专利名称：基于老龄用户多方式隐式语义分析处理方法
技术领域：
本发明涉及生物识别技术领域，尤其是基于老龄用户多方式隐式语义分析处理方法。
背景技术：
目前，我国60岁以上人口达1.8亿人，约占总人口 13.8%，按国际标准衡量，我国已进入了老年型社会，随着国家大力加快建立和完善覆盖城乡居民的社会保障体系，如社会养老保险金的发放、企业年金、医疗保险等，老龄用户将成为未来社会公共服务的主要群体，社会养老保险金、企业年金等发放过程中存在欺骗、冒领现象成为现今社会普遍关注的问题，信息化、数字化、网络技术为解决老龄用户身份认证困局提供了帮助。目前，生物特征识别技术、远程视频认证已经被成功应用到核实社会养老金冒领现象中老龄用户的身份。生物特征识别技术通过利用人体固有的生理特征和行为动作来进行身份识别和验证。根据使用生物特征的种类和数目，生物特征识别可以分为单生物特征识别和多生物特征识别，作为使用最广的单生物识别身份认证技术，指纹识别在解决老龄用户社会养老金发放时身份认证的问题已受到广泛关注。早在1901年，英国已开始应用指纹识别来避免铁路工人冒领、多领薪金。目前，相关公司如IBM、MiCr0S0ft、HP、C0mpaq、长春鸿达、杭州中正等公司的产品已经进入社会服务领域。我国劳动和社会保障部社会保险事业管理中心发布的《支付养老金指纹身份认证系统技术规范(试行)》也将基于细节点(minutiae)的指纹识别方法作为社会公共服务标准予以颁布，但是，对老龄用户来说，由于久经风霜，模糊手指很常见，传统的基于细节点的指纹识别系统往往会因为提取细节点不理想而导致系统误识率增加甚至认证失效。此外，基于单生物特征的识别技术存在着不普遍性某些生物特征缺失(如断手指)、损伤(如受损手指)、病变(如白内障)或特征采集质量较差(如人脸光线变化)都会导致识别系统的鲁棒性、可靠性差，防欺骗性弱，难以满足不同场合的实际要求。图像隐式语义特征(Image Latent Semantic Features, ILSF)由底层特征-图像矩阵获得，具有比传统意义上的图像语义更加丰富的信息，但是相对与底层特征来说，这些特征具有更强的表达和分类能力。因此，利用TLSA提取的特征可以作为一种“独特”的特征，并被证明能运用在生物特征身份认证领域。同时，相比传统的底层特征，由于间接用来描述图像，图像隐式语义特征对于采集图像的质量要求并不是很高，可以更好的克服某些不利因素带来的影响，比如指纹的图像纹线模糊，以及人脸光照变化的影响。
发明内容
本发明要解决的技术问题是为了克服上述中存在的问题，提供一种对提取特征进行处理的基于老龄用户多方式隐式语义分析处理方法。本发明解决其技术问题所采用的技术方案是一种基于老龄用户多方式隐式语义分析处理方法，其具体步骤如下
a.底层特征的图像矩阵构建采用多种底层特征，构建每个用户的底层特征的图像矩阵；b.并行二维非负矩阵分解算法先对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化；c.模糊C均值聚类利用编程工具箱中的模糊C均值聚类方法来进行聚类。本发明的基于老龄用户多方式隐式语义分析处理方法的有益效果是利用多方式隐式语义分析算法从底层特征-图像矩阵构建、二维矩阵分解以及聚类算法三方面，能够对提取的特征进行处理，此方法采集质量好和可靠性强，能够满足不同场合的实际要求。
下面结合附图和实施例对本发明进一步说明。图1是本发明的二维矩阵对角化(a)行组合(b)列组合的示意图；图2是本发明的FCM聚类示意图。
具体实施例方式现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。如图1和图2所示的基于老龄用户多方式隐式语义分析处理方法，其具体步骤如下a.底层特征的图像矩阵构建采用多种底层特征，构建每个用户的底层特征-图像矩阵(共q个生物特征融合)，其具体步骤如下步骤1 对各生物特征的ROI图像统一分块成ρ个大小为nXn的小图像，q个生物特征图像共PXq个局部小图像；步骤2 对每个局部小图像分别进行包括不变矩特征(hu不变矩和zernike正交不变矩)、Garbor filter特征、方向均衡化特征、灰度信息熵特征等分析，并将这些特征作为每个用户的底层特征-图像矩阵的列向量；步骤3:将每个分块后的局部小图像(q个生物特征)作为每个用户的底层特征-图像矩阵的行向量，统计上一步得到的每个底层特征对其出现的概率，构建每个用户的底层特征和图像之间的特征-图像矩阵，其大小为PXq ；b.并行二维非负矩阵分解算法首先，对底层特征-图像矩阵进行对角化处理，然后，在对对角化矩阵进行矩阵行方向分解后，直接对原对角化矩阵进行转置处理来得到列方向信息，最后，对得到的基矩阵进行基矩阵正交化如图2所示的其主要步骤如下步骤1 矩阵对角化将大小为pXq的m个底层特征-图像矩阵集合用Ipxtl= [S1, S2,...，Sm]来表示代表每个用户的底层特征-图像矩阵，m是用户的数量。1)如果长度 P不大于宽度q，那么将矩阵进行行组合，并采用图2 (a)的方式行组合图像，并从图像矩阵得到对角化矩阵\(阴影所示区域)。2)如果长度ρ大于宽度q，那么将矩阵进行列组合， 并采用图2(b)的方式列组合图像，并从组合后的图像矩阵得到对角化矩阵An(阴影所示区域)。并且，得到对角化矩阵的大小将和原矩阵一样，仍为PX q ；
步骤2 图像矩阵行方向分解将大小为pXq的m个对角化矩阵集合用Xpxq = [A1, A2, ... , AJ来表示，An代表每个用户对角化后的底层特征-图像矩阵，m是用户的数量，首先利用ID-NMF分解成为大小为pXd的矩阵L和一个大小为dXq的矩阵H之积，使得:XpXq ^ LpXdHdX(1。这里d是参考维数，L是矩阵X在图像行方向分解得到的基矩阵，H为系数矩阵；步骤3 图像矩阵列方向分解将大小为qXp的m个对角化矩阵集合用YqXp = [B1, B2, ... , BJ来表示，其中^ =4，是将原对角化矩阵进行转置处理。类似上述算法， 利用ID-NMF找到一个大小为qXr的非负矩阵R和一个大小为r Xp的非负矩阵H，使得 Yqxp - RqXrHrXp。这里，r是参考维数，R是矩阵Y在图像列方向上的分解得到的基矩阵，H 为系数矩阵；步骤4 矩阵X和Y分别是根据训练样本的原图矩阵及其转置图矩阵构成的，因此对它们的分解可以同时进行。并且，对任意一个用户的对角化底层特征-图像矩阵An，它在行和列基矩阵上的系数Cn = LTAnR，大小为dXr，显然，向量维数大大减小。利用行基L和列基R重构底层特征-图像矩阵可以表示为:K ^ LCnRT，η = 1，2，. . . m，则二维基矩阵为E =L □ Rt ；步骤5 基矩阵正交化对并行2D-NMF方法得到的基矩阵E = L □ Rt中的L和 R矩阵分别正交化L' =Orth(L)和R' =orth(R)。这样正交化后的二维基矩阵E'= L' □ (R' )τ构成了原始图像矩阵An的一个隐式语义空间，每列向量对应子空间内的一项语义。将图像投影到该语义空间内，即得到由语义特征组合的系数Cn所表示的图像隐式语义特征；c.模糊C均值聚类利用编程工具箱中的模糊C均值聚类方法来进行聚类。以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
权利要求
1. 一种基于老龄用户多方式隐式语义分析处理方法，其特征是其具体步骤如下a.底层特征的图像矩阵构建采用多种底层特征，构建每个用户的底层特征的图像矩阵；b.并行二维非负矩阵分解算法先对底层特征的图像矩阵进行对角化处理，再对对角化矩阵进行矩阵行方向分解，然后再对原对角化矩阵进行转置处理来得到列方向信息，对得到的基矩阵进行基矩阵正交化；c.模糊C均值聚类利用编程工具箱中的模糊C均值聚类方法来进行聚类。
全文摘要
本发明涉及生物识别技术领域，尤其是基于老龄用户多方式隐式语义分析处理方法，其具体步骤如下a.底层特征的图像矩阵构建；b.并行二维非负矩阵分解算法；c.模糊C均值聚类。本发明的基于老龄用户多方式隐式语义分析处理方法，利用多方式隐式语义分析算法从底层特征-图像矩阵构建、二维矩阵分解以及聚类算法三方面，能够对提取的特征进行处理，此方法采集质量好和可靠性强，能够满足不同场合的实际要求。
文档编号G06T5/50GK102368334SQ20111026473
公开日2012年3月7日 申请日期2011年9月7日 优先权日2011年9月7日
发明者余人强, 刘华平, 吴军, 吴智君 申请人:常州蓝城信息科技有限公司