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(guān)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(xué)習(xí)的虹膜表示方法，稱為DeepIrisNet。提出的方法基于非常深的架構(gòu)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(jié)構(gòu)，并提供魯棒、鑒別、緊湊和非常容易實現(xiàn)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(jié)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(gòu)細節(jié)。
3.實驗和數(shù)據(jù)集
4.結(jié)論

1. INTRODUCTION
1993年，Daugman[1]提出了第一個完整的自動虹膜識別系統(tǒng)。雖然在高度改進的紅外技術(shù)的開發(fā)方面取得了很大進展，但在實際應(yīng)用中，紅外技術(shù)仍面臨一些挑戰(zhàn)，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(dāng)或虹膜紋理質(zhì)量低[5,9]。
• 大規(guī)模IR(j虹膜識別）部署的另一個挑戰(zhàn)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(zhí)行的。由于存儲的模板使用時間較長，且系統(tǒng)需要支持傳感器升級，因此在大規(guī)模IR中也需要實現(xiàn)互操作性。
• 在一些研究中，發(fā)現(xiàn)交叉?zhèn)鞲衅骱缒てヅ鋾?dǎo)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(nèi)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(xué)習(xí)的方法[11-14]也被探索過，但它們基于淺層架構(gòu)。

深度學(xué)習(xí)方面的發(fā)展：
基于深度神經(jīng)網(wǎng)絡(luò)在其他領(lǐng)域的成功應(yīng)用，本文提出了一種能夠處理復(fù)雜分布的大規(guī)模虹膜數(shù)據(jù)的高效的深CNN結(jié)構(gòu)——DeepIrisNet。虹膜生物識別中基于深度學(xué)習(xí)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(yōu)化目標與虹膜的身份沒有直接關(guān)系，而且如果能不那么深的話，其對象是設(shè)計的。據(jù)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(jīng)過精心設(shè)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(gòu)[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(jié)構(gòu)，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(shù)據(jù)集。此外，實驗也證明了使用所提出的DeepIrisNet網(wǎng)絡(luò)的深度學(xué)習(xí)虹膜模式(DLIP)對傳感器互操作性、小分割和轉(zhuǎn)換變化具有良好的魯棒性。(也就是說深度學(xué)習(xí)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(shè)備不一樣，要是同一個傳統(tǒng)的特征提取算法，很可能不那么容易都適應(yīng)數(shù)據(jù)。而深度學(xué)習(xí)是以數(shù)據(jù)data為驅(qū)動力的，只有喂很多數(shù)據(jù)就能減小這種不同設(shè)備的差異。)

2. DeepIrisNet架構(gòu)

• 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(xùn)練的數(shù)據(jù)，非常淺的架構(gòu)和過深的架構(gòu)分別會導(dǎo)致欠擬合和過擬合。受到[16,18,19]中提出的非常深的架構(gòu)的啟發(fā)，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(zhí)行(中間有批處理規(guī)范化)。A的網(wǎng)絡(luò)結(jié)構(gòu)如下：

• DeepIrisNet-B網(wǎng)絡(luò)的設(shè)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(yīng)用，而在conv5之后直接應(yīng)用池操作(pool3)。B的網(wǎng)絡(luò)結(jié)構(gòu)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(wǎng)絡(luò)中，最大池是在一個2×2像素的窗口上使用stride 2執(zhí)行的。最上面的三層是完全連接的，即每個輸出神經(jīng)元都連接到所有的輸入。在所有網(wǎng)絡(luò)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(shù)量)，它產(chǎn)生一個分布在類標簽。為了進行正則化，權(quán)值衰減設(shè)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(wǎng)絡(luò)中濾波器的權(quán)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(wǎng)絡(luò)的學(xué)習(xí)率被設(shè)置為0.01，當(dāng)驗證錯誤率err停止提高時，學(xué)習(xí)率降低10倍。我們在所有的隱層中使用(ReLU)激活函數(shù)。
  在訓(xùn)練過程中，采用隨機梯度下降(SGD)進行優(yōu)化，并將動量設(shè)置為0.9。梯度是通過反向傳播計算的。超參數(shù)的選擇使用ND-0405[2]數(shù)據(jù)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(yù)處理。只使用單一尺度訓(xùn)練網(wǎng)絡(luò)，不進行數(shù)據(jù)擴充。在每個訓(xùn)練歷元之后，我們觀察驗證數(shù)據(jù)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(dāng)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(wǎng)絡(luò)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(jīng)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)集)。交叉?zhèn)鞲衅鲾?shù)據(jù)庫中的ND-0405和LG2200子集中的大部分對象是不同的。這些數(shù)據(jù)庫是最大的公開虹膜數(shù)據(jù)庫，并被使用在我們的實驗中，由于它們適合于本文所關(guān)注的研究問題。

• 3.1. Dataset Splits (Forming Training and Testing sets) 數(shù)據(jù)集分割(形成訓(xùn)練和測試集)
  數(shù)據(jù)集：如表3所示。
  為了準備實驗數(shù)據(jù)集，首先在所有數(shù)據(jù)庫中分別對虹膜左右圖像進行分類標注。接下來，數(shù)據(jù)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(xùn)練和驗證集，第2部分用于創(chuàng)建測試集，即用于性能報告。數(shù)據(jù)庫中不同受試者的圖像數(shù)量分布不均勻，有的受試者圖像數(shù)量多，有的受試者虹膜數(shù)量少。我們按照圖像的數(shù)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(tǒng)已知的圖像，查詢集中的圖像表示未知的圖像，供系統(tǒng)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(shè)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(xùn)練集上的性能，我們創(chuàng)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(chuàng)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(tǒng)Osiris v4.1[6]。利用Daugman’s rubber sheet model[1]將虹膜區(qū)域歸一化到極坐標(映射到矩形區(qū)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(tǒng)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(jié)果
實驗45為交叉?zhèn)鞲衅鹘Y(jié)果

3.4.1 Single Sensor Matching
實驗與基線方法進行了比較。精度結(jié)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?zhèn)鞲衅鞣矫娴男阅?/strong>。
應(yīng)用于Exp4的DeepIrisNet-A的精度遠優(yōu)于交叉?zhèn)鞲衅鞯幕€方法。
我們假設(shè)，當(dāng)傳感器從LG2200(舊的)升級到LG4000(新的)時，LG4000中少數(shù)物體的圖像是可用的。使用這個小集合(Exp5)，我們微調(diào)了預(yù)訓(xùn)練(Exp4)網(wǎng)絡(luò)的權(quán)值。精細調(diào)諧網(wǎng)絡(luò)得到的精度如圖2所示，可以看到精度有了明顯的提高。