Multimodal Face and Iris Recognition System Based on Local Feature Extraction and Binary Bat Algorithm
Notice bibliographique
Résumé
The Multimodal Biometric System (MBS) is widely utilized in security due to its superior performance compared to Unimodal Biometric Systems (UBSs).However, developing an MBS with high accuracy and acceptable complexity is still of prime interest.This paper proposes an innovative MBS based on advanced feature extraction and selection methods to improve face-iris recognition.The proposed method introduces three algorithms for Local Feature Extraction (LFE) of both faces and irises, effectively capturing detailed image characteristics.These extracted local features are fused in a unified matrix to provide a better description of modalities.In addition, the concatenated data undergoes dimensionality reduction by using a binary bat algorithm (BBA) intended for selecting the most significant features required for iris-face recognition.This contributes to improving the recognition accuracy and computational efficiency.The BBA is adopted due to its robust global optimization capabilities and adaptive exploration-exploitation balance.For classification at the score level, the extreme learning machine (ELM) is suggested, which demonstrates superior performance over the support vector machine (SVM) and genetic algorithm (GA).The system's robustness is validated using the CASIA Iris distance database, containing high-resolution images of both left and right eyes.The experimental results show significant improvements over (UBSs), underscoring the effectiveness of the designed MBS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».