CN106940786B - 一种基于lle和pso的使用虹膜模版的虹膜重构方法 - Google Patents
一种基于lle和pso的使用虹膜模版的虹膜重构方法 Download PDFInfo
- Publication number
- CN106940786B CN106940786B CN201710111339.2A CN201710111339A CN106940786B CN 106940786 B CN106940786 B CN 106940786B CN 201710111339 A CN201710111339 A CN 201710111339A CN 106940786 B CN106940786 B CN 106940786B
- Authority
- CN
- China
- Prior art keywords
- iris
- particle
- particles
- iteration
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 210000000744 eyelid Anatomy 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 210000000720 eyelash Anatomy 0.000 claims 1
- 238000011065 in-situ storage Methods 0.000 claims 1
- 210000000554 iris Anatomy 0.000 description 76
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,通过以下步骤实现:首先对训练集和测试集的处理,使用Daugman的特征提取算法为虹膜图像提取特征,并对训练集中的图像和其对应的虹膜模版进行切割,使用欧氏距离的距离计算方法,给测试集中的每一个虹膜模版片块从训练集的虹膜模版片块中找到其K个最近邻,通过最小化重构误差,计算出重构权重,然后使用局部线性嵌入LLE算法初步重构虹膜图像,最后使用粒子群PSO算法优化,使用迭代的方式向最优解逼近。本发明在得到虹膜模版的前提下,就可以通过虹膜模版重构出其对应的虹膜图像。
Description
技术领域
本发明属于虹膜识别领域,特别涉及虹膜模版提取和使用虹膜模版重构虹膜图像的方法。
背景技术
近年来,基于生物特征的识别技术越来越受人们的欢迎。所谓的生物识别技术,就是计算机利用光学、声学、生物传感器和生物统计学原理等高科技手段,利用人的生理特征,如指纹、脸部、虹膜或声音等来进行身份鉴定。生物识别技术因其广泛性、唯一性和可靠性等优点,受到越来越多的关注。虹膜与其他生物特征相比拥有更高的稳定性。随着人年龄的逐渐增长,虹膜的纹理不会有太大的变化,且采集时不需要接触仪器,不易被盗取复制,相比于指纹识别来说更加的可靠和安全。虹膜特征相比于其他生物特征,更适合在广泛的生物特征识别系统中应用。
现有的虹膜识别的过程一般是先对采集到的虹膜图像进行虹膜的定位和分割,然后对分割出来的环形图像进行归一化处理,最后对处理后的图像进行特征的提取,将提取出来的特征在数据库中注册并存储以备之后的匹配。注册时提取的特征作为模板存储在数据库中,由于虹膜图片采集的过程中会出现有旋转、光照、遮挡等影响,即使是同一个眼睛,每次采集到的图片也会有所不同,而相应的虹膜特征也会有所变化,因而传统的加密算法如MD5不能直接用于特征模板的加密,这个不加密的模板就会以“裸”数据的形式直接存储在数据库中。在获得了数据库中的这些未加密的虹膜特征的条件下,现有的技术很少有对利用从虹膜模版重构出其对应的虹膜图像的研究方法。
发明内容
本发明的主要目的在于克服现有技术的不足,提供一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,尝试在得到了虹膜模版的前提下,从虹膜模版重构出其对应的虹膜图像。这个方法使用的是基于局部线性嵌入算法和粒子群优化算法的方法,使用迭代的方式向最优解逼近。
本发明的目的通过以下技术方案实现:一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,包括以下步骤:
S1、训练集和测试集的处理:采用中科院的CASIA-Iris-Interval虹膜图像数据库作为测试集,CASIA-Iris-Syn数据库作为训练集。在特征提取的方法上,使用Daugman的特征提取算法。首先,需要根据给定的参数(片块大小和重叠像素大小)来对训练集中的图像和其对应的虹膜模版进行切割。测试集中的虹膜模版也与训练集中的虹膜模版切割一样的大小。
S2、计算重构权重:使用欧氏距离的距离计算方法,给测试集中的每一个虹膜模版片块从训练集的虹膜模版片块中找到其K个最近邻,通过最小化重构误差,计算出重构权重。所有的虹膜模版片块共用一个重构权重。
S3、初步重构虹膜图像:利用重构权重和训练集,可以计算出每一个虹膜模版片块对应的虹膜图像片块。然后使用这些重构出来的虹膜图像片块来合成测试集的虹膜模版所对应的虹膜图像。
S4、设计粒子群算法的适应函数和粒子运动速度更新公式:粒子群算法是一个迭代的算法,它的目的是通过不断地迭代,逐渐向目标逼近,尝试寻求最优解,它需要一个适应函数来停止迭代。使用海明距的方法来衡量在粒子群算法中各粒子与目标的距离,当其中一个粒子与目标距离小于一个阈值时,就可以停止迭代,这就是粒子群算法的适应函数。在每次迭代中,需要更新每个粒子的运动速度,这个速度是根据当前与目标距离最近的粒子来决定的。当距离目标比较近时,速度会比较小,反之则速度会比较大。
S5、粒子群算法迭代:以前面计算得到的初步的重构虹膜图像作为粒子群算法的初始粒子,而在算法开始前也会给每个粒子赋予一个初始运动速度。在每一次迭代中,计算出当前与目标最接近的一个粒子,然后其他粒子都朝着这个粒子运动,在粒子位置改变之后,再使用上面的速度更新公式,更新用于下一次迭代的速度。当当前所有粒子与目标的最大距离和最小距离小于一个阈值时,需要对粒子进行变异操作,以防陷入局部最优的困境。
优选的,步骤S1中对训练集和测试集的处理步骤如下:
S1.1、S1.1、选取CASIA-Iris-Interval中全部定位准确的虹膜图像作为测试集,CASIA-Iris-Syn中随机的N张图像作为训练集;对测试集和训练集的图像进行定位、切割、归一化操作;使用Daugman的特征提取算法对归一化后的矩形虹膜图像提取特征,使用2D-Gabor滤波器对归一化矩形进行滤波,再对滤波后得到的矩阵进行二值化的处理,值大于0的为1,小于等于0的为0,这样出来的二值矩阵就是该虹膜的特征;用Xt表示输入的待重构的虹膜特征,Yt表示使用LLE重构的归一化虹膜图像,Xs表示在训练集中的虹膜特征,Ys表示虹膜特征对应的虹膜图像;
S1.2、把训练集和测试集中的图像进行切割操作,切割出的片块大小为n*n,其中n=3,5,7...;片块间重叠的大小为m个像素,其中m<n;而图像对应的虹膜特征也切割出相同数量的片块,一个图像片块会对应一个特征片块;用N来表示每个图像或虹膜特征分割出的小片块的数量,这些小片块可以表示为其中,
优选的,所述步骤S2包括以下步骤:
S2.1、对于每一个在Xt中的片块使用欧氏距离作为计算距离的标准,在中找到K个最近邻;
S2.2、定义重构误差公式:
其中,ε表示重构误差,w表示重构权重,同时,公式需要满足∑w=1。
S2.3、求解最小化重构误差时的重构权重w。
所述步骤S2.3包括以下步骤:
S2.3.1、定义局部协方差矩阵C:
其中,j=1,2,...,K,k=1,2,...,K,η表示的K个最近邻。
S2.3.2、重构权重w可以由公式(3)求解获得。
其中,Cjk和Clm都可通过公式(2)求得。
优选的,步骤S3包括以下步骤:
S3.1、使用的K个最近邻和步骤S2.3中求得的重构权重w,可以求得对应的虹膜图像片块如公式(4)所示
S3.2、使用合成一个完整的归一化虹膜图像Yt。合成的过程很简单,只需按照切割的位置,把放在原位置即可。在使用来合成Yt时,片块与片块之间会出现重叠的部分,这是因为在切割时是重叠地切割的。在这些重叠的地方,我们使用直接计算像素值均值的方法来获得该像素点的像素值。
优选的,步骤S4包括以下步骤:
S4.1、设计粒子群算法的适应函数。粒子群算法是一个迭代的算法,它的目的是通过不断地迭代,逐渐向目标逼近,尝试寻求最优解,它需要一个适应函数来停止迭代。在虹膜识别的算法中,一般使用海明距来计算两个虹膜特征的距离,所以在这里也使用海明距来衡量两个特征的距离,当其中一个粒子与目标距离小于阈值τ时,就可以停止迭代。设计的目标函数如公式(5)所示。
其中,Co表示输入的待重构的虹膜特征向量,IR表示重构的虹膜图像,F(*)代表的是虹膜特征提取的方法,Masko是Co的掩膜,在计算海明距时会去掉掩膜所覆盖的位置来计算,以去除睫毛、眼睑等对虹膜图像的影响。
S4.2、设计粒子运动速度更新公式。我们使用从步骤S3.2中获得的Yt作为PSO算法的初始粒子,表示为Ym(m=1,2,...,10)。定义Vm(i)为第m个粒子在第i次迭代中的速度。在每一次迭代中,Vm(i)会根据当前最佳粒子被自适应地更新,每个粒子都会以速度Vm(i)朝着当前最佳的粒子运动。设计的速度更新公式如公式(6)所示。
Vm(i+1)=ω(i)Vm(i)+c1r1(pm(i)-Ym(i))+c2r2(g(i)-Ym(i)) (6)
其中,i表示当前的迭代数,c1和c2是给定的常数,r1和r2是在[0,1]区间的随机数,pm(i)表示粒子Ym在历次迭代中与输入的虹膜特征最接近的位置,g(i)表示在上一次迭代后所有粒子中与输入的虹膜特征最接近的粒子的位置,即全局最优粒子,ω是一个自适应的权重,可以由公式(7)计算获得。
其中,g(1)表示初始的粒子中,即第一次迭代前最好的粒子;公式(7)可以把ω(i)的取值范围限定在[0.5,1]的区间内。如果相对于初始粒子,当前的全局最优粒子没有特别大的改进的话,ω(i)的值将会变得比较大,使得粒子可以在一个较大的空间中进行搜索;相反地,如果全局最优的粒子相对于初始粒子的改进较大的话,ω(i)的值将会变得比较小,使得粒子可以在一个较小的空间内进行更加精确的搜索,以求找到最优的结果。。
优选的,步骤S5包括以下步骤:
S5.1、为每一个初始粒子设定初始速度Vm(1)。
S5.2、找到当前迭代的最佳粒子g(i),然后所有的粒子以速度Vm(i)向着粒子g(i)运动。粒子运动之后的位置可用公式(8)计算得到。
Ym(i+1)=Ym(i)+Vm(i+1) (8)
其中,m表示粒子的编号,i表示迭代的次数。
S5.3、判断是否终止迭代或是进行其他操作。
所述步骤S5.3包括以下步骤:
S5.3.1、如果当前迭代是最后一次迭代,转到步骤S5.5,否则继续。
S5.3.2、判断是否需要进行变异操作,当当前所有粒子与目标的最大距离和最小距离小于一个阈值时,则需要进行编译操作,转到步骤S5.4,否则就不需要,则使用公式(6)计算下一次粒子的运动速度Vm(i+1),然后转到步骤S5.2。
S5.4:进行变异操作。
所述步骤S5.4包括以下步骤:
S5.4.1、随机地在粒子里面选取n个做变异操作。
S5.4.2、被选中的粒子将会根据公式(9)进行变异。
Ym=Ym+M×β (9)
其中,β是一个均值为0的高斯随机矩阵,它的矩阵大小与Ym一样,M是根据当前最优值计算出来的可变的步长,可以用公式(10)计算得到:
其中,127表示灰度值最大值的一半。
S5.5、迭代结束,输出最后一次迭代后的最优值作为最终的结果,用Ybest表示。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明使用LLE算法重构虹膜图像需要训练集,但是不需要真实的虹膜图像作为训练集,甚至使用非虹膜图像作为训练集也可以获得比较好的结果。
2、本发明使用的虹膜特征提取算法是Daugman的算法,并不需要这个特征提取算法的先验知识,只是把它当做黑盒来使用,即输入一张虹膜图像,输出一个虹膜特征。
3、本发明使用LLE算法为PSO算法构造初始的粒子,这些构造出来的粒子原本就与输入的虹膜特征有一定程度上的相似。因此,在PSO算法的过程中,只需要少量的迭代数就可以获得比较满意的结果。
4、本发明的算法复杂度仅有O(n3)。
附图说明
图1是本发明的虹膜模版重构虹膜图像的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示为本发明的流程图,具体步骤如下:
1、训练集和测试集的处理:
(1)使用中科院的CASIA-Iris-Interval虹膜图像数据库作为测试集,包括采集自左右眼的共2600张虹膜图像,其中定位准确的有2338张。CASIA-Iris-Syn数据库中随机抽取80张定位准确的图像作为训练集。
(2)每个虹膜图像先进行定位、分割、归一化处理,处理后的归一化虹膜图像大小为20*240,在特征提取的方法上,使用Daugman的特征提取算法。
(3)根据给定的参数(片块大小和重叠像素大小)来对训练集中的图像和其对应的虹膜模版进行切割。其中,片块大小和重叠像素大小的取值如表1所示,一共需要取10组参数。
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
片块大小 | 3*3 | 5*5 | 5*5 | 5*5 | 7*7 | 7*7 | 7*7 | 9*9 | 9*9 | 9*9 |
重叠大小 | 1 | 0 | 2 | 3 | 0 | 2 | 4 | 2 | 4 | 6 |
表1LLE算法参数2、计算重构权重:
(1)对于每一个在Xt中的片块使用欧氏距离作为计算距离的标准,在中找到5个最近邻。
(2)根据公式(1)计算重构误差。
3、初步重构虹膜图像:
(1)根据公式(4)求得对应的虹膜图像片块
(2)使用合成一个完整的归一化虹膜图像Yt,合成的Yt大小也为20*240。
4、设计粒子群算法的适应函数和粒子运动速度更新公式:
(1)设定适应函数的阈值τ为0.3。
(2)在速度更新公式中,设定常数c1=c2=2。
5、粒子群算法迭代:
(1)设定每一个初始粒子设定初始速度Vm(1)=20。
(2)使用海明距计算当前粒子与目标之间的距离。找到当前迭代的最佳粒子g(i),然后所有的粒子以速度Vm(i)向着粒子g(i)运动。
(3)判断是否终止迭代或是进行其他操作,若是当前最小距离小于阈值τ或者迭代次数达到200次则终止迭代。当当前所有粒子与目标的最大距离和最小距离小于0.1时,进行变异操作。
(4)若需要做变异操作,随机地在粒子里面选取n个做变异操作。
(5)输出最终的结果Ybest。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,包括如下步骤:
S1、训练集和测试集的处理:选取CASIA-Iris-Interval虹膜图像数据库作为测试集,CASIA-Iris-Syn数据库作为训练集;在特征提取的方法上,使用Daugman的特征提取算法;首先,需要根据给定片块大小和重叠像素大小,来对训练集中的图像和其对应的虹膜模版进行切割;测试集中的虹膜模版也与训练集中的虹膜模版切割一样的大小;
S2、计算重构权重:使用欧氏距离的距离计算方法,给测试集中的每一个虹膜模版片块从训练集的虹膜模版片块中找到其K个最近邻,通过最小化重构误差,计算出重构权重;所有的虹膜模版片块共用一个重构权重;
S3、初步重构虹膜图像:利用重构权重和训练集,可以计算出每一个虹膜模版片块对应的虹膜图像片块;使用这些重构出来的虹膜图像片块来合成测试集的虹膜模版所对应的虹膜图像;
S4、设计粒子群算法的适应函数和粒子运动速度更新公式:使用海明距的方法来确定粒子群算法的适应函数;在每次迭代中,需要更新每个粒子的运动速度的大小与目标距离的远近成反比;
S5、粒子群算法迭代:通过步骤S3计算得到的初步重构虹膜图像作为粒子群算法的初始粒子,而在算法开始前也会给每个粒子赋予一个初始运动速度;在每一次迭代中,计算出当前与目标最接近的一个粒子,然后其他粒子都朝着这个粒子运动,在粒子位置改变之后,再使用上面的速度更新公式,更新用于下一次迭代的速度;当当前所有粒子与目标的最大距离和最小距离小于一个阈值时,需要对粒子进行变异操作,以防陷入局部最优的困境。
2.根据权利要求1所述的一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,步骤S1中对训练集和测试集的处理步骤如下:
S1.1、选取CASIA-Iris-Interval中全部定位准确的虹膜图像作为测试集,CASIA-Iris-Syn中随机的N张图像作为训练集;对测试集和训练集的图像进行定位、切割、归一化操作;使用Daugman的特征提取算法对归一化后的矩形虹膜图像提取特征,使用2D-Gabor滤波器对归一化矩形进行滤波,再对滤波后得到的矩阵进行二值化的处理,值大于0的为1,小于等于0的为0,这样出来的二值矩阵就是该虹膜的特征;用Xt表示输入的待重构的虹膜特征,Yt表示使用LLE重构的归一化虹膜图像,Xs表示在训练集中的虹膜特征,Ys表示虹膜特征对应的虹膜图像;
S1.2、把训练集和测试集中的图像进行切割操作,切割出的片块大小为v*v,其中v=3,5,7...;片块间重叠的大小为u个像素,其中u<v;而图像对应的虹膜特征也切割出相同数量的片块,一个图像片块会对应一个特征片块;用N来表示每个图像或虹膜特征分割出的小片块的数量,这些小片块可以表示为其中,
3.根据权利要求2所述的一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,步骤S2包括以下步骤:
S2.1、对于每一个在Xt中的片块使用欧氏距离作为计算距离的标准,在中找到K个最近邻;Xt表示输入的待重构的虹膜特征;表示训练图像片块,即训练集中的虹膜特征图像片块;表示测试图像片块,即输入的待重构的虹膜特征图像片块;
S2.2、定义重构误差公式:
其中,ε表示重构误差,w表示重构权重,同时,公式需要满足∑w=1;
S2.3、求解最小化重构误差时的重构权重w;求解具体过程如下:
S2.3.1、定义局部协方差矩阵C:
其中,j=1,2,...,K,k=1,2,...,K,η表示的K个最近邻;
S2.3.2、重构权重w可以由公式(3)求解获得
其中,Cjk和Clm都可通过公式(2)求得。
4.根据权利要求3所述的一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,步骤S3包括以下步骤:
S3.1、使用的K个最近邻和步骤S2.3中重构权重w,可以求得对应的虹膜图像片块如公式(4)所示
其中,t=1,2,...,N,s=1,2,...,N;
S3.2、使用合成一个完整的归一化虹膜图像Yt;按照切割的位置,把放在原位置即可;在使用来合成Yt时,片块与片块之间会出现重叠的部分,这是因为在切割时是重叠地切割的;在这些重叠的地方,计算重叠的像素的平均值作为该像素点的像素值。
5.根据权利要求4所述的一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,步骤S4包括以下步骤:
S4.1、设计粒子群算法的适应函数;使用海明距来衡量两个特征的距离,当其中一个粒子与目标距离小于阈值τ时,就停止迭代;设计的目标函数如公式(5)所示
其中,Co表示输入的待重构的虹膜特征向量,IR表示重构的虹膜图像,F(*)代表的是虹膜特征提取的方法,Masko是Co的掩膜,在计算海明距时会去掉掩膜所覆盖的位置来计算,以去除睫毛、眼睑对虹膜图像的影响;
S4.2、设计粒子运动速度更新公式;使用从步骤S3.2中获得的Yt作为PSO算法的初始粒子,表示为Ym,其中m=1,2,...,10;定义Vm(i)为第m个粒子在第i次迭代中的速度;在每一次迭代中,Vm(i)会根据当前最佳粒子被自适应地更新,每个粒子都会以速度Vm(i)朝着当前最佳的粒子运动;设计的速度更新公式如公式(6)所示
Vm(i+1)=ω(i)Vm(i)+c1r1(pm(i)-Ym(i))+c2r2(g(i)-Ym(i)) (6)
其中,i表示当前的迭代数,c1和c2是给定的常数,r1和r2是在[0,1]区间的随机数,pm(i)表示粒子Ym在历次迭代中与输入的虹膜特征最接近的位置,g(i)表示在上一次迭代后所有粒子中与输入的虹膜特征最接近的粒子的位置,即全局最优粒子,ω(i)是一个自适应的权重,可以由公式(7)计算获得
其中,g(1)表示初始的粒子中,即第一次迭代前最好的粒子;公式(7)把ω(i)的取值范围限定在[0.5,1]的区间内。
6.根据权利要求1所述的一种基于LLE和PSO的使用虹膜模版的虹膜重构方法,其特征在于,步骤S5包括以下步骤:
S5.1、为每一个初始粒子设定初始速度Vm(1);
S5.2、找到当前迭代的最佳粒子g(i),然后所有的粒子以速度Vm(i)向着粒子g(i)运动;粒子运动之后的位置可用公式(8)计算得到
Ym(i+1)=Ym(i)+Vm(i+1) (8)
其中,m表示粒子的编号,i表示迭代的次数,Ym为PSO算法的初始粒子;
S5.3、判断是否终止迭代或是进行其他操作,包括以下步骤:
S5.3.1、如果当前迭代是最后一次迭代,转到步骤S5.5,否则继续;
S5.3.2、判断是否需要进行变异操作,当当前所有粒子与目标的最大距离和最小距离小于一个阈值时,则需要进行编译操作,转到步骤S5.4,否则就不需要,则使用公式计算下一次粒子的运动速度Vm(i+1),然后转到步骤S5.2;计算公式如下:
Vm(i+1)=ω(i)Vm(i)+c1r1(pm(i)-Ym(i))+c2r2(g(i)-Ym(i));
其中,g(1)表示初始的粒子中,即第一次迭代前最好的粒子;
S5.4、进行变异操作;包括以下步骤:
S5.4.1、随机地在粒子里面选取n个做变异操作;
S5.4.2、被选中的粒子将会根据公式(9)进行变异;
Ym=Ym+M×β (9)
其中,β是一个均值为0的高斯随机矩阵,它的矩阵大小与Ym一样,M是根据当前最优值计算出来的可变的步长,可以用公式(10)计算得到:
其中,127表示灰度值最大值的一半;
S5.5、迭代结束,输出最后一次迭代后的最优值作为最终的结果,用Ybest表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710111339.2A CN106940786B (zh) | 2017-02-28 | 2017-02-28 | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710111339.2A CN106940786B (zh) | 2017-02-28 | 2017-02-28 | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106940786A CN106940786A (zh) | 2017-07-11 |
CN106940786B true CN106940786B (zh) | 2019-12-10 |
Family
ID=59469302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710111339.2A Expired - Fee Related CN106940786B (zh) | 2017-02-28 | 2017-02-28 | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106940786B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580077B (zh) * | 2019-08-20 | 2021-08-13 | 广东工业大学 | 一种光伏发电系统的最大功率提取方法和相关装置 |
CN112466024B (zh) * | 2020-11-24 | 2021-07-16 | 上海卓繁信息技术股份有限公司 | 一种智能防疫系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1674034A (zh) * | 2005-04-07 | 2005-09-28 | 上海邦震科技发展有限公司 | 基于特征边缘分布的虹膜几何特征提取方法 |
CN102521575A (zh) * | 2011-12-16 | 2012-06-27 | 北京天诚盛业科技有限公司 | 基于多方向Gabor和Adaboost虹膜识别方法 |
CN105550661A (zh) * | 2015-12-29 | 2016-05-04 | 北京无线电计量测试研究所 | 一种基于Adaboost算法的虹膜特征提取方法 |
-
2017
- 2017-02-28 CN CN201710111339.2A patent/CN106940786B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1674034A (zh) * | 2005-04-07 | 2005-09-28 | 上海邦震科技发展有限公司 | 基于特征边缘分布的虹膜几何特征提取方法 |
CN102521575A (zh) * | 2011-12-16 | 2012-06-27 | 北京天诚盛业科技有限公司 | 基于多方向Gabor和Adaboost虹膜识别方法 |
CN105550661A (zh) * | 2015-12-29 | 2016-05-04 | 北京无线电计量测试研究所 | 一种基于Adaboost算法的虹膜特征提取方法 |
Non-Patent Citations (4)
Title |
---|
An Neural Network Ensemble approach based on PSO algorithm and LLE for Typhoon Intensity;Xvming Shi 等;《2012 Fifth International Joint Conference on Computational Sciences and Optimization》;20120626;887-880 * |
Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms;Javier Galbally 等;《Computer Vision and Image Understanding》;20130618;第117卷(第10期);1512-1525 * |
Optimizing the Genetic Algorithm to resynthesize iris Patterns from iris Code Template;Rajwinder Kaur 等;《International Journal of Current Engineering and Technology》;20160108;第6卷(第1期);84-88 * |
基于特征选择的虹膜识别方法研究;李劲松;《中国优秀硕士学位论文全文数据库》;20091115(第11期);I138-1342 * |
Also Published As
Publication number | Publication date |
---|---|
CN106940786A (zh) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178432B (zh) | 多分支神经网络模型的弱监督细粒度图像分类方法 | |
CN108846390B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN107832684B (zh) | 一种具有自主学习能力的智能静脉认证方法和系统 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
CN111401145B (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
CN112949454B (zh) | 一种基于小样本学习的虹膜识别方法 | |
CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
CN106940786B (zh) | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 | |
CN114022914B (zh) | 基于融合深度网络的掌纹识别方法 | |
CN109523484B (zh) | 一种基于分形特征的手指静脉血管网络修复方法 | |
Gawande et al. | Improving iris recognition accuracy by score based fusion method | |
Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
CN114372926A (zh) | 一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法 | |
Zaim | Automatic segmentation of iris images for the purpose of identification | |
Ng et al. | An effective segmentation method for iris recognition system | |
CN111666847A (zh) | 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法 | |
Gopikrishnan et al. | Improved biometric recognition and identification of human iris patterns using neural networks | |
Pathak et al. | Entropy based CNN for segmentation of noisy color eye images using color, texture and brightness contour features | |
Bansal et al. | FAR and FRR based analysis of iris recognition system | |
Sangwan et al. | A review on: Iris Recognition | |
Yani et al. | A robust damaged fingerprint identification algorithm based on deep learning | |
Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures | |
Rajput et al. | Iris biometric technique for person authentication based on fusion of radon and 2D multi-wavelet transform | |
Spasova et al. | An Algorithm for Detecting the Location and Parameters of the Iris in the Human Eye |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191210 |