基于深度学习虹膜识别方法研究.docVIP

基于深度学习虹膜识别方法研究 　　摘 要： 随着信息化社会的高速发展，人们生活水平的不断提升，与此同时人们开始越来越注重身份验证的准确性、安全性、稳定性。人体生物特征表现出了几大特点：唯一性、稳定性、不可复制。本文通过深度学习技术简述、分析特性、探究支持，研究了生物特征识别中的虹膜识别方法。虹膜识别性能指标在应用中相比其他生物指标高，具有很高的研究价值。希望通过本次对虹膜识别方法的探究，促进虹膜识别在人工智能方面的新发展。 　　关键词： 深度学习；生物特征识别；虹膜识别；人工智能 　　Abstract：With the rapid development of the information society peoples living standard has been continuously improved. At the same time more and more attention has been paid to the accuracy security and stability of authentication. The biological characteristics of human body shows several characteristics： uniqueness stability and non-reproduction. In this paper through technical discussion characteristics analysis and support exploration of deep learning iris recognition of the biometric recognition is researched. Simulation shows that the technological index of iris recognition performance in the application is higher than other biometric identification index，which has high research value. It is expected that this research could promote the new development of iris recognition in artificial intelligence. 　　Key words： deep learning；biometric identification；iris recognition；artificial intelligence 　　引言 　　在科技高速发展的今天，生物特征识别已经开始进入人们的日常生活工作中。目前指纹识别、人脸识别、语音识别已广泛用于手机等终端设备解锁，通过深度学习手机端实现虹膜识别解锁也将会成为潮流趋势。虹膜识别技术属于一种人工智能，并因其所具备的唯一性、不可复制、稳定性等特征，而使其在验证识别身份领域得到重要应用[1]，同时也深受该领域科研工作人员的青睐与高度关注。 　　1993年，Daugman博士提出了虹膜识别的理论框架。该框架将虹膜识别分为4个重要组成部分[2]：虹膜点位置、图像归一化、特征提取和匹配。Daugman[3]首先提出了模糊虹膜图像检测方法。该方法使用了特定的模板来对原始的虹膜图像进行卷积。其中模板的傅里叶变换是2个sinc函数之间的差值，图像的中频和高频会被提取为模糊特征。另一种经典的虹膜图像模糊检测方法是基于能量谱分布特征和SVM分类器的图像模糊决策方法[4]。该方法计算了虹膜区域低频、中频和高频能量的比值，根据这些比值判断图像的离焦和运动模糊，同时判断是否有睫毛遮挡。此外，Kalka等人[5]研发了一种分开检测离焦模糊和运动模糊的虹膜图像检?y方法。Jang[6]则发现可以通过计算不同频段小波变换系数的均值作为模糊图像的模糊特征。Chen[7]又相继设计分析了可以利用墨西哥草帽小波提取不同尺度的虹膜图像小波系数来作为模糊特征。Zhou等人[8]提出利用虹膜图像中光斑特征进行运动模糊检测。在此基础上，Park[9]的研究又指出可根据光斑的大小判断虹膜图像是否存在离焦模糊。 　　1 数据来源 　　本文所采用的数据库为CASIA V4.0虹膜库[10]，是中国科学院自动化研究所免费公开的数据库。CASIA V4.0已经成为国际上具有较高认知度的虹膜图像库，而且国际上已有超过70个国家及地区的3 000多家科研单位申请使用。 　　2 虹膜识别 　　虹膜是研究的一个重要组成部分。虹膜位于眼角膜之后和晶状体之前，直径约为12 mm