虹膜识别-论文阅读2

hello，这是鑫鑫鑫的论文分享站，今天分享的文章是An Experimental Study of Deep Convolutional Features For Iris Recognit ，一篇关于虹膜识别的论文，一起来看看吧~

摘要：
虹膜识别大多数都是基于生物识别专家设计的手工特征。由于深度学习在计算机视觉问题上的巨大成功，人们对将卷积神经网络在一般图像识别中学习到的特征应用于分割、人脸识别和目标检测等其他任务产生了浓厚的兴趣。本文研究了VGG中提取的深度特征在虹膜识别中的应用。该方法在两个著名的虹膜数据库上进行了测试，得到了良好的结果，准确率达到了99.4%，超过了之前的最佳结果。

1.introduction
2. FEATURES
3. RECOGNITION ALGORITHM 识别算法（降维和分类算法）
4. 实验结论及比较
5. 总结

1.introduction

• 虹膜识别的研究现状:

  虹膜识别在过去已经有很多算法。早期的算法之一是由John Daugman开发的，使用了2D Gabor小波变换[5]。在最近的一项工作中，Kumar[6]提出使用基于Haar小波、DCT和FFT的特征组合来实现高精度。在[7]中，Farouk提出了一种利用弹性图匹配和Gabor小波的方案。每个虹膜被表示为一个标记图，并定义一个相似度函数来比较两个图。在[8]中，Belcher使用了基于区域的SIFT描述子进行虹膜识别，取得了较好的效果。Pillai[9]提出了一种基于随机投影和稀疏表示的统一框架来实现鲁棒和精确的虹膜匹配。Minaee在最近的工作[10]中提出了一种基于纹理和散射变换特征的算法，与之前的算法相比，该算法获得了较高的准确率。这种方法也从多层表示中提取特征，但使用预定义的过滤器。读者参考[3]对虹膜识别的全面调查。

• 虹膜识别算法

  在大多数虹膜识别工作中，首先对虹膜区域进行分割，然后将其映射到极坐标下的矩形区域。然后，从该区域提取特征。大多数这些特性都是手工制作的，可以很好地用于特定类型的数据或生物识别。

• 虹膜识别算法传统方法的主要问题是：

它们需要进行大量的预处理和参数调优，才能在给定数据集上正常工作，而且它们在其他生物特征数据集甚至是相同生物特征的不同数据集上的效率无法保证。

• 解决：

为了克服这个问题，在过去的几年里，我们做了很多努力来学习一些可以在许多任务中转移的通用特性。沿着这个方向，深度神经网络已经在各种数据