二代Curvelet与2D Log-Gabor融合识别:一种高效的人脸虹膜识别方法

0 下载量 132 浏览量 更新于2024-08-28 收藏 348KB PDF 举报
"该文提出了一种基于二代Curvelet和2D Log-Gabor滤波器的多模特征层融合识别方法,用于提高生物特征识别的准确性和鲁棒性,特别针对人脸和虹膜特征。这种方法结合了二代Curvelet变换的人脸特征提取和2D Log-Gabor滤波器的虹膜特征提取,通过PCA降维和SVM分类实现特征融合和识别。实验结果显示,该算法在ORL人脸库和CISIA虹膜库上的识别率可达100%,相比单一生物特征识别有显著提升。" 文章介绍了一种新型的生物特征识别方法,旨在解决单模生物特征识别存在的问题,如易受干扰、识别率低。该方法结合了两种不同的滤波器技术——二代Curvelet变换和2D Log-Gabor滤波器,分别用于人脸和虹膜特征的提取。 二代Curvelet变换是一种多分辨率分析工具,擅长捕捉图像中的边缘和曲线结构,因此在人脸特征提取中表现出色。它能够有效地对人脸图像进行分解,提取出人脸的关键几何特征,对于复杂和非平稳的数据有良好的适应性。 2D Log-Gabor滤波器则是一种频率选择性好的滤波器,常用于生物特征,特别是虹膜识别。它能模拟人眼视觉系统的响应,对纹理和局部细节敏感,因此在虹膜模式识别中具有较高的辨别能力。2D Log-Gabor滤波器通过计算幅值响应来提取虹膜的纹理特征。 在特征提取后,文章采用了主成分分析(PCA)对单模特征向量进行降维处理,以减少数据冗余并保留主要信息。PCA不仅可以降低计算复杂性,还能有效地去除噪声和无关特征,从而提高后续识别的准确性。 接下来,特征向量在特征层进行融合,即将人脸和虹膜的特征组合在一起,形成一个综合的特征向量。最后,支持向量机(SVM)被用作分类器,对融合后的特征向量进行识别。SVM是一种强大的监督学习算法,能够在高维空间中找到最优的决策边界,对于小样本和非线性问题有很好的表现。 通过在ORL人脸库和CISIA虹膜库上进行实验,该方法实现了100%的正确识别率,这比单独使用人脸或虹膜识别方法的识别率提高了3.33%。这表明多模特征层融合识别方法能够显著提升生物特征识别的性能,为实际应用提供了可靠的解决方案。 关键词涵盖了二代Curvelet、2D Log-Gabor滤波器、特征层融合识别等核心概念,强调了该方法在多模生物特征识别领域的创新和应用价值。该研究为未来的生物特征识别技术发展提供了新的思路和方法,特别是在提高识别精度和鲁棒性方面。