用于混合多模态生物特征认证的、经过优化的股票交易机制算法深度学习框架

《Scientific Reports》：Stock exchange regime algorithm optimized deep learning framework for hybrid multimodal biometric authentication

　　

摘要

在包括监控、执法和智慧城市在内的高安全等级系统中，生物特征识别对于实现安全可靠的访问控制至关重要。尽管深度学习模型在生物特征识别领域表现出色，但该技术仍面临一些挑战，比如身份信息被盗用以及法律文件、护照或犯罪记录被伪造等问题。为解决这些问题，本研究提出了一种新的多模态生物特征认证模型，利用指纹和手指静脉图像进行识别。首先，这两种图像都会经过自适应韦纳滤波器的预处理，以去除图像中的噪声。随后，通过“命中或未中”变换法检测出细节点，再由SqueezeNet模型进行认证。SqueezeNet模型是通过股票交易机制算法（SERA）进行训练的。同样，手指静脉图像也会先经过预处理去除噪声，之后再通过重复线追踪法提取静脉特征。从静脉特征提取阶段得到的结果会被送入特征提取阶段，该阶段利用网格定位法生成特征，随后再将这些特征送入由深度神经模糊网络（DNFN）构成的认证流程中。最后，在完成认证流程后，系统会再次运用所提出的股票交易机制算法（SERA）对结果进行优化，该算法整合了股票交易优化算法（SETO）和流量机制算法（FRA）。SqueezeNet和DNFN模型输出的识别结果会通过莫蒂卡相似度算法进行综合比较，从而得出最终判定结果。基于SERA的SqueezeNet+DNFN模型在多项评估指标上均展现出优异的性能，其准确率为94.5%，灵敏度为91.3%，特异性为95.1%，等错误率仅为0.078，误接受率为0.089，误拒绝率为0.083。这些结果是基于数据集1，通过指纹和手指静脉两种特征共同分析得出的。