论文部分内容阅读
虹膜具有丰富的、独特的纹理特征，而且与其他生物特征相比，虹膜特征更稳定、更可靠，并且不具有侵犯性，所以非常适用于身份鉴别。虹膜识别就是基于眼睛中的虹膜来进行身份识别，被认为是在未来占主流地位的生物识别技术之一，已被广泛应用于电子商务、金融、安防及军事等各个领域。 本文总结了国内外已有的虹膜识别技术研究情况，发现现有的虹膜特征提取方法大多都采用单一的特征提取方法，导致提取到的特征不全面的问题，所以本文针对此问题，提出了多粒度虹膜特征提取方法。而在虹膜的识别方面，为了进一步提高虹膜识别的整体性能，本文采用差分生物地理学优化算法(DE_BBO)对极限学习机(ELM)进行了优化，得到基于差分生物地理学优化算法的极限学习机(DE_BBO_ELM)，作为虹膜分类识别模型。 以下几个方面是本论文的主要改进之处： (1)提出了一种多粒度虹膜特征提取方法。针对2D-Gabor滤波器能精确捕获低中频纹理信息，而灰度共生矩阵（GLCM）对高频纹理信息具有较好的捕获能力；将GLCM和2D-Gabor滤波器组提取到的虹膜特征向量进行融合，得到了多粒度虹膜特征向量，有效避免了单一特征提取方法容易造成有效信息流失的缺陷。实验结果表明，多粒度特征提取方法相比单一特征特征提取方法，提取到的特征更全面，用于虹膜识别时，识别精度更高。 (2)提出了一种基于DE_BBO的ELM优化算法。为了保留BBO算法在迁移操作中的变换速度，同时增强其变异能力和在可行域内的遍历能力，使用DE算法替换了BBO算法中的变异操作，得到了DE_BBO优化算法；为了改进ELM的参数选取时的收敛性能，采用DE_BBO优化算法来训练ELM，得到了DE_BBO_ELM优化算法。实验结果表明，DE_BBO_ELM相比支持向量机(SVM)和ELM，识别精度更高，综合性能更佳。 (3)提出了一种基于DE_BBO_ELM和多粒度特征的虹膜识别算法。首先，从已有的虹膜图像库中选取2个虹膜库，并在每个虹膜库中人为选取图像质量较好的60类虹膜图像作为实验样本图像，并对获得的实验样本图像进行预处理，预处理的结果是得到归一化后的虹膜图像；其次，使用本文提出的多粒度特征提取方法对预处理后的虹膜图像进行特征提取，得到多粒度虹膜特征向量，组成学习和训练样本；然后，以学习样本为输入，使用DE_BBO对ELM进行优化学习，得到DE_BBO_ELM虹膜识别模型；最后，使用DE_BBO_ELM对训练样本文件进行分类识别，得到识别精度、等错率和识别时间等性能参数。实验结果表明，本文提出的基于DE_BBO_ELM和多粒度特征的虹膜识别算法相比已有的主流虹膜识别算法具有更高的识别精度和更低的等错率。