基于深度神经网络的虹膜识别算法研究

作     者：张亚星 

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：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：虹膜识别 虹膜特征提取 深度学习 卷积神经网络 多尺度特征 注意力机制 

摘      要：生物特征识别技术相比传统身份验证方法具有不易伪造、方便快捷、高准确度和更加安全等多个优势,随着人们对信息保护和信息安全的需求日益增长,虹膜识别技术逐渐受到研究人员的关注,并在公共安全、司法、教育等领域得到广泛应用。虹膜识别流程的最关键环节是虹膜特征提取与匹配,这一环节中虹膜识别算法的优劣直接影响虹膜识别系统的性能。虽然当前基于深度神经网络的虹膜识别算法已取得了长足的发展,但是仍面临一些挑战。现有研究在特征提取阶段对模型的卷积操作设计不够合理,导致不能高效地提取特征,在特征匹配阶段不能充分利用提取到的特征。针对上述不足,本文提出一种基于深度神经网络的虹膜识别算法,主要工作如下:1、虹膜特征提取阶段:本文提出EfficientIrisNet模型,使用大卷积核提取浅层特征,降低虹膜图像局部噪声和失真带来的干扰;设计多分支卷积结构(Multi-branch convolution,MBC)融合多尺度深层特征,以提升特征的丰富度;引入选择性核注意力机制(Selective Kernel Attention Mechanism,SKAM),以自适应地调整MBC中不同分支特征融合的权重。虹膜特征匹配阶段:首先,使用余弦距离计算得到虹膜特征向量之间的值相似度;然后,使用一阶时间相关系数计算出行为相似度;最后,利用值相似度和行为相似度对虹膜特征进行距离度量,以更好地利用特征提取阶段提取到的虹膜特征,提升特征匹配方法的鲁棒性。2、在实验中,本文选用JLU-6.0、JLU-7.0等六个开源虹膜数据集,评价指标为识别率、等错率等。设计模型合理性实验证明本文模型的结构合理性,在多个数据集上进行数据集内和跨数据集实验,并得到了良好的结果,证明本文算法的有效性。3、虹膜识别系统的部署:基于上述虹膜识别算法,设计并实现了虹膜识别系统。系统包括采集模块、界面交互模块、存储模块、控制模块和虹膜识别模块五个模块。最核心的虹膜识别模块基于本文提出的虹膜特征匹配与识别算法,能应用于更广泛的虹膜识别场景,有一定的应用价值。