虹膜识别新方法：KFDA-SVM结合技术

"这篇论文是2011年由陈振国、王树和田立勤发表在《山东大学学报(工学版)》上的，主要探讨了一种基于核Fisher鉴别分析（KFDA）与支持向量机（SVM）的虹膜识别方法，旨在提升虹膜识别系统的识别性能。" 虹膜识别是一种生物特征识别技术，其核心在于通过分析人眼虹膜的纹理结构来确定个体身份。传统的虹膜识别方法如Daugman的方法可能存在效率和准确性的问题。这篇论文提出了一种新的虹膜识别流程，包括以下几个关键步骤： 1. **虹膜定位与预处理**：首先，从获取的人眼图像中精确地定位出虹膜区域，这是虹膜识别的第一步。然后，对虹膜图像进行归一化处理，确保不同尺寸的虹膜能在相同的尺度上进行比较，这有助于提高后续特征提取的稳定性和一致性。 2. **核Fisher鉴别分析（KFDA）**：论文采用KFDA作为特征提取方法。KFDA是Fisher线性判别分析（LDA）的非线性扩展，它能够在高维空间中寻找最优的分类超平面，以最大化类间距离同时最小化类内距离。通过使用核函数，KFDA能够处理非线性可分的数据，从而更有效地提取虹膜的纹理特征。选择合适的特征数量是提高识别准确率的关键，因为过多或过少的特征都可能影响系统性能。 3. **支持向量机（SVM）分类**：在获得有效的虹膜特征编码后，论文使用SVM进行模式分类。SVM是一种监督学习算法，擅长处理小样本和高维数据，它通过构建最大间隔分类器来达到优秀的泛化能力。在虹膜识别中，SVM可以高效地对提取的特征进行分类判决，进一步提高识别精度。 4. **实验验证与对比**：论文使用CASIA虹膜数据库进行实验，结果显示，该方法在处理速度上比Daugman的方法快4.4倍，并且在错误接受率和错误拒绝率方面优于Boles的虹膜识别方法。这表明，结合KFDA和SVM的虹膜识别方法在提高识别率的同时，还能显著降低识别时间，从而提高了整个系统的性能。 关键词：论文强调了核Fisher鉴别分析在非线性特征提取中的优势，支持向量机在模式分类中的高效性，以及这两种方法在虹膜识别这一模式匹配任务中的协同作用。中国分类号和文献标志码表明了这篇论文属于工程技术领域的重要研究，具有较高的学术价值。 这篇2011年的研究为虹膜识别技术提供了一种创新的解决方案，通过集成KFDA和SVM，实现了更快、更准确的识别效果，对于生物识别技术特别是虹膜识别领域的研究具有重要的参考价值。