研究目的
通过开发具有自适应预处理机制的深度卷积神经网络模型，解决虹膜识别中虹膜图像模糊不清和不完整的问题，从而提高识别准确率。
研究成果
提出的深度卷积神经网络结合自适应不完整虹膜预处理机制，相比传统算法显著提升了识别准确率，在测试中达到了高达99.3%的精度。该方案通过利用深度学习特征有效处理模糊和不完整的虹膜图像。未来工作应聚焦于通过人工变换增加样本量、提升算法稳定性以及优化预处理步骤。
研究不足
模型训练过程耗时较长，且因样本量少可能出现过拟合。算法稳定性有待提升，预处理环节可进一步加强。随着样本和类别数量增加，训练时间呈几何级数增长。
1：实验设计与方法选择：
本研究采用具有自适应不完整虹膜预处理机制的深度卷积神经网络（CNN）模型。预处理包括对虹膜图像进行归一化，并根据遮挡程度采用内圆或外圆方法。通过线拟合和圆拟合进行虹膜区域分割以提取特征。CNN模型对不规则虹膜区域采用像素编码，并利用局部感受野、权重共享和子采样进行特征提取与分类。
2：样本选择与数据来源：
测试样本选自中国科学院虹膜库（CASIA），包含50人每人40张图像，共2000个样本。使用Python中的sklearn库将样本随机划分为训练集和测试集，测试集占比10%。
3：实验设备与材料清单：
实验环境包括运行Windows 10系统的计算机、Python 3.5、Intel i5 CPU，以及TensorFlow深度学习框架和OpenCV计算机视觉软件工具。未详细说明专门的虹膜采集硬件。
4：Intel i5 CPU，以及TensorFlow深度学习框架和OpenCV计算机视觉软件工具。未详细说明专门的虹膜采集硬件。 实验流程与操作步骤：
4. 实验流程与操作步骤：虹膜图像通过自适应机制（基于遮挡程度采用内圆或外圆填充）进行预处理。预处理后的图像归一化为128x128像素。构建的CNN模型包含三个隐藏层，使用3x3尺寸的卷积核、ReLU激活函数和softmax输出进行分类。训练采用Adam优化算法和交叉熵损失函数，应用Dropout防止过拟合。训练经过多轮次（如1000至2700轮），并通过TensorBoard监控。
5：数据分析方法：
测量训练和测试过程中的准确率与交叉熵损失。将结果与经典算法进行比较。统计分析包括收敛轮次和训练时间。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
TensorFlow
Google
Deep learning framework used for building and training the CNN model.
-
OpenCV
Computer vision library used for image processing in the iris recognition algorithm.
-
Python
3.5
Programming language used for implementing the algorithms and machine learning tasks.
-
CPU
Intel i5
Intel
Central processing unit used for computational tasks in the experimental setup.
-
Windows
10
Microsoft
Operating system environment for running the experiments.
-
登录查看剩余3件设备及参数对照表
查看全部
