使用海豚优化和SVM混合化进行强大的无接触指纹认证
Jenisha Rachel1, Ezhilmaran Devarasan1
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, Tamilnadu, India.
Frontiers in big data
|December 22, 2025
概括
本研究介绍了使用海豚优化算法 (DOA) 和支持矢量机器 (SVM) 的无接触指纹识别系统. NCM-DOA-SVM混合型号实现了98.00%的准确性,提高了生物识别安全性和卫生性.
科学领域:
- 生物识别和模式识别技术
- 人工智能和机器学习
- 计算机视觉 计算机视觉
背景情况:
- 无接触式指纹识别 (CLFP) 与传统的触摸式系统相比,提供了更好的卫生和方便.
- 现有的CLFP系统需要强大的优化和分类方法来提高安全性.
- 在生物识别方面,以自然为灵感的算法具有复杂优化任务的潜力.
研究的目的:
- 开发和评估一种新的非接触式指纹识别系统.
- 为了提高CLFP识别中的特征选择和分类准确性.
- 研究混合模型的有效性,将优化算法与分类器结合起来.
主要方法:
- 使用海豚优化算法 (DOA) 进行功能选择和优化.
- 采用面向梯度的直方图 (HOG) 方法来减少图像特征.
- 开发了混合型号:DOA-SVM,FCM-DOA-SVM和NCM-DOA-SVM用于分类.
主要成果:
- 在香港理工大学数据集上,NCM-DOA-SVM混合模型实现了98.00%的卓越精度.
- 观察到的表现进展:DOA (91.00%),DOA-SVM (94.07%),FCM-DOA-SVM (96.03%),NCM-DOA-SVM (98.00%). 在此过程中,DOA-SVM的表现有所改善.
- 与其他生物启发方法相比,拟议的方法在减少计算要求的情况下显示出更高的准确性.
结论:
- 综合生物灵感优化与高级集群 (NCM) 的混合模型显著提高了CLFP识别精度.
- 该NCM-DOA-SVM方法有效地处理不确定性,为安全和高效的生物识别提供了一个有希望的解决方案.
- 这项研究突出了将优化,分类和集群技术用于先进生物识别系统的结合潜力.
