Iris Recognition: A Java based implementation
Notice bibliographique
Résumé
Biometric authentication has become increasingly popular in security systems. Recently, the systems based on the human iris, which develops a unique pattern before birth, have produced very high rates of recognition. The iris image is first blurred using a Gaussian filter, and the edge is detected using the Canny edge detection technique. An algorithm, which uses the center of the image as a starting point, is proposed to isolate the pupillary region. The initial estimate of the location of the pupil is then refined, and the iris is located by using the integrodifferential operator. In order to detect the upper and the lower eyelids, we deploy the integrodifferential operator again; however, the path of contour integration is changed from circular to arcuate. A thresholding technique is then applied to locate the eyelashes. The annular iris region is unwrapped from a polar coordinate system to a rectangular canvas. The 2D Gabor wavelets are used to extract the discriminating features. Then, the phase information is extracted to produce an iris code of 2048 bit and a mask, which denotes the noisy regions, of the same length. The Hamming distance is applied for the matching purpose. We also design a graphical user interface (GUI) in Java which allows the comparison of two images, the verification that an image is that of a specific person, and to search through the previously scanned irises for an exact match. The proposed scheme is computationally effective as well as reliable in term of recognition rate of 99.21%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,035 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».