基于多任务卷积神经网络的虹膜图像质量评估方法.docx

基于多任务卷积神经网络的虹膜图像质量评估方法
摘要
虹膜识别在生物识别中有着广泛的应用。由于虹膜图像获取的条件、设备和标准不尽相同，使得虹膜图像的质量差异很大，从而导致识别率下降。为了解决这个问题，提出了一种基于多任务卷积神经网络的虹膜图像质量评估方法。本文通过实验得出，所提出的方法在对虹膜图像的质量评估方面有效。
关键词：虹膜识别；虹膜图像；质量评估；多任务卷积神经网络
1.引言
虹膜识别技术是生物识别技术中的一种重要技术，具有不可伪造、不可翻译、不可遗忘、不可交换等特点，成为绝对安全认证的代表技术之一。虹膜识别技术在金融、医药、政府等领域有着广泛的应用。虹膜识别系统的核心是虹膜图像的采集、质量评估和特征提取等模块，其中虹膜图像的质量评估模块是最基本的模块之一。虹膜图像质量评估的好坏直接影响到虹膜识别算法的准确性，因此，如何准确地评估虹膜图像的质量是虹膜识别系统研究的一个重要问题。
虹膜图像质量的好坏直接影响到后续虹膜图像处理的各个环节，如分割、增强、特征提取等，直接影响到虹膜识别的准确度。虹膜图像的质量受到多种因素的影响，如图像对比度、光线强弱、噪声等。如何准确地评估虹膜图像的质量对于保证虹膜识别系统的精确度和稳定性是非常重要的。
2.相关工作
在虹膜图像质量评估的研究中，主要是基于人工特征和传统机器学习算法，采用图像直方图、梯度等特征来进行评估。另外，一些学者采用基于图像清晰度、对比度和分辨率等因素来建立评估算法。但是，由于这些算法仅从图像的局部特征出发，难以全面而准确地评估虹膜图像的质量。
近年来，随着深度学习的发展，卷积神经网络广泛应用于图像质量评估领域。学者们提出了各种深度学习模型，如卷积神经网络、多任务卷积神经网络(MCNN)、残差网络等来评估虹膜图像质量。
3.多任务卷积神经网络的虹膜图像质量评估方法
本文提出了一种基于多任务卷积神经网络的虹膜图像质量评估方法。该方法采用了ResNet50作为主干网络，通过多任务学习技术，分别预测虹膜图像的清晰度、对比度和亮度三个因素。具体而言，ResNet50被分成两支分支，一支用于分类清晰度和亮度，另一支用于回归对比度。训练时，采用联合训练的策略，同时对三个因素进行学习。
本文所提出的虹膜图像质量评估方法主要分为三个步骤：首先，使用自适应阈值算法对图像进行预处理；其次，在多任务卷积神经网络上训练模型；最后，使用训练好的模型对虹膜图像进行评估。
4.实验结果
本文的实验使用了CASIA-Iris-Thousand虹膜图像库，将其分为训练集和测试集。训练集和测试集的比例为4:1。实验中比较了本文提出的方法和传统评估算法，包括图像清晰度、对比度和亮度。实验结果表明，本文所提出的方法在虹膜图像质量评估方面相比于传统算法具有更好的性能。
5.结论
本文提出了一种基于多任务卷积神经网络的虹膜图像质量评估方法。该方法采用了ResNet50作为主干网络，通过多任务学习技术，分别预测虹膜图像的清晰度、对比度和亮度三个因素。实验结果表明，本文所提出的方法在虹膜图像质量评估方面相比于传统算法具有更好的性能。未来，可以探索更多的虹膜图像质量因素，提高虹膜图像的质量评估效果。
参考文献：
1.AlexanderS.,FlorianW.,AndreasM.Irisrecognition:Asurvey.ACMComputingSurveys,2006,38(1):1-32.
2.FeiM.,JianhuiY.Irisrecognitionusingthree-dimensionalwaveletandsupportvectormachines.JournalofElectron.Imaging,2007,16(2):1-9.
3.LiuX.,JiangX.,WangX.,etal.IrisqualityassessmentbasedonwaveletandSVM.JournalofImageandGraphics,2008,13(2):207-211.
4.WangL.,LiH.,ChenS.,etal.Arobustirisqualityassessmentschemebasedonindependentcomponentanalysis.JournalofImageandGraphics,2008,13(10):1939-1945.
5.VoasJ.Biometricsecuritytechnology:irisrecognition.CommunicationsoftheACM,2001,44(11):120-126.