特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一優(yōu)化選擇的掌紋識(shí)別

張 愉，童敏明，尚 麗

1.蘇州市職業(yè)大學(xué) 電子信息工程學(xué)院，江蘇 蘇州 215104

2.中國(guó)礦業(yè)大學(xué) 信電學(xué)院，江蘇 徐州 221008

特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一優(yōu)化選擇的掌紋識(shí)別

張 愉1，童敏明2，尚 麗1

1.蘇州市職業(yè)大學(xué) 電子信息工程學(xué)院，江蘇 蘇州 215104

2.中國(guó)礦業(yè)大學(xué) 信電學(xué)院，江蘇 徐州 221008

1 引言

掌紋具有易采集、識(shí)別區(qū)域大、可靠性和精度高等優(yōu)點(diǎn)，在自動(dòng)門(mén)衛(wèi)系統(tǒng)、身份識(shí)別系統(tǒng)、公共場(chǎng)所監(jiān)控系統(tǒng)等領(lǐng)域具有廣泛的應(yīng)用前景，因此掌紋識(shí)別成為生物識(shí)別領(lǐng)域中的研究熱點(diǎn)[1]。

針對(duì)掌紋識(shí)別問(wèn)題，學(xué)者們進(jìn)行了大量研究，取得了不錯(cuò)的進(jìn)展，涌現(xiàn)了許多掌紋識(shí)別模型，但仍然有許多難題沒(méi)有得到解決。掌紋識(shí)別包括掌紋特征提取和分類(lèi)器設(shè)計(jì)等兩個(gè)關(guān)鍵問(wèn)題[2]。當(dāng)前特征提取方法主要有：統(tǒng)計(jì)特征、變換域特征、子空間特征等[3]。結(jié)構(gòu)信息特征對(duì)相近或相似的掌紋鑒別力不夠強(qiáng)[4]；變換域特征忽略了掌紋圖像豐富的紋理信息，易受光照影響[5]；子空間特征提取方法包括Fisher判別（FDA）、主分分分析（PCA）等[6-7]，其中PCA具有描述性強(qiáng)、易實(shí)現(xiàn)和可分性好等特點(diǎn)，成為最為經(jīng)典和廣泛實(shí)用的掌紋特征提取方法。由于特征維數(shù)不同，掌紋識(shí)別率則不同，掌紋特征維數(shù)具體為多少才能既有利于掌紋識(shí)別性能，又能提高掌紋識(shí)別速度，是PCA在提取特征過(guò)程中需要解決的難題[8]。當(dāng)前掌紋分類(lèi)器采用距離法、K近鄰法、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法[9-10]。支持向量機(jī)（SVM）在解決小樣本、非線(xiàn)性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，因此，本研究采用SVM用于掌紋分類(lèi)器構(gòu)建。基于SVM的掌紋分類(lèi)器性能與參數(shù)選取密切相關(guān)，當(dāng)前主要采用遺傳算法、蛙跳算法、模擬退火算法、粒子群算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化[11]。由于掌紋特征維數(shù)不同，最佳識(shí)別性能的SVM參數(shù)肯定不同，因此掌紋特征維數(shù)與SVM參數(shù)相互關(guān)聯(lián)，互相影響，共同作用于掌紋識(shí)別結(jié)果，然而當(dāng)前兩者卻常分開(kāi)、單獨(dú)優(yōu)化，完全割裂了兩者間的內(nèi)在聯(lián)系，出現(xiàn)掌紋特征選擇與分類(lèi)器不匹配問(wèn)題，難以建立整體性能最優(yōu)的掌紋識(shí)別模型。

針對(duì)掌紋識(shí)別過(guò)程特征維數(shù)和分類(lèi)器參數(shù)單獨(dú)、分開(kāi)優(yōu)化選擇存在的不足，提了一種特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一優(yōu)化的掌紋識(shí)別模型（Features-Classifier），并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證該模型的有效性。

2PCA和SVM概述

2.1 PCA降維

主成分分析（PCA），也叫K-L變換，其目的是在數(shù)據(jù)空間中找到一組向量以盡可能地解釋數(shù)據(jù)的方差，通過(guò)一個(gè)特殊的向量矩陣，將數(shù)據(jù)從原來(lái)的高維空間投影到一個(gè)低維的向量空間中，降維后保存了數(shù)據(jù)的主要信息，從而降低向量維數(shù)的目的[12]。

設(shè)訓(xùn)練集共有N幅掌紋的特征圖像，每一幅特征圖像的大小為w×h。PCA降維處理步驟為：

（1）將每幅特征圖像的像素按列從左到右依次取出，最后轉(zhuǎn)換成一個(gè)個(gè) r維的列向量：x1，x2，…，xi，…，xN，r=w×h，xi代表第i個(gè)掌紋的特征圖像展開(kāi)以后得到的列向量形式的訓(xùn)練樣本。

（2）計(jì)算所有訓(xùn)練樣本的平均值向量：

（3）每個(gè)訓(xùn)練樣本都減去上述均值：

（4）計(jì)算協(xié)方差矩陣：

（5）計(jì)算協(xié)方差矩陣C的特征向量和特征值，取出最大的k個(gè)（k遠(yuǎn)遠(yuǎn)小于掌紋ROI圖像對(duì)應(yīng)列向量的維數(shù) r）特征值對(duì)應(yīng)的特征向量：u1，u2，…，ui，…，uk，1≤i≤k，及對(duì)應(yīng)的特征值：λ1，λ2，…，λi，…，λk。

（6）對(duì)特征向量ui進(jìn)行歸一化處理，得到正交歸一化的特征向量wi。

式中，‖·‖表示在特征空間中的歐氏距離，W=[w1，w2，…，wk]即為代表這些掌紋ROI圖像的特征子空間的基。

當(dāng)輸入待識(shí)別掌紋特征xs時(shí)，進(jìn)行降維的步驟為：

（1）將待識(shí)別掌紋減去平均值向量。

（2）將Φs投影到訓(xùn)練得到的特征子空間，則待測(cè)掌紋特征降維輸出為Ys。

對(duì)PCA降維過(guò)程進(jìn)行分析可知，特征空間基向量的維數(shù)大小k值選取是PCA變換中的一個(gè)關(guān)鍵環(huán)節(jié)，其值的優(yōu)劣影響掌紋識(shí)別結(jié)果。

2.2 SVM分類(lèi)原理

假設(shè)樣本集為 {xi，yi}，i=1，2，…，n，xi∈ Rd，d 是訓(xùn)練樣本的維數(shù)，n是訓(xùn)練樣本規(guī)模，yi∈{-1，+1}為類(lèi)別標(biāo)志，那么SVM使得對(duì)線(xiàn)性可分的樣本集滿(mǎn)足：

引入Lagrange乘子將上述最優(yōu)分類(lèi)平面問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題，相應(yīng)的約束條件為：

對(duì)αi求解下列函數(shù)的最大值：

式中，αi為L(zhǎng)agrange乘子。

若αi為最優(yōu)解，那么有：

對(duì)于在線(xiàn)性不可分的情況下，為了減少泛化誤差，引入非負(fù)的松弛變量ξi來(lái)對(duì)式（7）的條件進(jìn)行放寬，約束條件變?yōu)椋?/p>

引入錯(cuò)誤懲罰分量，目標(biāo)函數(shù)為：

求解上述問(wèn)題后得到的最優(yōu)分類(lèi)函數(shù)為：

式中，C為懲罰參數(shù)。

不同的核函數(shù)會(huì)生成不同形式的SVM[13]，由于徑向基核函數(shù)（RBF）只需確定一個(gè)參數(shù)（即核函數(shù)寬度參數(shù)σ），有利于參數(shù)優(yōu)化，因此，本研究選擇RBF核函數(shù)構(gòu)造SVM。

根據(jù)SVM分類(lèi)原理可知，參數(shù)C和σ的取值影響基于SVM的掌紋圖像分類(lèi)結(jié)果，要獲得最優(yōu)掌紋識(shí)別效果，首先要獲得最優(yōu)C、σ值。

3 Features-Classifier的掌紋識(shí)別

3.1 特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一選擇數(shù)學(xué)模型

在掌紋識(shí)別過(guò)程中，由于PCA特征空間基向量的維數(shù)大小選擇和SVM參數(shù)選擇的目的都是提高掌紋識(shí)別率，盡可能使得掌紋識(shí)別率最大化。為了挖掘掌紋特征子集和分類(lèi)器參數(shù)之間的聯(lián)系，本研究對(duì)PCA特征空間基向量的維數(shù)大小和SVM參數(shù)進(jìn)行統(tǒng)一優(yōu)化選擇，其數(shù)學(xué)模型為：

式中，k表示PCA特征空間基向量的維數(shù)大小；C、σ表示SVM參數(shù)；rate表示掌紋識(shí)別率。

3.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）通過(guò)粒子追隨自己歷史最優(yōu)解Pbest和整個(gè)粒子群的歷史最優(yōu)解gbest找到最優(yōu)解，PSO算法具有收斂速度快，沒(méi)有許多參數(shù)的調(diào)節(jié)，受問(wèn)題維數(shù)變化影響小等優(yōu)點(diǎn)，容易實(shí)現(xiàn)。在每一次迭代中，粒子速度和位置的更新公式為：

式中，vid(i)和vid(i+1)分別為當(dāng)前和更新后的粒子速度；xid(i)和xid(i+1)分別為當(dāng)前和更新后的粒子位置；w為慣性權(quán)重；c1、c2表示加速因子；rand()表示隨機(jī)函數(shù)。

3.3 特征和分類(lèi)器參數(shù)的統(tǒng)一選擇設(shè)計(jì)

3.3.1 粒子編碼方式

粒子個(gè)體位置包括三部分，第一部分為PCA特征維數(shù)大小；第二部分為SVM的懲罰參數(shù)C；第三部分為SVM核函數(shù)寬度參數(shù)σ，具體如圖1所示。

圖1 粒子群的編碼方式

3.3.2 適應(yīng)度函數(shù)設(shè)計(jì)

掌紋特征提取和分類(lèi)器參數(shù)選擇目標(biāo)是提高掌紋識(shí)別率，而適應(yīng)度函數(shù)用于評(píng)價(jià)粒子優(yōu)劣，并指引粒子的飛行方向，那么第i個(gè)粒子的適應(yīng)度函數(shù)定義為：

式中，rate 表示第 i個(gè)粒子對(duì)應(yīng)的參數(shù) ki，Ci，σi的掌紋識(shí)別率。

3.3.3 多類(lèi)掌紋分類(lèi)器設(shè)計(jì)

SVM是針對(duì)2分類(lèi)問(wèn)題，然而掌紋圖像包括多種類(lèi)型，因此掌紋識(shí)別是一種多分類(lèi)問(wèn)題，必須通過(guò)組合策略構(gòu)建多類(lèi)掌紋分類(lèi)器，本研究采用有向無(wú)環(huán)圖（DAG）將兩分類(lèi)的SVM組合在一起，構(gòu)造多類(lèi)掌紋分類(lèi)器。假設(shè)共4類(lèi)掌紋圖像，那么多類(lèi)掌紋分類(lèi)器構(gòu)建如圖2所示。

圖2 多類(lèi)掌紋分類(lèi)器的構(gòu)建示意圖

3.3.4 Features-Classifier的掌紋識(shí)別步驟

（1）采集掌紋圖像，并對(duì)其進(jìn)行預(yù)處理，如直方圖均衡和能量歸一化處理等消除掌紋圖像中的噪聲信息。

（2）設(shè)置SVM參數(shù)C、σ、PCA特征空間基向量的維數(shù)大小k的取值范圍。

（3）初始化粒子群。采用隨機(jī)方式產(chǎn)生m個(gè)粒子，組成初始粒子群，每一個(gè)粒子由k、C、σ組成。

（4）將粒子進(jìn)行反編碼，PCA根據(jù)k值選擇掌紋特征向量，根據(jù)C、σ訓(xùn)練SVM，并根據(jù)式（17）計(jì)算粒子的適應(yīng)度值。

（5）更新當(dāng)前粒子的最優(yōu)位置Pbest和粒子群的最優(yōu)位置gbest。

（6）根據(jù)式（15）和（16）對(duì)粒子的速度和位置進(jìn)行更新，并調(diào)整慣性權(quán)重。

（7）如果連續(xù)5代最優(yōu)粒子適應(yīng)度值間差的絕對(duì)值沒(méi)有超過(guò)0.001，太大變化，則停止優(yōu)化，表示獲得最優(yōu)的 k、C、σ ；否則轉(zhuǎn)至步驟（4），繼續(xù)優(yōu)化。

（8）對(duì)于未知掌紋圖像，PCA根據(jù)最優(yōu)k值提取特征，并用C、σ測(cè)試SVM，得到最優(yōu)掌紋識(shí)別結(jié)果。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)集

為了驗(yàn)證Features-Classifier掌紋識(shí)別模型的有效性，采用香港理工大學(xué)的Po1yU掌紋數(shù)據(jù)庫(kù)作為仿真對(duì)象。Po1yU的掌紋圖像在不同的光照條件下、采用不同設(shè)備采集的，共包括100個(gè)人的600幅掌紋圖像，每人6幅，其中前3幅圖像是第一次采集的，另外3幅圖像是第二次采集的，兩次采集的平均時(shí)間間隔為兩個(gè)月，圖像的大小為384像素×284像素，256灰度級(jí)，如圖3所示[14]。一個(gè)人的6幅掌紋圖像如圖3所示。仿真的計(jì)算機(jī)配置為：CPU為Intel Core i5 3350p+3.1 GHz、RAM 2 GB，在Windows XP下的Matlab 2012進(jìn)行編程實(shí)現(xiàn)算法。

圖3 Po1yU圖像庫(kù)的掌紋圖像

4.2 掌紋圖像的預(yù)處理

選擇每人的前4幅圖像共400幅圖像作為訓(xùn)練集，其余200幅圖像作為測(cè)試集。首先利用文獻(xiàn)[15]中的方法對(duì)掌紋圖像進(jìn)行預(yù)處理。經(jīng)過(guò)預(yù)見(jiàn)處理后，每個(gè)掌紋塊具有相同大小，基本上消除了掌紋的偏移和旋轉(zhuǎn)，得到一個(gè)128像素×128像素的區(qū)域作為掌紋感興趣區(qū)域（ROI）具體如圖4所示。

圖4 截取的掌紋ROI

然后對(duì)掌紋ROI每隔8行進(jìn)行行抽樣，每隔8列進(jìn)行列抽樣，抽樣后掌紋圖像大小為16像素×16像素，轉(zhuǎn)換成一維向量為1×256維，用PCA進(jìn)行特征提取。

4.3 SVM參數(shù)和特征維數(shù)對(duì)掌紋識(shí)別率的影響

為了分析SVM參數(shù)、PCA特征空間基向量的維數(shù)對(duì)掌紋識(shí)別率的影響，采用手動(dòng)的方式調(diào)整SVM參數(shù)并記錄結(jié)果：固定核參數(shù)C=100，σ=1.25，PCA特征空間基向量的維數(shù)、掌紋類(lèi)別數(shù)與掌紋識(shí)別率的關(guān)系如圖5所示。從圖5可知，不同類(lèi)別的掌紋圖像，對(duì)應(yīng)的最佳識(shí)別性能的PCA特征空間基向量維數(shù)不同，例如：當(dāng)分類(lèi)的掌紋圖像類(lèi)別數(shù)是20，PCA特征空間基向量的維數(shù)大小k=60，而類(lèi)別數(shù)為80，PCA特征空間基向量的維數(shù)k=120，需分類(lèi)的掌紋類(lèi)別數(shù)少，需要的區(qū)分特征就少；需要分類(lèi)的掌紋類(lèi)別數(shù)越高，特征向量維數(shù)越多，而且識(shí)別時(shí)間也隨著維數(shù)的增加而增加。

圖5 不同特征維數(shù)的掌紋識(shí)別率（C=100，σ=l.25）

固定PCA特征空間基向量的維數(shù)k=100，掌紋類(lèi)別數(shù)為100，SVM參數(shù)(C，σ)與掌紋識(shí)別率的關(guān)系如圖6所示。從圖6可知，參數(shù)C和σ發(fā)生變化時(shí)，掌紋識(shí)別率發(fā)生相應(yīng)變化，這說(shuō)明對(duì)特征維數(shù)和SVM參數(shù)的優(yōu)化是必要的。

圖6 不同的SVM參數(shù)所對(duì)應(yīng)的掌紋識(shí)率（掌紋類(lèi)別數(shù)為100，特征維數(shù)為100）

4.4 對(duì)比模型及評(píng)價(jià)標(biāo)準(zhǔn)

為了使Features-Classifier掌紋識(shí)別模型的結(jié)果具有可比性，采用PSO優(yōu)化PCA的特征維數(shù)，固定SVM參數(shù)(C=50和σ=1.25)的掌紋識(shí)別模型（PCA-SVM）；采用固定PCA的特征維數(shù)k=100，采用PSO算法優(yōu)化SVM參數(shù)的掌紋識(shí)別模型（PSO-SVM）；采用PSO優(yōu)化PCA的特征維數(shù)，PSO優(yōu)化SVM參數(shù)，與單獨(dú)、分開(kāi)進(jìn)行的掌紋識(shí)別模型（PCA-PSO-SVM）進(jìn)行對(duì)比實(shí)驗(yàn)。方法評(píng)價(jià)標(biāo)準(zhǔn)為掌紋識(shí)別率和平均識(shí)別時(shí)間。

4.5 結(jié)果分析

4.5.1 掌紋識(shí)別率比較

根據(jù)相應(yīng)的特征維數(shù)和SVM參數(shù)，對(duì)于不同類(lèi)的掌紋圖像，PCA-SVM、PSO-SVM、PCA-PSO-SVM、Features-Classifier對(duì)測(cè)試集的掌紋識(shí)別結(jié)果見(jiàn)表1。從表1可知，相對(duì)于PCA-SVM，PSO-SVM，PCA-PSO-SVM，F(xiàn)eatures-Classifier的平均識(shí)別率分別提高了大約8.52%，8.52%和2.23%，對(duì)比結(jié)果表明，單獨(dú)、分開(kāi)選擇特征維數(shù)或者分類(lèi)器參數(shù)，割裂了兩者的內(nèi)在聯(lián)系，很難保證特征維數(shù)或者分類(lèi)器同時(shí)達(dá)到最優(yōu)，F(xiàn)eatures-Classifier方法在統(tǒng)一的目標(biāo)函數(shù)下，通過(guò)PSO算法對(duì)特征維數(shù)和SVM參數(shù)進(jìn)行同時(shí)選擇，可以使兩者同時(shí)達(dá)到最優(yōu)，挖掘掌紋特征子集和分類(lèi)器參數(shù)的內(nèi)在聯(lián)系，更加準(zhǔn)確地描述了掌紋類(lèi)別信息，提高了掌紋識(shí)別率。

表1 不同方法的掌紋識(shí)別率比較

表2 不同方法的掌紋識(shí)別速度比較

4.5.2 識(shí)別速度比較

在Matlab 2012平臺(tái)下，識(shí)別一幅掌紋所需CPU時(shí)間見(jiàn)表2。從表2可知，F(xiàn)eatures-Classifier方法的平均識(shí)別最短為0.176 s，較對(duì)比模型的識(shí)別速度要快，這表明采用Features-Classifier方法對(duì)特征維數(shù)和分類(lèi)器參數(shù)進(jìn)行統(tǒng)一選擇，獲得的最優(yōu)PCA特征空間基向量維數(shù)大大減少，同時(shí)獲得了最優(yōu)的SVM參數(shù)C和σ，減少了SVM支持向量數(shù)，縮短了掌紋識(shí)別的時(shí)間，可以較好地滿(mǎn)足掌紋識(shí)別的實(shí)時(shí)性要求。

5 結(jié)束語(yǔ)

針對(duì)掌紋識(shí)別過(guò)程特征維數(shù)和分類(lèi)器參數(shù)優(yōu)化問(wèn)題，綜合考慮PCA特征維數(shù)大小與SVM參數(shù)之間的內(nèi)在聯(lián)系，提出一種特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一選擇的掌紋識(shí)別模型。仿真結(jié)果表明，相對(duì)于單獨(dú)、分開(kāi)優(yōu)化選擇的掌紋識(shí)別模型，F(xiàn)eatures-Classifier模型不僅提高了掌紋識(shí)別率，同時(shí)提高了掌紋識(shí)別速度，較好地解決了掌紋識(shí)別過(guò)程特征維數(shù)和分類(lèi)器參數(shù)的不匹配難題。

致謝感謝香港理工大學(xué)的Po1yU提供的掌紋數(shù)據(jù)庫(kù)，使本研究得以順利完成。

[1]吳介，裘正定.掌紋識(shí)別中的特征提取算法綜述[J].北京電子科技學(xué)院學(xué)報(bào)，2005，13（2）：86-92.

[2]袁國(guó)武，魏驍勇，徐丹.基于掌紋的身份鑒別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005，17（12）：2590-2595.

[3]Zhang D，Guo Zhenhua，Lu Guangming，et al.An online system ofmulti-spectralpalmprintverification[J].IEEE Transactions on Instrumentation and Measurement，2010，59（2）：480-490.

[4]周新虹，彭玉華，薛玉利，等.應(yīng)用小波變換和支持向量機(jī)的掌紋識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（22）：38-41.

[5]徐鳳，何玉琳，章海軍.一種基于傅里葉變換的雙級(jí)匹配掌紋識(shí)別系統(tǒng)[J].光學(xué)儀器，2007，29（3）：64-68.

[6]潘新，阮秋琦.基于二維局部保留映射的小樣本掌紋識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（30）：30-33.

[7]苑瑋琦，黃靜，桑海峰.小波分解與PCA方法的掌紋特征提取方法[J].計(jì)算機(jī)應(yīng)用研究，2008，25（12）：3671-3674.

[8]陶俊偉，姜威，田沖.一種改進(jìn)的基于PCA和FLD的掌紋識(shí)別[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（1）：204-206.

[9]王艷春，李靜輝，夏穎.基于小波神經(jīng)網(wǎng)絡(luò)的掌紋識(shí)別[J].齊齊哈爾大學(xué)學(xué)報(bào)，2010，26（3）：5-8.

[10]王恒，王蜂，粱荷巖.基于Contourlet變換與SVM的掌紋識(shí)別[J].計(jì)算機(jī)工程，2012，38（6）：196-198.

[11]張建華，冀榮華，袁雪，等.基于徑向基支持向量機(jī)的棉花蟲(chóng)害識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（8）：178-183.

[12]郭金玉，苑瑋琦.基于核主元分析和Fisher線(xiàn)性判別的掌紋識(shí)別[J].光電子·激光，2008，19（12）：1698-1702.

[13]李明昊，李燕華，潘新，等.基于Gabor小波和支持向量機(jī)的掌紋識(shí)別算法的研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，32（3）：270-275.

[14]香港理工大學(xué)生物特征研究中心.Po1yU掌紋數(shù)據(jù)庫(kù)[EB/OL].（1998-04-11）.http：//www.comp.polyu.edu.hk/～biometrics/.

[15]Lin C L，Chuang T C，F(xiàn)an K C.Palmprint verification using hierarchical decomposition[J].Pattern Recognition，2005，38（4）：2639-2652.

ZHANG Yu1,TONG Minming2,SHANG Li1

1.School of Electronic&Information Engineering,Suzhou Vocational University,Suzhou,Jiangsu 215104,China
2.School of Information&Electric Engineering,China University of Mining,Xuzhou,Jiangsu 221008,China

In order to enhance the palmprint recognition performance,it proposes a novel palmprint recognition model based on simultaneously selecting features and classifier parameters according to relation between the dimensions of the Principal Component Analysis（PCA）and parameters of Support Vector Machines（SVM）.The palmprint image is preprocessed,and then the dimensions of PCA and parameters of SVM are taken as a particle,the optimal palmprint features and parameters of SVM are obtained simultaneously by information exchange and cooperation of particle swarms,the optimal palmprint recognition model is established based on the selected dimensions and parameters,the performance of model is tested by Po1yU palmprint data.The results show that the proposed model can obtain recognition rates of the palmprint 94%,the prediction results are significantly better than reference models which features and classifier parameters are selected separately.

palmprint recognition;support vector machine;principal component analysis;simultaneously selection;particle swarm optimization algorithm

為了進(jìn)一步提高掌紋識(shí)別系統(tǒng)性能，充分利用主成分分析特征維數(shù)和支持向量機(jī)參數(shù)之間的聯(lián)系，提出了一種特征維數(shù)和分類(lèi)器參數(shù)統(tǒng)一選擇的掌紋識(shí)別模型（Features-Classifier）。對(duì)掌紋圖像進(jìn)行預(yù)處理，將主成分分析圖像特征維數(shù)和支持向量機(jī)參數(shù)作為一個(gè)粒子，在統(tǒng)一的目標(biāo)函數(shù)下通過(guò)粒子之間的信息交流和相互協(xié)作，找到最優(yōu)掌紋特征和分類(lèi)器參數(shù)，根據(jù)最優(yōu)掌紋特征和分類(lèi)器參數(shù)建立掌紋圖像識(shí)別模型，并采用Po1yU掌紋數(shù)據(jù)庫(kù)對(duì)模型性能進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明，F(xiàn)eatures-Classifier的掌紋平均識(shí)別率達(dá)到94%以上，識(shí)別結(jié)果明顯優(yōu)于獨(dú)立、分開(kāi)選擇特征維數(shù)和分類(lèi)器參數(shù)的掌紋識(shí)別模型。

掌紋識(shí)別；支持向量機(jī)；主成分分析；統(tǒng)一選擇；粒子群優(yōu)化算法

A

TP391

10.3778/j.issn.1002-8331.1307-0374

ZHANG Yu,TONG Minming,SHANG Li.Palmprint recognition based on simultaneously selecting features and classifier parameters.Computer Engineering and Applications,2014,50（23）：167-171.

國(guó)家自然科學(xué)基金（No.60970058）；江蘇省自然科學(xué)基金（No.BK2009131）；江蘇省“青藍(lán)工程”資助項(xiàng)目；2010蘇州市職業(yè)大學(xué)創(chuàng)新團(tuán)隊(duì)基金資助項(xiàng)目（No.3100125）。

張愉（1979—），女，講師，主要研究領(lǐng)域?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)、圖像處理、模式識(shí)別和智能傳感器研究；童敏明（1956—），男，博士，教授，博士生導(dǎo)師，主要研究領(lǐng)域?yàn)橥咚辜鞍踩O(jiān)測(cè)技術(shù)、傳感器及檢測(cè)技術(shù)；尚麗（1972—），女，博士，副教授，主要研究領(lǐng)域?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)、模式識(shí)別、數(shù)字圖像處理研究。

2013-07-29

2013-09-26

1002-8331（2014）23-0167-05

CNKI網(wǎng)絡(luò)優(yōu)先出版：2013-12-19,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1307-0374.html