虹膜識(shí)別是指根據(jù)人眼虹膜豐富的紋理信息進(jìn)行個(gè)體身份識(shí)別,其中虹膜紋理的特征提取及編碼建模是識(shí)別算法的關(guān)鍵。鑒于卷積神經(jīng)網(wǎng)絡(luò)具備強(qiáng)大的特征學(xué)習(xí)能力,并在多個(gè)計(jì)算機(jī)視覺(jué)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(jì)了兩種具有高識(shí)別率和魯棒性的虹膜識(shí)別算法,并將算法在移動(dòng)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(guò)對(duì)卷積特征進(jìn)行序度量建模獲得魯棒性強(qiáng)、計(jì)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(jì)了兩個(gè)參數(shù)量少的輕量級(jí)網(wǎng)絡(luò)架構(gòu),網(wǎng)絡(luò)的設(shè)計(jì)還以更大空間尺寸的特征圖為準(zhǔn)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(jìn)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(shí)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(guò)三元組損失函數(shù)進(jìn)行端到端訓(xùn)練可以實(shí)現(xiàn)特征學(xué)習(xí)和特征建模的聯(lián)合優(yōu)化。在三個(gè)常用的虹膜圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明本文的ConvOM比傳統(tǒng)的識(shí)別算法有更... 

【文章來(lái)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(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 虹膜識(shí)別的研究背景與意義
    1.2 虹膜識(shí)別概述
    1.3 虹膜識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 基于手工設(shè)計(jì)特征的識(shí)別方法
        1.3.2 基于深度學(xué)習(xí)的識(shí)別方法
    1.4 本文研究?jī)?nèi)容
2 基于卷積特征和序度量建模的虹膜識(shí)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(shí)別網(wǎng)絡(luò)Lw-IrisNet
        2.2.2 基于殘差網(wǎng)的虹膜識(shí)別網(wǎng)絡(luò)Lw-ResIrisNet
    2.3 損失函數(shù)
        2.3.1 用于認(rèn)證任務(wù)的三元組損失
        2.3.2 用于識(shí)別任務(wù)的softmax損失
    2.4 卷積特征的建模和匹配
    2.5 實(shí)驗(yàn)
        2.5.1 數(shù)據(jù)集介紹及實(shí)驗(yàn)設(shè)置
        2.5.2 兩種損失函數(shù)性能對(duì)比
        2.5.3 算法評(píng)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(shí)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(shí)驗(yàn)
        3.5.1 實(shí)驗(yàn)設(shè)置
        3.5.2 參數(shù)評(píng)估
        3.5.3 同現(xiàn)有方法對(duì)比
    3.6 本章小結(jié)
4 移動(dòng)端虹膜識(shí)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(shí)驗(yàn)
    4.5 移動(dòng)端虹膜識(shí)別系統(tǒng)的搭建
        4.5.1 開(kāi)發(fā)環(huán)境及流程
        4.5.2 虹膜識(shí)別應(yīng)用效果展示
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
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(hào)：3341333