英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
基于熵的模糊最小脑风暴优化算法基于距离的多模式静脉识别系统
Dipti Verma，Sipi Dubey
摘要
目前，基于静脉的识别系统已成为一种新兴的生物识别技术识别系统。静脉识别利用不同的模式，如手指，手掌和手的图像为人识别。本文提出了基于静脉的模糊最小脑风暴优化和欧氏距离（EED）算法识别系统。首先，将输入图像输入感兴趣区域（ROI）提取，得到合适的图像在接下来的步骤中。然后，通过图像启发、圆形平均滤波和基于全熵的阈值化。在得到特征后，提出基于熵的欧氏距离融合特征由评分等级与权重评分值融合而成。最后，由新的开发了模糊最小脑风暴优化（FLBSO）算法。新算法是由最小均方展开的 LMS算法与模糊脑风暴优化（FBSO）。因此，对实验结果进行了评价，并对其性能进行了分析与现有系统相比，采用了错误接受率（FAR）、错误拒绝率（FRR）和准确度。结果表明，该算法的识别率达到89.9%，具有较高的识别率。
关键词：多模态；脑风暴优化（BSO）；最小均方（LMS）；分数级融合；识别
1简介
由于计算机的飞速发展技术与信息科学识别是促进和挑战的任务门禁系统。生物识别不同的人类特征，如面部图像，手静脉，指纹和掌纹[1]。在单峰生物测定中系统，它包含一些约束条件，如噪声数据，类内变化，不可接受的错误率，欺骗攻击和限制自由度，导致识别率下降。为了解决这个问题，现在的生物识别系统由多式联运为该人履行识别[2]。因此，多模式生物测定承认成为安全的突出作用多个模态融合在一起的目的。核查和鉴定是生物识别系统中的问题。这个验证阶段用于验证被预定特征接受或拒绝。然后，用身份证明来证实这个人同一性及其相应的特征[3]。
在不同的生物特征中最近采用了识别系统来增强因为每个人都有不同的静脉模式甚至可以区分相同的双胞胎也[4]。正常情况下，人体的静脉模式是由皮下血管形成的。它有独特的特性，因为它位于具有无接触方式的优点，确保活灵活现，经得起伪造[5]。主要脉型的特点是唯一性、稳定性以及强大的免疫系统可靠的身份识别。作为图像采集的初始步骤 人类被红外成像技术捕获 [6] 是的。通常，静脉图像是从 手指部分，手背部分和手掌部分。它给予纹理信息中最重要的部分， 提高人民群众的分化能力提高识别性能[7]。
基于静脉的识别系统感兴趣区域（ROI）提取，图像增强， 静脉提取与特征匹配。ROI提取是抑制噪声的预处理步骤之一获得更好质量图像和增强图像对比度[8]。然后，静脉模式x从手指背部和手掌的一部分。因此，静脉提取是由全局或自适应阈值执行机制[9]。特征向量是生物识别系统。因此脉型，如线特征，点特征几何特征、纹理和统计特征通过有效的特征提取方法提取[10]。最后，特征的融合由特征完成抽取级别，匹配评分级别和决策级别，然后用于匹配和决策人员识别模块[11]。
在这项工作中提出了一种针对静脉的优化算法（FLBSO）基于识别系统。手的输入图像，手指和手掌静脉图像被认为是识别系统。最初，输入图像被输入进入ROI提取的预处理步骤利用。ROI提取提供了静脉图像的重要部分由邻域搜索算法。那么，结果图像作为开明图像的输入，并且圆形平均滤波器。全熵用于确定静脉的最佳阈值提取。因此，静脉图像的特征信息获得。最后，新的提出了FLBSO算法。分数级融合是熵的新评价方法基于欧氏距离（EED）提出了将查询和输入图像与其权重匹配得分值。为了提高性能权重得分由建议的 FLBSO算法。
这项工作的主要贡献如下：提出了熵欧氏距离（EED）的概念三种模式特征的评分融合融合。融合中的匹配权重得分为用新提出的模糊最小法优化计算脑风暴优化（FLBSO），其中LMS是与FBSO算法集成。
这项工作的结构如下：第2节从八个方面探讨基于静脉的识别系统研究论文。问题陈述和挑战系统后面的部分将在第3节中介绍。第四节简要说明使用EED提出的方法以及FLBSO算法。实验结果是验证和性能分析见第5节。最后，本文在第6节中总结。
2文献综述
JOARDAR等[12]提出了一种掌背皮下静脉模式（PDSVP）实识别系统。它是由数据开发的使用两轴平移机制进行采集，其中掌背被定位。的NIR图像在前面提到的PDSVP被收购静脉模式不代表的方法学明显的清晰度和可辨别性。然后，输入图像经过了预处理步骤以提取图像静脉模式。最后，识别是由基于协作表示的分类。因此，分析了PDSVP的性能，即使存在文物也很坚固。
SHEKHA等[2]描述了多峰稀疏表示方法，通过训练数据的稀疏线性组合，约束来自不同方式的观察结果的测试对象共享其稀疏表示。一种多式联运的质量措施也被用来衡量每种方式融合在一起。此外，我们还将算法内核化以处理数据的非线性。因此，使用有效的替代方向方法。各种实验表明，多峰稀疏表示方法与基于竞争的融合方法。
WANG等[11]解释了多模式个人使用掌纹和掌静脉的识别系统在图像级别应用融合的图像。的掌纹和掌静脉图像保留边缘和增强对比度的小波融合修改后的多尺度边缘为结合。然后，从发达的Laplacianpalm融合的图像使用局部保留的投影进行表示。利用“ Laplacianpalm”来找到一个嵌入保存本地信息并提供帮助最好地检测基本的歧管结构。实验结果提供了更好的表示和降低了手掌识别的错误率。此外，Laplacianpalm表示多峰方法胜过任何其他方法模态。
GUPTA [5]展示了有效的多模式利用手掌背的认证系统静脉模式。多算法融合应用于使用以下命令从静脉图像中提取真正的静脉模式各种静脉提取算法。然后，三种从每个提取的静脉图案中获取特征这是形状特征，细节和获得的特征的手。融合的第三级在特征级保险丝细节和形状特征。最后，融合功能并且手部边界形状特征与获得在分数级别融合的匹配分数。这样，多模式识别达到了精度100％。实验结果证明了它的性能比其他现有系统更好。
WANG等[3]提出了生物特征识别背手近红外成像的三维系统静脉和提取的关键点的匹配比例尺不变从手背静脉图像特征变换。除了几个限制引入以最大程度地减少不正确匹配的关键点，重点放在使用多重训练每个手类的图像以改善识别性能。然后，多个关键从每个的多个训练图像中提取集合手课分为三组，即联合，交集和排除，基于它们的类和类内关系。这项工作显示了每个集合对识别的贡献性能并证明了其可行性通过结合以下方法实现100％正确识别三套，基于使用超过2000背手静脉图像。
LAJEVARDI等人[13]描述了一种自动新型手背静脉验证系统这种算法称为生物特征图匹配（BGM）。静脉在这里使用最大曲率提取算法。 BGM手的配套性能用两个成本函数测试静脉图与匹配算法相比，迭代最接近点（ICP）和修改的Hausdorff距离。在两个公共数据库上进行了实验使用远红外和近红外（NIR）捕获相机。 BGM的匹配表现具有竞争力在数据库上使用最新算法使用简洁的模板。对于两个数据库，BGM的表现至少与ICP一样好。对于小NIR数据库中的大小图表，BGM明显优于点模式匹配。
MURUKESH等人[4]提出了一个得分水平掌纹和指静脉融合用于生物识别识别系统。掌纹和手指静脉图像根据的标准化分数进行融合个人特质。然后，掌纹的特征是通过离散余弦变换（DCT）提取通过多类线性判别分析进行分类（LDA）和自组织地图（SOM）。多模式生物认证系统集成了来自多个生物特征来源的信息补偿每种产品的性能限制个人生物识别系统。这些系统可以大大提高了生物识别系统。LEE等人[1]设计了一个定向滤波器组来提取静脉图案和最小方向码被用来编码基于线的静脉特征到二进制代码。此外，还有许多非静脉区域在静脉图像中，这对静脉没有意义承认。为了提高准确性，非静脉区域通过评估最小值的方差来检定向滤波响应图像并被认为非定向代码。总共4280手背静脉214人的图像被用于验证提出背手静脉识别方法。高准确度（gt; 99％）和较低的平均错误（0.54％）使用滤波器组方法获得的结果证明该方法对背部可行且有效手静脉识别。
3识别系统背后的动机
3.1问题描述
主要问题是通过手指、手掌和手的静脉纹。因此，认识人类成为一项具有挑战性的技术全世界。设D为输入数据库由B个人数组成作为，即D= 然后，每个人都有5手指、手掌和手静脉图像的数量，表示为 给出了图像X作为所提出的etimes;f大小算法的输入，这里 主要的挑战是获得更好的认可手指、手和手掌。
3.2挑战
由于唯一性等安全问题可接受性和持久性，生物识别系统已被广泛研究，以确保可靠的人员识别系统， [14]。静脉识别系统成为由于静脉图像包含大量特征数量，这是生物特征识别的负担系统[15]。融合和匹配[7]是由于识别系统的特点不同情态具有很强的互补性和匹配性在测试和训练图像之间确保授权人
4拟议方法：基于静脉熵识别系统欧氏距离与FLBSO算法
欧氏距离与FLBSO算法这项工作的最终目的是认识到个体的手、手指和手掌静脉图像。这里，静脉图像的V数被认为是 输入图像。拟议的方法包括四个方面以下步骤：I）预处理，II）静脉提取，III）特征提取和识别。图1描述了提出的2363个方法论。最初，输入的图像被输入到图像的预处理步骤接下来的步骤。在这里，利用ROI提取在基于邻域的预处理步骤中搜索。然后，通过图像启发，圆形平均滤波器和基于全息熵机制的最优阈值。从采集的手静脉中提取特征，手指静脉和手掌静脉图像。之后的特点是提取后，熵欧氏距离（EED）为提出了基于分数级融合的匹配方法。也， 模糊最小脑风暴优化（FLBSO）是一种新的优化方法最小均方与基于模糊的脑风暴优化。因此采用新的FLBSO算法确定最优识别系统的迭代评分值。
4.1预处理
预处理是静脉的初始步骤基于识别系统。预处理习惯于去除输入图像中的噪声为进一步的步骤简明地获取图像。在这里，基于邻域搜索算法的感兴趣区域提取 [16] 被利用。ROI提取用于从手上提取最重要的静脉部分，手指和手掌静脉图像。邻里搜索算法由欧氏距离执行在模板图像和提取的图像之间参考点。因此，ROI提取显然是描述如下：
1) 这里，m个参考点在邻域搜索算法。因此静脉区域是使用参考定义为
表示基于参考点和f是生成子形象。
2） 然后，计算欧氏距离在模板图像和提取区域之间输入图像。D=
3） 最后，提取静脉的重要部分通过具有最小欧几里德数的参考点 模板与输入图像之间的距离。它是由决定
4.2基于全熵的静脉提取机制
生成的ROI图像作为静脉提取。这里，手，手指的静脉模式手掌部分由三个步骤决定：I）图像启发，II）圆形平均滤波器和III）全熵机制。因此，静脉提取描述如下。
Figure 1Fig. 1 Diagrammatic representation of proposed methodology
一） 形象启蒙
受启发的形象是增强变暗像素，用于提取静脉区域明显地。这里，指数核用于将输入图像转换为x个不同的图像，用于边缘检测、压花和静脉区域的锐化。因此，开悟者图像计算为 ； 其中e 1是核向量；h表示随机 1times;n和T a的整数是用户给定的阈值。静脉图像高度依赖于核具有静脉图像特定区域的功能。最后，基于核函数对静脉图像进行增强用于静脉提取，由 二） 圆形平均滤波器
还使用了圆平均滤波器[17]提高静脉图像的像素强度。这个通过计算平均值执行平均滤波器静脉提取图像中的每个值。这个想法这个过滤器的背后是估计每个像素相对于它的邻居。通告使用平均滤波器，其中半径固定为 五个。因此，图像的质量由 像素值并替换为圆形的相邻像素。
三） 基于全熵的机制
最后，手指、手和手掌的静脉部分以最佳阈值提取全熵机制[18]。阈值是敲诈静脉重要部位的有效方法形象。虽然熵被用作全局度量，不足以将静脉区域从手，手掌和手指。为了解决这个问题采用基于全熵的机制。因此，M , N是从圆上得到的两个矩阵像素矩阵。因此，CP矩阵由阈值t，确定为I=[ttimes;t]和J=[255-t*255-t]。权重因子与以获得更好的识别性能。这里，反向乙状结肠功能被用作静脉提取的因素。主要优势全熵测度是显著且快速的提取静脉区域而不是其他方法。因此，通过 熵测度与权函数的乘积。其推导如下： 其中，是全熵测度表示熵值和S是相反的同样，矩阵N的全熵为计算为 然后，通过二者的全熵测度之和矩阵。因此，提取静脉区域使用最佳阈值适当地从图像中提取价值。它的定义是其中Z是最终的最佳阈值。
4.3特征提取
提取的静脉区域被输入到特征中用于人员标识的提取过程。这个特征向量更重要，因为它展示了静脉图像的重要表示，用于 降低了分类器的非线性复杂度。到期对于血脉模式，该系统提供了强大的反对那个冒充保安的人。因此，提取的特征信息用两个坐标表示。为了手指静脉图像定义为，静脉特征提取表示为 , 最后，提取手掌静脉特征用表示。然后所获得的特征被赋予到所提出的FLBSO中生物识别系统的算法。
4.4提出的FLBSO算法
一旦我们提取出特征，我们就提出了
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239952]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
