虹膜是眼睛的一部分，眼睛通过它控制入光量，几个世纪以来一直是心理学关心的主题。从生理学、文学到诗歌，眼睛被用于神经语言程序设计（NLP），其关注人体的相互作用，虹膜运动和位移。基本上，NLP专注于评估人类行为和心理活动。最近，机器学习（ML）也进入了与心理学相关的领域。
本文源自马来西亚Universiti Teknologi的计算机科学学者的一项研究，他们使用ML进行虹膜位置分类。他们应用SVM的特定ML算法对虹膜位置进行分类，然后将算法结果与根据视觉、听觉和动觉（VAK）学习标准索引的人格特征相匹配。
使用神经语言程序设计
在心理学中，有许多理论和方法可以评估人类行为或个性，具体而言，这取决于许多因素，如年龄、情绪平衡和身体健康等。在研究中选择NLP的原因是它在正确建立行为因素方面的有效性。NLP擅长分析个人的学习风格分析行为。它依赖于三个关键因素-神经学、语言和编程。神经学部分指的是人体的实际心理系统，而语言和程序设计部分分别包括与其他人的交流方面和对世界的感知。简单来说，它是语言对身心，身体和行为的影响。
NLP与另一种称为视觉，听觉和动觉（VAK）理论的人格理论相结合，该理论在心理学得到了广泛的应用。事实证明，VAK能够最有效地展示个人的学习风格。作为该研究的一部分，眼睛的虹膜位置作为预测人类行为的视觉线索。此外，这些虹膜图像将是使用SVM进行图像分类的关键。
用SVM分析
眼睛图像，特别是虹膜图像，形成了本研究的数据。在这些图像上使用SVM来分类虹膜位置。下图显示了研究中遵循的研究方法：
从上面的图片可以看出，一旦从用户收集数据（眼睛的图像），就使用图形用户界面（GUI）对它们进行图像预处理。为此，图像要求9,000像素，以实现SVM分类的最佳性能。为了从图像中提取特征，使用图像处理中的直方图均衡。此外，Sobel边缘检测用于检测眼睛边缘以及形态过滤和二值化。所有这些功能都保存为文本文件，并设置为进行培训和测试。MATLAB是用于实现该算法的软件环境，其内核是SVM中的Standard Gaussian Kernal（SGK,在MATLAB中称为径向基函数）。
算法的准确性
对该研究中五个标准虹膜位置进行了测试和培训：
1.左上
2.右上
3.中间
4.中偏右
5.中偏左
样本数据是215个眼睛图像。当使用SVM检查样本的准确性时，发现在检测这些位置时大约80％准确（用于训练），误差约为20％（在测试中）。这个因素将有助于快速匹配VAK理论（图中提到）的行为。选择径向基函数的逻辑是实现更高的精度。
结论
这项研究只是机器学习技术中的沧海一粟。分类本身有很多方法，例如反向传播，k-最近邻和感知器等。这方面的进展是巨大的。在早些年，虹膜检测仅用于安全系统中以进行身份验证。但在如今，它在多方面得到了应用，ML和人工智能应用依赖于虹膜和其他相关的面部特征来实现自动化。最终，它将具有实际实施功能的应用生成，为ML提供了丰富的成果。