生物识别系统中的特征提取与分类技术研究

# 生物识别系统中的特征提取与分类技术研究 ## 1. 引言 在当今的科技领域，生物识别系统的需求日益增长，特别是对于低错误率系统的需求。多光谱成像技术因其能够提供可见光无法提供的额外信息，成为克服可见光技术局限性的有效手段。手掌纹识别作为生物识别的重要领域，因其包含丰富独特的特征，在高安全级别的应用中具有广泛的应用前景。 在生物识别系统中，特征提取是至关重要的步骤，它直接影响系统的准确性。基于不同的特征类型（如线条、纹理或形状），已经提出了多种特征提取方法。其中，局部特征表示在提取独特纹理特征方面表现出高效的性能。常见的方法包括局部二值模式（LBP）、局部相位量化（LPQ）和基本图像特征（BIF）及其变体。然而，传统的手工特征方法在处理大型数据库时存在局限性，因此需要引入先验知识来提高性能。 ## 2. 分类与聚类算法 ### 2.1 FarthestFirst 聚类算法 FarthestFirst 聚类算法通过选择与已选中心点集最远的点，并依次添加剩余点，直到系统收敛。该算法的实现不需要大量的重新定位和调整，因此可以显著加快聚类过程。 ### 2.2 Hoeffding 树（VFDT）分类器 Hoeffding 树（VFDT）是一种决策树归纳分类器。在训练阶段，它能够从复杂的数据流和动态设计中高速学习准确的模型。对于每个新的测试示例，VFDT 能够快速生成更新后的决策树。为了确定每个决策所需的示例数量，VFDT 使用了称为 Hoeffding 界限的统计结果。 ## 3. 实验结果 ### 3.1 特征选择与过滤 实验的第一步是根据特征的“相关性得分”对提取的特征进行排序。然后，使用方差分析（ANOVA）来确定特征集中哪些组件在不同类别之间具有最大的区分度。如果组件的 p 值小于 0.05 且 F 值小于 2，则将其排除；否则，将其保留在特征向量中。最终，从提取的 74 个组件中得到了 54 个显著组件。 ### 3.2 聚类结果 | 分组 | 特征向量 | 组件数量 | 聚类结果 | | ---- | ---- | ---- | ---- | | PD = 9，ReliefF | ReliefF | 74 | ClassI: 18，ClassII: 43 | | PD = 9，ReliefF + ANOVA | ReliefF + ANOVA | 54 | ClassI: 10，ClassII: 51 | ### 3.3 分类结果 | 分类器 | 特征向量 | 组件数量 | 正确分类率（%） | | ---- | ---- | ---- | ---- | | Hoeffding 树（VFDT） | ReliefF | 74 | 95.08 | | Hoeffding 树（VFDT） | ReliefF + ANOVA | 54 | 98.36 | 从实验结果可以看出，ANOVA 过滤是有益的，它通过消除可能干扰聚类或分类过程的非显著组件，减少了组件数量，同时在不显著损失信息的情况下降低了计算时间。聚类结果与分类结果具有一致性，特别是在添加 ANOVA 特征选择算法后，获得了高达 98.36% 的识别率。 ### 3.4 性能评估 为了评估 Hoeffding 树分类器（VFDT）的性能，计算了四个指标：召回率、准确率、F 值和精确率。结果如下表所示： | 类别 | 准确率 | F 值 | 精确率 | 召回率 | | ---- | ---- | ---- | ---- | ---- | | 患者 | 98.36% | 94.7% | 90% | 100% | | 健康人 | 98.36% | 99% | 100% | 98.4% | 混淆矩阵如下： | 预测 \ 观察 | 患者 | 健康人 | | ---- | ---- | ---- | | 患者 | 9 | 0 | | 健康人 | 1 | 51 | 从混淆矩阵可以更清晰地看到分类结果，模拟结果显示有 51 名健康人