Deep learning architecture for iris recognition based on optimal Gabor filters and deep belief network
Deep learning architecture for iris recognition based on optimal Gabor filters and deep belief network
复制标题
基于最优Gabor滤波器和深度置信网络的虹膜识别深度学习架构
DOI：
10.1117/1.jei.26.2.023005
复制
发表时间：
2017-03
影响因子：
1.1
通讯作者：
Zhiqiang Ma
中科院分区：
文献类型：
--
作者：
Fei He;Ye Han;Han Wang;Jinchao Ji;Yuanning Liu;Zhiqiang Ma
抽象。在一些现有的虹膜识别系统中，Gabor滤波器被广泛用于检测虹膜纹理信息。然而，在实际应用中，需要预先确定合适的Gabor核函数和虹膜Gabor特征的生成模式。传统的经验Gabor滤波器和浅虹膜编码方法无法处理虹膜成像中的光照、老化、形变和器件变化等复杂变化。因此，提出了一种自适应Gabor滤波器选择策略和深度学习架构。我们首先采用粒子群优化方法及其二进制版本来定义一组数据驱动的Gabor核函数来拟合最具信息量的滤波带，然后通过训练的深度信念网络从最佳Gabor滤波系数中捕获复杂模式。一系列的对比实验验证了我们的最优Gabor滤波器可以产生更独特的Gabor系数，我们的虹膜深度表示比传统的虹膜Gabor码更强大和稳定。此外，还讨论了深度学习架构的深度和规模。
Abstract. Gabor filters are widely utilized to detect iris texture information in several state-of-the-art iris recognition systems. However, the proper Gabor kernels and the generative pattern of iris Gabor features need to be predetermined in application. The traditional empirical Gabor filters and shallow iris encoding ways are incapable of dealing with such complex variations in iris imaging including illumination, aging, deformation, and device variations. Thereby, an adaptive Gabor filter selection strategy and deep learning architecture are presented. We first employ particle swarm optimization approach and its binary version to define a set of data-driven Gabor kernels for fitting the most informative filtering bands, and then capture complex pattern from the optimal Gabor filtered coefficients by a trained deep belief network. A succession of comparative experiments validate that our optimal Gabor filters may produce more distinctive Gabor coefficients and our iris deep representations be more robust and stable than traditional iris Gabor codes. Furthermore, the depth and scales of the deep learning architecture are also discussed.
登录
查看更多内容
影响因子：
8
作者：
Bianconi, Francesco;Fernandez, Antonio
通讯作者：
Fernandez, Antonio
DOI：
10.1016/j.patcog.2006.03.008
发表时间：
2007-02
期刊：
Pattern Recognit.
影响因子：
--
作者：
Li Yu;D. Zhang;Kuanquan Wang
通讯作者：
Li Yu;D. Zhang;Kuanquan Wang
DOI：
10.1109/34.598235
发表时间：
1997-07-01
影响因子：
23.6
作者：
Wiskott, L;Fellous, JM;vonderMalsburg, C
通讯作者：
vonderMalsburg, C
DOI：
10.1007/s11265-014-0911-2
发表时间：
2014-06
期刊：
Journal of Signal Processing Systems
影响因子：
--
作者：
S. Khalighi;Fatemeh Pak;Parisa Tirdad;U. Nunes
通讯作者：
S. Khalighi;Fatemeh Pak;Parisa Tirdad;U. Nunes
DOI：
10.5555/1756006.1953039
发表时间：
2010-03
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Pascal Vincent;H. Larochelle;Isabelle Lajoie;Yoshua Bengio;Pierre-Antoine Manzagol
通讯作者：
Pascal Vincent;H. Larochelle;Isabelle Lajoie;Yoshua Bengio;Pierre-Antoine Manzagol