虹膜识别 深度学习 学习总结
深度學習在虹膜識別中有哪些應用？上下兩個博客
上：https://zhuanlan.zhihu.com/p/42697217
生物識別技術的發展趨勢有多模態生物識別，生物防偽，深度學習技術的應用等。
傳統：
虹膜圖像獲取。
虹膜圖像質量評價。
虹膜圖像預處理。
虹膜特征提取和特征匹配。
虹膜識別具有穩定性、唯一性、非接觸、活體識別的特點，
傳統算法的困境：
傳統虹膜識別算法存在如下問題：用戶主動配合度極高，需要按照指示進行識別，用戶體驗很差。
深度學習的解決方案：
相對于傳統的特征識別算法，深度學習的最大優勢是其在提高了識別精度的前提下，還提高了模型對圖像噪聲的魯棒性和泛化能力。深度學習技術的引入，使得虹膜識別系統對圖像質量的要求沒有傳統算法那么嚴苛，深度學習是數據驅動的識別過程，通過加入眼睛偏斜、姿態變化、帶有噪聲的圖像數據樣本，使得模型能夠識別出這些狀態下的虹膜特征，從而又提高了用戶體驗。
下：https://zhuanlan.zhihu.com/p/42699458
虹膜識別的應用場景如上。
在傳統算法下，虹膜識別有很大的技術難點。
比如：瞳孔形狀非正圓、用戶配合度要求高（位置、姿態）、圖像模糊、光照強度和明暗變化、瞳孔尺度變化、睫毛頭發遮擋等
①針對圖像模糊、光照強度和明暗變化、用戶配合度（位置、姿態）的問題，現有的解決方案是通過深度學習人臉庫預訓練和數據增強（模糊圖片和光照變化圖片），深度學習檢測方法和利用MTCNN網絡進行虹膜檢測。
②針對虹膜非正圓（天然非正圓/用戶斜眼）、尺度變化（瞳孔大小）的問題，我們嘗試深度學習語義分割方法、公開數據集預訓練、訓練時加入多尺度方案（Atrous卷積、FCN網絡結構）進行虹膜分割。
針對多尺度變換的解決方案通常有下面四種：影像金字塔、U-Net結構、atrous convolution和SPP結構
虹膜分割中遇到的難點主要有兩個：尺度變換和小物體（睫毛）分割，針對主要問題，本項目采用FCN結構和deeplab分割算法進行虹膜分割。
Atrous convolution, 擴大了感受野，同時提高了特征的分辨率。
總結：：：：
FCN結構的優勢：
小物體分割
全分辨率
速度
Deeplab結構的優勢：
細節保持能力（虹膜邊緣）
降采樣8倍
精度
③針對非正圓、光照不均、明暗變化、用戶姿態變化等問題，通過分割結果制作Mask掩膜、
全局直方圖均衡改為局部直方圖均衡、特征比對時加入旋轉變化進行特征提取。
虹膜分割后，由于是環形區域，需要轉化為矩形區域，以方便后續gabor算子進行特征提取。
特征提取方法使用了雙頻率的gabor算子，通過調整頻率和標準差參數，獲取最佳的識別效果。
后續發展方向——數據采集系統
虹膜識別本質是識別虹膜紋理細節特征，因此對于整個采集系統及用戶配合度要求較高，其中采集系統成本與用戶配合度呈負相關，用戶體驗是否足夠好主要體現在：
使用距離
如果要做到較遠（>0.5m）的識別距離，需要至少500萬的分辨率和大焦距（16mm以上）的鏡頭，而此時的景深又比較小，即需要用戶需要在相對固定的識別距離才能達到好的性能。如果要求更遠的距離，需要深度定制或者使用雙相機方法。
用戶配合程度
主要包括是否需要靜止不動和是否需要用戶保持某個姿態。
是否需要靜止不動：這個主要影響因素為相機幀率，即小幀率會造成嚴重的運動模糊
是否需要保持姿態：這個主要影響因素為成像角度，即光源與相機的角度關系，怎樣做到用戶任何姿態都不會在虹膜上形成大光斑是個待解決問題。
而在數據處理系統上，
在分割正確的情況下，非正圓（天然非正圓/用戶斜眼造成的畸變等）虹膜的歸一化方案急需解決（歸一化問題）；
由于虹膜數據的特殊性，特征提取步驟沒有使用深度學習方法，因此算法的泛化能力很差（特征比對問題）；
異質圖像問題，即質量差異較大的圖像間識別會不會存在問題，造成異質圖像的原因主要為（1）采集設備間參數差異較大；（2）采集光照條件差異較大，如室內注冊，戶外強光下識別。
上面這些問題都很值得思考，！！！
總結
以上是生活随笔為你收集整理的虹膜识别 深度学习 学习总结的全部內容，希望文章能夠幫你解決所遇到的問題。
