可见光虹膜识别：类卷积神经网络与局部特征提取新方法

"这篇论文提出了一种基于类卷积神经网络的可见光虹膜识别方法，旨在解决在智能移动设备上使用可见光采集虹膜图像时受到严重干扰导致识别率下降和算法鲁棒性降低的问题。该方法通过暗通道图像去雾算法增强归一化虹膜图像，使用类卷积神经网络进行降维并获取二值化纹理信息，接着通过分块处理提取局部特征构建特征向量，最后利用欧氏距离分类器进行匹配识别。在MICHE I虹膜图库的测试中，与Gabor变换和主成分分析方法相比，该方法在室内外光照条件下的识别正确率达到了98.33%，显示出较好的鲁棒性。" 本文主要介绍了一种新的虹膜识别技术，该技术特别针对智能移动设备在可见光环境下采集虹膜图像时遇到的挑战。传统的虹膜识别方法在光照变化、噪声等因素的影响下，可能会导致识别效果下降。为了提高识别准确性和算法的稳健性，研究者提出了一个结合了类卷积神经网络（CNN）和局部特征提取的虹膜识别框架。 首先，论文中的方法采用了暗通道图像去雾算法对虹膜图像进行预处理。暗通道先验是一种常用的图像去雾技术，可以有效去除因大气散射导致的图像模糊，提升虹膜图像的质量，从而减弱光干扰。 其次，类卷积神经网络被用于虹膜图像的特征提取。不同于传统的全卷积网络，类卷积神经网络可能指的是模拟卷积操作但不完全遵循标准卷积结构的网络模型，它可以减少计算复杂度，同时保留重要的特征表示。在这个过程中，网络将虹膜图像降维并转化为二值化纹理信息，这有助于简化后续的处理步骤。 接下来，研究者应用了分块处理策略来提取降维图像的局部特征。这种分块方法可以捕捉到图像不同区域的局部细节，形成多尺度的特征向量，增加了识别的鲁棒性。 最后，这些特征向量通过欧氏距离分类器进行匹配和识别。欧氏距离是一种常用的相似度衡量方法，适用于特征向量间的距离计算。这种方法简单而有效，能快速找到最接近的匹配样本。 实验部分，研究者在MICHE I虹膜图库上进行了测试，该库包含了由iPhone5在室内和室外光照条件下拍摄的30人的240张虹膜图像。通过与Gabor变换和主成分分析（PCA）方法的对比，该方法在室内外混合训练集上的识别正确率达到了98.33%，并且表现出对光照变化的良好适应性，其性能超越了传统的Gabor和PCA方法。 该研究提出的类卷积神经网络结合局部特征提取的虹膜识别方法不仅提高了识别准确度，还增强了算法的鲁棒性，特别适合于智能移动设备的虹膜识别应用场景。这一创新技术为未来移动设备的安全认证提供了更可靠的选择。