基于眼动的生物特征识别技术研究的开题报告.docx

基于眼动的生物特征识别技术研究的开题报告
一、选题背景
随着科技的发展和应用场景的拓展，生物特征识别技术的应用越来越广泛，其中基于眼动的生物特征识别技术在安防、金融等领域得到不断的应用。
传统的生物特征识别技术主要采用指纹、面部识别等方式，但在复杂环境下容易受到噪声和光线影响，识别率较低。而基于眼动的生物特征识别技术可以通过记录人眼移动时的特征来建立模型，相较于其他技术，具有更高的准确性和稳定性。
二、选题意义
基于眼动的生物特征识别技术可应用于多种场景，如人机交互、金融安全等领域。
1、应用于人机交互
随着移动互联网的蓬勃发展，人类对于智能手机、电脑等设备的依赖度越来越高。而基于眼动的生物特征识别技术可以用来进行身份验证，避免敏感信息被窃取，在保障用户隐私的同时，提高设备安全性。
2、应用于金融安全
在金融交易领域，基于眼动的生物特征识别技术也有较大的应用前景。通过记录用户进行交易时的视线轨迹，与普通用户进行对比，可以识别是否存在异常行为从而起到防盗、反诈骗等作用。
三、研究内容
1、眼动数据的采集
眼动数据采集是本研究中的关键步骤，通过使用高稳定性的眼动仪对被试者进行观察，记录眼动数据。
2、眼动数据的预处理
通过预处理，对眼动数据进行降噪、滤波、补偿等操作，提升数据质量，可靠地评估受试者的眼动特征。
3、眼动特征提取
将处理后的眼动数据转化为特征向量，使用统计学习方法构建模型。
4、模型训练与测试
通过交叉验证、留一法等方式进行模型训练，在测试集上进行测试，评估模型的准确性和稳定性。
四、研究难点
眼动的数据量大、离散程度高、具有一定的时序性，因此如何在数据处理时进行有效的特征提取和数据的降维处理是本研究中的重点难点。
五、研究方法
1、数据采集：使用SR-Research公司的高精度眼动仪，采集高质量的眼动数据。
2、数据处理与特征提取：通过基于局部最大值分析进行眼动数据的预处理，采用主成分分析法降低数据维度。
3、模型构建：使用支持向量机等机器学习算法构建模型。
六、研究计划
1、前期调研阶段：调研现有的基于眼动的生物特征识别技术，并对比不同方法的优缺点。
2、中期实验阶段：采集眼动数据，并进行预处理与特征提取。
3、后期模型建立阶段：选取适合的算法进行模型建立，并进行模型交叉验证与测试。
4、毕业论文的撰写和答辩。
七、参考文献
1、Aleman-Flores,M.,Souza,R.J.,&Falcão,A.F.(2018).Biometricidentificationusingeyemovementsignals.PLoSOne,13(4),e0192881.
2、He,Y.,Zhao,R.,Zheng,W.,&Duan,P.(2017).Eyemovementbiometricsrecognitionbasedonanewfeatureextractionmethod.MultimediaToolsandApplications,76(2),2953-2972.
3、Kang,B.G.,Lee,Y.,&Han,J.W.(2017).Efficienteyemovementbiometricswithfalsealarmreductionusingevolutionaryalgorithms.JournalofAmbientIntelligenceandHumanizedComputing,8(5),699-709.
4、Zhang,J.,Zhang,D.,&Feng,Z.H.(2016).Eyeconvergencemeasurementforbiometricsusingadual-cameradevice.IEEETransactionsonInformationForensicsandSecurity,12(2),366-375.