无约束人耳识别的新熵函数提取与分类方法

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）135一种新的熵函数用于无约束人耳识别的特征提取和分类马姆塔·班萨尔·马姆塔，马达苏·汉曼德卢印度理工学院电气工程系，德里，110016，印度接收日期：2016年5月28日;接收日期：2016年9月9日;接受日期：2016年10月6日2016年11月8日在线发布摘要对于像监控这样的高端安全性，需要一种能够在不受约束的条件下验证人的鲁棒系统本文提出了一种新的熵函数，它不仅改变了信息增益函数，而且改变了信息源的值，从而实现了基于人耳的身份验证系统这种熵函数显示出特有的特征，例如分裂成两个模式。使用熵函数导出两种类型的熵特征：有效高斯信息源值和有效指数信息源值函数为了对熵特征进行分类，我们设计了细化分数（RS）方法，该方法细化使用欧几里德距离生成的分数实验结果证明了该方法的优越性。© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：新熵函数;新特征;人耳识别;欧几里德分类器（EC）;细化分数（RS）方法1. 介绍目前，几种生物识别模式，如语音，面部，耳朵，指纹等。 在验证一个人的任务中很流行（Woodward，1997）。基于生物特征的验证系统在法医（其中任务是从给定的生物特征样本中识别嫌疑人）和除了安全应用之外的执法应用（例如，访问控制）。我们专注于耳朵生物识别的验证，因为它的独特和稳定的结构。它不需要高分辨率的相机来获取，并且在面部表情，精神状况和焦虑下是非侵入性的和不变的鉴于犯罪活动和恐怖威胁日益增加，有必要创造安全的环境。耳朵图像是一种被动的生物特征，因为它可以在用户不知情的情况下从远处捕获。因此，它是特别感兴趣的研究人员处理法医和监视应用。耳朵对人类的进化*通讯作者。电子邮件地址：mamtabansal. gmail.com（M. Bansal），mhmandlu@gmail.com（M.Hanmandlu）。电子研究所（ERI）负责同行评审。http://dx.doi.org/10.1016/j.jesit.2016.10.0062314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。136M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135= −≤≤iiI==Σ在法医学中扮演重要角色多年;在英国，一个根据耳纹被判谋杀罪的窃贼在犯罪现场被发现（BBC新闻，1998年）。最近，法医专家通过分析监控录像带中劫匪的耳朵（因为他们的脸被遮住）解决了一个加油站抢劫案（Hoogstrate等人，2001年）。Hoogstrate等人（2001年）研究了通过基于耳朵的监控摄像机图像识别个体。Swift和Rutty（2003）探索了与人耳绘图相关的现有知识，并关注了人耳在法医调查中可能发挥的重要作用。Burge和Burge提出了最早的基于Voronoi图的被动人耳识别系统 方法如力场（Hurley等人，2002）、神经网络（Moreno和Sanchez，1999）、遗传算法（Yuizono等人，2002），以及采用各种几何特征的那些（Choras，2005）被应用于人耳识别。Victor等人（2002）已经将PCA用于耳朵和面部识别，并证明面部产生稍好的识别率。在Chang等人（2003）的一项类似研究中，面部和耳朵特征之间没有显着差异。Rahman等人（2007）将预定义点之间的几何距离视为特征。Nanni和Lumini（2009）使用颜色信息，而Cummings等人（2010）使用图像射线变换。Kumar和Wu（2012）最近的方法通过复Gabor利用局部方向Chan和Kumar（2012）使用2-D正交滤波（单演和四元数两者）提取鲁棒相位信息。Kumar和Chan（2013）利用了局部耳朵形状的稀疏表示。然而，这些最新的系统（Kumar和Wu，2012;Chan和Kumar，2012）没有解决任何挑战性的条件，例如遮挡、照明等。现有的认证系统没有解决无约束条件下的鲁棒性问题在这方面，Chang等人（2003年）指出，PCA对姿态变化很敏感，这反映在无约束环境下准确度下降到30% Cummings等人（2010）发现光线变换对照明敏感。Zavar和Nixon（2007）使用Hough变换获得对遮挡敏感的耳朵的椭圆形状Abdel-Mottaleb和Zhou（2005）在约束闪电条件下利用肤色进行人耳检测Bustard和Nixon（2010）描述了SIFT特征的单应性变换该方法对背景杂波、遮挡、姿态等具有较好的鲁棒性，但对亮度敏感最近，使用信息集（Mamta和Hanmandlu，2013 a）将PCA转换为主独立分量（PIC），以构建基于耳朵的稳健生物识别系统。在这里，同样的问题是试图在监控的上下文中使用一个新的熵为基础的功能。虽然人耳识别已经取得了很大的进展，但在无约束的环境下，如监视任务的识别仍然是一个挑战。在本文中，我们将开发一个新的熵函数，以处理不同类型的不确定性，在收购的时候，一只耳朵的熵是物理系统中无序的度量熵的概念是由Clausius（Yagi，1981）和Shannon（1948）引入的，Shannon（1948）将这个概念扩展到信息论领域。香农熵作为不确定性的度量，定义为HShni=1 pilogpi（一）这里p是每个可能状态i的概率分布，log p是对数增益函数，其中n是状态的总数。香农熵还满足适用于具有以下关系的两个独立事件的广泛（加性）性质：S（A+B）=S（A）+S（B）（2）Renyi（1970）通过引入控制概率分布形状的附加参数α改进了香农熵。当α = 1时，Renyi熵变为Shannon熵，并具有与Shannon熵相同的可加性. Renyi熵定义为：HRN=logpα（3）1 −α然而，对于被称为非广延系统的某些类别的物理系统，Tsallis已经将广延熵函数公式化为Boltzman-Gibbs统计的推广（Tsallis等人， 1998年）。Shannon熵的对数增益函数被一个具有非加性的指数增益函数所取代。Hanmandlu和Das（2011）通过在具有修改灵活性的指数函数中引入多项式，扩展了熵和 Mamta和Hanmandlu使用称为Hanman-Anirban熵的熵函数M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135137我∈联系我们（Mamta和Hanmandlu，2013 b）和Iris（Mamta等人， 2016年）的认可。Susan和Hanmandlu（2013）的非扩展熵函数在指数函数中具有非线性增益，是Hanman-Anirban熵函数的特殊情况1.1. 动机大多数情况下，熵函数被构造为概率项和概率项的非线性信息增益的乘积。在本文中，我们将灵活地操纵指数增益函数中的非线性除了增益函数之外，该熵函数还具有修改信息源值的功能。在监控应用中，当自由参数有助于抵消其不良影响时，原始信息有可能被破坏。因此，新的熵的目的是处理的无约束条件，没有尝试在文献中。现有的熵函数在概率域中操作，其中信息源值的随机出现然而，通常被称为属性值或属性值（图像中的灰度级）的信息源值的质量由可能性描述，而概率仅涉及图像的灰度级的出现频率与概率相关的传统熵函数不能描述与图像灰度分布相关的不确定性可能性和概率是图像中存在的不确定性的两个方面与传统的熵函数不同，所提出的熵函数具有处理概率和可能性域中的不确定性的能力正如我们所知，监控数据库是高度腐败的，因此它不适合鲁棒的特征提取。由于环境的高度不确定性，类间相似性逐渐降低，而类内相似性逐渐增加。这导致在验证人员时错误率（FAR和FRR）更高为了迎合这种情况，我们已经改进了欧几里德距离分类器生成的分数，以重新检查接受或拒绝的决定本文的主要贡献如下：1.2. 本文的贡献1. 新的非广延熵，可以处理信息增益函数和原始信息。2. 基于新熵的两个新特征3. 精确的分数来纠正错误的分数。4. 在公开的耳数据库和高度不受约束的合成数据库上评估建议的特征和改进的分数。5. 在无约束环境下，生物识别系统与文献中的一些方法的性能比较。本文件的结构如下。第二节给出了新熵的公式及其性质。第3节介绍了基于此熵函数的新功能。第4节解释了精细评分方法。 用于评估新的基于熵的生物计量系统的数据库在第5节中描述。第6节讨论了基于耳朵的认证的结果，第7节给出了结论。2. 一种新的熵函数由于大多数熵函数没有考虑信息源的修改，因此所提出的熵函数具有此规定。定义。考虑Pp1，p2，. . . pn是变量X x1，x2，..的概率。.其中n是概率实验的数量。令X的第i个事件的信息增益定义为：I（p）=e−（apiα+b）β（4）其中概率pi[0，1]和a、b以及α、β是实值参数，并且信息增益I（pi）沿着y轴，如图1所示，对应于x轴上的pi138M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135我我我我我我我DPi=1我我i=1我DP我DP我我我我i=1我我i=1我我我Fig. 1.信息增益I（pi）与pi的关系图，其中α为+ve值，假设α= 0.6，1，2，3，β= 2。从图 从图1可以看出，信息增益曲线是参数α的函数。该图表明，随着概率的增加，信息增益单调减少。因此，新的熵函数被定义为：H=E（I（p））=npγI（p）=npγe−（apiα+b）β（5）其中γ修改信息源值。信息增益由下式给出：I（p）=e−（apiα+b）β（6）2.1. 所提出的熵函数的性质财产1. 信息增益I（p）=e−（apiα+b）β 对于所有p∈ [0，1]都是连续函数。性质1的证明：由于假设I（pi）是高斯函数或指数函数，因此它是连续曲线;并且H是连续函数的和也是连续函数。财产2.I（pi）是有界的。性质2的证明：I（p）→e−（b）β 为p → 0和I（p）e−（a+b）β 为p →1.考虑k1=e−（b）β和k2=e−（a+b）β，由于a，b，β，γ是实数，k1和k2都是有限的，pγ I（p）是我我故，H也是有界的。第三章. 当α为正时，随着pi的增大，I（pi）减小.性质3的证明：设k1=e−（b）β 且k2=e−（a+b）β 根据属性2。现在比率k1/k2= e−bβ/e−（a+b）β = e−bβ +（a+b）β> 1，其中（a + b）> 0且β> 0。为了证明I（p）是一个递减的函数，我们需要证明I（pi）对pi的导数总是负值或零。dI（p）=de−（apiα+b）β=−α αβ。apα+b<$β−1。e−（apiα+b）β<$pα−1（7）现在考虑α> 0;对于0≤pi≤ 1和a，b，β+ve，我们有e−（apiα+b）β≥0，.apα+b<$β−1≥0，ααβ>0，pα−1≥0（8）在这种情况下，等式中的di（pi）（7）由于微分的符号为−ve而变为−ve或零，我们可以说，随着pi从0增加到1，信息增益I（pi）减小。 因此我们可以得出结论，对于α> 0，β> 0，a ≥ 0，b ≥ 0，信息增益I（pi）总是减小的，0 ≤pi≤1。第四部分。熵函数H=npγI（p）=npγe−（apiα+b）β是一个连续函数。M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135139i=1n（n）α=（n）αnαDNi=1我ΣΣ−Σ≥≤−=-121我i=1ii=1i我12三......n12n2性质4的证明由于I（pi）是根据性质1的连续函数，则H（P）=<$piγ<$I（pi）对于所有pi∈ [0，1]和实值a，b，α，β和γ参数也是连续函数第五章. 如果p1=p2=. . . =pn=1⁄n则H（P）是n。性质5的证明：考虑p1=p2=。. . =p n=1⁄n且n≥ 1，则H（pi）=npiγe−（apiα+b）β =0=11（n）γ−。a+bβ一=（n）γh（n）（9）其中h（n）e功能−。a+bβ. 为了证明H（p）是一个递增函数，证明h（n）是一个递增函数就足够了dh（n）=αβ。a+b<$β−1。 a+be−。a+b（10）dn nαnα+1对于n≥ 1，a≥ 0，b≥ 0，α> 0，β> 0;dh（n）≥0，是增函数，γ≥0，则H（p）是一个n的递增函数第六章. 熵是一个凹函数。性质6的证明：根据JensenF.卢恩cx≥ncf（x）对于任何实值a（十一）代入f（x）=H（p）=npγ e−（apiα+b）β在（11）中，我们有ni=1（cipi）γeni=1（aα（cipi）+b）βni=1cipiγe−（apiα+b）β（12）这一性质对0≤ci≤ 1范围内的任何ci值都成立，对α0或α> 0也成立;因此H（p）是一个凹的在0≤p≤ 1和β> 0，γ> 0的区间内的函数第七章.让我们考虑A的一个划分[A1、A2. . .A n]，其中p ipr [A i]，其中i = 1。. . n，并假设 p1 0且δ（p2p1）/2），那么熵增加。性质7的证明：为了简单起见，让我们考虑p10且δ≤（p2−p1）/2，现在H（B）−H（A）=H（p+δ，p−δ，p p）−H（p，p，pp）=（p+δ）γe−（a（p1+δ）α+b）β−βpγe−（ap1α+b）β+（p−δ）γe−（a（p2−δ）α+b）−pγe−（ap2α+b）β由于H（p）是一个凹函数，（p1） +δ）γe−（a（p1+δ）α+b）β+（p-δ）γe−（a（p2−δ）α+b）β> pγe−（ap1α+b）β+p2γe−（ap2α+b）β 如果p1 0，即H（B）> H（A），从而完成了证明。第八章.熵是最小的当且仅当所有的piI. e. Hmin=1γ e−（a1α+b）β= e−（a+b）β其中a，b，β> 0.M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135141.Σ≤−−==我1cdc d cdc d cdi=1我普伊普j⎢⎣⎦CCDC阿尔普岛我我性质8的证明：假设pi=0，对于除k之外的所有i，其中pk=1。其次，通过矛盾，我们证明了熵H =（0，. . 、.、1.一、. 、.、0）是最小值。 让我们考虑至少两个非零的概率;假设pi和pj是H的最小值。 现在使用性质7，我们可以说H（p1，. . 、.、 pi+ δ，. . 、.、 pj − δ，pn）> H（p1，. . 、.、 Pi，. . 、.、 pj... pn）其中δ> 0且δp2 p1/ 2。在我们的例子中，H（0，. . 、.、δ，.. 、.、 1 δ，. . 、.、0）> H（0，. . 、.、1.一、. 、.、0）。因此从这个矛盾中我们得出结论，H是最小值当且仅当除了一个pi之外，所有pi都第九章. 考虑一个事件，其事件空间的划分为A=[A1，A2，. . .，A n]和pi=pr（A i）。若B是A的一个事件的剖分，则H（B）≥H（A）.性质证明9：A1细分为B c 和 B d则A=[A1，A2，. . .，A n]变更为B=[B c B d，A2，. . 、.、 An]和pc= pr（Bc），pd= pr（Bd）和p1= pc+ pd.H（p）ni=1p γ e−（apiα+b）β 假设φ（p）=pγ e−（apα+b）β（14）现在我们可以写H（A）−φ（pc+pd）=H（B）−φ（pc）−φ（pd）H（A）− p γ e −（ap 1 α + b）β = H（B）− p γ e −（ap c α + b）β − p γ e −（ap d α + b）βH（A）−（p+p）γe−（a（pc+pd）α+b）β=H（B）−pγe−（apcα+b）β−pγe−（apdα+b）βH（A）−H（B）=（p+p）γe−（a（pc+pd）α+b）β−pγe−（apcα+b）β−pγe−（apdα+b）βH（A）−H（B）=pγe−（apcα+b）β。pγe−（a（pc+pd）α+b）β−（apcα+b）β+pγe−（apd α+b）β。pγe−（a（pc+pd）α+b）β−（apd α+b）β<$H（A）−H（B）≤0;因此证明是完整的第10章. 熵是最大值，当所有的p，i，都相等时，i = 1，2。. . n.第10项的概率：H（p）=npγe−（apiα+b）βH=e−（apiα+b）β。γpγ−1−α αβ。pγ。apα+b（15）假设α= 1，β= 2，γ= 1，a = 1，b = 0，则（15）变为2002年2=e−pi2p .−6+4pi2阿尔普岛2002年PIP-I2|I=1=en−1⁄n21n1−6+4n2=e−1⁄n2.1−6+4n2= −β（十六）其中，对于任何n≥ 1，β是正实数也是102H=0，对于i=/jHessian矩阵的形式为Hs−β00. . .0 ⎤=β 0−β 0。. .0 ⎥（十七）. . .. . .. . .. . . . . .000。. . −β对于P0 =（1/n，1/n，. . . 1/n）H（p）达到最大值，如果H s|P0为负数。而且H s是负有限的，如果H s的第我.ΣΣp142M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135k个主子式的行列式有符号（−1）k，k = 1，2，. . . n.M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135143⎢⎣⎥⎦.==−=x=x，x，. x =y，y，. y12n12nenα{p（x）1，p（x）2，. . 、.、 p（x）n}和p（y）1，p（y）2，. . 、.、p（y）n，则X的非广延熵由下式给出：我我y∈YJJ我 Jy∈Y我 Jy∈Y我 Jy∈Y我 我y∈Yx∈Xy ∈Y现在Hs的第k个主子式的行列式是−β00. . .0 ⎤-β0 . .0 ⎥kk。βk，如果k是偶数. . .. . .. . .. . . . . .= −1 β =000。. . −β−βk，如果 k是奇数在观察Eqs。（13）和（14）我们可以说HS在P0是负有限的。所以H（p）在P0=（1/n，1/n，. . . 1/n）2.2. 所提出的熵函数的附加性质A.的归一化熵是的的形式关于HN（H −Hmin）He−（a+b）β/λ其中 λH最大值−H最小值1分。a+bβ−（a+b）β概率实验B. 条件熵：考虑两个随机分区，X []和Y。这两个部分的乘积sX ={xi}和Y=。yj。X定义为X。Y=0。xiyj.设这两个事件的概率为H（X）=0pγ（x）e−（apα（xi）+b）β=πγ。x，y<$e−（apα（xi）+b）β类似地，所提出的Y的非广延熵由下式给出：H（Y）=Δpγ。ye−（apα（yj）+b）β=pγ。x，y<$e−（apα（yj）+b）β给定Y时X的条件熵定义为：H（X/Y）=0γ。x，y<$e−（apα（xi/yj）+b）β（18）类似地，给定X，Y的条件熵被定义为：H（X/Y）=0γ。x，y<$e−（apα（yj/xi）+b）β（19）X和Y的联合熵定义为：H（X，Y）=0pγ（x，y）e−（apγ（xi，yi）+b）β（20）C. 非广延熵香农熵和Renyi熵的可加性使得它们不适合于生物识别应用，因为图像信息是非加性的。这是由相同图案的像素的灰度级之间存在强空间相关性的事实所证实的在这种情况下，简单地添加各个灰度级来测量信息内容是不够的。在耳生物特征中，相邻像素之间也存在以灰度级中的空间相关性的形式的强相关性耳朵由许多子部分组成，这些子部分中的灰度级高度相关。一般来说，所有的图像具有均匀的场景照明（灰度对比度），以及灰度的相互作用（空间和强度），强相关性和重复模式，因此非广泛熵是一个更好的选择生物识别的目的。校样：nγ−1- -e的缩写a，b，α，β，γ是实值参数，n是a中的事件数x∈Xx∈Xx∈Xx∈Xx∈X144M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135H（X）+H（Y）=Δpγ（x）e−（apα（xi）+b）β+Δpγ。ye−（apα（xi）+b）β=>pγ（x，y）e−（apγ（xi，yi）+b）β我x∈XJy∈Y我我x∈Xy ∈Y（二十一）M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135145.Σ.+=图二、b参数对新熵的影响图3.第三章。α = 0.2的“γ参数”的影响，可以用Jensen不等式证明从Eqs。（20）和（21），我们有H（X）+H（Y）> H（X，Y）（22）因此，我们可以得出结论，X和Y的联合熵总是小于个体熵。 与Shannonentro py不同，等式条件不满足，因为e−（apα（xi）+b）β+e−（apα（xi）+b）β=/e−（apγ（xi，yi）+b）β以及p γ（x i）p γ y j/ p γ（x i，y i）。因此，所提出的熵是非广延的。2.3. 新熵的图形解释自由参数a、b、α、β、γ的影响可以通过在x轴上绘制概率和在y轴上绘制熵值来观察参数对熵的影响也可以在（Mamta和Hanmandlu，2014）中看到。我们可以通过改变它们的值来将不同的概率分布拟合到信息源值。让我们看一些由参数设置引起的情况。案例1.当α取+ve个值时，如α = 0.2，0.6，1，2，3，a = 1，b = 0，β = 2，γ = 1当α从0.2变到3时，曲线下的面积增加，如图所示。 熵值在0和1之间。设b = 1，所有其他参数与上述相同如图 2（b）随着α的增加，熵值从0变化到0.3。α和b的值改变了概率分布曲线。案例2. 在其他参数固定的情况下改变γ。如图 3（a）当γ = 1，2，3，4，5和α = 0.2，a = 1，b = 0和β = 2时，熵曲线是倒的γ= 1。这条倒曲线具有足够的鉴别能力，如下文所示。在图3（b）中，我们取b = 1，146M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135===-.Iij=Iij.Σ2fh我裁判ij，IJIJIJμg=e−102fhi=1j= 1是Hanmandlu等人提出的一个模糊化器。（2003年）的报告。IJIJIJ图四、使用新的熵（a），当γ = 1，α = 4，5，6，7，8和b = 0（b）γ = 2，α = 4，5，6，7，8和b = 0（c）γ = 4，α = 4，5，6，7，8和b= 0时，“γ参数”对较高α值的影响其他参数与图中相同。 3（a），即γ= 1，2，3，4，5和α= 0.2，a = 1，b = 1和β= 2。熵曲线位于0到0.03之间。案例3. 当α取高+ve值时γ的影响。对于γ1、α4， 5， 6， 7， 8， a = 1，b = 0，β= 2，如图4（a）所示，曲线位于0到1之间。但对于γ2且所有其他值相同时，曲线显示2种不同的模式，如图4（b）所示。当我们增加γ4的值时，保持所有其他参数相同，图4（b）中的模式变得更深。这种类型的形状在其他熵中是看不到的，并且具有图像分割的潜力。当γ和α值很高时，熵曲线仍然显示出由谷分开的两个模式，如图4（b）和（c）所示。3. 基于新熵的我们感兴趣的是捕获由于监视条件而产生的耳图像的灰度级（信息源值）中存在的不确定性为此，新的熵被用来提取代表可能性不确定性的特征。我们的目标是使用新的熵函数在窗口中找到信息源值中存在的不确定性，因此我们将耳朵图像划分为窗口。我们使用模糊集的框架来导出信息集。我们假设窗口中的灰度级I和对应的隶属函数值（由μij表示）形成模糊集。这些通过新的熵函数连接为此，首先我们需要使用信息源值代替概率值，其次使用等式中的指数增益函数。（5）应通过统计地选择参数，以合适的隶属函数的形式表示信源值的分布。在这里，我们使用平均值，但模糊器，而不是方差，因为它有很大的蔓延。然后通过参数的选择pijγ=Iijγ;a=1Hg=100μg;b=− 102 fh，β=2，在方程中（5）导致（二十三）我γ是由γ修改的信息源值，μg是由下式给出的高斯隶属函数：Σ|Iijα−Ir ef|Σ2公司简介哪里2i=1（Iref−Iij）4refIJ2fh=WW（I−I）FF再次使用另一个参数选择，在等式中，pijγ=Iijγ;a=1;b= −Iref，β= 1（5）导致He=γμe2 2H H（二十四）j=1M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135147IJ、、、IJIJΣΣI μI（k）=IJ=ΣΣI μIJ.- 是的ΣH−=eIij我裁判f2IJIJIJIJIJIJ其中μe是指数隶属函数。现在基于信息集来公式化两个特征.|α−|Σ1从Eqs。（23）和（24）可以注意到，灰度级（信息源值）及其隶属函数表现为乘积，尽管它们在模糊集中是一对我们现在已经证明，一对分量的乘积是信息集中的一个元素，称为信息值Iγ μg，e，表示为Iγ μg，e .我们将3.1. 使用高斯隶属函数μg的γ G伊吉伊吉Σi Σj μg其中，I<$（k）是使用从等式（1）获得的Δ μIγμg的第k次风的特征（二十三）.（二十五）伊季3.2. 使用指数隶属函数μeγeI<$（k）ij ij吉吉其中，I<$（k）是来自第k次风的特征，因此，使用等式Iγμe可从等式2获得（24页）。（二十六）伊季可以注意到，新的熵函数包含指数增益函数中的参数。我们计算了这些参数，以便将增益函数转换为高斯函数μg指数μe。然而，隶属函数（MF）是α的函数。接下来，我们计算两种特征类型：信息（EGI）和有效指数信息（EEI），两者都是γ的函数。由于EGI和EEI也是MF的函数，因此它们也是α和γ的函数。在结果部分，我们将展示当我们改变这两个参数时结果如何变化。但我们在结果最高时选择α和γ。特征提取的算法是有序的。特征提取步骤1：将耳朵图像划分为大小为w x w的窗口步骤2：使用等式2计算高斯和指数隶属函数。（23）并且分别对于每个窗口使用I（ref）=均值和模糊化因子f2。步骤3：使用等式计算两个特征类型EGI和EEI（25）和（26）。步骤4用步骤3中获得的EGI和EEI特征形成两个特征向量。步骤5：分别测试每个特征向量，以确定分类精度。如果分类器发现特征向量无效，请为w选择另一个值并重复步骤2第六步：停止。接下来我们讨论这些特征的分类。4. 分类让我们分析一个简单的基于欧氏距离的分类器（EC）的熵为基础的功能的功效。 由于我们关注的是无约束的环境中，原始生物特征图像遭受各种形式的退化过程中造成的收购。传统的匹配算法的基础上的欧几里德距离（EC）是不足以处理的不确定性存在于图像的基础上的原始分数。在无约束环境下拍摄的测试图像与在受控环境下拍摄的训练图像测试图像与其声称的身份（系统的注册用户的生物特征样本）之间的类内相似性可能降低，而类间相似性可能增加，从而导致高的错误接受率（FAR）、错误拒绝率（FRR）和接收器操作特性（ROC），其中错误接受率（FAR）、错误拒绝率（FRR）是除了真实接受率（GAR）之外用于判断生物特征系统的性能的两个错误率。FAR是冒名顶替者被接受为真正用户148M. 班萨尔，M。Hanmandlu/电气系统与信息技术杂志4（2017）135CLCLCLIm，如果d > TCL而FRR是真正的用户被拒绝为冒名顶替者的比率。GAR是真实用户被正确接受的比率。FAR和FRR是相辅相成的。在现实生活中，很难同时为它们两者实现非常低的值当一个判决阈值被调整为一个较低的值时，它将导致另一个错误率的增加确定阈值的一种方法是绘制FAR与GRR（1-FRR）的关系，也称为ROC曲线，显示系统的性能。针对取证、监控、民用和高安全性应用的多层次安全需求，很难基于单一阈值得到准确的验证因此，我们必须超越原始分数（即，真正的匹配分数或冒名顶替者分数），以提高GAR方面的验证率（或提高这两种错误率）。由于在无约束条件下缺乏类内相似性，查询得分不能准确地判断声称的身份。为了提高验证率，我们需要重新检查每个分数的邻居4.1. 提出的细化分数概念在文献中，查询模板（未知模板）的标准化是使用所要求的模板（注册模板）的邻居的信息来完成的。将匹配得分（通过计算查询和所要求保护的模板之间的相异性或相似性而生成）连同它们的邻域得分一起归一化的这种归一化方法被称为基于群组的归一化（Kinnunen等人，2006;Finan等人，1997;Poh等人，2009年;Aggarwal等人， 2008年）。 在这项工作中，我们不规范化的匹配分数，而是简单地使用声称的匹配分数的邻居（队列）的信息来细化分数。由于验证模式涉及1：1匹配，很明显，系统没有利用知识库中的所有分数。查询模板与声明的模板匹配，其余N-1个模板在验证过程中保持未使用这些N-1个模板（所要求保护的模板的相邻模板）被称为群组模板;所以我们想要利用非匹配分数（通过计算查询与所要求模板的邻居之间的相异性或相似性而生成的分数）进行验证。声称的用户的每个参考分数具有不直接参与该过程的N-1个邻域分数，并且这些分数由我们处理以提高整体验证准确性。因此，在我们的系统中，除了声称的分数之外的不匹配分数被称为队列分数。因此，在所提出的认证系统中，查询样本不仅与所要求的样本进行比较，而且还与所要求的样本的邻居（队列分数）进行比较，然后再做出关于用户身份的决定。基于生物特征的认证系统的决策过程将通过结合用户的选择或拒绝的这种改进版本来重新建模。在传统的认证方案中，如果基于欧几里德距离的分数小于预定义的阈值，则用户被分类为真实的，否则为冒名顶替者。在监视条件下，有可能错误地拒绝一些真正的用户（FRR），而一些冒名顶替者则被错误地接受（FAR）。为了减少认证中的这些错误，我们通过对错误分数进行重新检查来改进分数。在我们基于耳朵的生物特征数据库中，样本是高度不成比例的。例如，如果M是用户的数量，那么我们将只有M个真正的分数，但M（M-1）冒名顶替者的分数。这意味着数据库中几乎所有的箱子都将被冒名顶替的样本占据，只有一小部分被真正的样本占据。因此，为了减少FAR和FRR，需要重新检查真实和冒名顶替者的分数。让我们看看如何使用队列分数。这些是为每个声称的分数计算的，并在计算中使用和FRR。 设XQ为查询样本，XT为声明的模板。 令d=ED。XQ，XT是相异度，计算为查询样本XQ和所要求的模板XT之间的欧几里得距离（ED）使得ED.XQ，XT=.Gen，ifd

下载后可阅读完整内容，剩余1页未读，立即下载