基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的小樣本虹膜圖像分割

霍 光,林大為,劉元寧,朱曉冬,袁 夢

(1.東北電力大學(xué) 計算機學(xué)院,吉林 吉林 132012; 2.吉林大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,長春 130012; 3.吉林大學(xué) 符號計算與知識工程教育部重點實驗室,長春 130012)

虹膜識別可用于安防、國防和電子商務(wù)等領(lǐng)域[1],具有方便、穩(wěn)定、獨特等特點.虹膜識別系統(tǒng)包括虹膜圖像采集、預(yù)處理、虹膜分割、虹膜歸一化、虹膜特征提取和虹膜匹配驗證[2].虹膜分割的精度直接影響虹膜圖像識別的準確率.目前虹膜分割方法主要分為傳統(tǒng)的分割方法和基于卷積神經(jīng)網(wǎng)絡(luò)的分割方法.

傳統(tǒng)的虹膜分割方法主要包括基于Hough變換的算法[3]和基于梯度微分的算法[4].許多后續(xù)的傳統(tǒng)算法都使用微積分算子變體[5]和Hough變換變體[6]定位虹膜邊界.傳統(tǒng)方法不需要大量的圖像樣本訓(xùn)練模型參數(shù),但在非理想的拍攝條件下,采集的虹膜圖像可能包含了光斑、睫毛遮擋、眼瞼遮擋等噪聲,這些噪聲會嚴重影響虹膜識別的準確率.

為解決傳統(tǒng)方法的不足,虹膜分割領(lǐng)域開始結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法,并取得了較好的成果.目前,大部分虹膜分割模型使用FCN(fully convolutional networks)[7]和UNet(U-shaped networks)[8]作為基準網(wǎng)絡(luò).為提高模型的魯棒性,Chen等[1]提出了一種基于FCN和密集連接塊相結(jié)合的架構(gòu),雖然該模型有效降低了無關(guān)噪聲對模型的干擾,但該模型的可訓(xùn)練參數(shù)高達142.5×106.隨著神經(jīng)網(wǎng)絡(luò)的加深,需要學(xué)習(xí)的參數(shù)也會隨之增加.當數(shù)據(jù)集較小時,過多的參數(shù)會擬合數(shù)據(jù)集的所有特點,并非數(shù)據(jù)之間的共性,從而導(dǎo)致過……