为了方便后面的识别环节，应首先对字符进行分割，并进行归一化，分割质量的好坏和正确与否将直接影响后面的识别结论是否正确。它的主要任务是:确定车牌字符的上下边界，两条直线;将车牌中的字符一一分割出来;将分割出来的字符归一化到一个固定的大小。在这一过程中涉及到的技术主要有二值化、寻找精确字符边界、字符分割。
1.图像的二值化
二值化是车牌识别中的重要处理手段，它可以被用在车牌定位也可以用在车牌的分割中。图像的二值化就是把灰度图像变成黑白图像。选取一个阀值，当灰度值大于该阀值时令其位白点，否则位黑点。根据阀值选取的不同，二值化的算法分为固定阀值和自适应阀值。一般来说，不同的图像采用同一个阀值的效果也会大不一样，所以自适应阀值的灵活性比固定阀值的处理效果要好。但在默写特定的情况下，由于处理的是一组相似的图像，因此也可以选择一个固定的阀值来进行处理。自适应阀值的缺点是可能会产生许多噪声点，如果车牌系统应用范围很窄，则可以选择一个适当的固定点做阀值。
2.寻找边界
二值化后需要寻找车牌字符的边框，一边更精确地定位车牌。根据在字符区域与背景区域的交界处，前景象素的个数会发生突变。从区域的中间点出发，依次寻找上、下、左、右边界。经过上面的车牌定位，可以认为该块区域的中心点位于字符区域内。统计每一行和每一列的白点（即前景点颜色）个数，当发生冲突的时候就认为有可能到达边界了，排除一些噪音干扰，就可以得到字符区域的边界。
3.字符分割
经过牌照字符图像的分割与二值化，得到的是一个只包含牌照字符的水平条区域，为了进行字符识别，需要将牌照字符从图像中分割出来。投影法进行图像字符分割是最简便快捷的方法，其思想是根据车平均字符的特点，把车牌图像进行垂直方向的投影，音字符区域黑色像素点比较多且集中，且每个车牌字符之间有一定的空隙间隔隔开。这样投影下来得到的投影图应该有几个相对集中的投影峰值群，只需要根据峰值群的特点进行分割，就可以得到车牌的字符。
车牌图像字符定位分割的具体算法如下:(1)对车牌图像进行垂直投影，定位出每个字符的左右边界，并保存在数组中;(2)把每个字符分割出来，再进行水平投影，定位出字符具体的上下边界，并保存再数组里;(3)根据每个字符的边界，把字符信息保存再数字里，并在图像中显示定位情况。
三、字符识别
字符识别是车牌识别的最后一步，也是计算量较大的部分。对于单个的字符，最直接的识别方法就是模板匹配方法，由于牌照字符有限且位确定的字体，因此，如果前面的步骤完成的质量较高，则用这种方法的识别效率也会很高，但是如果牌照校正得步规范或字符切割得不够精确，则识别率就会大大降低，因此在实际中，通常都是利用字符的各种特征来进行识别。
1.字符的特征
车牌识别中可利用的字符特征很多，大致可以分为结构特征、象素分布特征及其他特征。
(1)结构特征，结构特征充分利用了字符本身的特点，由于车牌字符通常都是较规范的印刷体，因此可以较容易地从字符图像上得到它的字符的笔画信息，并可根据这些信息来判别字符。
(2)象素分布特征，象素分布特征的提取方法很多，常见的有水平/垂直投影的特征、微结构特征和周边特征等。水平/垂直投影的特征是计算字符图像在水平和垂直方向上的象素值的多少，以此作为特征。微结构法将图像分为几个小块，统计每个小块的象素分布。周边特征则计算从边界到字符的距离。
2.字符识别方法
(1)模板匹配字符识别。模板匹配是字符识别的最基本的方法之一，该方法是将要识别的字符与实现构造好了的模板尽心比较，根据与模板的相似度大小来确定最终的识别结果。基本思想是：首先根据切割下来的字符大小，确定一幅带有加权因子的骨架模板，然后，将切割下来的字符按照模板的大小进行归一化，包括大小的归一化和灰度的归一化，归一化后的字符图像与创建的模板进行匹配。
(2)基于过线数特征的识别方法。该方法是为了提高识别速度，它也是模板匹配的一种，是对模板的算法进行的优化，从模板中提取一些有用的特征，可以使识别速度大大提高。单一特征抽取构成的识别系统通常难以满足要求。车牌识别系统的字符识别，其实也是一种印刷体字符识别，根据印刷体的结构抽取特征，比如数字识别为例，可以抽取四种特征：横线特征、竖线特征、水平方向过线数、垂直方向过线数。然后就可以利用这四种特征和编码器组合的方法实现对印刷体数字的识别。
(3)基于左右轮廓特征的印刷体数字识别。基于左右轮廓特征提取的方法其实质也是一种特征提取的方法。由于印刷体数字的形状相对固定，而且其左右轮廓基本上反映了字符的特征，将数字的左右轮廓特征经归一化处理后得到多个特征值。
一个完整的车牌识别系统包括图像采集、图像处理、车牌定位、字符识别、近端或远端数据库、网络支持等模块。本文主要介绍了车牌定位与识别等关键技术，其他不再一一赘述。
识别技术 篇4
所谓动物跟踪与识别,就是利用特定的标签,以某种技术手段与拟识别的动物相对应(注射、狗牌和耳标等),可以随时对动物的相关属性进行跟踪与管理的一种技术。
进行动物跟踪与识别的主要原因包括:对外来动物疾病进行控制、监督与预防;本土物种的安全保护;政府对动物的识别管理是一种国家政府行为或者国际行为;准确的动物血型与组织标准识别;提高动物疾病的试验室诊断与报告能力;国家和地区畜牧安全性认证;国际贸易的安全性和风险管理。
与传统的识别方式相比,RFID[1~3]技术无需直接接触、无需光学可视、无需人工干预即可完成信息输入和处理,且操作方便快捷,因而能够广泛应用于动物识别领域,并被认为是条形码标签的未来替代品。
1 动物识别标签的种类及安装
RFID系统在动物的饲养业中应用将近20年,在欧洲的应用尤其典型。除了企业内部在饲料的自动配给和产量统计方面的应用之外,还包括跨企业的动物标识、瘟疫和质量控制以及动物行动的追踪。其中的数据传输与编码方法已由1996年制订的ISO 11784和ISO 11785标准所确立。这些标准规定的频率为134.2k Hz,规定使用FDX或者是时序标签。
在安装标签的方式上,有四种不同的基本方法:项圈式标签、耳牌式标签、注射式标签和药丸式标签,各类标签在动物身体上的安装位置如图1所示。
项圈式标签能够非常容易地从一头动物身上换到另外一头动物身上。它只允许在企业内部使用这个系统,主要应用于厩栏中的自动饲料配给以及测定牛奶产量。
耳牌式标签相对于条形码耳牌具有明显的优势。条形码耳牌并不适用于完全自动化过程,因为需要将这些最多几个厘米大小的条形码耳牌放到商用条形码读写器旁边,才能识别这些动物,而射频识别耳牌能够在长达1m的距离内把数据读出。
注射式标签只是在近十年才开始应用。其原理是利用一个特殊工具将标签放置到动物的皮下,从而在动物的躯体与标签之间就建立起了一个固定的联系,这种联系只有通过手术才能撤消。同样,在企业间的某些应用也可以使用这种注射式标签,如用于品种或传染病的控制。
注射式标签是10、20或30mm长的玻璃标签,这些标签在供货时均置于消毒包装中或者带有防传染剂。玻璃标签的尺寸非常小,它包含了一个缠绕在铁氧体棒上的线圈和芯片。典型的大小为23.1mm×3.85mm。各种动物识别用标签构造剖面图如图2所示。
2 RFID用于动物的饲养和跟踪
RFID标签已经被用于识别全世界成千上万的畜牧业动物。该系统可以追踪肉类、奶牛奶羊、贵重饲料和用于特殊试验用的动物。标签的种类包括耳牌式标签或注射式标签,如图3所示。农场管理者可以自动地控制包括喂食、称重、疾病管理和饲养试验等在内的工作流程。
通过使用电子标签,对动物的跟踪能力大大提高。研究结果表明,这项技术适用于各种环境和场合的动物,无论是集中饲养还是分散饲养的牲畜,无论是运往欧洲成员国还是运往欧洲以外国家的动物,无论使用何种屠宰方法宰杀的动物,也无论是生活在欧洲南部还是北部的极端自然环境中的动物。
3 RFID用于动物食品安全
食品卫生与安全问题是关系到人类生死存亡的大事,自从英国出现首例疯牛病例以后,全世界比以往任何时候都更加重视和关注食品的安全与卫生。各个国家都采取了相应的措施来确保食品卫生与安全。目前,世界上已有20多个国家和地区采用国际物品编码协会(EAN)推出的EAN/UCC系统,对食品的生产过程进行跟踪与追溯,并获得了良好的效果。
采用EAN/UCC系统对食品原料的生长、加工、储藏及零售等供应链各个环节上的管理对象进行标识,通过RFID标签和人工可识读方式使其相互连接。一旦食品出现卫生或安全问题,可以通过这些标识进行追溯,查找哪个环节出现了问题,可一直追溯到食品的源头。例如,如果牛肉制品出现了问题,可以追溯到这头牛的出生地和饲养地;如果蔬菜出现了问题,可以追溯到它生长的田地,进而阻断这些地方的货源流入市场,来实现有效的治理。目前,EAN已经开发了将EAN/UCC系统用于跟踪和追溯食品、饮料、肉制品、鱼制品、水果和蔬菜的解决方案。联合国欧洲经济委员会已经正式推荐将EAN/UCC系统用于牛肉制品的跟踪与追溯。牛肉制品的标签信息如图4所示。
4 结论
随着大规模集成电路技术的迅猛发展以及生产规模的不断扩大,RFID产品的成本也在不断降低。同时,由于RFID自身所具有的技术优势和显著特点,使得其应用范围越来越宽。目前,RFID技术在动物识别、门禁管理、商品防伪、工业制造和休闲娱乐等领域也得到了广泛应用。
参考文献
[1]郎为民.射频识别(RFID)技术原理与应用[M].北京:机械工业出版社,2006.
[2]游战清,李苏剑.无线射频识别技术(RFID)理论与应用[M].北京:电子工业出版社,2004.
红外图像自动目标识别技术发展 篇5
主要介绍了有关红外图像自动目标识别技术发展的现状.红外图像自动目标识别系统的关键技术包括: 算法和算法执行的`硬件技术.最后指出了红外图像自动目标识别的发展趋势和应用前景.
作 者：王甜 王建民 杨树谦 田金文 金善良 作者单位：王甜,田金文(华中科技大学)
王建民,杨树谦,金善良(中国航天科工集团第三研究院)
人脸识别技术新发展 篇6
人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术，其中包括大量的识别算法，涉及模式识别、图像处理、计算机视觉、人工智能、统计学习、神经网络等众多学科。
人脸识别的过程其实并不复杂。首先是人脸检测，即判断输入图像中是否存在人脸，如果有，便给出每个人脸的位置、大小；其次是面部特征定位，即对找到的每个人脸，检测其主要器官的位置和形状等信息；最后进行人脸比对，根据面部特征定位的结果，与数据库中人脸对比，判断该人脸的身份信息。与传统的身份鉴定方式相比，人脸识别的最大特点就是更具安全性、保密性和方便性。
之前，人脸识别大多用于门禁识别或公安机关追踪等大型应用。现在，人脸识别技术已经逐渐进入人们的日常生活。解锁手机、登录电脑、进入邮箱，甚至领取养老金等都可以用到人脸识别技术。
硬件设备方面，苹果正在研究一些方法让用户使用人脸识别技术方便地开关和控制iOS设备。这种技术最终会让iPhone和iPad具备人脸解锁功能。
联想在新款的笔记本电脑上也配备了人脸识别技术，凭借这种技术，笔记本电脑的主人在登录系统时，就可以免去输入密码的麻烦而直接进入系统。
网络应用方面，尤其是社交网络应用，很多社交产品开始利用人脸识别使影像信息和用户的社交网络个人资料连接起来。Facebook 就推出了人脸识别的社交应用：当用户向 Facebook 网页上传一张新照片时，这个功能会根据之前被标记的照片进行自动扫描，提示用户新上传的照片中所要标记的人物姓名。这项功能使用人脸识别技术，让普通用户的面孔直接与网站上的背景资料、好友关系匹配。
在国内，网易2010年成立了人脸识别研发团队，目标就是把人脸识别作为网易下一项安全升级措施，对目前的将军令（动态密码保护器）和密保卡进行补充。2012年下半年，网易人脸识别系统率先在网易免费邮箱登录时应用。网易邮箱用户可以选择异地登录时要求人脸认证、短时间多次输错密码被锁定进行人脸认证解锁等功能。
腾讯则推出了“搜搜慧眼”，这是一个基于人脸识别的社交产品。用户将手机切换到人脸识别模式，启动“明星脸识别”功能，“慧眼”会自动识别照相镜头中的人脸，并将之拍下来；随后，它会在网上寻找与这张脸最相似的明星的脸显示出来，并对服饰、妆扮等细节进行点评。最新版本的“搜搜慧眼”在人脸识别拍照的同时，还可以把识别结果一键分享到腾讯微博、新浪微博上。
在计算机技术、网络技术和人工智能技术日新月异的今天，高速发展的人脸识别技术将会有更广阔的舞台来展现其价值。也许就在明天，人脸将成为我们电子生活中的重要名片和标签。人脸识别技术将体现在我们生活的方方面面，改变我们的生活方式。
语音识别技术探析 篇7
1. 语音识别技术的发展情况
1.1 国外发展状况
国外一些发达国家关于语音识别技术的研究是从20世纪50年代开始, 第一个语音识别系统是贝尔实验室研究出来的Audry系统, 该系统虽然只能识别10个英文数字, 但是它却是语音识别的鼻祖, 开了语音识别技术的先河。在70年代初, 语音识别技术取得了实质性的进展, 能够进行特定人、小词汇表、孤立词的识别。20世纪80年代末, 语音识别技术取得重大突破, 比较有代表性是卡耐基梅隆大学李开复博士研究的Sphinx系统, 该系统能够实现对非特定人、大词汇量、连续语音的识别。在语音识别领域上具有划时代的意义, 使语音识别技术打破特定人、小词汇量、非连续语音的藩篱。并于20世纪90年代开始从实验室走向市场。许多国际著名的大公司都对语音识别技术的研究投入巨资, 语音识别系统的实用化研究得以蓬勃发展, 拓展应用到各个领域。
1.2 国内发展状况
我国关于语音识别技术的研究开始于20世纪50年代, 其研究历程主要分为三个阶段:
一是引进、移植阶段。在20世纪70-80年代中期, 我国语音识别技术研究处于探索和起步阶段, 这一时期以吸收和引进国外理论和技术为主, 主要进行实验室环境条件为主的汉语语音识别研究, 为汉语语音识别技术的研究和发展奠定了基础。
二是自成体系阶段。在20世纪80-90年代中期, 在国家863“智能计算机主题”专家组对汉语音识别技术立项的推动下, 我国语音识别技术在理论和实践上都有较大进展。逐渐走出一条适合汉语特点的研究路子, 缩小了与国际研究水平的差距。
三是成熟阶段。从90年代中期以来, 在国家863《智能计算机主题》项目的推动下, 汉语语音识别技术在逐渐走向成熟, 在模型匹配设计、参数优化以及自适应方面都取得了突破性进展。
2. 语音识别系统的分类
2.1 从说话者与识别系统的关系考虑
一是仅考虑对于专人的话音进行识别的特定人的语音识别系统;二是识别的语音与人无关的非特定人的语音识别系统;三是能识别一组人的语音的多人语音识别系统。
2.2 从说话者的方式考虑
一是输入每个单词都要停顿的语音识别系统;二是能够识别简短的连续语音的语音识别系统;三是能够正确识别大量的连续语音的语音识别系统。
2.3 从识别词汇量大小考虑
一是只包括几十个词的小词汇量的语音识别系统;二是包括几百个词到几千个词的中等词汇量的语音识别系统;三是包括几千到几万个词的大词汇量的语音识别系统。
3. 语音识别的基本方法
3.1 基于语音学和声学的方法
在语音识别技术发展之初, 就提出了基于语音学和声学方面的研究, 但是由于所涉及的领域过于广泛、知识过于复杂, 多年来一直没有突破, 仍然处于实验室研究阶段, 没有走向实用, 而且逐渐被其他方法所取代。
3.2 模板匹配的方法
模板匹配方面经过多年的研究已经取得突破性的进展, 目前已比较成熟, 开始走向市场进入实用阶段。主要核心技术有动态时间规整、隐马尔可夫和矢量量化三种技术。
3.3 神经网络的方法
这种语音识别方法起步于80年代末期, 该方法模拟了人类神经活动的原理, 具有较强的分类功能和输入-输出映射能力。而且自适应性、容错性、并行性及学习特性都非常好。这些特点很吸引那些致力于语音识别技术研究的专家们, 但是由于识别、训练时间太长, 一直不被人们所接受, 目前仍处于实验探索研究阶段。语音识别专家经常把人工神经网络方法和其他方法结合使用进行语音识别。
4. 语音识别系统的结构
随着语音识别技术的发展, 目前已经有成千上万个语音识别系统, 虽然每个语音识别系统功能上都有所不同, 但是所采用的基本技术都是相似的, 一个典型的语音识别系统实现过程如下:
4.1 特征提取
特征提取是对语音信号进行分析处理, 去掉无关的多余信息, 获取有用的关键信息, 同时对语音信号进行压缩处理以便于存储。
4.2 模式匹配
将获得的语音信息使用一些算法进行训练产生声学模型, 然后将输入的语音信息和模型库中的声学模型进行比较和匹配, 以获取需要的语音信息。
5. 语音识别所面临的问题
5.1 语音识别需要进一步突破模型匹配方面的技术
语言模型和声学模型是语音识别技术的基础, 目前语音识别技术在这两个方面仍处于研究探索阶段, 所使用的语言模型还是一种概率模型, 还没有开发出来以语言学为基础的模型。因此, 要使计算机真正能听懂和理解人类的语言, 必须进一步突破模型匹配方面的瓶颈问题。
5.2 语音识别技术也要进一步改进以提高其自适应性
目前, 大部分语音识别系统都需要用户在输入之前进行语言训练, 让计算机熟悉其声音特点。用户对于大量的训练会感觉到很繁琐甚至厌倦, 导致使用语音输入的积极性就差, 宁愿使用其它输入方法。这在某种程度上制约了语音识别技术的发展和应用。因此, 语音识别系统要想被广大用户的认可, 必须提高其自适应性, 使之不受用户口音、语速及语调的过多影响。
5.3 语音识别技术还需进一步增强其强健性以适应各种环境
目前, 语音识别技术受环境因素的影响还是很大, 在公共场合, 来自四面八方的声音, 让计算机很难听懂用户所说的话。这极大地限制了语音技术的应用, 如何让语音设备从纷繁复杂的声音中获取自己所需要的声音, 这确实是个艰巨的任务, 需要有很长的路要走。
5.4 多种语言以及专业词汇识别方面还需要改进
目前使用的声学模型和语言模型比较简单, 只能识别一种语言和一些常用的词汇。如果用户突然从一种语言转为另一种语言, 或者说出一些专业词汇, 计算机就会不知所云, 可能会产生奇怪的反应。希望对声学模型和语言模型能够进一步改进, 使计算机能够识别多种语言和一些专业的词汇, 这样, 用户就不会在各种语言和词汇方面进行来回转换。
由此可见, 如果语音识别技术在上述几个方面取得一些进步, 人类的生存和交流空间将进一步得到拓展, 人类将获得更大的自由, 将会带个我们全新的生活空间。
摘要：随着信息技术和计算机技术的迅猛发展, 语音识别技术已经应用到各个领域中, 语音识别已经成为计算机标准的输入手段之一。人们在熟练使用语音输入时, 应该对语音识别技术有所了解, 本文就对语音识别技术的发展状况、特点、关键技术和遇到的瓶颈问题做一个简要的阐述, 已达到抛砖引玉的作用。
关键词：语音识别技术,探析
参考文献
[1]廖锎.浅析语音识别技术的发展及趋势[J].科技传播, 2010年17期.
[2]任杰.语音识别技术概述[J].大众科技, 2010年08期.
人脸识别技术综述 篇8
人脸识别,特指利用人脸视觉特征信息的分析比较结果进行身份鉴别的计算机技术[1]。一般人脸识别有广义和狭义之分,广义是指包含人脸图像采集、定位、预处理、身份确认与查找等在内的技术;而狭义仅指身份确认或查找系统。
通俗来讲,人脸识别指运用计算机分析人脸视频或图像之后,提炼可用、有益的识别信息,再对人脸对象的身份构建判断与识别。人脸识别是身份识别研究中最主要的一种方法,重点建立在生物识别技术基础之上,而且其中应用了诸多计算机相关的图形学、人工智能等最新技术手段。
人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,其生物特征内在的稳定性和唯一性使其自然成为了身份识别的理想依据。学术界对人脸识别相关问题的研究已然趋近成熟,并形成了为数可观的研究成果,到目前为止,仍然在不断的探索与发展中,尤其在人脸身份识别方面的建树颇多。快速、直接、简捷是人脸识别系统的独有优势,并已广泛运用于刑事侦破、信息安全等方面。在此,本次研究将对人脸识别技术给出全面的解析论述。
1 人脸识别发展历程
早在20世纪50年代,心理学家即已着手对人脸识别展开研究,但是直至60年代,对人脸识别真正意义上的研究才正式开启,具体是从工程应用层面出发,研究得到一种半自动的人脸识别系统,这种系统具备的特点可描述如下:
一是该系统是对局部的识别,对人脸的几何特点识别,进而分析人脸器官特征信息及其之间的关系,优势在于识别手段简易、清晰,劣势在于一旦人脸的视角、表情等发生变动和变化,那么很难准确地得到识别效果;二是这种半自动的人脸图像识别需要较为严苛的约束环境和条件,如果图像存在单一或无背景的情况,那么就将削弱最终的处理效果。
研究递进到20世纪90年代以后,即已朝着整体和局部相结合的态势演变。学者们认为需要将人脸的形状拓扑结构、局部灰度和全局灰度分布等多项人脸特征信息相结合,才能全面、准确地实现人脸图像识别。1991年,Turk和Pentland[2]首次提出著名的“特征脸”(Eigenface)方法,利用主成分分析(Principal Component Analysis,PCA)取得了不错的识别效果[2];Belhumer在其论文中,则将Fisher判别准则成功应用到了人脸分类当中,由此而提出Fisherface方法[3]。
此后,这种应用线性子空间和统计特征的技术就已成为当时大众化流行的识别技术,可概括为利用成分分析、线性判别分析的特征识别手段。后期出现了基于机器学习理论的实用技术,学者们相继探索出遗传算法、支持向量机等方法对人脸进行识别。
2 人脸识别方法分类
研究可知从不同的角度,人脸识别可有不同的分类方法。本次研究根据人脸识别发展阶段的特征,把人脸识别技术分为初期以几何特征为基础、中期以代数特点为依据、后期以机器学习理论为原理3种。下面即对这3类研究给出功能实现概述。
2.1 以几何特征为基础的研究
这种方式是将人脸用一个几何特征矢量予以有效表示,并根据模式识别中层次聚类的思想设计分类器,达到识别目的。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量,本质上是特征矢量之间的匹配,相应分量通常包括人脸指定2点间的欧式距离、曲率、角度等[4]。
该类研究方式优点是简单易懂,但是由于能量函数中加权系数的选择表现出一定的经验性,并未能形成规范统一的特征提取标准;而且图像稳定的特征提取仍有难度,尤其是特征受阻时;另外,对于明显的表达变化或不良的姿势变化,其鲁棒性均呈现低弱。
2.2 以代数特点为依据的研究
这种方式往往基于代数特征图像的像素变换投影空间,具有某种数量的基本图像对人脸图像线性编码,典型的理论工具可首推主成分分析方法。
主成分分析方法早期是由Sirovitch和Kirby[5]引入人脸识别领域,并将其用于分析数据,过程中是使用数量少的特点来描述为了降低特征空间维数的样本,而且是基于K-L来展开和实现的。
2.3 以机器学习理论为原理的研究
由2.1节中的研究方式可知,人脸特征是预先定义形成的。本节讨论的方式,则是通过使用统计分析和机器学习技术,从中获取信息。获得的信息存在于确定的分布之中,并通过算法、模型和判别函数,用作人脸图像识别。这种分类器是时下至关重要的一门技术,而且涵盖了SVM、Hidden Markov模型与Ada Boost算法等在内的综合开发系统技术。
3 人脸识别主流方法的应用研究
3.1 特征脸方法
人脸方法来自主成分分析的人脸识别和描述技术。这种方法主要是把图像区域当作随机变量,运用K-L转变成为正交K-L基,与较大特征值相关的对应基具有与人脸相似的形状,所以也可称做特征脸。使用这种线性组合能够描述、展现近似的人脸图像、人脸识别以及合成。具体方法为把人脸图像映射到人脸子空间之上,同时对人脸图像在特征脸子空间上的方位进行对比。
3.1.1 人脸空间的建立
研究假设人脸图像包含了众多像素点,并且可用N维向量Γ来表示,那么样本库就可用Γi(i=1,…,M)提供应用表达[6]。人脸空间的基向量由协方差矩阵C的正交特征向量构成,因此称为特征脸。
把特征值由大到小排列:λ1≥λ2≥…≥λr,其对应的特征向量为μk。在此条件下,不同的人脸图像都能投影到由u1,u2,…,ur组成的子空间中。结果就是不同的人脸图像将映射为子空间中的不同点,反之亦然。
3.1.2 特征向量的选取
协方差矩阵Ω所生成的非零特征值的k(k远小于M)个特征向量,一般来说k值比较大,但在常规情况下却并非需要保留所有的特征向量。因为投影的计算速度是同子空间向量数有着密切关联,如果能够考虑到时间限度,就能够提取有效信息的特征向量。
3.1.3 预测识别
人脸图像至其投影可得到一组坐标系数,该系数能够表明图像在子空间中的位置,因而可以作为人脸识别的基础。换言之,每一幅人脸图像皆能显示出线性组合的“人脸”,加权系数为K-L变换的扩展系数,也能作为图像的代数特征。所以,提取特征脸信息后,可向对方典型样本进行投影,并将得到的投影特征映射到各研究人脸的特征向量,作为后续识别匹配搜索空间的一个步骤。图1~图3给出了不同情况下的特征脸图像。
3.2 线性判别分析法
线性判别分析,可简称为LDA,本质是多维模式空间到一维特征空间的映射,使用类的成员信息形成一组特征向量,构建得到的特征空间称为Fisherface。在理论上,这种方式主要是利用类之间的散射矩阵类中的训练样本和基于散射矩阵的最优投影空间。和人脸识别方式比较,该种模式能够抑制不确定图像间的差异信息,并可以进一步提取利于识别的特征,因而具有较好的识别性能。
Lades等人认为人脸图像皆有相似的拓扑结构,提出了关于建立在动态连接结构的弹性图匹配方式基础上的物体识别问题。每节点涵盖40个小波系数,集合称为射流,对小波系数进行原始图像和一组5个频率、8个方向的Gabor小波卷积。所以每一张图像,就像标签被逐一校准,而边缘之间的距离则是通过点来设计校准。因此,针对图中边缘编码后得到的是人脸的几何形状,而图中节点编码后的结果是灰度值的分布。实现过程示意如图4所示。
由图4可知,弹性图匹配的意义在于寻找新的人脸,同时提取一张图像,图像类似于束图,用其可以开展识别工作。当开始识别的时候,计算、测量人脸和目前束图之间的相似性,具有最大相似性的面部实体就指明了测试人脸的身份。
3.3 局部二值模式
局部二值模式(Local Binary Pattern,LBP)是执行纹理描述的最佳方法之一,并已在各类应用软件中获得全面功能发挥,同时经由实践证得该模式具备着强大的判别能力、计算效率及不变形单调灰度水平变化等显著优势[7],因而可将其应用到不同复杂程度的图像分析课题研究之中。
3.3.1 基本LBP算子
LBP算子最初是界定于3×3邻域,将中心像素设置成阈值,并将灰度值与其建立对比,大于中心像素时就记1,反之记0。这时的8个点就能变换为一种8位没有符号的二进制数,此二进制数再转换为十进制数,也就是窗口的LBP值。LBP可整体反馈出区域的纹理信息。基本的LBP算子如图5所示。
LBP能够用邻域的大小不同,采用圆形面积与双线性插值,邻域半径R和P的像素数能任意选择,用符号(p,r)表示像素区域。常见的LBP算子参见图6。
3.3.2 LBP人脸描述
使用LBP手段描述人脸,具体表现为运用纹理描述符对人脸局部展开详细的绘制处理,然后将其组合成一体。人脸图像就被分割成几个局部区域,从这些不同的区域提取纹理描述符,并共同构成人脸的整体视图。
把脸部区域分成确定的m份R0、R1、R2、…、Rm-1,直方图将依序计算每个区域,M的直方图计算结果整合在一起形成空间,空间增加M×N大小的直方图,其中的n表示一个直方图的大小。空间增强的直方图可以有效地描述3个不同层次的脸部,具体的3个层次分别为:直方图LBP标识包含一个像素级别的信息;地域级是由小的区域上的标志集结构成的;这些区域的直方图连接起来,最终形成完整的人脸。
4 结束语
人脸识别技术存在独有优势和广阔前景,但同时却也面临一定问题与难点,而这些问题却均是源起于人脸具备的生物特征的某些显性表象。人脸在视觉上的特点可实际剖析如下:
一方面,由于个体间差别较小,人脸、人体器官构成也比较类似,虽然对人脸定位是占优势的,而对区别个体却产生干扰;另一方面,人脸的表情变化产生的视觉图像也会导致差异。此外,人脸图像识别时还会受到其他约束条件影响,比如光照、年龄、遮盖物等。因此,解决上面提及的各类问题则既是创新,更是挑战,而且也已成为人脸识别技术开展未来研究的后续发展方向。
摘要：文章首先对人脸识别技术进行了介绍,其次回顾了人脸识别研究的发展历程及识别方法的基本分类,然后对当前主流的人脸识别方法展开了详细的论述,最后提出了人脸识别技术面临的问题及研究方向。
关键词：人脸识别,特征脸,线性判别分析,局部二值模式
参考文献
[1]吴巾一,周德龙.人脸识别方法综述[J].计算机应用研究,2009,26(9):3205-3209.
[2]TURK M,PENTLAND A.Eigenfaces for recognition[J].Journal of cognitive neuroscience,1991,3(1):71-86.
[3]BELHUMEUR P N,HESPANHA J P,KRIEGMAN D.et al.fisherfaces:Recognition using class specific linear projection[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1997,19(7):711-720.
[4]BARTLETT M,LADES H,SEJNOWSKI T.Independent component representations for face recognition[C]//Proceeding of the SPIE Symposium on Electronic Imaging:Human Vision and Electronic Imaging.San Jose,CA:IEEE,1998,3299:528-539.
[5]KIRBY M,SIROVICH L.Application of the Karhunen-Loeve procedure for the characterization of human faces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(1):103-108.
[6]SAMARIA F,YOUNG S.HMM based architecture for face identification[J].Image and Computer Vision,1994,12(8):537-543.
人脸识别技术研究 篇9
计算机人脸识别技术是利用计算机通过对人脸图像的分析、特征的提取,从中提取出有效的识别信息,进而实现(自动)辨识人脸,并进行自动身份验证的技术。
2 方法归类
人脸识别的方法大致可以分为基于几何特征的方法、基于模板匹配的方法、特征脸方法、隐马尔可夫模型的方法,基于神经网络的方法。
2.1 基于几何特征
几何特征的识别方法首先将人脸用一个几何特征矢量表示,用模式识别中的层次聚类思想设计分类器来对人脸进行识别。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量,其分量通常包括人脸指定两点间的欧氏距离、曲率、角度。人脸器官的关键点分别对应于不同的积分投影方式产生的波峰波谷,根椐人脸结构的先验知识,可得出人脸各器官之间的几何位置关系。
2.2 基于模板匹配
基于模板匹配的方法大多是用归一化互相关,直接计算两幅图像之间的匹配程度。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件,所以预处理要做尺度归一化和灰度归一化的工作。最简单的模板匹配方法是每个人作为数据库中的一个条目,它的字段包含一个从正面人脸像抽取的二维点阵。图像必须经过归一化。识别时,未分类的图像跟数据库中的所有图像数据进行比较,采用相关作为典型的匹配函数[1]。
2.3 特征脸方法
特征脸识别方法是一种非常常见的方法。它本质是基于特征的方法,只不过它的特征是在抽取代数特征的基础上完成的。这里的代数特征是与几何特征相对而言的,是指经过数字变换得到的特征。主分量分析(PCA)是一种常用的方法,PCA实质上是K-L展开的网络递推实现,K-L变换是图像压缩中的一种最优正交变换,其生成矩阵一般为训练样本的总体散布矩阵。由于高维图像空间K-L变换后可得到一组新的正交基,因此可通过保留部分正交基,以生成低维人脸空间。而低维空间的基则是通过分析人脸训练样本集的统计特性来获得,K-L变换的生成矩阵可以是训练样本集的总体散布矩阵,也可以是训练样本集的类间散布矩阵,即可采用同一人的数张图像的平均来进行训练,这样可在一定程度上消除光线等的干扰,且计算量也得到减少,而识别率不会下降。将子空间的正交基按照图像阵列排列,则可以看出这些正交基呈现人脸的形状,这些正交基也被称作特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,可以进行人脸识别和合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上,比较其与已知人脸在特征脸空间中的位置。
2.4 隐马尔可夫模型
人脸面部特征的分布都依照一种自然的顺序,即从上到小、从左到右,即使人脸在平面和垂直方向上发生旋转,这种顺序也不会变化。如果给人脸的每一个小区域分配一个描述和识别[2]。
2.5 基于神经网络
基于神经网络的方法是近年来比较活跃的一个研究方向.人工神经网络(ANN)是一种以大的量处理单元(神经元)为节点,处理单元之间实现加权值互联的拓扑结构,处理单元是人类大脑神经单元的简化。Cottrell等人使用级联BP神经网络进行人脸识别,对部分受损的人像、光照有所变化的人像,个人识别能力较好。
2.6 弹性图匹配
弹性图匹配方法(Elastic Matching)是一种基于动态链接结构的方法,是动态匹配中的一种。弹性匹配方法用网格作为模板,将图像间的比较变为网格间的比较。对于网格上的每一点抽取一定的特征信息,如灰度值、梯度值、傅里叶变换系数值、小波变换系数等,形成一组特征矢量,并用这些特征矢量来代表图像进行匹配。在将一幅图像的网格同另一幅图像的网格进行匹配时,一般先规定一个能量函数或代价函数,然后在一定范围内对网格进行逐点变形搜索,找出每一点对应的能量函数最小点的位置。这种利用弹性形变实现图像之间最佳匹配的方法称之为弹性匹配法。弹性图匹配能够容忍表情的变化,并在一定程度上能够容忍视角的变化。而这也是弹性图匹配方法优于特征脸方法的原因。
3 结语
人脸识别是利用人脸各器官(例如眼、鼻、口等)的几何特征和位置来区分被识别者,虽然人脸识别的准确性要低于虹膜、指纹的识别,但由于它的无侵害性和对用户最自然、最直观的方式,使人脸识别成为最容易被接受的生物特征识别方式。
参考文献
[1]OsamuNakamura,Shailendra Mathur,Toshi Minami,Identifica-tion of human faces based on isodensity maps Pattern Recog-nition,24(1991)3263-272
人脸识别技术研究 篇10
1 人脸识别系统概述
人脸识别的研究始于20世纪60年代末Bledsoe提出了半自动人脸识别系统模型。早期人脸识别研究主要有两大方向:一是提取人脸几何特征的方法,包括人脸部件归一化的点间距离和比率以及人脸的一些特征点,如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构;二是模板匹配的方法,主要是利用计算模板和图像灰度的自相关性来实现识别功能。目前已经出现了很多著名的人脸识别方法,例如Bio ID公司的人脸识别系统等,并已投入应用。
一个广义的完整的人脸识别系统包括:第一,从任意的图片或视频中决定是否有人脸,如果有,确定其位置和尺寸,这个任务就是人脸检测;第二,从人脸面部图像进行正确识别。因此,人脸识别系统主要包括两个技术环节:首先是人脸检测和定位,然后是归一化的人脸图像进行特征提取与识别。
2 常用的人脸检测方法
根据对人脸检测算法发展和现状的研究,人脸检测算法可分为:基于几何特征的方法、基于肤色模型的方法、基于统计理论的方法。
2.1 基于几何特征的人脸检测方法
所谓的人脸的几何特征指的是人类面部器官在几何上体现的特征,主要包括基于先验知识的方法、基于特征不变性的方法和基于模板的方法。
基于先验知识的方法:是将人脸面部器官之间的关系编码准则化的人脸检测方法。该方法是一种自定而下的方法,依据人脸面部器官的对称性、灰度差异等先验知识,制定出一系列的准则。当图像中的待测区域符合准则,则被检测为人脸。
基于特征不变性的方法:该方法着眼于检测面部的一些不变的特征,如眼睛、鼻子、嘴巴等。该方法是自底而上的,先利用各种手段寻找上述的不变特征,然后综合找到的这些不变特征来确定待检测区域是否是人脸。
基于模板的方法;该方法可分为两类:预定模板和变形模板。预定模板方法首先制定出标准的模板,然后计算检测区域和模板的相关值,当相关值符合制定的准则就判断检测区域为人脸。变形模板首先制定出模板参数,然后根据检测区域的数据对参数进行修改直至收敛,以达到检测出人脸面部器官位置的目的。
2.2 基于肤色模型的方法
肤色是人脸的重要信息,肤色特征在人脸检测中是最常用的一种特征。肤色特征主要由肤色模型描述。常用的肤色模型有高斯模型、混合高斯模型和直方图模型。除此之外还有直接利用几何参数描述肤色区域分布范围的模型、三维投影模型、基于神经网的肤色模型等。
2.3 基于统计理论的方法
由于人脸图像的复杂性,描述人脸特征具有一定困难,因此基于统计理论的方法越来越受重视。此类方法将人脸区域看作一类模式,即模板特征,使用大量的“人脸”与“非人脸”样本训练、构造分类器,通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。
3 常用的人脸识别方法
人脸识别使整个人脸识别系统的最后一个步骤,是根据人脸特征的提取结果,将待测人脸与人脸库中人脸数据进行比较,判断出待测人脸的身份信息。常用的人脸识别方法有以下几种。
3.1 基于弹性图匹配的方法
弹性图匹配法是一种基于动态链接结构的方法,该方法在二维空间中为人脸建立属性拓扑图,把拓扑图放置在人脸上,每一节点均包含一特征向量,它记录了人脸在该顶点位置附近的分布信息,在人脸图像上扫描拓扑图结构可提取相应节点特征向量。各节点之间的拓扑链接关系用几何距离来标记,从而构成基于二维拓扑图的人脸描述。
弹性图匹配法使得人脸几何特征描述越来越充分,保留了人脸的拓扑结构和局部特征,通过局部节点调节和弹性图变形,以及局部特征的多级Gsbor变换描述,使得该方法对光照、表情变化等具有较好的适应性。
该方法的主要缺点是计算量较大,处理时间长。必须对每个存储的人脸计算其模型图,占用很大的存储空间。
3.2 基于特征脸的方法
基于特征脸的方法指,通过K-L变换将表征人脸的高维向量映射到由若干特征向量张成的子空间中,从而实现对人脸图像的最优解析和重构。
特征脸法的本质是抓住了人群的统计特征,但不具有广泛性、代表性,并且受光照、姿态变化等干扰都会使识别率严重下降,该方法也不适于库中人脸数目变化较大的情况。
3.3 基于神经网络的方法
基于神经网络的方法是一种以神经元为节点,神经元之间实现加权值互联的复杂拓扑结构,结构上更类似于人脑,是一种更接近人智能的信息处理方式。
神经网络法优势在于保存了图像中细微形状信息,避免了较为复杂的特征提取工作,可以通过学习过程获得其他方法难以实现的关于识别规则的隐性表达。由于神经网络的神经元数目通常很大,该方法仍然存在运算量大、训练时间长、过程较复杂、收敛速度慢以及容易陷入局部最小等问题,成为制约其广泛应用的主要因素。
3.4 基于支持向量机的方法
支持向量机的目标是得到现有信息的最优解而不是当样本数目趋于无穷时的最优解,较好地解决了小样本情况下的学习问题。该算法最终将转化成为一个二次型寻优问题,理论上得到全局最优点。该方法计算复杂度高,当训练样本个数较大时,会得到大量支持向量,使分类器计算量也很大。
3.5 其他方法
小波变换是空间(时间)和频率的局部变换,采用小波变换特征能够有效描述人脸局部信息。
基于隐马尔可夫模型的人脸识别方法把面部器官特征和一个状态转移模型联系起来,这种模型既考虑了人脸各器官的不同特征,又考虑了他们的相互关联,比孤立利用各器官的数值特征有概念上的进步,该模型的参数能较好地表征具体人脸模型。
此外,Bartlett采用独立分量分析的方法识别人脸,获得了比PCA方法更好的识别效果。
4 研究的方向及重点
人脸识别虽然已经取得了很大的成果,但由于人脸识别问题的复杂性,人脸识别技术还可以从以下几点进行完善。
1)就二维图像而言,细节是区分人脸的关键。如何提取细节特征具有重要的意义。
2)发型、装饰灯外在条件的干扰,会影响到识别的结果。在人脸识别时要注意抑制分离外在干扰的影响。
3)人脸识别涉及心理学、生理学等众多学科,研究中应借鉴多学科的研究成果,最大限度获取各种信息并且有机的集成起来加以利用,以提高识别率。
4)三维图像较二维图像更能提供完整而真实的内容,且减少光照和姿态等变化的影响,如何利用三维信息识别将是一个具有挑战性的研究课题。
随着图像处理、模式识别、人工智能、计算机技术及心理学等科学的发展,人脸识别技术将会不断完善,人脸识别系统的性能将会更加精确、高效。不久的将来,人脸识别将会得到更广泛的应用。
参考文献
[1]Jain A K,Zhong Y,Lakshmanan S.Object Matching Using Deformable Templates[J].IEEE Transactionon Pauern Analysis and Machine Intelligence,1996,18(3):30.
[2]Yuille A L.Deformable templates for face recognition[J].Journal of Cognitive Neuroscience,1991,3(1):59-70.
[3]边肇祺,张学工.模式识别[M].2版.北京:清华大学出版社,2000.
[4]周杰,卢春雨.人脸自动识别方法综述[J].电子学报,2000,28(4):102-106.
[5]李江.红外图像人脸识别方法研究[D].长沙:国防科技大学,2005.
[6]刘向东,陈兆乾.人脸识别技术的研究[J].计算机研究与发展,2004,41(7):1074-108.
[7]周激流,张哗.人脸识别理论研究进展[J].计算机辅助设计与图像学学报,1999,11(2):180-184.
射频识别技术特点与运用 篇11
RFID技术源自雷达的概念,1948年哈里·斯托克曼发表的“利用反射功率的通讯”奠定了射频识别(RFID)的理论基础。早期RFID技术主要处于实验室研究阶段,直到20世纪90年代才开始用于物品跟踪等领域。
随着RFID技术与互联网、通信等技术相结合,其应用领域将不断扩大。作为未来广泛用于对物体的识别技术,RFID技术在人类生活中将占有越来越重要的地位。
一、RFID的基本工作原理
1.基本原理
RFID系统是一种自动识别和信息捕捉系统。它通过射频信号自动识别目标对象,并获取相关信息。它一般由两部分组成,电子标签和读写器。其基本原理是利用空间电感耦合或电磁耦合来进行通讯,以达到自动识别被标识物体的目的。
具体地讲:在RFID的实际应用中,将电子标签安装在被识别的物体上(表面或内部均可,可利用粘贴、插放、挂佩、植入等方式)。当带有电子标签的被识别物进入无线电射频识别系统的可识读范围内时,电子标签和读写器之间将进行非接触式信息通信。此时,读写器受控发出射频查询(激活)信号,安装在物体表面或内部的电子标签收到读写器的查询(激活)信号后,将此信号与标签中的数据信息合成一体反射回读写器。反射回的射频合成信号已携带有电子标签的数据信息,读写器接收到射频信号并经读写器内部微处理器或后台计算机的处理后,即可将电子标签储存的识别代码等约定信息分离读取出来,进而完成整个信息处理过程,从而实现自动识别物品或自动采集标志信息等功能。
2. RFID分类及核心技术
在RFID技术中,分有源RFID和无源RFID两大类。有源RFID由于成本较高,因此一般没有大规模的采用,而无源RFID,由于成本较低,应用相当广泛。在无源RFID系统中,电子标签工作所需的能量是从来自于读写器的信号中提取的,并以背射方式工作向读写器返回标签内部的数据。
从纯技术角度讲,射频识别技术的核心是电子标签。读写器是根据电子标签的不同特性要求来设计的。电子标签通常由标签天线和标签芯片组成。电子标签可根据客户要求做成各种形状和规格,但实际设计中为满足识读距离和工作频率的要求,电子标签必须有合理的外形和尺寸。标签芯片则相当于一个有无线电收发功能的存储器,其性能决定了电子标签的存储量、信息传输速率等性能指标。
二、RFID的工作频率
按照RFID系统读写器与电子标签之间进行信息交换的电磁波的工作频率,RFID系统的工作频段可分为低频(LF)(30～300KHz、典型频率有125KHz、134.2KHz)、高频(HL)(3～30MHz、典型频率为13.56MHz)、超高频(UHF)(300～968MHz、典型频率有869.5MHz、915.3MHz)、微波(MW)(2.45～5.8GHz、典型频率为2.45GHz )等四个频段。具体的频点由各个国家和地区的无线电管理部门确定。
由于UHF频段具有识读距离远,识读速率快,抗干扰及穿透能力强以及电子标签尺寸小等优点,UHF频段的RFID技术及其相关的协议标准已成为全球RFID产业和研发部门关注的热点。
三、RFID的应用
1. RFID的应用范围
RFID技术被广泛应用于工业、企业、商业、交通运输、物流、控制管理等诸多领域。在商业应用中,标签芯片可以附着在商品上,对商品进行防伪,同时可以记录商品的生产信息和使用信息;在物流应用中,将标志芯片贴在流通物品的外包装上,使得物品在经过各流通点时能够自动登记,极大的提高流通效率;在工业应用中,标签芯片可以贴在车间的产品托盘上,记录产品的整个生产信息。标签芯片是一个信息集合体,在各种应用中,标签或多或少包含了商业信息、流通信息、工业信息和个人信息等。
2. RFID在世界上的应用实例
澳大利亚、日本等将RFID产品用于机场管理,不仅高效无误,而且可实现轻松旅游;欧共体从1997年开始生产的新车型就必须安装具有RFID技术的防盗系统,杜绝了行李物品和货运物资的丢失;瑞士国家跌路总局在客运列车上安装了RFID的自动识别技术系统,不仅调度员可以实时掌握火车的运行情况,而且杜绝了事故的发生;德国汉莎航空公司试用非接触式射频标签作为机票,不仅改变了传统的机票购销方式,而且大大简化了机场入关手续;Motorola公司在超净车间里利用RFID技术来控制流水线上的零部件流向,使在线生产效率大大提高。随着全球IC产业、微电子产业、互联网和无线电产业的发展,必将导致电子标签芯片的成本大大下降,RFID技术在消费类产品中的应用也会越来越广泛。目前,全球最大零售商沃尔玛要求其前300位供应商在2007年都必须使用电子标签来实现货品自动识别,提高对供应链的管理能力。由此可见,随着RFID应用浪潮的到来,人类社会的生产、流通、管理等方面的效率都会得到很大提高,必将会对我们的社会生活产生深远的影响。
我国的RFID产业已引起国家发改委、科技部、商贸部、工业和信息化部等国家有关部委的关注和重视,我国已建立了世界上最大的RFID铁路车号自动识别系统,以求高效调度,发挥铁路大动脉在建设中国特色社会主义和谐社会中的重要作用。
四、RFID技术发展概况
RFID并非全新技术,其应用最早可追溯到二次大战时英国空军基地的军事设施上。
近年来随着微电子、计算机和网络技术的发展,RFID技术的应用范围和深度都得到了迅速拓展,RFID技术已发展到一个非常关键的阶段,即形成全球统一标准的阶段,以便国际规模共享。虽然当前大规模的应用还未形成,很多相关系统正在试验或带有验证性质,但是RFID走向大规模(指应用领域)、大范围(指区域性或国际性共享)应用的发展趋势已明朗无疑。
目前所采用的RFID技术主要从两个技术领域演变而来,即自动识别技术(与之对应的技术还有一维条码、二维条码、光学识别技术等)和非接触型智能卡技术。以RFID技术为基础,添加不同的技术特征,会出现多种不同名称的扩展应用领域。智能化程度主要包括电子标签的可重复读写技术、电子标签和读写器之间的安全技术、高速率数据传输技术、在无源或低功耗情况下传输其他动态信息的技术等。
现阶段,价格低廉、传输距离适当、可广泛用于物流管理的RFID技术是目前标准化组织和产业联盟的研发重点,也是国际标准化组织和产业联盟相互竞争的焦点。
进入20世纪90年代以来,RFID技术得到了快速发展,尤其在国外发展更为迅速,经济发达国家和地区已将其应用于十分广泛的领域,并积极推动相关技术与应用标准的国际化。随着人们对RFID技术的深入研究,其在不远的将来必将在国际社会发挥更大的潜力和魅力。
生物识别技术研究 篇12
随着社会的进步, 经济的发展, 科学技术作为第一生产力也在不断地进步, 各种高科技犯罪层出不穷, 不断的对各个场合的安全措施提出新的挑战, 尤其是一些重要场合的安全问题不断吸引着人们的目光。源于这种需要, 近年来基于生物特征的身份识别技术得到了人们的广泛关注。
基于人体生物特征的身份识别与传统的身份识别技术相比, 因人体生物特征的唯一性, 随时间的不变性, 不易仿造性等特点而具有更高的安全性能。常用的生物识别技术有指纹识别、掌形识别、虹膜识、声音识别、视网膜识别、基因识别等。
1 生物识别技术介绍
根据2009年~2012年中国生物识别技术产业发展前景与投资战略咨询报告, 在世界生物识别技术市场上, 指纹识别占主导地位, 掌纹识别位居第二, 如图1所示。
指纹识别是以人的指纹作为识别依据进行身份识别。每个人的指纹是不同的, 据说, 现在还没有发现两个指纹完全相同的人, 在人的成长过程中, 自然情况下, 指纹的纹样是不会改变的。因此, 指纹识别具有较强的稳定性、可靠性, 数据文件较小, 识别速率快, 但是在一些特殊情况下, 是无法进行指纹识别的, 比如, 有些人是没有指纹的, 数量极少, 有的是疾病导致, 有的是天生的。
掌形识别是以手掌的几何特征与纹路的变化特征作为识别依据进行身份识别, 比如手指、手掌的长度、宽度。这种方法比较简便, 主动性好, 但是, 人得手掌的几何形状会随着成长、工作性质、0-00疾病等发生一定得改变, 因此, 进来, 很多研究人员将目光转移到了对掌纹的识别上[1]。如图2所示掌纹中含有丰富的纹理信息, 因此可用来进行身份识别, 理论上可达到较高的识别率。
虹膜识别[2]是以人眼的虹膜纹理特征作为识别依据进行身份识别。每个人的虹膜是独一无二, 不会改变的, 纹理丰富, 具有非侵犯性、防伪性, 有较高的识别率。虹膜识别对图像采集设备要求较高, 设备较为昂贵。
声音识别[3]是以人的声音作为识别依据进行身份识别。声音识别具有非侵犯性、识别方法简单。但声音会随人的年龄、健康状况和环境等因素变化, 而且识别系统也容易被录音所欺骗, 容易被伪造。
另外, 近年来, 人脸识别也是较受关注的方法, 人脸识别是以人脸的各类特征为识别依据进行身份识别, 可以是人脸各部分的距离, 面积等几何特征也可以是统计分析特征。人脸识别具有非侵犯性、用户友好, 等特点。但是人脸随年龄、胖瘦、表情等会发生变化, 而且容易被伪装。
3 多特征融合技术
从以上分析可见, 每种生物识别方法各有优缺点, 如果有一种方法能够同时兼顾到各种算法, 那么生物识别技术将更加完善, 比如一个人没有指纹, 可以根据他的虹膜或掌纹等信息进行识别, 近年来随着生物技术的发展, 部分研究者已经开始了多特征的融合研究。所谓多特征融合技术, 是指如何协同利用同一事物或目标的多个特征信息, 获得对同一事物或目标更客观、更本质认识的综合信息处理技术。
对多特征的融合常用的有两种方法, 一种是并行融合;另一种是串行融合[4]。所谓并行算法, 对各种识别特征赋予不同的权值, 较为显著, 稳定性好, 识别效果好的特征赋予较大的权值;而易受各类因素干扰、稳定性较差的特征赋予较小的权值, 减小这些特征对整体是别的影响。所得到的特征为序列组。所谓串行融合, 赋予权值方法与并行融合一致, 只是在形成特征序列时为各特征序列的加权之和, 从而使所得到的特征为一个序列。
采用生物识别的多特征融合技术进行身份识别, 理论上讲, 能够达到更高的正确识别率, 弥补了单个生物特征识别时的不足, 但是相对的, 由于提取特征的对象增加, 从而使形成的特征序列占用更多的数据空间, 算法复杂度增加, 在识别速率上有所下降。
4 结论
随着人们安全意识的的提高, 生物识别技术的应用越来越广泛。如何更加有效可靠、快捷、准确的进行身份认证是人们对安全系统提出的要求, 也是研究工作者的目标。
参考文献
[1]岳峰, 左旺孟, 等.掌纹识别算法综述[J].自动化学报, 2010, 36 (8) :353-365.
[2]黄惠芳, 胡广书.虹膜识别算法的研究及实现[J].红外与激光工程, 2002, 5 (31) :404-409.
[3]李佳慧.基于声音识别的身份认证系统[D].长春:吉林大学, 2002.