论文部分内容阅读
生物特征识别由于其安全性、便利性、防伪性以及可靠性逐渐替代传统的身份认证方式,并被广泛地运用在国防、金融、电子商务、门禁和社会福利等领域。而虹膜识别算法由于虹膜纹理的唯一性、稳定性、非接触性以及防伪性成为生物特征识别算法中值得发展和关注的一员。但是目前的虹膜识别算法仍然存在着一定的改进空间,本文主要针对虹膜识别系统中虹膜区域分割算法以及虹膜识别算法进行改进和创新,并基于卷积神经网络提出了新的模型和算法。本文的主要工作和贡献包括几方面:(1)虹膜分割算法是整个虹膜识别体系中至关重要的组成部分,虹膜分割算法的好坏直接影响着虹膜识别或者比对的结果。目前,虹膜识别分割算法还存在着一些问题:一方面,传统的虹膜分割算法自适应性差,且在包含噪声的虹膜数据集中表现不够鲁棒。另一方面,基于卷积神经网络的虹膜分割算法并没有完全发挥深层卷积神经网络的优势。针对这两个问题,本文工作如下:1)基于卷积神经网络并结合dense block提出了应用于虹膜区域分割的模型:DFCN(Dense Fully Convolutional Network)。2)针对采用的公开虹膜库CASIA-Interval-V4和IITD对应的ground-truth数据集都没有标出睫毛遮挡区域的问题,采用人工标注的方式提出了新的ground-truth数据集。基于在不同环境下采集的公开虹膜库CASIA-Interval-V4,IITD和UBIRIS.V2的实验结果表明:本文所提出的分割模型不管是在准确率、精确率、召回率还是在F1得分等多种度量标准下,都优于被比较的传统虹膜分割算法和基于卷积神经网络的虹膜分割算法,并且具有强鲁棒性的优点。(2)虹膜识别步骤包括虹膜特征提取以及虹膜特征分类,其在整个虹膜识别系统中同样至关重要,特别是特征提取部分。传统的虹膜识别算法抗噪性较差以及不够鲁棒,并且,目前基于卷积神经网络的虹膜识别算法所采用的结构较浅,其卷积层层数都小于5,并没有发挥深层卷积神经网络的优势。针对这两个问题,本文工作如下:1)基于卷积神经网络结构提出了应用于虹膜识别的模型:IrisConvDeeper。2)作为比较,提出了另一个基于卷积神经网络的模型并命名为IrisConvShallower。IrisConvDeeper由dense block结构构成,有12或14层,IrisConvShallower由标准的卷积层构成,有6或7层。基于公开虹膜库CASIA-Interval-V3和IITD的实验结果表明:在正确识别率(CRR)上,本文提出的IrisConvDeeper优于大部分被比较的传统算法。