hello，這是鑫鑫鑫的論文分享站，今天分享的文章是DeepIrisNet: DEEP IRIS REPRESENTATION WITH APPLICATIONS IN IRIS RECOGNITION AND CROSS-SENSOR IRIS RECOGNITION ，一篇關于虹膜識別的論文，一起來看看吧~

摘要：
在本文中，我們提出了一種基于深度學習的虹膜表示方法，稱為DeepIrisNet。提出的方法基于非常深的架構和最近成功的cnn的各種技巧。實驗分析表明，所提出的DeepIrisNet可以非常有效地模擬虹膜的微觀結構，并提供魯棒、鑒別、緊湊和非常容易實現的虹膜表示，并獲得最高的精度。此外，我們用CROSS-SENSOR IRIS 算法評估我們的虹膜。實驗結果表明，DeepIrisNet模型在跨傳感器識別精度上也有顯著提高。

1.INTRODUCTION
2. DeepIris- Net的架構細節。
3.實驗和數據集
4.結論

1. INTRODUCTION
1993年，Daugman[1]提出了第一個完整的自動虹膜識別系統。雖然在高度改進的紅外技術的開發方面取得了很大進展，但在實際應用中，紅外技術仍面臨一些挑戰，特別是在圖像采集不受限制的情況下[5,7]。

• 非理想的虹膜圖像，在較少的約束條件下捕獲，通常會降低紅外性能，因為虹膜分割不當或虹膜紋理質量低[5,9]。
• 大規模IR(j虹膜識別）部署的另一個挑戰性問題是，很多時候注冊是由一個傳感器完成的，而身份驗證是使用不同的傳感器執行的。由于存儲的模板使用時間較長，且系統需要支持傳感器升級，因此在大規模IR中也需要實現互操作性。
• 在一些研究中，發現交叉傳感器虹膜匹配會導致紅外性能下降[25,28]。很少有研究者對此問題進行研究并提出一些解決方案[24,26,27]。許多正在進行的IR研究都旨在獲得有效的特征表征，以減少個體內的差異，同時最大化個體間的差異。以往虹膜表示的大部分工作都是基于手工制作的特征[1,3,6,10]。雖然一些基于學習的方法[11-14]也被探索過，但它們基于淺層架構。

深度學習方面的發展：
基于深度神經網絡在其他領域的成功應用，本文提出了一種能夠處理復雜分布的大規模虹膜數據的高效的深CNN結構——DeepIrisNet。虹膜生物識別中基于深度學習的方法，最近在一些著作中進行了探索[4,30,31]，但是它們的優化目標與虹膜的身份沒有直接關系，而且如果能不那么深的話，其對象是設計的。據我們所知，這是第一次使用基于DCNN的方法來進行虹膜的表示和識別。 為了更好地利用計算資源和最佳的虹膜表示，DeepIrisNet經過精心設計。
它集成了最近比較成功的cnn中最流行的組件，如dropout learning[20]，較小的filter size[19]，非常深的架構[16,18,19]，整流線性非線性[21]，批量標準化[23]等。因此，我們提出了更加精確的DCNN結構，不僅達到了最新的紅外精度，而且很好地適用于不同的虹膜數據集。此外，實驗也證明了使用所提出的DeepIrisNet網絡的深度學習虹膜模式(DLIP)對傳感器互操作性、小分割和轉換變化具有良好的魯棒性。(也就是說深度學習可以避免虹膜來自不同傳感器獲得的圖像之間的差異，正常來說不同的虹膜庫，其采集的虹膜圖像設備不一樣，要是同一個傳統的特征提取算法，很可能不那么容易都適應數據。而深度學習是以數據data為驅動力的，只有喂很多數據就能減小這種不同設備的差異。)

2. DeepIrisNet架構

• 我們將提供兩個性能最好的：DeepIrisnet-A和Deep IrisNet-B。

• DeepIrisNet-A基于標準卷積層[17]，DeepIrisNet-B利用inception層[18]的疊加。

• 相對于可用于訓練的數據，非常淺的架構和過深的架構分別會導致欠擬合和過擬合。受到[16,18,19]中提出的非常深的架構的啟發，我們的DeepIrisNets也非常深;由大量的卷積/inception層組成。

• DeepIrisNet -A包含8個卷積層(conv1到conv8)，每個層后跟[23]批處理歸一化。有4個池化層，池化在每兩個卷積層之后執行(中間有批處理規范化)。A的網絡結構如下：

• DeepIrisNet-B網絡的設計首先是疊加卷積層(conv1到conv5)，然后是兩個起始層(Inception6和Inception7)。前兩個池操作(pool1和pool2)在每兩個卷積層之后應用，而在conv5之后直接應用池操作(pool3)。B的網絡結構如下：
  

• 在這兩種配置中，我們通常使用非常小的卷積核，即大小為3×3的卷積核(stride為1,padding為0)，我們還在DeepIrisNet-A的第一層和DeepIrisNetB的inception層中使用大小為5x5的過濾器。在這兩個網絡中，最大池是在一個2×2像素的窗口上使用stride 2執行的。最上面的三層是完全連接的，即每個輸出神經元都連接到所有的輸入。在所有網絡中，完全連接(FC)層的配置是相同的。最后一個完全連接的層的輸出是饋給一個C-way softmax(其中C是類的數量)，它產生一個分布在類標簽。為了進行正則化，權值衰減設置為0.0005，第一層和第二層全連接層之后使用dropout，速率為0.5。卷積層的最大寬度為512。該網絡中濾波器的權值以0均值高斯分布，標準差為0.01進行初始化。偏差被初始化為零。所有網絡的學習率被設置為0.01，當驗證錯誤率err停止提高時，學習率降低10倍。我們在所有的隱層中使用(ReLU)激活函數。
  在訓練過程中，采用隨機梯度下降(SGD)進行優化，并將動量設置為0.9。梯度是通過反向傳播計算的。超參數的選擇使用ND-0405[2]數據庫，并且在所有實驗中都是固定的。我們的DeepIrisNet的輸入是一幅128×128大小的灰色虹膜圖像(圖1)，無需任何預處理。只使用單一尺度訓練網絡，不進行數據擴充。在每個訓練歷元之后，我們觀察驗證數據集上的誤差，并選擇驗證誤差最小的模型。（圖一這樣操作？？這虹膜信息不就是相當于拉伸變形了嗎？）
  

在測試過程中，softmax分類器層被刪除，DeepIrisNet的其余部分被用作固定的特征提取器。我們使用網絡中第二全連接層輸出的實值向量作為虹膜表示特征向量(4096-D)。相似度得分的計算使用歐氏距離。（先把softmax層去掉，先測試經過全連接層的特征向量的歐式距離。）

3. EXPERIMENTS AND RESULTS

• 利用兩個公開的虹膜數據庫，ND-iris-0405 [2]， ND-CrossSensor- Iris-2013[2]。ND-iris-0405包含來自356名受試者的64,980張圖像。圖像采集采用LG2200虹膜圖像攝像機。在CrossSensor-Iris-2013數據庫中，有29,986個來自LG4000和116,564張來自LG2200的圖片，為676個不同的測試者(交叉數據集)。交叉傳感器數據庫中的ND-0405和LG2200子集中的大部分對象是不同的。這些數據庫是最大的公開虹膜數據庫，并被使用在我們的實驗中，由于它們適合于本文所關注的研究問題。

• 3.1. Dataset Splits (Forming Training and Testing sets) 數據集分割(形成訓練和測試集)
  數據集：如表3所示。
  為了準備實驗數據集，首先在所有數據庫中分別對虹膜左右圖像進行分類標注。接下來，數據庫被劃分為2部分:第1部分和第2部分，使用不相交的類標簽。第1部分用于生成用于模型選擇的訓練和驗證集，第2部分用于創建測試集，即用于性能報告。數據庫中不同受試者的圖像數量分布不均勻，有的受試者圖像數量多，有的受試者虹膜數量少。我們按照圖像的數量對標識進行排序，包含較多圖像的標識分配給第一部分，包含較少圖像的標識分配給第2部分。第2部分進一步分為兩個部分:查詢和目標。目標集中的圖像表示系統已知的圖像，查詢集中的圖像表示未知的圖像，供系統識別。為了支持看不見的對匹配問題，查詢集中約有50%的標識與目標集不同(唯一)。
  
  此外，為了評估跨傳感器匹配，我們設計了Exp4和Exp5，（Exp4咋和Exp2一樣啊。。Exp5就是混合了Exp4和Exp3）為了評估擴大的訓練集上的性能，我們創建了Exp6和Exp7。
  對于績效評估，使用ROC和驗證率(VR)來報告準確性。利用在各自實驗中創建的查詢集和目標集計算精度。

• 3.2 Iris segmentation and normalization
  對于虹膜分割，我們使用了一個免費的系統Osiris v4.1[6]。利用Daugman’s rubber sheet model[1]將虹膜區域歸一化到極坐標(映射到矩形區域)，如圖1所示。

• 3.3. Baseline Iris Recognition Algorithm 基線虹膜識別算法
  為了進行性能比較分析，我們采用了一種著名的基于Gabor的IR管道作為基線方法。該方法采用Osiris系統對虹膜紋理進行分割和采用Daugman的橡膠板模型[1]進行歸一化處理，將所有虹膜歸一化為64x256像素的矩形。特征提取使用1- DLog - Gabor濾波，相似度評分使用移動(-8°到+8°)的模板[1]之間的漢明距離計算。

• 3.4 Performance Evaluation

實驗123位單一傳感器結果
實驗45為交叉傳感器結果

3.4.1 Single Sensor Matching
實驗與基線方法進行了比較。精度結果如圖2所示。
使用所提出的方法，在準確度上有顯著的提高。
Deepirisnet - B和Deepirisnet - A類似的精度。

3.4.2 Cross-Sensor Matching
我們評估了DeepIrisNet-A在交叉傳感器方面的性能。
應用于Exp4的DeepIrisNet-A的精度遠優于交叉傳感器的基線方法。
我們假設，當傳感器從LG2200(舊的)升級到LG4000(新的)時，LG4000中少數物體的圖像是可用的。使用這個小集合(Exp5)，我們微調了預訓練(Exp4)網絡的權值。精細調諧網絡得到的精度如圖2所示，可以看到精度有了明顯的提高。

• 3.5 Robustness Analysis 魯棒性分析
  基于IrisCode的方法對虹膜像素進行編碼，并按照序列進行排列。兩個虹膜編碼之間的匹配分數在很大程度上依賴于虹膜分割，即使是很小的分割變化也會產生很大的相似度評分[22]差異。在實際應用中，在拍攝虹膜時，頭部相對于相機的位置可能不一致。這將導致虹膜圖形的旋轉以及其他問題，如平移，縮放等。大多數紅外系統都是通過將虹膜圖像歸一化成固定尺寸的矩形來解決縮放問題。但這也不能解決問題因此，對于非理想虹膜圖像，魯棒分割一直是一個非常有趣的話題，也是一個開放的挑戰。平面內旋轉一般是將測試虹膜模板左右方向旋轉。在非線性變換的情況下，通過左移和右移來匹配虹膜的整個過程是非常耗時的，并且可能不是很有效。
  提出的DeepIrisNet對這種變換變化具有不變性。這種不變性通常來自DeepIrisNet管道中的最大池步驟。為了研究這個問題，我們進行了各種實驗。
  3.5.1. Invariance to Segmentation Variations 分割變量的不變性
  為了評估DeepIrisNet對小的分割變化的魯棒性，我們使用了4種不同的眾所周知的分割方法;包括[3]，WAHET [15]， Osiris[6]和IFFP[7]。驗證精度(目前=0.1%)用Exp1計算，如表4所示。可以清楚地看到，當分割方法發生變化時，DeepIrisNet-A相對于基線來說更加穩健。
  3.5.2. Invariance to Alignment/Rotation 校準/旋轉不變性
  為了研究DeepIrisNet對旋轉的不變性，我們使用了Exp1中的數據集，圖像大小為128×128。使用未旋轉的圖像進行訓練，在測試時，將查詢圖像(在特征提取前)以p次平移像素的方式旋轉到步長為2像素的+p次平移像素。在基線方法中，移動像素的位置，在IrisCode中移動2個位置。表5給出了不同像素位移的驗證精度(目前為0.1%)，可以推斷DeepIrisNet允許在可能范圍內對旋轉變化進行顯著補償。

• 3.6. Analysis of other Network Parameters 其他網絡參數分析

輸入虹膜大小影響：表6，從80->128有明顯的提升，120->160，提升不明顯
訓練數據的大小影響：表7，有增加，不明顯
網絡規模影響：表8，移除某些層，略微降低性能

3.6.1 Effect of Input iris Size 輸入虹膜大小的影響
使用我們的網絡，我們評估了3種不同設置下輸入圖像大小的影響:i) 80x80, ii) 128x128，和iii) 160x160。表6使用Exp1的設置報告了驗證率(目前為0.1%)。從結果中可以看出，與128x128輸入圖像相比，在80x80圖像大小的情況下，準確率有很大的下降，但在160x160圖像中，變化不大。
3.6.2 Effect of Training Size
訓練數據的大小對性能有顯著影響。為了分析它，我們合并了LG2200和ND-0405數據集，并創建了一個更大的數據集(唯一的iriss -2023，總共180359張128x128大小的圖像)。我們使用Exp6和Exp7的設置來評估DeepIrisNet-A的性能，其中的測試分別與Exp1和Exp2相同。結果如表7所示，隨著訓練數據的增加，準確率也有所提高。,
3.6.3 Effect of Network Size
為了考察網絡規模對精度的影響，各種調整及其影響如表8所示。在每一種情況下，模型都是從頭開始訓練與修訂體系結構。移除中間層(3,4)或更高的高層卷積層(7,8)或FC層(9,11)的大小變化會略微降低精度。這說明網絡的深度和寬度對于獲得良好的性能是很重要的。
備注：FAR錯誤接受率，VR驗證率

4. CONCLUSION
我們引入了一種新的深度網絡，名為DeepIrisNet用于虹膜表示。為了研究DeepIrisNet的有效性，我們使用大型數據庫設計了各種實驗，遵循看不見的配對模式。經驗證明，DeepIrisNet的性能顯著優于基于描述符的強基線，并能很好地推廣到新的數據集。我們還證明了我們的模型對交叉傳感器識別和常見的分割和轉換變化是魯棒的。然后，通過使用新傳感器的圖像子集對預訓練模型(DeepIrisNet在舊傳感器上訓練)進行微調，提出了一種改進的交叉傳感器匹配模型。然后我們分析了各種參數對我們的模型性能的影響，例如;訓練數據的大小，輸入圖像的大小，架構的變化等。在未來的工作中，我們將探索DeepIrisNet中從其他層提取的特征的貢獻。
總結：
提出了兩個網絡架構，自己組的網絡。然后測試不同虹膜庫，也有組的虹膜庫。傳統的算法很可能出現，單一算法適合單一數據庫。深度學習以數據驅動的，可以避免這個不同采集儀器采集的虹膜不一樣的情況。

總結

以上是生活随笔為你收集整理的虹膜识别-DeepIrisNet_1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。