一種低功耗高精度多光譜掌紋識別的新方法

中科院聲學所

聲學前沿和科學傳播；聲學所招生招聘

掌紋作為人體的重要生物特徵之一，具有特徵唯一、穩定性高、安全性好和易於採集等特點，被廣泛應用於生物特徵識別領域。

（圖片來源見水印）

中國科學院聲學研究所聲場聲信息國家重點實驗室李超副研究員聯合法國國家科學研究中心電子圖像信息處理實驗室（Le2I UMRCNRS）與日本本田研究所( Honda Research Institute )的研究人員，共同提出了一種低功耗高精度多光譜掌紋識別的新方法。相關研究成果2018年5月16日已在線發表於SCI國際學術期刊Journal of Systems Architecture。

根據香港理工大學David ZHANG教授此前的研究，由於皮膚組織對於不同波長的光的傳播能力不同，將多光譜成像技術應用於掌紋信息採集，可以得到不同皮層下的更細緻的特徵信息，有效提升目標特徵的可辨識度，得到理想的可識別生物特徵（圖1）。

▲圖1 不同波段下的掌紋光學特徵（圖/香港理工大學）

但是，傳統的多光譜掌紋識別方法忽略了特徵信息的多重共線性問題，這成為了提升識別精度的重要瓶頸。

特徵的多重共線性，是指基於線性回歸的識別模型中的解釋變數之間，由於存在精確相關或高度相關關係，而使模型估計失真或難以估計準確。簡單來說，如果我們想通過身高、體重和年齡三個特徵分量來判斷一個人的性別，由於身高較高的人通常體重也會較重，兩者高度相關，這就引發了共線性，有可能降低模型的準確性。

在多光譜掌紋圖像中，特徵信息並非均勻地分布在圖像的各個區域，而是集中在某些關鍵區域，導致特徵分量即像素值之間出現多重共線性。

針對這個問題，研究人員首先採用偏最小二乘回歸演算法為各個波段下的掌紋圖像特徵建立了新的識別模型。偏最小二乘回歸演算法可以自動對特徵分量之間的關係進行量化分析，有效提取出反應數據變異的最大信息，降低像素值內部的共線性問題對模型準確度的負面影響。接下來，將各波段的識別結果進行加權融合。這種評估層融合的方法有助於充分利用不同波段的信息，保證各個處理通道的獨立性與信息完整性，從而提升識別效果。

實驗結果表明，新的識別模型在圖像解析度極低的情況下（13x13 pixels），對單波段掌紋圖像特徵的識別率可以達到90%以上（圖2），具有很好的可靠性。結合多波段數據融合技術，整體識別率可以達到99.9%以上。經並行優化後，每0.73 毫秒可以識別一個掌紋（1000毫秒=1秒），具有精度高、運算量小、可並行度高等多項優點。

▲圖2 單通道模型識別率/運行時間與圖像解析度關係曲線（圖/李超）

本研究由中國科學院百人計劃和日本本田研究院資助。

參考文獻：

LI Chao, BENEZETH Yannick, NAKAMURA Keisuke, GOMEZ Randy, YANG Fan. A Robust Multispectral Palmprint Matching Algorithm and Its Evaluation for FPGA Applications.Journal of Systems Architecture(Volume 88, August 2018, Pages 43-53). DOI:10.1016/j.sysarc.2018.05.008.

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S1383762117304459

英文報道：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！