Un esquema de optimización de enjambre de partículas binarias caóticas modificado y su aplicación en la identificación biométrica multimodal de cara-iris
Autores: Xiong, Qi; Zhang, Xinman; Xu, Xuebin; He, Shaobo
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un esquema de optimización de enjambre de partículas binarias caóticas modificado y su aplicación en la identificación biométrica multimodal de cara-iris
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Biométrico
Características
Multimodal
Tasa de reconocimiento
Sistema
Identificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Para mejorar la tasa de reconocimiento del sistema de identificación biométrica, las características de cada biométrico unimodal suelen combinarse de cierta manera. Sin embargo, existen algunas características redundantes mutuamente excluyentes en esas características combinadas, lo que degradará el rendimiento de identificación. Para resolver este problema, este documento propone un nuevo sistema de identificación biométrica multimodal para el reconocimiento de rostro-iris. Está basado en la optimización de enjambre de partículas binarias. Las características faciales son extraídas por Log-Gabor 2D y transformación Curvelet, mientras que las características del iris son extraídas por transformación Curvelet. Con el fin de reducir la complejidad de la fusión a nivel de características, proponemos un algoritmo de optimización de enjambre de partículas binarias caóticas modificadas (MCBPSO) para seleccionar características. Utiliza la máquina de aprendizaje extremo de kernel (KELM) como función de aptitud y secuencias binarias caóticas para inicializar enjambres de partículas. Después de que se genera la posición óptima global (Gbest) en cada iteración, la posición de Gbest varía usando secuencias binarias caóticas, lo que es útil para realizar una búsqueda local caótica y evitar caer en la posición óptima local. Se realizan experimentos en el conjunto de datos multimodal de iris y rostro CASIA de la Academia China de Ciencias. Los resultados experimentales demuestran que el sistema propuesto no solo puede reducir el número de características a una décima parte de su tamaño original, sino que también puede mejorar la tasa de reconocimiento hasta un 99.78%. En comparación con el sistema unimodal de iris y rostro, la tasa de reconocimiento del sistema propuesto se mejora en un 11.56% y un 2% respectivamente. Los resultados experimentales revelan su rendimiento en el modo de verificación en comparación con los sistemas actuales más avanzados. El sistema propuesto es satisfactorio para abordar la identificación biométrica multimodal de rostro-iris.
Descripción
Para mejorar la tasa de reconocimiento del sistema de identificación biométrica, las características de cada biométrico unimodal suelen combinarse de cierta manera. Sin embargo, existen algunas características redundantes mutuamente excluyentes en esas características combinadas, lo que degradará el rendimiento de identificación. Para resolver este problema, este documento propone un nuevo sistema de identificación biométrica multimodal para el reconocimiento de rostro-iris. Está basado en la optimización de enjambre de partículas binarias. Las características faciales son extraídas por Log-Gabor 2D y transformación Curvelet, mientras que las características del iris son extraídas por transformación Curvelet. Con el fin de reducir la complejidad de la fusión a nivel de características, proponemos un algoritmo de optimización de enjambre de partículas binarias caóticas modificadas (MCBPSO) para seleccionar características. Utiliza la máquina de aprendizaje extremo de kernel (KELM) como función de aptitud y secuencias binarias caóticas para inicializar enjambres de partículas. Después de que se genera la posición óptima global (Gbest) en cada iteración, la posición de Gbest varía usando secuencias binarias caóticas, lo que es útil para realizar una búsqueda local caótica y evitar caer en la posición óptima local. Se realizan experimentos en el conjunto de datos multimodal de iris y rostro CASIA de la Academia China de Ciencias. Los resultados experimentales demuestran que el sistema propuesto no solo puede reducir el número de características a una décima parte de su tamaño original, sino que también puede mejorar la tasa de reconocimiento hasta un 99.78%. En comparación con el sistema unimodal de iris y rostro, la tasa de reconocimiento del sistema propuesto se mejora en un 11.56% y un 2% respectivamente. Los resultados experimentales revelan su rendimiento en el modo de verificación en comparación con los sistemas actuales más avanzados. El sistema propuesto es satisfactorio para abordar la identificación biométrica multimodal de rostro-iris.