41、生物识别系统中的面部识别与视网膜特征点分类技术

生物识别系统中的面部识别与视网膜特征点分类技术

在生物识别领域，面部识别和视网膜特征点分类是两个重要的研究方向。本文将介绍一种用于面部识别的自更新多专家系统，以及一种将视网膜特征点分类方法应用于生物识别系统的技术。

面部识别的自更新多专家系统

在面部识别中，为了评估所选分类器单独运行或在更协作的架构中组合运行时的性能，进行了实验测试。实验中使用的分类方法包括LDA、OLPP、NPE和PIFS，测试基准的面部图像集来自AR Faces数据库。

该数据库包含126个受试者，每个受试者在两个不同的会话中采集了13组图像。这些图像在表情、光照、遮挡等方面存在差异。将集合1中的中性图像作为系统图库，使用7个探针（2、3、4、5、6、8、11）进行测试。使用基于Haar特征的开源面部对象检测器来定位相关区域，当检测出现错误时，会手动进行纠正。

实验性能通过识别率（RR）、等错误率（EER）、累积匹配分数（CMS）和可靠响应数量（NRR）来衡量。

• 单个分类器的性能
  | 数据集 | 分类器 | RR | EER | CMS(5) |
  | — | — | — | — | — |
  | SET 2 | LDA | 0.944 | 0.044 | 0.991 |
  | SET 2 | OLPP | 0.925 | 0.094 | 0.972 |
  | SET 2 | NPE | 0.953 | 0.028 | 1.000 |
  | SET 2 | PIFS | 0.953 | 0.039 | 0.981 |
  | SET 3 | LDA | 0.822