研究目的
介绍一种对基于CNN的虹膜分割进行参数化的方法,使其能够应用于传统生物特征识别系统,弥合CNN分割与橡皮板变换之间的差距,并评估其相对于传统方法的性能。
研究成果
所提出的参数化方法在所有测试数据库中均表现良好,未出现任何故障?;贑NN的分割方法在低质量和困难数据库上优于传统方法,但在高质量正面采集的近红外图像上则被超越。将CNN分割作为噪声掩模在某些情况下能改进传统方法,但对于极高质量或极困难的记录则无效。
研究不足
该方法在传统分割方法表现优异的极高质量虹膜图像上可能效果不佳。它依赖圆形参数化处理,对于非正角度拍摄中的椭圆形状可能处理欠佳。基于CNN的分割会丢失传统方法中使用的纹理信息。
1:实验设计与方法选择:
本研究采用基于CNN的虹膜分割方法(具体为RefineNet和iFCEDN),随后通过参数化流程处理——包括中值模糊预处理、圆形霍夫变换生成候选区域及基于价值函数的筛选。生物特征工具链包含基于小波(qsw)和对数Gabor(lg)的特征提取,以及使用USIT工具包进行匹配。
2:样本选择与数据来源:
所用数据库包括德里印度理工学院虹膜数据库(iitd)、中科院CASIA虹膜图像库4.0间隔子集(casia4i)、ND-0405虹膜图像数据集子集(ndi)、CASIA虹膜主体老化1.0版数据库子集(casiaA)及PROTECT多模态数据库虹膜图像(protI)。所有数据库均提供真实分割标注。
3:0间隔子集(casia4i)、ND-0405虹膜图像数据集子集(ndi)、CASIA虹膜主体老化0版数据库子集(casiaA)及PROTECT多模态数据库虹膜图像(protI)。所有数据库均提供真实分割标注。
实验设备与材料清单:
3. 实验设备与材料清单:未提及特定硬件;软件包括USIT工具包、RefineNet CNN及指定数据集。
4:实验流程与操作步骤:
采用五折交叉验证进行CNN训练测试。分割性能通过一类错误率、二类错误率及F值评估;生物识别性能通过等错误率(EER)及误匹配率为0.01%时的拒识率衡量。
5:01%时的拒识率衡量。
数据分析方法:
5. 数据分析方法:统计检验包含McNemar显著性检验;性能指标涵盖EER、FNMR@FMR=0.01%、分割误差及遮蔽误差。
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