基于改进的残差网络虹膜特征提取与识别算法的研究.pdfVIP

摘要

摘要

基于改进的残差网络虹膜特征提取与识别算法的研究

生物特征识别方法相较于传统的身份认证，在安全性，便捷性，和保密性等

方面有很大的优势。而今随着硬件设备快速的迭代升级，人工智能与计算机视觉

的结合也越来越紧密。虹膜识别的本质也是图像分类的一种，将虹膜识别领域与

深度学习技术相结合具有很高的研究价值。本文主要在虹膜识别流程中的特征提

取和匹配识别过程进行改进和创新，针对手工设计滤波器提取虹膜特征表达能力

不足的缺陷，提出一种适用于虹膜识别的改进残差网络结构提取虹膜特征的算

法，相比于其它算法识别率更高，鲁棒性更好。下面主要介绍下本文所做的具体

工作：

1.改进了残差网络结构：在基于残差网络Resnet结构上重新设计了一个卷积

神经网络——MulSE-IrisNet（Multiscale-SE-IrisNet：结合SE模块的多尺度残差

网络结构）。在MulSE-IrisNet网络结构中通过设置多个不同尺度的卷积核分别

进行卷积，目的在于提取虹膜图像的多元特征信息，增加虹膜图像特征的丰富度，

最终将不同尺度的卷积核提取到的不同的虹膜特征进行通道叠加，通过特征的多

样性提高虹膜识别的准确率。同时为了改进当前大多数的用于虹膜识别的网络结

构没有有效利用特征通道间相关性的不足，在本文提出的网络结构中引用了通道

注意力机制，使用自动调整参数的方法来学习到每个特征通道的相关性，然后依

照相关性来加强有用特征通道的权值并且削弱无用特征通道的权值。

2.改进了损失函数：在训练阶段，大多数的网络结构采用的损失函数为

Softmax，本文在训练过程中对损失函数进行了改进，AMsoftmax函数通过施加

固定的角间距来增加虹膜特征的类间距，CenterLoss函数通过约束样本和特征中

心减少虹膜的类内距，因此本文在训练过程中引入了联合损失函数——

AMsoftmax+CenterLoss，控制CenterLoss的约束强度，通过AMsoftmax函



数结合CenterLoss函数共同训练，使得虹膜特征相比于使用单一的损失函数训

练区分度更高，实验结果表明当取值在0.01—0.05之间时，能够最大程度提高



I

摘要

算法的性能。

3.本文在实验部分采用的数据集为自主采集的JLU-V5.0和JLU-V6.0虹膜

库。用训练后的MulSE-IrisNet网络提取虹膜特征进行编码，使用余弦距离进行

匹配。在实验的过程中与其它当前的虹膜识别算法做对比，通过分析识别正确率，

等错误率等指标，在JLU-V5.0和JLU-V6.0上分别达到98.94%和98.36%的准确

率，1.12%和0.99%的等错误率，证明了本文提出的算法可以有效地提高虹膜识

别的准确率。

关键词：

虹膜识别，残差网络，多尺度特征，通道注意力机制，联合损失函数

II

Abstract

Abstract

ResearchonIrisfeatureextractionandrecognitionalgorithmbased

onimprovedresidualNetwork

Comparedwithtraditionalidentityauthentication,biometricidentificationhas

greatadvantagesinsecurity,convenience,confidentialityandsoon.Nowadays,with

the