宠物保险研究论文提纲

2022-11-15

论文题目：基于迁移学习和知识蒸馏的轻量级虹膜识别模型

摘要：虹膜识别技术是指基于生物体眼中虹膜区域的图像特征来判断该生物体的身份信息的生物特征识别技术。虹膜是眼中瞳孔与白色巩膜之间的环状部分,包含了随机组合的复杂斑点、条纹、冠状等纹理特征,使得不同个体的虹膜几乎不可能一样,而且这些随机组合的复杂特征一旦形成就终生不会改变,也很难被伪造。由于虹膜特征的唯一性、稳定性、防伪性,虹膜识别技术被认为是最为精确可靠的生物识别技术之一。目前虹膜识别技术不仅被广泛运用于海关、机场、银行、考场、监狱等关键场合的人物人份识别,由于不需要接触,对于防止新冠病毒的传播也起到了很多帮助。不仅如此,虹膜识还在宠物保险甚至畜牧保险中发挥了举足轻重的作用,有效保障了人们的财产安全,维护了社会秩序。尽管虹膜识别具有如此多的优点以及广泛的应用场景,但在实际的应用中,仍有一系列的技术难题亟待解决。首先,由于虹膜只有大约10毫米左右的直径,要采集到清晰的虹膜图像,现有的虹膜采集设备,一般都需用户近距离高度配合,人机交互功能较差,严重地阻碍了虹膜识别系统的推广及应用。因此,为了虹膜识别系统有良好的人机交互性能,在硬件上,就需要解决不需要用户良好的配合也能在中远距离采集虹膜图像的硬件设备;其次,实际应用中,由于受限于光学原理、人与采集设备的相对运动、采集设备的分辨率等,使得采集到的多数图片有分辨率不高、离焦模糊、运动模糊、眼睑及睫毛遮挡等问题,如何解决这些虹膜图像的识别是实用虹膜识别系统的真正的技术壁垒。近几年来,深度学习在图像分类、目标检测、语音识别、机器翻译等领域大放异彩,解决了很多以前无法解决的难题。由于深度学习可以自动从数据中提取出最有效的特征,使得基于深度学习的模型对于低质量的噪声图像或者模糊图像也可以做到准确的分类识别,因此不少虹膜识别技术的研究者开始将目光转向深度学习,希望通过深度学习的方法来摆脱传统虹膜识别技术对于高质量图像的依赖性。但是深度学习的方法并非没有缺点,首先深度学习的方法需要大量的数据来训练神经网络中的参数,而虹膜数据集往往只有相对较少的数据;其次由于神经网络往往参数量较多,需要较大的计算量,这对于实际应用时部署到小型移动端或嵌入式设备不友好。综上所述,如何在数据量有限的情况下训练好一个深度学习模型,以及如何使用一个参数量极少的深度学习模型达到较高的识别精度,是需要解决的难题。本文首先针对虹膜训练数据少的问题,使用迁移学习的方法,使用在其他数据集如Image Net数据集上预训练好的深度学习模型的参数作为初始化参数,在CASIA-Thousand数据集上进行训练,证实了迁移学习对于模型精度以及训练速度的提升,同时该训练好的网络参数在迁移到自己采集的小型数据集上时也有不错的表现。对于深度模型参数量大的问题,本文使用了知识蒸馏的方法,将训练好的大模型作为教师模型,未经训练的轻量化小模型作为学生模型,使得该轻量化模型在参数远少于大模型的情况下有接近大模型的精度,并且由于对学生模型的输入图像做了更多的图像增广如添加噪声、轻微旋转、随机修改亮度、对比度、饱和度等,使得学生模型对于低质量图片也有不错的识别率。最后本文使用遮挡虹膜图像中部分位置的方法探究了图像中不同区域对于该模型识别虹膜图像对应的身份时的重要性,证实了该模型是基于图像中的虹膜区域来进行身份判别的。由于该模型参数少,精度高,对于模糊、有噪声的低分质量图片也有较高的精确度,因此很适合在实际应用中部署到小型移动端或嵌入式设备。

关键词：虹膜识别;深度学习;迁移学习;知识蒸馏;图像分类

学科专业：计算数学

摘要

abstract

第一章绪论

1.1 研究背景与意义

1.2 发展历史与现状

第二章传统虹膜识别方法介绍

2.1 传统虹膜识别方法的基本步骤

2.2 Daugman算法介绍

第三章深度学习介绍

3.1 神经网络的基本概念