基于能量最大响应方向的虹膜识别算法*

为提高虹膜识别算法的正确识别率,给出了基于能量最大响应方向的虹膜识别算法。该算法首先对人眼图像进行预处理得到归一化虹膜图像,并依据归一化虹膜纹理的分布特点,选择多尺度多方向滤波技术对归一化虹膜图像进行分解;然后提取最优分解尺度下像素点的能量最大响应方向数,进行二进制虹膜编码和去噪;最后通过计算两个虹膜编码间的加权海明距离和衡量两者的差异性,给出识别结果。实验证明,在等误率为0.1176 时,正确识别率达到99.997%。与经典的虹膜识别算法相比较,该算法具有更高的识别率。     

基于动态注意力机制和多模态循环融合的帕金森氏症识别

PD （Parkinson’s disease） 的运动障碍会累及口、咽、腭肌以及面部肌肉,引起声带震颤和面部运动迟缓,为利用声纹和面部特征识别PD患者提供了可能。为了有效利用以上两种特征以提高PD 识别率,提出了基于多尺度特征与动态注意力机制的多模态循环融合模型对患者进行识别检测。首先,设计了多尺度特征提取网络,将高、低层级特征的语义信息融合以得到完整的特征信息;其次,在多尺度特征融合过程中为了充分考虑模态间的相关性和互补性,提出了以不同模态信息互为辅助条件生成注意力特征图的动态注意力机制算法,降低特征融合时信息的冗余;最后设计了多模态循环融合模型,通过计算循环矩阵的每个行向量与特征向量间的哈达玛积得到更有效的融合特征,提高了模型性能。在自建数据集上进行的多组实验结果表明,提出的方法识别准确率高达96.24%,优于当前流行的单模态和多模态识别算法,可以有效区分PD患者和HP （healthy people）,为高效识别PD患者奠定了基础。     

基于多尺度卷积神经网络的交通标志识别

基于多纵卷积神经网络的交通标志识别算法识别率较高,但识别和训练时间较长,实用性较差。为此,构造一种基于多尺度卷积神经网络的道路交通标志识别模型。通过改进单尺度卷积神经网络中特征提取的基网络,将网络不同层级所产生的特征融合为多尺度特征并提供给分类器,以提高低层特征的利用率。在GTSRB数据集上的实验结果表明,该模型准确识别率达到99.25%,与多纵卷积神经网络模型相比,其在保证高精度的同时,识别和训练时间的降幅均超过90%,更适用于真实路况下交通标志的精准检测。     

面向虹膜识别的多方向中心对称局部二值模式

为了提升虹膜纹理的表征效果,获得稳定的局部纹理信息表达,提出基于多方向中心对称局部二值模式的虹膜识别算法.首先通过眼睑边缘快速定位生成掩膜,抑制眼睑区域噪声;然后在多方向的基础上,提出多方向中心对称的局部二值模式完成虹膜纹理特征的表征;最后利用汉明距离判定虹膜是否匹配.针对由于类内与类间匹配次数失衡导致评价指标正确识别率存在的不足,提出修正的正确识别率.在CASIA.V1,CASIA.V3-Interval,JUL6.0和CASIA.V4-Lamp虹膜库上的实验结果表明,所提算法的修正的正确识别率分别为99.857%,99.940%,99.640%和97.973%,等错误率下降0.03%～5.96%;该算法能够有效地表征虹膜纹理信息,具有良好的识别性能和鲁棒性.     

一种基于KPCA与LDA的人脸识别改进算法

提出一种核主元分析和线性判别分析相结合的人脸特征识别改进算法。采用核主元分析法对人脸特征信息数据进行主分量提取,以消除数据特征间的相关性和压缩特征向量的维数。通过引入成对加权Fisher准则和正则化规则对线性判别分析法进行改进,进而实现人脸的自动识别。基于ORL人脸库进行的实验表明,此改进算法能够有效识别库中的人脸,识别率达91.7%,与K近邻法和主元分析法相比有较高的识别率。     

基于人脸与虹膜的融合算法研究

对原始图像作对角变换,并在此基础上利用二维离散余弦变换(2DDCT)进行特征压缩,将人脸与虹膜特征相融合,利用二雏主元分析(2DPCA)分别从纵横双向进行特征提取,最后利用最小距离分类器进行识别.基于CAS-PEAL人脸数据库与CASIA虹膜数据库的实验结果表明,该方法降低了维数,有效地利用了分类特征信息,提高了正确识别率;证明了该算法的有效性,为多生物特征识别提供了一种新途径.     

基于小波尺度搜索的虹膜识别方法

利用小波的带通特性和小波变换检测奇异点的原理提取虹膜特征,并在此基础上提出了一种新的搜索合适小波尺度的虹膜识别算法。将虹膜纹理分成8个分析带,对每个分析带进行连续小波变换,取其中32个尺度下的结果量化编码。然后利用Hamming距离进行模式匹配,对每个分析带通过搜索最小的Hamming距离获得合适的尺度。实验结果表明,算法的识别率可达98.15%,同以前提出的算法相比识别性能进一步提高,可用于大规模身份识别系统。     

面向虹膜识别的Gabor特征筛选研究

针对2D-Gabor虹膜特征并不稳定,影响虹膜识别率的问题,提出了一种从多尺度、多方向2D-Gabor小波提取的虹膜特征中,筛选稳定特征应用于虹膜识别的方法。对虹膜图像采用多通道Gabor小波提取虹膜图像特征,然后通过自定义筛选准则从多维特征中筛选出最优特征参数并编码,用Hamming距进行特征匹配识别。基于CASIA虹膜图像库进行实验,结果表明该方法扩大了类内匹配与类间匹配之间的Hamming距,降低了等错率,同时降低了编码的长度,加快了特征匹配速度。     

一种基于特征点的虹膜匹配算法

特征匹配是虹膜识别的一个重要步骤,直接影响了虹膜识别率的高低。由于基于结构虹膜特征点的特殊性,采取了特殊的匹配算法,即面积加权自定位匹配法。实验结果证明,可以本质上提升基于结构特征的虹膜识别算法的识别率,使其达到准实用的水平。     

自适应上下文特征的多尺度目标检测算法

识别多尺度目标是检测任务中的一项挑战,针对检测中的多尺度问题,提出自适应上下文特征的多尺度目标检测算法。针对不同尺度的目标需要不同大小感受野特征进行识别的问题,构建了一种多感受野特征提取网络,通过多分支并行空洞卷积,从高层语义特征中挖掘标签中的上下文信息;针对不同尺度目标的语义特征出现在不同分辨率特征图中的问题,基于改进的通道注意力机制,提出自适应的特征融合网络,通过学习不同分辨率特征图之间的相关性,在全局语义特征中融合局部位置特征;利用不同尺度的特征图识别不同尺度的物体。在PASCAL VOC数据集上对本文算法进行验证,本文方法的检测精度达到了85.74%,相较于Faster R-CNN检测精度提升约8.7%,相较于基线检测算法YOLOv3+提升约2.06%。