基于距离特征和聚类损失的深度学习虹膜识别

摘要

深度学习已广泛应用于虹膜识别,但使用交叉熵损失训练的深度网络对距离特征不敏感,同类特征较分散,于是提出一种基于距离特征与聚类损失的深度学习虹膜识别方法。对虹膜图像预处理后,从每类虹膜图像中随机选择一幅作为模板,利用卷积神经网络(CNN)提取其特征;然后,将模板特征作为各类虹膜的特征聚类中心,计算样本特征和各聚类中心间欧式距离的倒数,排列成一组距离特征向量;最后,取这些距离特征和样本特征的乘积,经余弦标准化后作为识别特征。另外,将样本特征与对应聚类中心的距离引入损失函数,形成聚类损失,用于深度网络的训练。在CASIA-IrisV4中的CASIA-Iris-Twins和CASIA-Iris-Lamp数据集上进行实验,实验表明:上述方法有良好的虹膜匹配性能和识别性能。