科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 虹膜识别是具有发展前景的生物特征认证方式，然而现有的一些方法无法在远距离、非协作状态下捕获的低质量图像中表现出较好的性能，极大阻碍了虹膜识别在实际中的应用部署。为此，提出一种基于卷积神经网络的网络模型，使用眼周和虹膜进行有效融合，克服单一模态生物特征的局限性，增强生物特征身份认证方式的可靠性和安全性。方法 为了能够提取鲁棒性更强的辨别特征，将空间注意力机制和特征重用方法进行结合，有效减轻了在前向传播过程中梯度消失的问题。同时，引入中间融合表达层，根据不同模态低、中、高层特征信息对融合策略产生的贡献值自适应地学习相对应的权重，并通过加权组合的方式有效地融合生成鲁棒性更强的辨别特征，极大提升了虹膜识别在远距离、非协作状态下的识别性能。结果 在3个公开数据集ND-IRIS-0405(notre dame)、CASIA(Institute of Automation,Chinese Academy of Sciences)-Iris-M1-S3以及CASIA-Iris-Distance上进行测试，本文方法EER(equal error rate)值分别为0.19%,0.48%,1.33%，优于对比方法，表明了本文方法的优越性。结论 本文提出的中间融合表达层融合方法能够有效融合眼周和虹膜在不同阶段的语义信息，生成判别性更强的特征模板，提升了远距离、非协作状态下虹膜识别的性能。
- 单位
