SVM特征层融合的多生物识别模型

"基于SVM特征层融合的集成性身份识别模型" 本文探讨了一种基于支持向量机（Support Vector Machine，简称SVM）的特征层融合技术在身份识别中的应用，特别是在多生物特征融合识别领域的优势。作者周伟芳、叶学义、何文韬和刘一锐来自杭州电子科技大学通信工程学院，他们提出了一种新的识别模型，旨在提升身份识别的准确性和鲁棒性。 在该模型中，研究者选择了人脸和虹膜这两种生物特征作为识别对象。首先，对这两种生物特征的图像进行预处理，这是为了消除噪声，增强特征的可识别性。对于人脸图像，采用了主成分分析（Principal Component Analysis，简称PCA）和Fisher脸方法进行特征提取。PCA可以减少数据的维度，同时保留大部分信息，而Fisher脸方法则能更好地捕捉人脸的区分性特征。对于虹膜图像，研究者运用了小波变换和多通道Gabor滤波器，小波变换能够提供多尺度的分析，Gabor滤波器则擅长捕捉纹理和边缘信息，这有助于虹膜的独特模式提取。 完成各自特征提取后，将人脸和虹膜的初始特征向量进行融合，生成融合特征向量。这一过程称为特征层融合，它能够在保持各个特征独立性的基础上，结合两种生物特征的互补信息，提高整体识别性能。最后，通过SVM对融合后的特征向量进行分类，实现身份识别。SVM是一种监督学习算法，其核心思想是找到一个最优超平面，最大化不同类别之间的间隔，从而达到高精度的分类效果。 仿真实验结果显示，在相同条件下，这种基于SVM特征层融合的识别模型相比传统的单一生物特征识别或简单特征组合，具有更好的识别效果。这表明，特征层融合结合SVM的策略能够有效地提升识别系统的性能，降低误识率和拒识率。 这篇论文揭示了多生物特征融合与SVM在身份识别中的潜力，为生物特征识别技术的发展提供了新的思路。通过特征层融合，不仅可以利用各种生物特征的特性，还能通过SVM的高效分类能力，提高系统的整体识别效能。这种方法对于安全领域，如门禁系统、边境控制等有着重要的应用价值。