Iris and Palmprint Multimodal Biometric Recognition using Novel Preactivated Inverted ResNet and Hybrid Metaheuristic Optimized DenseNet

由于对信息安全的日益重视，生物识别技术已经广泛应用于日常生活中。在这个领域中，多模态生物识别技术结合了多种生物特征，克服了单模态系统的局限性，如易受欺骗攻击或不能适应随时间变化的情况。本文提出了一种新颖的多模态生物识别系统，利用虹膜和掌纹模态的深度学习算法。首先，采用新颖的改进萤火虫算法和Lévy飞行算法（MFALF）来优化对比度受限自适应直方图均衡化（CLAHE）算法，从而有效提高图像对比度。随后，采用ReliefF和Moth Flame Optimization（MFOR）的独特混合方法进行特征选择，提取信息丰富的特征。对于分类，我们采用并行方法，首先引入新颖的Preactivated Inverted ResNet（PIR）架构，其次利用创新的Johnson Flower Pollination Algorithm和Rainfall Optimization Algorithm的混合元启发式方法对Transfer Learning based DenseNet架构的学习率和dropout参数进行微调（JFPA-ROA）。最后，实现了得分级别融合策略，结合两个分类器的输出，提供了一个强大而准确的多模态生物识别系统。该系统的性能根据准确性、检测误差折衷（DET）曲线、等误差率（EER）和总训练时间进行评估。在CASIA Palmprint、MMU、BMPD和IIT数据集上测试的所提出的多模态识别架构实现了100%的识别准确率，优于单模态虹膜和掌纹识别方法。

本论文旨在提出一种新的多模态生物识别系统，利用深度学习算法结合虹膜和掌纹模态，解决单模态系统存在的欺诈攻击和适应性不足的问题。

论文提出了一种新的多模态生物识别系统，采用了多种算法和技术进行优化，包括MFALF算法、CLAHE算法、ReliefF和MFOR算法、PIR架构和JFPA-ROA算法等，实现了图像增强、特征选择和分类等功能，最终采用得分级融合策略提高了系统的鲁棒性和准确性。

论文使用了多个数据集进行实验，包括CASIA Palmprint、MMU、BMPD和IIT等，取得了100%的识别准确率，优于单模态虹膜和掌纹识别方法。论文的算法和技术优化有较高的实用价值，具有很好的推广应用前景。

最近的相关研究包括《A Comprehensive Survey on Multimodal Biometrics and its Applications》、《Multimodal Biometric Recognition using Fusion of Iris and Palmprint》等。