基于眼动的生物特征识别技术研究

摘要

随着信息技术的飞速发展，传统的身份识别方法如密码、磁卡等正面临着巨大的挑战，用户的个人身份信息安全问题日益凸显。指纹、人脸、虹膜、签名、语音等生物特征相较于传统身份识别方法在准确性、安全性及易用性上优势明显，正逐渐成为流行的身份识别方式。
　　然而，不同生物特征身份识别技术都有自己的优势及劣势，单一的生物特征用做身份识别时总会有些缺陷，并且这种缺陷是由生物特征的特性所决定的，要从根本上解决这种缺陷十分困难。通常有两种方法能够解决这种问题。其一是通过将多种生物特征进行统一融合，对测试对象的身份进行综合评估，避免单一生物特征的局限性。其二则是寻找新的生物特征进行身份识别验证。
　　作为一种新的生物特征，眼动特征相较其他常用的生物特征具有以下几点优势:一，眼睛的运动是控制视觉的大脑区域与眼球周围肌肉组织相互作用的结果，其控制运动方式较为复杂，难以单纯从外部表征获取其根本信息，具有良好的加密性、唯一性;二，眼动信息的采集方式多样，可包括光学法、电磁法、电流法等，这些方法对用户影响小，便于用户接受;三，眼动是人脸上的一种生物特征，因此能够方便的与人脸、虹膜、视网膜等生物特征进行结合，提高身份识别精度;四，眼动特征能够反映脑震荡等大脑的病变情况，可用于健康状态的检测。因此本文选用了眼动特征作为身份识别方法进行研究，首先通过对比不同特征提取方法与不同模式识别方法的识别准确率，找到了适用于眼动特征身份识别的识别方法;其次，通过对双摄像机图像坐标系相互变换关系的推导，实现了定标信息的在双摄像机间的转移。论文的主要创新点如下所示:
　　1.针对周期性眼动信号，本文采用PCA主元分析法和眼动特征提取的方式，获取了眼动的关键特征，将其分别与欧氏距离、SPE统计量、KNN算法、SVM算法、神经网络等使用较为普遍的模式匹配方法结合，进行了身份识别精度的计算，通过比较发现了适用于身份识别的眼动信号关键特征及相应的模式识别方法，验证了眼动特征用于身份识别的可行性及可靠性;
　　2.针对光视轴偏差导致的眼动信息采集误差，提出了五点定标法对其进行校正，同时在双摄像机系统中实现了定标信息的转移。通过此手段，双摄像机系统以及多摄像机系统仅需进行一次定标，便可对系统中其余摄像机的信号采集进行补偿，有效提高了系统的操作效率，为更好的采集眼动信号提高眼动特征身份识别的准确率奠定了基础。

目录

声明

摘要

1．1．1 课题背景

1．1．2 课题意义

1．2 国内外研究现状

1．2．1 生物特征身份识别方法

1．2．2 眼动特征身份识别方法

1．2．3 眼动信号采集方法

1．3 本文研究内容及结构

第2章 眼动特征身份识别技术基础

2．1 人眼运动特点

2．1．1 人眼生理结构

2．1．2 眼动特征

2．2 眼动信息采集系统

2．2．1 系统硬件架构

2．2．2 摄像机坐标系模型

2．2．3 摄像机标定

2．2．4 摄像机标定方法

2．3 眼动特征身份识别方法

2．3．1 PCA主元分析法

2．3．2 SPE统计量法

2．3．3 欧式距离法

2．3．4 KNN最近邻法

2．3．5 SVM支持向量机法

2．3．6 神经网络法

2．4 本章小结

第3章 基于眼动信息的身份识别

3．1 眼动数据的处理

3．1．1 眼动数据库介绍

3．1．2 眼动数据筛选

3．1．3 眼动数据整理

3．2 基于PCA的眼动信息身份识别

3．2．1 数据预处理

2．2．2 眼动数据PCA处理

3．2．3 基于PCA+SPE统计量法的身份识别

3．2．4 基于PCA+欧氏距离法的身份识别

3．2．5 基于PCA+KNN法的身份识别

3．2．6 基于PCA+SVM法的身份识别

3．2．7 基于PCA+神经网络法的身份识别

3．3 基于眼动特征的身份识别

3．3．1 眼动特征的提取

3．3．2 基于眼动特征+KNN法的身份识别

3．3．3 基于眼动特征+SVM法的身份识别

3．3．4 基于眼动特征+神经网络法的身份识别

3．4 综合对比

3．5 本章小结

第4章 眼动信息采集系统的优化

4．1 单摄像机双光源系统下的眼动信息采集

4．2 基于5点定标的光视轴偏差校正方法

4．3 摄像机定标信息转移方法

4．4 实验验证

4．5 本章小结

第5章 总结与展望

参考文献

致谢

攻读硕士学位期间发表的学术论文