使用IPCA-ICA算法进行人手识别外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

---

使用IPCA-ICA算法进行人手识别

本文介绍了一种人手识别系统。首先介绍了一种简单的提取手掌、四个手指和拇指的预处理技术。其次，利用一种称为IPCA-ICA的快速增量非高斯方向分析算法，得到特征手、特征指和特征拇指特征。该算法主要是基于两种算法的运行:主成分分析(PCA)和独立分量分析(ICA)算法。它在不估计协方差矩阵的情况下，以增量的方式计算图像向量序列的主要组成部分(因此没有协方差)，同时将这些主成分转换成最大限度的最大化源的非高斯性的独立方向。最后，在前一个阶段中获得的每个特征表示的分类步骤被输入到一个简单的最近的邻居分类器中。该系统在一个20人(100只手图像)的数据库上进行了测试，并与其他算法进行了比较。

1 介绍

生物识别技术是一种新兴的技术[1,2]，它通过人的物理或行为特征来识别人物，因此，本质上要求被识别的人在身体上存在可识别点。可用于生物特征识别或验证系统的个体的物理特征是指纹[3,4]，手型[5,6]，掌纹[7-9]，脸[4,10]，虹膜[11,12]，视网膜[13]，耳朵[14]。

行为特征是签名[12]、嘴唇动作[15]、语音[16]、击键特征[1,2]、手势[1,2]和步态[1,2]。

一个人的单一的身体或行为特征有时是不足以识别的。因此，为了提供可接受的性能，并提高决策的可靠性，多通道生物识别系统(即集成两种或多种生物特征的系统)正在被开发。人类的手包含各种各样的特征，例如，形状，纹理，和主要的掌纹，这些都可以被生物识别系统使用。通过将手掌图像投影到由PCA变换获得的子空间中提取的特征称为特征掌特性，而通过手指和拇指的投影得到的特征称为特征指和特征拇指特性。本文将基于主成分分析和独立分量分析的两种方法进行了融合。

第一个技术称为增量主成分分析(IPCA)，它是流行的无监督主组件技术的增量版本。传统的PCA[17]算法通过求解一个特征值系统问题，计算出已知的图像数据矩阵的一个样本协方差矩阵的特征向量和特征值。同时，该算法要求在解决问题之前获得图像数据矩阵(批处理法)。增量主元法在每次引入新图像时更新特征向量。

第二种方法称为独立分量分析[18]。它被用来估计人手的独立特征向量(手掌、手指或拇指)。众所周知，人类的手向量之间存在着一种相关性或依赖性。找到构成相关的独立的基本向量是一项非常重要的任务。人的手向量的集合表示为一个数据矩阵，其中每一行对应一个不同的人手。矩阵行之间的相关性可以表示为混合矩阵的行。独立的基本向量表示为行的源矩阵。ICA算法用

(1)

从一组从属向量中提取这些独立向量。当图像的维数很高时，计算和存储的复杂度都大大增加。因此，为计算出连续观测的主要独立组件，使用实时过程的想法变得非常有效。使用快速ICA算法，每个特征向量或主成分将被更新，得到一个非高斯成分。在(1)中，如果源矩阵包含高斯非相关元素，那么混合矩阵中的结果元素将是高斯但相关的元素。

如果随机变量估计为高斯随机变量，则快速ICA方法没有解。这是因为元素的联合分布是完全对称的，并且没有给出关于的列的任何特殊信息。在本文中，始终是一个非高斯矢量。应该注意的是，中心极限定理指出，几个独立随机变量的和趋向于高斯分布，例如。所以比或的高斯分布更大。中心极限定理表明，如果我们能在中找到与最小高斯性质相结合的测量信号，那么这个信号就是一个独立的信号。一旦被确定了，它转化为就成了一个简单的问题。每一个由的像素矩阵表示的图像，将由一个高维度的像素点向量表示。这些图像向量将是的行，得到的不相关的分量将是的行。因此，的每一列称为，将成为依赖图像向投影的非高斯性最大化的方向。发送给该算法的原始特征是图像中每个像素的灰度级，而不使用任何几何特征或基于小波的特征。

应该指出的是，批处理方法不再满足新的信号处理研究的新趋势，在这种研究中，所有的视觉过滤器都是从非常长的在线实时视频流中逐渐衍生出来的。在线开发的视觉过滤器要求系统在新的感觉信号流入时执行。当图像的维数很高时，计算和存储的复杂度都大大增加。因此，为了计算出连续到达的主要独立组件，使用实时过程的想法变得非常有效。

2 系统描述

多模态生物识别系统由以下几个阶段组成。

(i)图像采集阶段:使用低成本扫描器进行手绘;图像的空间分辨率为每英寸180点和256级灰度 。

(ii)预处理阶段:三个参与的局部区域：一个手掌区域，四个手指区域，和拇指区域

(iii)处理阶段:三个归一化的区域由顺序的PCA-ICA算法转化为三个空间，称为特征掌空间、特征指空间和特征拇指空间。特征掌空间是由一些最大的特征向量组成的。对于样本，特征提取模块的输出是三个特征矢量。

(iv)识别阶段:执行对应的向量和来自数据库的模板之间的匹配。

3预处理阶段

用低成本的扫描仪扫描右手的图像，扫描180度/256的灰色水平。用户将手放在扫描仪上，手指自然地伸展；没有挂钩，也没有任何其他的手动限制。

图1显示了将所有用户的手图像分成三个不同的区域。

区域分别是拇指图像(图1(e))、手掌(图1(d))和其余四个手指(图1(c))。

图1(b)显示区域的计算相当简单，不需要复杂的或长时间的处理时间，只需将四个手指区域与其他两个区域分开，就可以在原始图像的45%的水平上画一条水平线。然后，在得到的子图像中，以70%的子图像获得了掌纹区域。

上述方法适用于所有用户的图像,因为整个扫描获得的有1020times;999像素。

在获取三个区域后，也应用几何规格化，将“四指”区域归一化到454times;200像素，“手掌”307times;300像素,和“拇指”180times;300像素。

1. (b)

(c)

(d) (e)

图1

4 IPCA-ICA算法的推导。

每次引入新的图像时，非高斯矢量将被更新。在相应的特征值(第一个非高斯向量对应于最大的特征值)下，算法给出了一个递减的顺序。在第4.1节中展示第一个非高斯向量的收敛性，其他向量的收敛性将在第4.2节中展示。

4.1 第一个非高斯向量

4.1.1 算法定义

假设从特定的图像数据中得到的维向量样本按顺序接收得到的观察结果可能是无限的。在不损失一般性的情况下，在算法开始时初始化一个固定的估计均值图像。应该注意的是，获取平均图像的一个简单方法是按顺序呈现所有图像并计算它们的平均值。这意味着可以从每个向量(n)中减去它，从而得到近似为零的归一化向量。让

成为协方差矩阵，这不是一个中间结果。IPCA-ICA算法可以描述如下。

该算法以图像的个数、图像的维数以及所需的非高斯方向的数目作为输入，并返回图像数据矩阵和非高斯矢量作为输出。它就像一个线性系统，可以预测输入向量和当前状态向量的下一个状态向量。通过顺序处理IPCA和快速ICA算法，非高斯分量将由先前的分量值和新的输入图像矢量来更新。IPCA将估计的特征向量作为表示数据子空间的矩阵和相应的特征值作为行向量返回，快速ICA搜索独立方向，其中输入数据向量的投影将最大限度地增加非高斯性。它是基于用牛顿的方法，使的近似负熵函数[19]。其中，为随机变量的非二次函数，为其期望值。

得到的独立向量将构成一个描述原始数据集而不丢失信息的基础。通过将输入测试图像投影到此基础上，并将结果坐标与测试图像进行比较，以找到最接近的图像，可以完成人脸识别。

假设数据包含了个图像和一组个非高斯的矢量，图2说明了算法的步骤。

首先，所有非高斯向量都被选择来描述一组标准正交基。在每一个步骤中，所有这些向量都将使用在（7）中给出的IPCA更新规则进行更新。然后，每个估计的非高斯矢量都将是ICA函数的输入，以便从中提取相应的非高斯矢量(图3)。

图 2

图 3

4.1.2 算法方程

根据定义，一个特征向量对应一个协方差矩阵的对应特征值

(2)

通过用样本协方差矩阵并使用来替换（2）中未知量，得到以下方程

(3)

其中是输入所有个图像后的第步估计值。由于，，被设置为（根据给定的值，估计），方程（3）引出了下面的等式：

(4)

式(4)可以写成递归形式:

(5)

是最后一个估计的权重，是新数据的权重。

首先,让数据的第一个方向传播。IPCA算法将给出第一个主成分的第一个估计值，它对应于最大特征值:

(6)

然后，矢量将是快速ICA算法的初始方向:

(7)

快速ICA算法将重复，直到收敛的规则如下:

(8)

是函数(式(10))的导数。需要注意的是，为保证独立向量的非高斯性，该算法使用的是负熵的近似。在开始计算负熵之前，应该选择一个非二次函数，

(9)

和它的导数:

(10)

一般而言，对于估计特征向量的对应非高斯向量，将使用以下重复规则进行估计:

(11)

4.2 高阶非高斯向量

前面的讨论只估计第一个非高斯向量。计算其他高阶向量的一种方法是遵循随机梯度上升（SGA）的方法:从一组标准的矢量开始，用建议迭代的步骤更新它们，然后用克·施密特正规化来恢复正交性。对于实时在线计算，需要避免耗时的GSO。此外，非高斯矢量应该相互正交，以保证独立。因此，它有助于在补充的一个空间中计算高阶特征向量，生成“观测”。例如，要计算二阶非高斯矢量，首先要从估计的一阶特征向量中减去它的投影，如下所示:

(12)

其中。在的补充空间中，所获得的剩余作为迭代步骤的输入数据。这样，当达到收敛时，正交性总是被强制执行，尽管在早期阶段并不完全如此。这实际上更好地使用了可用的示例，并避免了耗时的GSO。

收敛后，因为非高斯矢量在互补空间中被估计，所以将被强制为正交。因此，所有估计的向量将会是

(i) 根据算法中的学习规则的非高斯分布

(ii) 独立于算法中引入的互补空间。

4.3 算法总结

假设给定个不同的图像;让我们首先计算占主导地位的非高斯向量。假设表示第个输入图像，表示第个非高斯向量的第次更新。结合IPCA和快速ICA算法，可以总结出算法1所示的新算法。

算法1

4.4 与PCA-ICA批处理算法的比较。

IPCA-ICA算法与PCA-ICA批处理算法之间的主要区别是实时序列过程。IPCA-ICA不需要大内存来存储表示传入图像的整个数据矩阵。因此，在每一步中，该函数处理一个传入图像，以更新估计的非高斯方向，而下一个传入图像可以存储在前一个图像中。在IPCA中，第一个估计的非高斯向量(对应于最大的特征值)对应于传递最有效信息的向量。因此，IPCA-ICA的处理只能局限于指定数量的第一个非高斯方向。另一方面，只有在计算了所有的向量之后，才能在PCA中做出有效的向量决定，因此程序将花费一定的时间来计算不需要的向量。而且，ICA的工作通常是在一个批处理模式中，只有当这些特征向量同时出现在输入时，才可以提取输入特征向量的独立分量。很明显，从时间效率的考虑来看，IPCA-ICA将比PCA-ICA算法更高效，并且需要更少的执行时间。最后，IPCA-ICA通过只取少量基向量，获得了比批量PCA-ICA更好的识别性能。这些结果是由于在所有图像上应用批处理PCA给出m个非相关的基向量。应用ICA在n的m向量将不能保证获得向量是最有效的向量。由IPCA-ICA算法获得的基向量将比批处理算法所选择的算法具有更高的效率或包含更多的信息。

5 实验结果和讨论

为了证明IPCA-ICA算法在人手识别问题上的有效性，使用了一个包含100个模板(20个用户，每个用户5个模板)的数据库。进行了四次识别实验。其中三个仅使用一只手的部分功能（即：仅基于掌特征的识别，仅基于手指特征的识别。仅基于拇指特征的识别

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[24515]，资料为PDF文档或Word文档，PDF文档可免费转换为Word