基于深度卷积特征的虹膜识别方法研究

发布时间：2021-08-13 23:31

　　虹膜识别是指根据人眼虹膜丰富的纹理信息进行个体身份识别,其中虹膜纹理的特征提取及编码建模是识别算法的关键。鉴于卷积神经网络具备强大的特征学习能力,并在多个计算机视觉任务中得到成功应用,本文基于深度卷积特征和序度量建模方法设计了两种具有高识别率和鲁棒性的虹膜识别算法,并将算法在移动端完成部署。首先,不同于现有的使用全连接层捕捉虹膜纹理全局信息的工作,本文提出采用卷积神经网络的卷积层特征建模虹膜纹理的局部特性和形变,并通过对卷积特征进行序度量建模获得鲁棒性强、计算高效的二值化虹膜编码（ConvOM）。为了适合小规模的虹膜数据集本文设计了两个参数量少的轻量级网络架构,网络的设计还以更大空间尺寸的特征图为准则以便于捕捉更局部的虹膜纹理信息并生成更多的特征。其次,受图像分类任务中将传统特征建模方法嵌入神经网络进行端到端训练的工作的启发,本文提出了基于序度量结构层嵌入网络的端到端识别方法（NetConvOM）。在卷积神经网络的卷积层后嵌入序度量建模并通过三元组损失函数进行端到端训练可以实现特征学习和特征建模的联合优化。在三个常用的虹膜图像数据集上的实验结果表明本文的ConvOM比传统的识别算法有更... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 虹膜识别的研究背景与意义
    1.2 虹膜识别概述
    1.3 虹膜识别的国内外研究现状
        1.3.1 基于手工设计特征的识别方法
        1.3.2 基于深度学习的识别方法
    1.4 本文研究内容
2 基于卷积特征和序度量建模的虹膜识别方法
    2.1 引言
    2.2 网络架构
        2.2.1 基于AlexNet的虹膜识别网络Lw-IrisNet
        2.2.2 基于残差网的虹膜识别网络Lw-ResIrisNet
    2.3 损失函数
        2.3.1 用于认证任务的三元组损失
        2.3.2 用于识别任务的softmax损失
    2.4 卷积特征的建模和匹配
    2.5 实验
        2.5.1 数据集介绍及实验设置
        2.5.2 两种损失函数性能对比
        2.5.3 算法评估
        2.5.4 同现有方法比较
    2.6 本章小结
3 基于序度量嵌入网络的端到端虹膜识别方法
    3.1 引言
    3.2 算法总体架构
    3.3 序度量结构层
        3.3.1 局部特征聚合层
        3.3.2 区域特征比较层
        3.3.3 软化序编码层
    3.4 基于软化汉明距离的三元组损失
    3.5 实验
        3.5.1 实验设置
        3.5.2 参数评估
        3.5.3 同现有方法对比
    3.6 本章小结
4 移动端虹膜识别系统
    4.1 引言
    4.2 神经网络压缩加速方法综述
    4.3 基于深度可分离卷积的网络压缩算法
    4.4 实验
    4.5 移动端虹膜识别系统的搭建
        4.5.1 开发环境及流程
        4.5.2 虹膜识别应用效果展示
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3341333