基于轻量级卷积神经网络的小样本虹膜图像分割.docxVIP

PAGE

1-

基于轻量级卷积神经网络的小样本虹膜图像分割

一、1.背景与意义

(1)随着社会信息化和智能化水平的不断提升，生物特征识别技术作为一门前沿技术，在身份认证、安全防护等领域发挥着越来越重要的作用。虹膜作为人类生物特征中最为独特且具有较高识别度的特征之一，其识别准确性和安全性在众多生物特征识别技术中占据领先地位。然而，传统的虹膜识别系统往往需要大量的虹膜图像进行训练，导致数据收集和标注成本高昂，且训练过程耗时较长。因此，如何利用少量样本实现高效、准确的虹膜图像分割成为当前研究的热点。

(2)在实际应用中，由于受限于硬件设备、环境因素和用户配合度等原因，收集到大量高质量虹膜图像的难度较大。特别是在某些特殊场景下，如边防检查、灾害救援等，获取大量样本的可能性更低。因此，如何在小样本条件下实现虹膜图像的分割识别，对于提高虹膜识别系统的实际应用效率和降低成本具有重要意义。根据相关研究统计，小样本条件下虹膜图像分割的准确率可以达到90%以上，这为实际应用提供了强有力的技术支持。

(3)轻量级卷积神经网络（LightweightConvolutionalNeuralNetwork，LCNN）作为一种高效、低能耗的神经网络结构，近年来在计算机视觉领域得到了广泛关注。LCNN通过设计轻量级的网络结构，降低了计算复杂度和内存消耗，使得在资源受限的设备上也能实现实时图像处理。结合LCNN在小样本学习中的优势，本研究旨在提出一种基于LCNN的小样本虹膜图像分割方法，以提高虹膜识别系统的性能和实用性。通过实验验证，该方法在少量样本情况下，仍能保持较高的分割准确率和实时性，为虹膜识别技术的进一步发展提供了新的思路。

二、2.相关工作

(1)目前，虹膜图像分割技术在生物特征识别领域的研究已取得显著进展。早期的研究主要集中于基于传统图像处理方法，如边缘检测、形态学处理和特征提取等。这些方法在处理清晰度较高的虹膜图像时表现良好，但面对复杂背景和噪声干扰时，分割效果会受到较大影响。随着深度学习技术的兴起，基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）的虹膜图像分割方法逐渐成为研究热点。这些方法通过自动学习图像特征，能够有效提高分割精度。

(2)在深度学习方法中，传统的全连接卷积神经网络（Full-ConnectedConvolutionalNeuralNetwork，FCNN）虽然取得了较好的分割效果，但模型复杂度高，计算量大，难以在资源受限的设备上实现实时处理。为了解决这个问题，研究者们提出了多种轻量级CNN架构，如MobileNet、ShuffleNet和SqueezeNet等。这些轻量级CNN在保持较高分割精度的同时，显著降低了模型的计算复杂度和参数量，为小样本虹膜图像分割提供了新的解决方案。实验结果表明，这些轻量级CNN在小样本条件下仍能保持较高的分割准确率。

(3)除了轻量级CNN架构，注意力机制（AttentionMechanism）也被广泛应用于虹膜图像分割任务中。注意力机制能够使网络自动关注图像中的重要区域，从而提高分割精度。近年来，一些结合注意力机制的轻量级CNN架构，如SENet（Squeeze-and-ExcitationNetwork）和CBAM（ConvolutionalBlockAttentionModule），在虹膜图像分割任务中取得了显著成果。这些方法通过引入注意力机制，进一步提升了网络的分割性能，为小样本虹膜图像分割提供了新的思路和技术支持。

三、3.轻量级卷积神经网络设计

(1)针对小样本虹膜图像分割的需求，本文提出了一种基于轻量级卷积神经网络（LCNN）的设计方案。该网络结构融合了多种轻量级设计理念，旨在降低计算复杂度和参数量，同时保持较高的分割精度。网络主要由以下几个模块组成：首先是输入预处理模块，通过调整图像大小、归一化等操作，将原始虹膜图像转换为适合网络输入的格式；接着是特征提取模块，采用多个轻量级卷积层和深度可分离卷积层（DepthwiseSeparableConvolution，DSC）交替使用，有效减少了计算量和参数量，同时保留了丰富的图像特征；然后是注意力机制模块，通过引入SENet中的Squeeze-and-Excitation结构，使网络能够自动关注图像中的重要区域，进一步提升分割精度；最后是输出层，采用全局平均池化层（GlobalAveragePooling，GAP）将特征图压缩成固定大小的特征向量，并通过全连接层输出分割结果。

(2)在特征提取模块中，我们采用了DSC技术来降低卷积操作的复杂度。DSC将标准的卷积操作分解为两个步骤：深度卷积（DepthwiseConvolution）和逐点卷积（PointwiseConvolutio