基金supported by National Natural Science Foundation of China(No.62271291)Key Program of the Natural Science Foundation of Shandong Province(No.ZR2020LZH009)。
文摘虹膜验证因其独特性、稳定性和非侵入性而受到广泛关注。深度学习技术在虹膜验证领域取得了重要的进展,通过使用卷积神经网络(Convolutional neural network,CNN),可以自动提取和学习虹膜图像的特征,实现高精度的身份验证。然而,类内变异性和有限的数据规模等挑战可能会影响验证准确性。为了解决这些问题,我们提出了一种基于动态数据增强和对比学习的虹膜验证方法。设计了四种数据增强策略,用于在线虹膜增强和数据集扩展,通过使用数据增强概率调度器(Data augmentation probability scheduler,DAPS),进一步提高了虹膜验证的准确性。采用MobileNetV3作为骨干网络,并通过对比学习对其进行优化,用于处理3通道的虹膜对。提出的方法在两个基准虹膜数据库,CASIA-V4-Interval和CASIA-V4-Thousand上进行了评估,准确性分别达到了99.85%和98.82%。实验结果表明,在训练样本数量较少的情况下,该方法可获得具有竞争性的性能。
