基于ResNet的虹膜识别算法研究及系统实现

作     者：袁一航 

作者单位：吉林大学 

学位级别：硕士

导师姓名：刘元宁

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：虹膜识别 深度学习 ResNet101 Iris-ResNest 知识蒸馏 MobileNetV3 

摘      要：虹膜识别是一种基于人眼虹膜图案和纹理特征的生物识别技术,具备高度可信度、准确度和安全性。该技术在社会的多个领域都得到广泛实践和应用,对社会进步和发展产生了积极影响。虹膜识别是虹膜系统最重要的部分,但现有识别技术仍存在一些不足。首先,基于深度学习的虹膜识别算法主要使用普通卷积进行特征提取,忽略了通道之间的依赖性,缺少对主要特征相邻信息的提取能力,网络结构的信息提取呈现表征性不强的问题。其次,现有网络结构在提取信息时忽略了特征图信息的重要性分布,在提取信息时无法自适应地提取信息。最后,为追求识别性能,现有模型设计较为复杂,导致其硬件和计算资源需求较高,极大限制了模型的应用场景。本论文旨在对虹膜信息进行深度挖掘,设计出一个更加有效的虹膜识别算法,并将其部署在移动端进行应用。本论文的主要工作内容如下:1.本文利用增强型超分辨率对抗网络(Enhanced super-resolution generative adversarial networks,ESRGAN)对归一化后的虹膜图像进行高分辨率预处理。通过多级残差密集连接模块增强特征表达能力,并使用感知损失函数提升图像细节还原效果。本文在JLU-V6.0数据集上进行实验,验证ESRGAN的有效性。2.本文提出一种新的虹膜识别框架Iris-Res Nest。该框架从信息提取的三个方面对现有虹膜识别框架进行改进。第一,通过将Res Net101的首层7×7卷积层替换为3个连续的3×3卷积层,保持相同感受野的同时减小参数量。第二,引入自校准卷积(Self Calibration Convolution,SCC),将Res Net101中的第二层3×3卷积层替换为SCC,扩展每个卷积层的感受野,提高虹膜纹理相邻信息的特征提取和融合能力。第三,通过引入分裂注意力机制(Split Attention)对主干网络进行改进,根据不同通道分配权重,以更有效地提取虹膜的细节信息,使模型能够跨不同特征通道挖掘更多精细的虹膜信息。此外,本文针对Iris-Res Nest设计联合损失函数,该函数结合L-Softmax Loss和Center Loss,通过控制约束系数,实现增大不同类别类间距并减小同一类别类内距的效果,以提高模型对不同虹膜类别的区分能力,使虹膜特征有更好的区分度。最后,本文在公开数据集上进行对比实验,验证Iris-Res Nest的有效性。3.本文通过引入知识蒸馏(Knowledge Distillation)技术提升轻量化模型Mobile Net V3的性能并进行研究。首先,本文提出熵减少优化算法,对知识蒸馏流程进行优化,降低教师网络的信息熵复杂度,保留软标签中有用信息,去除无用信息,以提高知识蒸馏中教师模型软标签的有用信息占比。其次,本文在公开数据集对其进行实验分析,验证其优越性和有效性。最后,本文将蒸馏后的Mobile Net V3搭载到移动端并开发运行在手机上的虹膜识别应用以验证算法的实用性。