文摘
虹膜分割是一个关键的步骤,整个虹膜识别过程。大多数先进的虹膜分割算法是基于边缘信息。然而,大量的噪声边缘点检测到正常edge-based检测器与镜面反射图像或其他障碍会误导瞳孔边界和异色边缘边界定位。在本文中,我们提出一个基于组合方法学习和edge-based算法对虹膜分割。一个设计良好的快R-CNN只有六层是用来定位和分类。与边界框R-CNN更快,发现瞳孔区域位于使用高斯混合模型。然后,瞳孔的圆形边界地区是适合根据五个关键边界点。边界点选择算法用于发现异色边缘的边界点,和圆形边界的异色边缘构造使用这些边界点。实验结果表明,该虹膜分割方法在具有挑战性的CASIA-Iris-Thousand数据库上已经达到了95.49%的准确率。
1。介绍
在21世纪,人们使用电子(个人电脑、笔记本电脑、智能手机、智能手表,等等)来浏览网络社交平台,存储个人图像或视频,和其他人通过文本或视频聊天,等等。个人信息存储在电子产品的数量正在增加。因此,生物认证是必须防止未经授权的用户窃取这些信息从个人电子产品。生物认证也用于访问控制系统识别非法人员和阻止他们进入私人建筑(1]。
在所有的生物识别方法中,虹膜识别是最高的性能,用假录取率(远)和假废品率(FRR) [2,3]。虹膜作为生物识别方法有大量的复杂的纹理信息进行识别。本文在虹膜识别系统,利用虹膜生物识别的纹理。
常见的虹膜识别系统由六个基本步骤:虹膜图像采集、图像预处理、虹膜边界分割、虹膜图像归一化、特征提取和特征匹配(4,5]。虹膜边界分割步骤是一个关键的步骤,整个虹膜识别系统。在虹膜图像,大多数的虹膜纹理都集中在接近瞳孔虹膜区域边界。如果瞳孔区域的边界是不准确的,大量的虹膜纹理将会错过在特征提取步骤。在大多数情况下,异色边缘边界被睫毛,眼睑,镜面反射,因此,大量的噪声特征提取在特征提取步骤中,如果没有准确的异色边缘边界位于虹膜分割步骤。这些特性将会恶化整个虹膜识别系统的性能(5]。
在本文中,我们提出一个新颖的算法对虹膜边界分割。该算法将虹膜分割步骤分解成两个动作:眼睛和分段定位虹膜区域。判断目标是否存在于形象和定位目标检测技术两大挑战的对象。首先,一个设计良好的快R-CNN网络模型(6)是用于检测和定位算法的眼睛。一旦眼睛的潜在的边界框,一个pretrained高斯混合模型(GMM) [7,8)是用来适应瞳孔区域。其次,一种改进的异色边缘边界定位算法(9)应用于发现异色边缘边界点。第三,通过识别瞳孔和虹膜区域位于异色边缘界限。第四,我们评估的准确性与新提出的算法评价方法4.3。最后,我们得出结论的研究讨论结果和实现的可能性,移动设备的方法。
2。文献综述
2.1。目标检测的背景
目标检测的任务发现不同的对象在一个图像分类。2014年,Girshick et al。10]显示显著的高性能帕斯卡VOC对象检测挑战[11)使用区域与CNN功能模型(R-CNN)。他们的方法实现意味着平均精度(mAP)的54%和33%的地图HOG-based变形部分模型(DPM) [12]。尽管R-CNN行之有效,它运行很慢,因为每个图像有大约2000地区的建议需要通过CNN传播,它有三个不同的模型,需要培训:CNN提取图像特征;分类器,这是一个支持向量机(SVM)预测类;和线性回归模型来获得一个更严格的边界框类似于对象的真实尺寸。
获得相同的维数的特征向量预测,传统的美国有线电视新闻网(13)只能使用固定大小(例如,224×224)的输入图像。SPP-net [14使用新池策略,空间金字塔池、消除上述要求。计算整个图像的特征图只有一次,然后,它使用池特性条件生成固定长度表示。Girshick, 2015年R-CNN的第一作者,SPP-net的思想应用于快速开发一个增强版的R-CNN称为R-CNN [15]。感兴趣的区域(RoI)池层是设置在CNN分享图像在其条件的传球前进。在快速R-CNN, CNN联合训练分类器和边界框回归量在一个单一的模型。
R-CNN, SPP-net,快速R-CNN模型、潜在的地区建议用来检测物体的位置创建使用选择性搜索(16),这是一个相当缓慢的过程。这样的缓慢地区建议方法成为整个过程的瓶颈。Zitnick和美元(17)利用边缘信息来生成对象边界框的建议。Szegedy et al。18,19)开发学习型提议方法称为多尺度卷积MultiBox (MSC-MultiBox)。Redmon et al。20.)提出了另一种解决方案,预测边界框和类概率直接从完整的图像在一个评估。
2016年,任et al。6)提出了自动生成区域建议使用区域建议网络(RPN)共享的卷积权重CNN。这种方法称为R-CNN更快。快R-CNN由两个模块组成。第一个模块是一个深完全卷积神经网络(FCNN),提出区域检测感兴趣的对象。第二个模块是一个快速R-CNN使用该地区第一个模块来检测对象。因此,在快R-CNN,只有一个CNN必须训练,结果是用来进行建议和分类。一个简单的总结上述对象检测方法如表所示1。
我们选择R-CNN更快的原因是其模型规模很小,相对于其他深度学习检测模型对象,使它足够快的可以做实时虹膜识别在移动设备上(例如,智能手机或智能眼镜)。
2.2。虹膜分割的背景
两种典型算法对虹膜分割提出了使用积分微分的运营商[Daugman和王尔德4)和Hough变换(21),分别。这些方法都是基于这个想法找到边缘点的虹膜图像,然后使用圆形或椭圆模型拟合他们。例如,谭et al。22)提出了一个结合区域聚类的方法,语义改进和设计良好的积分微分的运算符。贝当古和Silvente23)获得圆形边界使用QMA-OWA运营商[24]。Ghodrati et al。25]使用一组形态运营商,精明的边缘检测器(26),和Hough变换。小王和小27构造一个差分算子的径向方向。一些其他组织使用的算法依赖于区域增长而不是edge-based算法。他们逐渐合并高度相关的块图像获取虹膜区域。刘等人。28k - means集群)用于瞳孔检测。燕et al。29日)应用分水岭变换(30.)和区域合并结构化眼图像。减少et al。31日结合分水岭变换,量化区域合并,颜色。edge-based和区域增长算法估计虹膜区域,但他们不适合应用于图像与不同的光环境。
活动轮廓模型(32)是另一个广泛使用的解决方案实现虹膜分割。Jarjes et al。33)使用一个角积分投影函数(AIPF) [34)和一个活动轮廓模型。巴斯托斯et al。35算法[]结合推和拉36)和活动轮廓模型。Boddeti et al。37)建立了具有开创性的工作主动轮廓没有边缘(38]。Krichen [39)利用维特比算法(40找到一个轮廓,沿着连接轮廓最大梯度值。这些算法程序动态和组合多个子问题的解决方案。因此,他们需要相当长的处理时间在许多迭代实现更好的精度。
深度学习机器学习是一个功能强大的工具,最近表现出卓越的性能在许多领域。基于许多学习方法已经应用于虹膜分割。唐,翁41)使用了一个强度运营商发现虹膜的内边界和边界识别虹膜外边界的SVM分类器。李等人。42)建立边缘探测器基于一组特性,包括强度、梯度,纹理和结构信息来描述边缘点和学习六个职业专用边界探测器与演算法(43瞳孔和边缘定位的边界。Benboudjema et al。44)提出了一个实现三重马尔科夫字段(TMF) [45市场细分)。Happold [46]训练fast-structured随机森林47)学习广义边缘检测器。上优于算法比其它算法有更复杂的计算,因此,一个设备需要足够的计算存储空间实现这些算法在训练。
更多样的虹膜分割算法中包括(48,49]。每种方法都有其优点和缺点。在本文中,我们提出一种结合基于edge-based和学习算法的方法。节中描述的方法3。
3所示。该方法
本文提出的算法包括三个关键步骤:眼睛检测、瞳孔边界估计,和异色边缘边界估计。我们使用更快的R-CNN模型检测眼睛的位置在一个图像。然后,瞳孔和异色边缘边界被发现使用GMM,最大化的强度梯度沿径向排放路径(MIGREP)和边界点选择算法。因此,虹膜区域准确定位。
3.1。眼睛检测
段虹膜区域的第一步是找到(发现和定位)的眼睛在一个图像。作为检测的任务只有两类,眼睛或背景,在一个图像很简单,CNN的架构更快R-CNN不需要很深的卷积层。在这项研究中,最初的CNN, Zeiler,费格斯(ZF)模型(50)或Simonyan Zisserman模型(VGG-16) (51],在[6)是一个新设计的网络所取代。如图1,网络只包含六层。卷积第一层过滤64内核的灰度输入图像大小5×5×1步的一个像素。随后修正线性单元(ReLU) [52)层和局部反应正常化(CN) [13)层,它跑过去五邻内核映射在同一空间位置。max-pooling层与two-pixel社区池中心单位的大小差距2×2后归一化层。卷积第二、第三和第四层有64个大小3×3×64的内核。一批标准化(BN) [53)层和一层ReLU后,第二,第三,第四层。我们使用批处理规范化和ReLU的原因是它到达相同的错误率速度相比其他激活等功能双曲正切函数,这意味着我们可以训练神经网络的速度和获得更多的神经网络模型有不同的参数。同时,模型的速度将快于其他传统激活功能。有兴趣的读者可以找到更详细的解释在13]。
RoI池层提取一个1024维的特征向量输出特征图的最后卷积层。完全连接层有128个神经元,其输出,经过一个ReLU层美联储softmax层生成两个类标签之间的分布。
3.2。高斯混合模型
与快R-CNN产生潜在的眼睛区域后,只有一个边界框眼睛的最高分数类和一个适当的比例适合瞳孔区域被选中。最初,我们计划使用另一个快R-CNN模型训练专门为检测瞳孔区域。然而,结果是不准确的模型对眼睛区域,和两个快R-CNN模型的执行时间不足够快的一个实时虹膜识别系统。因此,我们决定使用高斯混合模型作为我们的瞳孔检测方法。
建造GMM的期望最大化(EM)算法(7)基于一组功能,包括规范化的坐标像素,像素值由当地一家中等大小的内核过滤5×5,和像素值过滤使用伽柏过滤器(见图2)。GMM权重是由混合参数化组件,组件,和协方差矩阵。GMM的组件,组件的意思和协方差矩阵 。GMM的后验概率分布可以表示使用以下方程: 在哪里参数设置 。重量被定义为混合组件 ,和它的总数组件是一个规范化。和组件的均值和协方差矩阵吗 ,的总数 。在训练阶段,使用EM算法训练模型,这是一种最大似然估计技术。GMM的EM算法包括两个步骤。第一步,称为期望E步步骤,计算组件的预期为每个数据 ,考虑到模型参数 , ,和 。第二步是称为最大化M步步骤中,需要最大化预期计算E步骤对模型中的参数和更新的值 , ,和 。整个迭代过程重复步骤1和2,直到在最大似然估计算法是收敛的。组件的数量在这个任务中,不是一个已知的先验参数的方法(8用于调整值自动在训练阶段。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
3.3。瞳孔边界估计
一个训练有素的GMM瞳孔区域内区域的提议。总的来说,结果表明一个独特的候选人在每个图像瞳孔区域。然而,在某些情况下,GMM适合多个区域组成的瞳孔区域,睫毛,眼睑,镜面反射和噪声点。我们使用一个三步过程有三个图像处理方法(分组、填充和形态学开)抛弃吵闹的地区和瞳孔区域只有一个候选人。如图3眼影,每一行一个测试。左列礼物该地区建议由R-CNN更快。中值列了瞳孔区域预测的GMM候选人。此外,右列提出了应用图像处理后的最终平滑区域的方法。
GMM的概率计算分数的眼睛和背景图像中每个像素的类。根据这个分数,瞳孔地区多个候选点可以获得平和候选人瞳孔区域,消除嘈杂的地区。第一步包括分组区域GMM的候选像素预测使用eight-connected邻域算法。然后,每个子区域是检查是否有超过250像素,和长轴的面积小于1.15倍的短轴。符合上述要求的最大的次区域被认为是瞳孔区域。如果所有的规范以外的地区,最大的地区被选为瞳孔区域。填充区域内的空间是第二步。最后,形态学开运算符基于结构大小为4的平方元素应用于该地区平和。数学形态学的开算子侵蚀对象小于结构元素和扩张其余区域的形状。当空间发生在该地区的边缘,如最后一行在图所示3,填充步骤阻止该地区通过开放操作符生成新裂缝。更重要的是,开幕式运营商不仅平和瞳孔区域,而且消除了噪声点,如第一行,如图所示3。
瞳孔区域制定时,其中心点的坐标是容易获得。精确地恢复瞳孔边界,一个像素扫描执行所在的行和列的中心点选择下,左、右端点。因为高端点可能被上眼睑,顶部点像素扫描发现的可能是不同于实际的瞳孔边界点。相反,两个点选择从一个新的扫描在同一距离中心点的位置,和上面的终点是收集。我们获得了五个关键边界点通过像素扫描方法。整个过程如图4。在获得五个边界点,每个点是根据它的坐标表示 。它完全收集五双瞳孔边界点的坐标。一个近似圆的参数计算使用方程(4)。此外,计算圆的圆参数可以准确位于瞳孔边界,如图5。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
3.4。异色边缘边界估计
异色边缘边界估计后瞳孔区域,和它的边界所在。MIGREP的增强版9)申请估计粗异色边缘边界。工作是需要设计几个径向向外排放路径,从瞳孔中心。因此,两个距离的参数必须事先定义的。一个名为 ,的起始点之间的距离发射路径和瞳孔中心。另一个被定义为和瞳孔中心的距离的端点排放路径。在[9),这两个参数是预先定义的,不能适应各种输入图像在运行时。在这工作,是根据边界框的大小动态调整发现R-CNN更快。我们比较的距离从瞳孔的边缘地区的左派和右派的边界框,选择最短的一个基本的长度,如图6。然后,和被分配瞳孔半径的值,进一步增加了0.4和1.2倍的基本长度,分别。基于边界框位于的学习算法,与之相关的基本长度是健壮和在运行时自动调整为每个图像。因此,大部分的排放路径应该从某处开始在虹膜区域,停止在巩膜地区。
通过保持记录的像素强度值沿排放路径,表现出最大的位置像素强度的变化。这个位置必须符合排放路径和异色边缘边界之间的十字路口。因此,多个边界点成功估计当多个发射路径。根据参数眼睑和睫毛的形状,位置显示强度梯度的最大价值是可能不是位于异色边缘边界。为了解决这个问题,我们必须考虑一组候选点的局部最大值梯度发生,而不是只考虑一个单点,全球最大梯度发生。如图7,红点的梯度值高于蓝色的,这表示错误的边界点估计。因此,我们必须考虑到的一组候选点组成的红色和蓝色的点,然后选择可能性最高的点的集合。
更复杂的边界点选择算法被用于这个问题。图8说明了这个想法。首先,11发射路径的参数 。对路径的角度来说,这是极有可能的最大梯度发生异色边缘边界,如图8(一个)。因此,中位数的值距离这些点的瞳孔中心记录作为参考价值。其次,一个新的排放路径( )了,一个不正确的边界点可能最大梯度,如图8 (b)- - - - - -8 (d)。在这种情况下,相应的距离值从瞳孔中心所有的点,当地最大的梯度发生分别记录。当地最大梯度值大的点,其距离值= 2参考价值的选择。把图8 (b)作为一个例子,假设参考价值在运行时,蓝色的点选择新路径的基础上,方程(5),而不是红色的点。
(一)
(b)
(c)
(d)
(e)
(f)
第三,最佳人选点被选中后,参考价值更新了 ,担任新近似边界点的半径值接近。通过重复上述机制边界点选择和更新的距离下发光的新道路值从来 ,我们逐步调整粗异色边缘边界点更精确的位置,如图8 (e)。有时候,光的反射点发生在异色边缘边界和可能导致的迭代机制进入一个糟糕的进化。因此,更新的距离可能不适用于像素的像素值大于正常像素的概率有95%使用像素值的正态分布建立了完整的形象。
4所示。实验结果和讨论
4.1。数据库
数据库用于火车更快R-CNN和GMM CASIA-Iris-Thousand数据库(54]。这个数据库包含1000个对象共有20000虹膜图像采集使用ikemb - 100相机。作为大量对象戴着眼镜在图像捕捉,许多图像玻璃框架和镜面反射。这些类型的障碍阻碍了虹膜分割。
4.2。检测模型训练
更快的R-CNN和GMM CASIA-Iris-Thousand全文数据库用于培训和测试。训练集有6000右眼和左眼6000图片,和测试集4000右眼和4000左眼的图像。每个图像的区域的虹膜信息手动标记,如图9。建立该算法在移动设备或嵌入式系统中,模型必须占据更少的存储空间和计算复杂度较低。使用训练图像的模型训练,以前减少到指定的大小。然而,在测试阶段,测试图像在运行时通过调整模型。检测的结果映射到原始的测试,以确保有足够的虹膜纹理图像中的边界框用于其他虹膜识别的步骤。
(一)
(b)
(c)
CNN和RPN之间共享卷积权重R-CNN更快,模型训练四个步骤。训练的第一步是一个地区建议网络。卷积特性图的大小W×H提出模型的输出从卷积第四层,发现项W×H×k潜在的地区。使用最后的卷积层特性图已经被其他对象应用和证明非常有效地检测R-CNN卷积神经网络如R-CNN和更快。有兴趣的读者可以找到更多的细节,为什么使用的最后一层特性通过阅读(6,10,15]。
然而,只有2000交集越高的地区联盟(借据)值被分配到积极的训练样本CNN。在第二步中,一个单独的检测网络的快速R-CNN被训练使用该地区建议产生的RPN建在步骤1。在此阶段,两个网络还不分享卷积权重。在第三步中,检测网络被用来初始化的RPN培训。它冻结了共享层卷积和的权重调整期间只属于RPN的层培训。最后一步是调整层(相同的操作),只有属于CNN。因此,网络共享相同的卷积层和合并成一个单一的网络。
为了寻找最佳的RPN和CNN模型的架构,我们训练有素的多个模型不同的调整参数设置使用右眼的图像CASIA-Iris-Thousand数据库,如表所示2和3。CNN新架构模型是VGG-16的基础上设计的。作为本研究的检测任务简单,我们减少了卷积VGG-16层的数量。精度和召回被用来测量检测器的性能。精确检索对象的部分相关检测,相关对象的一部分成功地检索和回忆。这里,我们设置一个阈值重叠借据= 0.8选择有效的检测,这是一个严格的条件。
新的网络体系结构的初始版本标记模型A和B,其中只有6和5卷积层,分别。实验结果表明,模型B的性能远远比模型,即使完全连接层中的神经元的数量增加。接下来,我们试图取代的第一个三层网络卷积内核层更大的尺寸,导致模型C和d的使用网络帮助网络中的多个内核大小来获取更加多样化的特征图像。区别这两个模型是使用不同的池策略,即最大池模型C和d .无论平均池模型池策略,他们的表现几乎是100%的精度和召回。虽然模型表现良好,他们使用了大量的网络的计算参数,因此需要长的处理时间约为0.3秒完成检测。因此,我们训练集的大小减少了2×4×8×E生成模型,我分别和J。较小的是图像的大小用于训练,越少是模型的训练和测试所需的时间和较低的检测精度。根据实验结果,模型的性能J是最糟糕的所有模型训练使用不同大小的图像。这可能归因于这样一个事实:这些图片用于培训已经很少特性检测时大大缩小。我们最后使用的架构模型实现算法。 Models F, G, and H were the parameter-adjusted results of Model I. Among them, Model I exhibited better performance and sufficiently low time consumption for the detection.
使用图像的GMM训练与瞳孔区域的信息。我们使用了GMM适应边界框内的潜在的瞳孔区域发现R-CNN更快。图像中的每个像素由nine-dimensional表示特征向量用于培训和测试。归一化的特征包括坐标的像素,像素值由当地一家中等大小的内核过滤5×5,和像素值使用伽柏过滤器过滤。大小5×13伽柏过滤器的参数化如下: , , , ,和 。在训练阶段,瞳孔区域内的像素被视为积极的样本。像素值的正态分布建立整个地区被用来去除阳性样本位于反射点的区域。相同数量的样本作为正样本选择的像素的瞳孔区域形成负样本。我们也试图使用支持向量机来代替GMM预测潜在的瞳孔区域。然而,它没有执行以及GMM,作为培训花了超过三天,这是比GMM更长,只需要5分钟。此外,区域预测的准确性很差,如图10。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
我们实现了我们的算法和MATLAB R2018a运行它在个人电脑3.4 - ghz cpu和GPU GTX 1080。每眼虹膜分割成本的平均时间大约是0.06秒,这表明,该算法是一种快速虹膜分割算法。
4.3。虹膜分割的性能评价
传统上,大多数研究人员与主观方法评价虹膜分割的结果,例如,通过阅读虹膜分割结果绘制图像和手动给判断(9,27,29日,33,35,36,39,41]。定量估计的性能瞳孔边界定位和异色边缘边界定位,我们提出一个新的基于径向不同的集成方法。对于每一个图像,我们使用的地区信息手动标记虹膜区域产生两个单独的二进制包含瞳孔区域,虹膜区域的地图,分别。我们假定一个分割由圆的坐标参数化的中心和半径,表示为三组 。然后,我们创建了一个扩张的版本和一个侵蚀版本的 ,这是参数化的,和 ,分别。因此,每一个点有其对应点和 。通过收集对相应的点和 ,表示为 ,我们评估的性能通过使用值计算使用方程(6)。图11说明了绩效评估的过程。
(一)
(b)
(c)
我们将我们的算法与9),这被证明是非常强大和有效的虹膜图像捕获可穿戴设备。拟议中的绩效评估方法与参数和瞳孔的性能评价(异色边缘)边界定位。有了这样一个值,它确保提出的分割算法的结果与地面至少有0.5借据价值真理。我们通过选择上述参数,该算法对实时速度不够快的虹膜识别系统(每秒15帧以上),同时保持虹膜分割的准确性。它集作为阈值来选择有效的分割和计算与这个阈值分割的准确性。图12说明的直方图值评估完整的CASIA-Iris-Thousand数据库上的分割性能。分割的准确性表所示4。如表中所描绘的一样4,该算法显示出大幅增加从47.84%降至95.49%。这可能归因于这样一个事实:眼睛的方法用于定位改为学习型算法。因此,参数用来发现瞳孔区域的边界点和虹膜强劲调整自动运行时不同的输入图像。
(一)
(b)
4.4。该方法和其他发表的方法之间的区别
有许多虹膜分割方法基于深入学习神经网络。在本节中,我们将讨论两个最先进的方法之间的区别,IrisDenseNet [55和他等人提出的模型在56]。
IrisDenseNet使用13-layered VGG-16网络(51)为核心来检测实际虹膜区域(不含区域如眼睑和睫毛)。然而,它只执行分割的虹膜区域没有适当的规范化方法。我们可以看到在2- - - - - -4),虹膜归一化是一种高性能的虹膜识别的关键阶段。如果这个阶段丢失,无法保证最终的准确的虹膜识别系统仍然所需的精度。同时,由于其深度层,培训和使用它的计算复杂性是非常花费相比,我们的方法。
模型提出了(56还雇佣了VGG-16网络但有一些变化。执行时间为一个图像0.112秒在2.6 GHz CPU和GPU GTX970米,又不够快速实时虹膜识别系统的嵌入式系统。我们建议的方法,相反,可以在0.06秒内完成虹膜定位,这是快1.87倍。
5。结论
在本文中,我们提出了一个健壮的和快速虹膜分割算法基于R-CNN更快。我们重建了CNN R-CNN更快的体系结构。这个新模型只有6层可能产生精确定位地区建议眼睛的图像。然后我们提取的特征向量与拟合的具体维度训练GMM瞳孔区域的潜力。然后,瞳孔边界恢复通过五个关键边界点像素扫描发现的行和列。MIGREP和边界点的增强版本选择算法被用来发现一些边界点的异色边缘地区,和异色边缘边界位于通过使用这些边界点。评价虹膜分割的性能,我们开发了一个基于径向的集成评价方法的区别。实验结果显示,提出的虹膜分割方法的有效性和效率的CASIA-Iris-Thousand数据库。该方法的分割精度为95.49%,高于47.84%的准确性在前面的工作,提出虹膜分割过程的成本和时间只有大约0.06秒。挑战CASIA-Iris-Thousand数据库上的结果表明,该方法是一种快速而准确的虹膜分割算法。
该算法的主要优势在大多数先进的基于神经网络的虹膜分割算法如IrisDenseNet [55),他提出的模型等。56)是一个较小的模型尺寸使它更快的部分虹膜图像,这是至关重要的一个实时虹膜识别系统,甚至在移动设备上实现它。
对未来的工作,我们要进一步提高算法的速度通过创建异构模型,结合CNN的力量和传统的计算机视觉方法的速度。另一个方向是尝试使用语义分割方法,该算法结合起来。预测的语义分割算法具有灵敏度高反射点在虹膜区域,可以提高算法的整体精度。算法改进后,我们将尝试构建移动设备上的算法,通过使用更简洁的深度学习模型,如XNOR-NET [57]。最终目标是实现一个快速和准确的便携式虹膜识别系统。
数据可用性
CASIA数据库(54)用于支持这项研究提供的自动化研究所、中国科学院。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了科技部,台湾(批准号106 - 2221 - e - 008 - 102)。