基于深度学习的眼周识别方法研究

为了提高眼周识别性能,提出一种基于深度卷积神经网络的眼周识别方法(PeriocularNet)。PeriocularNet具有16层卷积神经网络,融入了残差学习模块,使用了ArcFace损失函数;在训练策略上引入数据增强,以解决训练过程中产生的过拟合。在UBIPr、UBIRIS.V2数据集上进行实验,实验结果表明所提方法的识别EER值分别达到1.9%和7.9%,相较于经典的眼周识别方法取得了更好的眼周识别性能。另外,为了验证端到端的眼周识别方法中眉毛区域特征对眼周识别性能的影响,建立两个涉及三种眉毛形态的眼周数据集。通过实验验证,保持眉毛区域特征不变的眼周数据识别EER比其他两种去掉眉毛特征的情况更低,表明眉毛区域特征能够提高眼周识别性能。

基于深度神经网络的眼周识别方法研究

近年来,少限制环境下的生物特征识别技术成为研究热点,眼周识别作为新兴的生物特征识别技术越来越受人们关注。基于深度神经网络的眼周识别方法相较于传统方法能更好地提高眼周识别性能。通过提出一个基于ResNet20和softmax的眼周识别方法,在两个公开的眼周数据集上实验验证得到在UBIPr数据集上的EER值为8.19%,在UBIRIS.V2数据集上的EER值为13.18%。与传统的眼周识别方法相比,文章提出的眼周识别方法取得了较好的眼周识别效果,为深度神经网络的眼周识别方法发展提供持续动力。

虹膜与眼周深度特征融合网络模型

虹膜识别的识别率虽然很高,但单模态识别时受环境、欺骗攻击等影响,并且在远距离或移动端、较少约束等场景下,识别率会大大下降。利用位置与虹膜相近并且被研究证明鉴别性很强的眼周生物特征,将虹膜和眼周进行双模态融合识别是较好的思路。为实现精确自适应的融合识别,本文提出新颖的虹膜与眼周深度特征融合网络模型(MultipleFusionNet)。根据特征通道注意力和通道分组注意力的思想,设计自动权值生成网络,通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络(CNN)生成的虹膜与眼周深度特征加权计算,可实现两个模态的深度特征动态精确融合,从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用,该模块可灵活地嵌入在任何CNN主干网络中,轻便且易于实现。在中国科学院公开的远距离虹膜库图像库CASIA-Iris-Distance和近距离光照变化虹膜图像库CASIA-Iris-Lamp上进行了实验验证,多种方法的对比实验和距离度量实验结果显示:本文的特征融合模型准确率最高为99.56%,采用余弦距离度量的等误率(EER)最低为0.002 7,优于单模态方法和相关的特征融合方法;计算复杂度方面,参数量和计算量比单模型的两倍少1.5%,计算量只比基准融合方法高1%,这表明该融合模型计算复杂度低,具有良好的性能。

基于注意力机制的眼周性别属性识别

性别属性是生物身份的一个重要信息,对于提升生物身份识别准确性有着重要的意义。眼周是人脸中判别性特征最丰富的区域,包含众多生物特征信息,文章以眼周区域作为识别载体,通过注意力机制加强可见光和近红外光源条件下的眼周特征信息,进而提升眼周属性识别的准确率,达到了较好的识别效果。

融合虹膜-眼周特征的非协作身份认证

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。

基于面部特征图对称的人脸正面化生成对抗网络算法

目前人脸正面化研究主要解决人脸偏转问题,而对监控视频等现实场景中同时受偏转和俯仰变化影响的侧脸的正面化生成关注较少,针对这个问题和多角度侧脸生成的正面人脸图存在身份信息保留不全的问题,提出了一种基于特征图对称模块和眼周特征保留损失的生成对抗网络(GAN)。首先,根据人脸对称性先验,提出特征图对称模块,先使用人脸关键点检测器检测出侧脸鼻尖点位置,再将编码器提取到的特征图依照鼻尖位置进行镜像对称,从而在特征层面上缓解面部信息缺失的问题。其次,借鉴眼周识别思想,在现有的生成图身份保留方法中加入了眼周特征保留损失以训练生成器生成逼真的且保留身份信息的人脸正面图像。实验结果表明,所提算法得到的生成图面部细节保留较好,且在CAS-PEAL-R1数据集的所有俯角下人脸的平均Rank-1识别率为99.03%,可见该算法能够有效解决多角度侧脸的正面化问题。