استفاده از الگوريتم بهبوديافته دسته ذرات به‌منظور تشخيص هويت افراد به‌كمك عنبيه

Use of Improved Particle Swarm Optimization for Identity Recognition Based on Iris

براي بسياري از محققان، روندي كه به‌طور خودكار افراد را براساس رفتارهاي بيومتريك شناسايي مي‌كند به‌شدت مورد توجه واقع گرديده است. بررسي هويت به‌كمك عنبيه از متداول‌ترين روش‌هاي بيومتريك به‌شمار مي‌رود كه در مقايسه با ساير مؤلفه‌هاي بيومتريكي، باعث متمايز شدن آن در كاربردهاي امنيتي شده است. الگوريتم پيشنهادي از 6 مرحله اصلي تشكيل شده است: ارتقاء تصوير با الگوريتم Retinex، مكان‌يابي مرزهاي داخلي و خارجي عنبيه، بخش‌بندي عنبيه، نرمال‌سازي، استخراج ويژگي و كدگذاري عنبيه. در اين مقاله، روش خودكار جديدي براي استخراج ويژگي از تصاوير عنبيه ارائه شده كه در اين الگوريتم از روش پنجره متحرك براي توليد بردار ويژگي استفاده شده است و سپس با استفاده از الگوريتم بهبود يافته دسته ذراتمسئله تعيين مقادير بهينه بردارهاي ويژگي بهينه‌سازي مي‌گردد. آزمايش‌هاي انجام‌شده روي مجموعه داده CASIA، نشان مي‌دهد كه با روش پيشنهادي مقاله، فضاي حافظه موردنياز تا حد قابل توجهي كاهش يافته و با بهره‌گيري از معيارهاي مختلف عملكرد ازجمله نرخ پذيرش نادرست، نرخ عدم‌پذيرش نادرست، نرخ تشخيص الگوريتم به ميزان 98.93%، نرخ خطاي مساوي و شاخص تصميم‌پذيري نشان داده شده كه اين روش مي‌تواند با دقت بهتر و خطاي‌كم‌تري عمل نمايد. به‌علاوه، با استفاده از الگوريتم تكاملي پيشنهادي و با وزن‌دار كردن ويژگي‌هاي تصوير دقت تشخيص هويت افراد نسبت به روش‌هاي پيشين افزايش يافته است.

For many researchers, a process that automatically identifies people based on biometric behavior seriously been considered. Iris recognition has appeared as one of the most promising methodologies to provide reliable human identification. The process of iris recognition is divided many major steps. Image enhancement using Retinex algorithm, locate internal and external borders of the iris, iris segmentation, normalization, feature extraction and matching. In this paper, a new method is proposed to feature extraction from the iris images that uses a sliding window and then the feature vectors are optimized using the improved particle swarm optimization. Experiments conducted on data collection CASIA, show that the proposed method, greatly reduced storage space requirements and performance by taking advantage of various criteria including false acceptance rate (FAR), false rejection rate (FRR), the algorithm detection rate of 98.93%, equal error rate and index decidable shown that this method can operate with better accuracy and fewer errors. Also, identity recognition accurate is increased compare to the other methods using the improved particle swarm optimization.