摘要
虹膜具有区域特征信息丰富、纹理特征不易改变等独特生理优点，相较于指纹、人脸等生物特征，其应用于信息识别更加安全、可靠。虹膜识别过程包括图像采集、预处理、特征提取和识别。 深度学习网络已广泛地应用于计算机图像领域，并表现出优秀的性能。由于虹膜识别归属于图像分类识别领域，故而将虹膜识别和深度学习网络模型进行结合是合理的。 本文研究集中在虹膜图像的预处理和识别分类两部分，工作内容概述为： 1.针对虹膜图像预处理： a)对于虹膜质量评价，提出了一种基于多测度指标融合GA-SVM模型的评估方法。通过设计合适数量、计算量低和合理计算顺序的评价因子，利用优化的机器学习方法对评价指标进行有效融合，在提高图像幸存率的条件下筛除质量不合格图像。 b)对于质量评价合格的图像，通过分析图像特性及噪声，对虹膜进行定位、归一展开、特征增强和ROI截取等处理，从而为虹膜识别提供良好数据输入。 2.针对虹膜识别分类： a)将预处理后的虹膜图像，进行特征域的转换。基于对虹膜本性特征的分析，利用Gabor滤波提取虹膜图像的频域特征，利用LBP算法提取虹膜图像的空域特征，将得到的虹膜图像的频域和空域特征图作为网络模型的输入，并讨论特征维度设计的合理性。 b)改进了DenseNet的网络结构，使其能够支持多特征的融合。利用改进的DenseNet网络结构完成对两种特征图像更深度的特征挖掘，将经过denseblock和transitionlayer处理的空特征图像和频域特征图像，借鉴DenseNet的Concat特性，完成多通道特征的融合。识别时将网络输出的虹膜特征向量匹配欧式距离，通过比较阈值来判断虹膜类别。 c)本文同时探究了具有注意力机制的SE模块对DenseNet网络模型的作用效果，并应用于虹膜图像识别分类。 本文使用JLU-6.0虹膜数据库对提出的质量评估方法进行验证，通过主客观性分析证明指标合理，虹膜图像质量分类准确率达98.80%，识别准确率达98.93%，证明了提出方法有效可用。本文同时使用了多种公开虹膜数据库（CASIAV3.0-Lamp、MMUV1、JLU-4.0和JLU-6.0）对提出的虹膜识别方法进行验证，并与其他已应用于虹膜识别的深度学习方法进行比较，实验证明本文提出的虹膜识别方法在多个数据库、多角度验证实验方面均表现出较好的效果。
NETL