基于GMM-WSUM的多生物特征二级融合识别方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (2): 179-182.

基于GMM-WSUM的多生物特征二级融合识别方法

李雄1，2，张东波1，2

1.湘潭大学信息工程学院，湖南湘潭 411105
2.智能计算与信息处理教育部重点实验室，湖南湘潭 411105

出版日期:2014-01-15 发布日期:2014-01-26

GMM-WSUM based multiple biometrics identification with two level fusion strategy

LI Xiong1，2, ZHANG Dongbo1，2

1.College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105, China
2.Key Laboratory of Intelligent Computing & Information Processing of Ministry of Education, Xiangtan, Hunan 411105, China

Online:2014-01-15 Published:2014-01-26

摘要/Abstract

摘要： 结合基于密度估计和归一化两种融合方法的优点，在匹配分数层级提出了一种基于高斯混合模型（Guassian Mixture Model，GMM）和加权和（Weighted Sums，WSUM）的多生物特征二级融合识别方法。利用GMM对匹配分数建模后，采用N-P准则作为第一级融合策略；第二级融合采用基于加权和的归一化方法，较好地解决了分数归一化融合方法在单模识别算法识别率相差较大时融合识别性能差的问题。在ORL、AR人脸数据库和FVC2004组成的人脸-指纹多模数据库上进行了实验，结果表明，该方法有效地提升了识别性能。

关键词: 高斯混合模型, 多生物特征融合, 人脸, 指纹

Abstract: By combining the merits of density estimation and score normalization, a multi-biometric two level fusion method based on GMM（Guassian Mixture Model） and WSUM（Weighted Sums）, is proposed in this paper. N-P criteria is adopted as the first-level fusion strategy after the probability distribution of scores has been built by GMM model. And a weighted sums normalization is introduced as the second-level fusion strategy. This two level fusion method provides a better solution for the poor performance of score normalization fusion method when single-mode identification algorithms have great difference. The ORL and AR face database, FVC2004 fingerprint database are collected to build a face-fingerprint multimode database to evaluate the proposed method. Experimental results show that the proposed method effectively improve the performance of recognition.

Key words: Guassian Mixture Model（GMM）, multi-biometric fusion, face, fingerprint

李雄1，2，张东波1，2. 基于GMM-WSUM的多生物特征二级融合识别方法[J]. 计算机工程与应用, 2014, 50(2): 179-182.

LI Xiong1，2, ZHANG Dongbo1，2. GMM-WSUM based multiple biometrics identification with two level fusion strategy[J]. Computer Engineering and Applications, 2014, 50(2): 179-182.

[1]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[2]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[3]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[7]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[8]	周华强，曹林，杜康宁. 多判别器循环生成对抗网络的素描人脸合成[J]. 计算机工程与应用, 2021, 57(3): 231-238.
[9]	丁培，阿里甫·库尔班，耿丽婷，韩文轩. 自然环境下实时人脸口罩检测与规范佩戴识别[J]. 计算机工程与应用, 2021, 57(24): 268-275.
[10]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[11]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[12]	张宏丽，白翔宇. 利用优化剪枝GoogLeNet的人脸表情识别方法[J]. 计算机工程与应用, 2021, 57(19): 179-188.
[13]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[14]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[15]	姚姗姗，牛保宁. 抗频率变换的采样计数音频检索方法[J]. 计算机工程与应用, 2021, 57(12): 126-131.