迁移模式下卷积神经网络在虹膜识别中的应用

• 作者: 张寿明 肖任翔 赵勇 雷欢 马敬奇
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 迁移学习 卷积神经网络 虹膜识别 Viterbi算法 橡胶板模型
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 信息技术及图像处理
• 页码范围: 114-120
• 页数: 7页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.1903933

摘要

由于现有虹膜数据集样本量较少,利用传统卷积神经网络训练易产生过拟合问题,为此利用嵌入了迁移学习的卷积神经网络对虹膜数据集进行训练,以提升识别准确率.首先对虹膜图像进行预处理,具体用Viterbi算法和橡胶板模型分别对虹膜数据集的眼部区域中的虹膜区域进行分割和归一化,得到规整的虹膜图像集;然后将添加迁移学习和传统的3种卷积神经网络(GoogleNet、VGG、ResNet)在归一化后的虹膜数据集中训练,得到虹膜特征向量;最后用softmax分类器进行N分类.试验结果表明,添加迁移学习的网络模型解决了虹膜数据集训练的过拟合问题,相比传统方法,在4大虹膜数据集(CASIA-Iris-Interval、CASIA Iris-Lamp、CASIA-Iris-Thousand、IITD Database)上的识别准确率均有大幅提升,最高可达9.3％,其中,ResNet网络模型在各数据集上的表现最优.通过与现有虹膜识别算法的对比,不仅准确率要高于后者,而且平均识别时间和平均训练时间都有大幅度的缩减,证明了该方法的高效性和鲁棒性.