[發明專利]一種基于手掌特征提取身份識別方法

有效

• 申請號: 201210215655.1
• 申請日: 2012-06-27
• 公開（公告）號: CN102750528A
• 公開（公告）日: 2012-10-24
• 發明（設計）人: 呂林濤;楊宇祥;尚進;周新軍
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 李娜

1.一種基于手掌特征提取身份識別方法，其特征在于：為通過提取手掌生物電阻抗頻譜BIS特征來實現身份識別。

2.如權利要求1所述的基于手掌特征提取身份識別方法，其特征在于：包括手掌BIS數據預處理步驟、手掌BIS特征選擇步驟、手掌BIS特征提取步驟和手掌BIS特征匹配步驟。

3.如權利要求2所述的基于手掌特征提取身份識別方法，其特征在于：

步驟一、手掌BIS數據預處理為將BIS采集儀采集到的原始數據樣本采用拉依達準則進行過濾處理；其處理方法如下：

1）求n次測量值X_i,1≤i≤n的平均值

2）求各項的殘差：

Vi=Xi-X‾---(1)]]>

3）計算標準偏差：

σ=1n-1Σi=1nVi2---(2)]]>

4）剔除奇異項，對測量值X_i，如果有V_i>3σ，則將其剔除；

步驟二、手掌BIS特征選擇為建立散步矩陣；

假設樣本中共有N個樣本，分屬M個類別，

則類內散布矩陣S_w，即

Sw=1NΣi=1MniE[(x-μi)(x-μi)T]---(3)]]>

式（3）中μ_i為第i類樣本的均值，x為輸入樣本集，T表示矩陣轉置，E為期望；

同時得到類間散布矩陣S_b，即

Sb=1NΣi=1Mni[(μi-μ0)(μi-μ0)T]---(4)]]>

式（4）中μ₀是全局均值，n_i表示第i類樣本；

通過S_w和S_b的不同組合可構成一系列可分性測度：

J1=tr(Sb)tr(Sw)]]>

J2=ln|Sb||Sw|]]>（5）

J3=tr(Sw-1Sb)]]>

J4=|Sw+Sb||Sw|]]>

J₁，J₂，J₃，J₄都是可分性測度，其中J₁是較為常用的可分性測度，跡S_b是所有類的特征方差的平均測度，跡（S_w）是每一類均值和全局均值之間的平均距離的測度。二者的比值越大，類內距離相對類間距離越小；

步驟三、手掌特征提取包括手掌BIS特征歸一化、手掌BIS特征降維和手掌BIS特征提取；

1）手掌BIS特征歸一化：

采用各分量的均值和方差的估計值做歸一化兩部分，其方法如下：

設樣本集{z_i|1≤i≤N}中每一個樣本為z＝R+jX∈□^d，且有實部R=(R₁,R₂,...,R_d)，虛部X＝(X₁,X₂,...,X_d)，j表示為

為了方便后續計算，需對復阻抗樣本進行拉伸得到相應的實際樣本z^r＝(R₁,R₂,...,R_d,X₁,X₂,...,X_d)^T。將最終的樣本矩陣表示為：

對樣本z^r的第k個特征的N個數據，有：

z‾kr=1NΣi=1Nzi,kr]]>k=1,2，...,2d

σk2=1N-1Σi=1N(zi,kr-z‾kr)2]]>

i=1,2，...,N，k=1,2，...,2d??????(7)

歸一化后的特征具有零均值和單位方差，d表示維數；

2）手掌BIS特征降維：

采用主成分分析PCA(Principal?Component?Analysis，PCA)對BIS特征數據進行降維分析，其方法如下：

設歸一化后的樣本矩陣為X=(X_ij)_K×N，即共有N組數據，每組數據有K個特征；

（1）求出樣本的協方差矩陣：

Σ=E[XXT]=1N-1XXT---(8)]]>

（2）求出∑的K個特征值和特征向量，設不為零的特征值為λ_i,i＝1,2,...,M,M≤N，相應的特征向量為U＝[u₁,u₂,...,u_M],M≤N；

（3）將樣本在特征向量上投影，得到PCA變換后的樣本矩陣：

Y=U^TX????????????????????（9）

（4）使用式（5）中的J₁對Y的所有特征由大到小進行排序；同時依據特征值的累積方差貢獻率選擇前k個特征，作為由PCA變換得到的分類樣本集，其中貢獻率大小從訓練樣本集中得到；并將上述算法得到的樣本集記為X_P；

3）手掌BIS特征提取：

（1）對樣本集X_P中的每一類數據求出平均值設樣本集包含m類樣本，對ω_i類有

x‾i=1KiΣx∈ωi,i=1mx---(10)]]>

其中K_i為ω_i類中樣本的數量；

（2）將每個類平均值看作一個信號源，即令s類樣本向量注意此處樣本以行向量的形式出現。使用fastICA方法求獨立信號源

S＝WX_s?????????????????????（11）

（3）此時矩陣S的每一行是一個獨立分量，將其作為線性變換的基底；使用中心化后的c類樣本數據X_c進行投影，得到投影后的樣本矩陣Y，即

Y=SX_c??????????????????????（12）

式（12）中，矩陣Y的每一列都代表了一個投影后的樣本；

步驟四、手掌BIS特征匹配為采用隱空間支持向量機機制：

1）如令X表示輸入的樣本集，X={x₁,x₂,...,x_N?|?x_i∈□^d}，對任意一個樣本x∈X，可以定義一個由一組實值函數生成的矢量：

矢量將d維輸入空間中的樣本矢量映射到一個新的d_h維空間中：

由于函數集的作用與前向網絡中隱節點的作用類似，故稱為隱函數；相應地由隱函數集映射所得的樣本空間稱為隱空間或者特征空間；

2）構造隱空間中的樣本集:

類似支持向量機定義，對于已知分類的二類樣本集X={(x₁,y₁),(x₂,y₂),...,(x_N,y_N)|x_i∈□^d,y_i∈{1,-1}}和核函數k(x,y)，映射得到隱空間中的樣本集為：

{(z₁,y₁),(z₂,y₂),...,(z_N,y_N)|z_i=[k(x₁,x_i),k(x₂,x_i),...,k(x_N,x_i)]^T}????（15）

3）構造隱空間中的線性分類函數:

隱空間中的線性分類函數f(z)=w^Tz+b,w∈□^N，相應的優化問題為：

minR(w,b)=12||w||2+C(Σi=1Nξi)---(16)]]>

s.t.y_i(w^Tz_i+b)≥1-ξ_i

ξ_i≥0(i=1，...,N)

其中，C為懲罰因子，調節經驗風險和函數集容量控制之間的平衡；

4）構造Wolfe對偶規劃函數:

求解式（1?6）得Wolfe對偶規劃函數，即：

s.t.Σi=1Nyiαi=0]]>

0≤α_i≤C(i=1,...,N)

其中α_i為Lagrange乘子；

求解隱空間模式識別支撐向量機的決策函數凸優化，即特征分類；隱空間模式識別支撐向量機的決策函數為：

y=sign(wTx+b)=sign(Σi.j=1Nαiyik(xi,xj)k(xj,x)+b)---(18)]]>

如令

λj=Σi=1Nαiyik(xi,xj)---(19)]]>

則式(18)可以簡化表示如下：

y=sign(Σj=1Nλjk(xj,x)+b)]]>