虹膜与眼周深度特征融合网络模型

摘要

虹膜识别的识别率虽然很高，但单模态识别时受环境、欺骗攻击等影响，并且在远距离或移动端、较少约束等场景下，识别率会大大下降。利用位置与虹膜相近并且被研究证明鉴别性很强的眼周生物特征，将虹膜和眼周进行双模态融合识别是较好的思路。为实现精确自适应的融合识别，本文提出新颖的虹膜与眼周深度特征融合网络模型（MultipleFusionNet）。根据特征通道注意力和通道分组注意力的思想，设计自动权值生成网络，通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络（CNN）生成的虹膜与眼周深度特征加权计算，可实现两个模态的深度特征动态精确融合，从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用，该模块可灵活地嵌入在任何CNN主干网络中，轻便且易于实现。在中国科学院公开的远距离虹膜库图像库CASIA–Iris–Distance和近距离光照变化虹膜图像库CASIA–Iris–Lamp上进行了实验验证，多种方法的对比实验和距离度量实验结果显示：本文的特征融合模型准确率最高为99.56%，采用余弦距离度量的等误率（EER）最低为0.002 7，优于单模态方法和相关的特征融合方法；计算复杂度方面，参数量和计算量比单模型的两倍少1.5%，计算量只比基准融合方法高1%，这表明该融合模型计算复杂度低，具有良好的性能。

关键词

双模态融合 / 虹膜识别 / 眼周识别 / 深度特征融合