分块小波+BP神经网络：高效虹膜识别新策略

本文主要探讨了一种结合分块小波特征与BP神经网络的虹膜识别方法。针对传统的虹膜识别技术在处理归一化图像时可能存在维度高和对噪声敏感的问题，作者提出了一种创新的特征提取策略。首先，对归一化的虹膜图像进行径向折叠分块和环向周期分块处理，这样可以增强图像的局部特征并降低对噪声的敏感性。接着，利用Haar小波变换对这些分块进行分析，以捕捉图像的高频信息，这种方法有效地减少了特征维度，同时保留了虹膜的关键细节。 为了提高对旋转不变性的鲁棒性，研究者采用周期延拓的小波变换，这有助于提取更丰富的特征，尤其是那些与旋转相关的高频特征。经过这一系列步骤，虹膜图像被转换成一组具有较低特征点数（120个）的高频特征向量，这些向量直接作为BP神经网络的输入。 BP神经网络作为一种经典的深度学习模型，其反向传播算法使得网络能够自动学习和优化特征之间的复杂关系。通过将小波变换后的特征输入到BP神经网络，作者得以构建一个高效的分类器，显著提高了虹膜识别的准确性。实验结果显示，该方法在正确识别率上达到了99.48%，显示出其在实际虹膜识别系统中的优越性能。 这篇论文介绍了一种新颖的虹膜识别方法，它结合了分块小波分析、周期延拓技术和BP神经网络，既简化了特征表示又提升了识别精度，对于提高虹膜生物特征识别系统的实用性和可靠性具有重要意义。