虹膜識別是指根據(jù)人眼虹膜豐富的紋理信息進行個體身份識別,其中虹膜紋理的特征提取及編碼建模是識別算法的關(guān)鍵。鑒于卷積神經(jīng)網(wǎng)絡(luò)具備強大的特征學(xué)習(xí)能力,并在多個計算機視覺任務(wù)中得到成功應(yīng)用,本文基于深度卷積特征和序度量建模方法設(shè)計了兩種具有高識別率和魯棒性的虹膜識別算法,并將算法在移動端完成部署。首先,不同于現(xiàn)有的使用全連接層捕捉虹膜紋理全局信息的工作,本文提出采用卷積神經(jīng)網(wǎng)絡(luò)的卷積層特征建模虹膜紋理的局部特性和形變,并通過對卷積特征進行序度量建模獲得魯棒性強、計算高效的二值化虹膜編碼（ConvOM）。為了適合小規(guī)模的虹膜數(shù)據(jù)集本文設(shè)計了兩個參數(shù)量少的輕量級網(wǎng)絡(luò)架構(gòu),網(wǎng)絡(luò)的設(shè)計還以更大空間尺寸的特征圖為準則以便于捕捉更局部的虹膜紋理信息并生成更多的特征。其次,受圖像分類任務(wù)中將傳統(tǒng)特征建模方法嵌入神經(jīng)網(wǎng)絡(luò)進行端到端訓(xùn)練的工作的啟發(fā),本文提出了基于序度量結(jié)構(gòu)層嵌入網(wǎng)絡(luò)的端到端識別方法（NetConvOM）。在卷積神經(jīng)網(wǎng)絡(luò)的卷積層后嵌入序度量建模并通過三元組損失函數(shù)進行端到端訓(xùn)練可以實現(xiàn)特征學(xué)習(xí)和特征建模的聯(lián)合優(yōu)化。在三個常用的虹膜圖像數(shù)據(jù)集上的實驗結(jié)果表明本文的ConvOM比傳統(tǒng)的識別算法有更... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 虹膜識別的研究背景與意義
    1.2 虹膜識別概述
    1.3 虹膜識別的國內(nèi)外研究現(xiàn)狀
        1.3.1 基于手工設(shè)計特征的識別方法
        1.3.2 基于深度學(xué)習(xí)的識別方法
    1.4 本文研究內(nèi)容
2 基于卷積特征和序度量建模的虹膜識別方法
    2.1 引言
    2.2 網(wǎng)絡(luò)架構(gòu)
        2.2.1 基于AlexNet的虹膜識別網(wǎng)絡(luò)Lw-IrisNet
        2.2.2 基于殘差網(wǎng)的虹膜識別網(wǎng)絡(luò)Lw-ResIrisNet
    2.3 損失函數(shù)
        2.3.1 用于認證任務(wù)的三元組損失
        2.3.2 用于識別任務(wù)的softmax損失
    2.4 卷積特征的建模和匹配
    2.5 實驗
        2.5.1 數(shù)據(jù)集介紹及實驗設(shè)置
        2.5.2 兩種損失函數(shù)性能對比
        2.5.3 算法評估
        2.5.4 同現(xiàn)有方法比較
    2.6 本章小結(jié)
3 基于序度量嵌入網(wǎng)絡(luò)的端到端虹膜識別方法
    3.1 引言
    3.2 算法總體架構(gòu)
    3.3 序度量結(jié)構(gòu)層
        3.3.1 局部特征聚合層
        3.3.2 區(qū)域特征比較層
        3.3.3 軟化序編碼層
    3.4 基于軟化漢明距離的三元組損失
    3.5 實驗
        3.5.1 實驗設(shè)置
        3.5.2 參數(shù)評估
        3.5.3 同現(xiàn)有方法對比
    3.6 本章小結(jié)
4 移動端虹膜識別系統(tǒng)
    4.1 引言
    4.2 神經(jīng)網(wǎng)絡(luò)壓縮加速方法綜述
    4.3 基于深度可分離卷積的網(wǎng)絡(luò)壓縮算法
    4.4 實驗
    4.5 移動端虹膜識別系統(tǒng)的搭建
        4.5.1 開發(fā)環(huán)境及流程
        4.5.2 虹膜識別應(yīng)用效果展示
    4.6 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3341333