虹膜识别-DeepIrisNet_1

最新推荐文章于 2024-07-21 10:57:03 发布

睡不醒的书童

最新推荐文章于 2024-07-21 10:57:03 发布

阅读量1.1k

点赞数

分类专栏：笔记虹膜识别文章标签：神经网络

本文链接：https://blog.csdn.net/qq_38205273/article/details/112729255

版权

本文介绍了DeepIrisNet，一种基于深度学习的虹膜识别方法，它采用深度卷积神经网络结构，提高了虹膜识别的准确性与鲁棒性，尤其在跨传感器识别上表现出色。DeepIrisNet结合了多种CNN技术，如dropout、批量归一化等，设计了两种配置：DeepIrisNet-A和DeepIrisNet-B。实验结果证明，DeepIrisNet对分割变化和旋转具有较好的不变性，且在不同虹膜数据库上表现优秀。

摘要由CSDN通过智能技术生成

hello，这是鑫鑫鑫的论文分享站，今天分享的文章是DeepIrisNet: DEEP IRIS REPRESENTATION WITH APPLICATIONS IN IRIS RECOGNITION AND CROSS-SENSOR IRIS RECOGNITION ，一篇关于虹膜识别的论文，一起来看看吧~

摘要：
在本文中，我们提出了一种基于深度学习的虹膜表示方法，称为DeepIrisNet。提出的方法基于非常深的架构和最近成功的cnn的各种技巧。实验分析表明，所提出的DeepIrisNet可以非常有效地模拟虹膜的微观结构，并提供鲁棒、鉴别、紧凑和非常容易实现的虹膜表示，并获得最高的精度。此外，我们用CROSS-SENSOR IRIS 算法评估我们的虹膜。实验结果表明，DeepIrisNet模型在跨传感器识别精度上也有显著提高。

1.INTRODUCTION
2. DeepIris- Net的架构细节。
3.实验和数据集
4.结论

1. INTRODUCTION
1993年，Daugman[1]提出了第一个完整的自动虹膜识别系统。虽然在高度改进的红外技术的开发方面取得了很大进展，但在实际应用中，红外技术仍面临一些挑战，特别是在图像采集不受限制的情况下[5,7]。

非理想的虹膜图像，在较少的约束条件下捕获，通常会降低红外性能，因为虹膜分割不当或虹膜纹理质量低[5,9]。
大规模IR(j虹膜识别）部署的另一个挑战性问题是，很多时候注册是由一个传感器完成的，而身份验证是使用不同的传感器执行的。由于存储的模板使用时间较长，且系统需要支持传感器升级，因此在大规模IR中也需要实现互操作性。
在一些研究中，发现交叉传感器虹膜匹配会导致红外性能下降[25,28]。很少有研究者对此问题进行研究并提出一些解决方案[24,26,27]。许多正在进行的IR研究都旨在获得有效的特征表征，以减少个体内的差异，同时最大化个体间的差异。以往虹膜表示的大部分工作都是基于手工制作的特征[1,3,6,10]。虽然一些基于学习的方法[11-14]也被探索过，但它们基于浅层架构。

深度学习方面的发展：
基于深度神经网络在其他领域的成功应用，本文提出了一种能够处理复杂分布的大规模虹膜数据的高效的深CNN结构——DeepIrisNet。虹膜生物识别中基于深度学习的方法，最近在一些著作中进行了探索[4,30,31]，但是它们的优化目标与虹膜的身份没有直接关系，而且如果能不那么深的话，其对象是设计的。据我们所知，这是第一次使用基于DCNN的方法来进行虹膜的表示和识别。 为了更好地利用计算资源和最佳的虹膜表示，DeepIrisNet经过精心设计。
它集成了最近比较成功的cnn中最流行的组件，如dropout learning[20]，较小的filter size[19]，非常深的架构[16,18,19]，整流线性非线性[21]，批量标准化[23]等。因此，我们提出了更加精确的DCNN结构，不仅达到了最新的红外精度，而且很好地适用于不同的虹膜数据集。此外，实验也证