基于CBAM-DenseNet与多特征质量筛选的小样本虹膜识别精度提升研究

《Frontiers in Artificial Intelligence》：CBAM-DenseNet with multi-feature quality filtering: advancing accuracy in small-sample iris recognition

本文提出了一种融合多特征质量筛选的虹膜识别方法，通过综合质量评估方案（包括活体检测、清晰度评估、偏角检测、环形区域检测等）筛选高质量虹膜图像，采用改进的SE-CAN网络进行图像去噪，并结合CBAM注意力机制的DenseNet网络增强特征表达能力。实验表明，该方法在CASIA v4.0、NICE1.0等公共数据集上显著提升了小样本场景下的识别准确率和鲁棒性。

　　

1 引言

随着信息化和网络化的快速发展，社会对信息安全和身份验证的需求日益增长，传统密码和密钥认证方式已难以满足当前的安全挑战。生物识别技术因其高效性和可靠性，逐渐成为身份认证领域的研究和应用热点。虹膜识别技术（IR）以其高安全性和难以伪造的特点，成为近年来最受关注的技术之一。虹膜是眼球中位于瞳孔和巩膜之间的环形色素膜，具有独特的纹理特征，即使同卵双胞胎的虹膜也存在差异。基于虹膜固有结构，其相比人脸、指纹、语音等生物特征具有更准确可靠的优势。

2 虹膜图像质量评估与筛选

2.1 虹膜活体检测

利用瞳孔自然收缩和扩张的动态特性，通过线性算术减法验证虹膜图像序列中的动态表达，评估相邻图像间的动态变化以实现活体检测。

2.2 虹膜图像清晰度评估

采用Benner函数计算虹膜图像的整体清晰度值，公式为：

F = ∑_x∑_y{f(x+2,y)-f(x,y)}²

当F超过预设阈值时，判定图像清晰；否则判定为模糊图像。

2.3 虹膜图像偏角检测

计算瞳孔中心与图像中心距离与图像对角线长度的比值L，反映虹膜图像的偏角程度：

L = √[(x₀-x₁)²+(y₀-y₁)²] / √(m²+n²)

2.4 虹膜图像环形区域检测

包括环形区域面积比和闭合遮挡度检测。面积比t₁=1-?₁/?₂，闭合遮挡度t₂=β₁/β₂，综合质量评价系数T_r=u₁×t₁+u₂×t₂。

2.5 虹膜图像环形区域清晰度评估

对归一化虹膜图像和ROI区域分别进行清晰度评估，加权求和得到清晰度评价系数F_h=ω₁×f₁+ω₂×f₂。

2.6 基于模拟退火优化支持向量机的虹膜图像质量评估

将质量评价向量{L,T,F_h}标准化后输入SA-SVM分类器，采用高斯核函数和模拟退火（SA）算法优化参数，提升分类精度和泛化能力。

3 虹膜图像预处理

3.1 基于SE-CAN网络的虹膜图像去噪

CAN网络通过多尺度卷积层处理图像，引入通道注意力机制（SE）模块，通过全局平均池化和全连接层生成通道权重，增强特征相关性。SE-CAN网络结构在保留重要特征的同时提升去噪效果。

3.2 虹膜图像定位

结合形态学和Hough圆变换方法，通过灰度直方图分析、二值化、Canny边缘检测和Hough圆变换精确提取虹膜内外边缘轮廓。

3.3 虹膜图像归一化与ROI区域选择

采用弹性橡胶圆模型进行极坐标映射和径向变换，将虹膜边界转换为固定大小的矩形区域，选择纹理丰富、噪声影响小的ROI区域。

3.4 虹膜图像增强

通过直方图均衡化技术提升图像对比度和细节表现。

4 虹膜特征提取与融合

4.1 基于CBAM-DenseNet的虹膜特征提取

结合Gabor滤波器、GLCM（灰度共生矩阵）、Haar小波变换和LBP（局部二值模式）四种传统特征提取方法，通过DenseNet网络进行深度特征提取。引入CBAM（卷积块注意力模块）优化特征保留和干扰抑制，在DenseBlock和Transition-layer前加入CBAM模块，减少计算复杂度。为防止过拟合，在"BN-ReLU-Conv"结构后加入Dropout层，并在DenseBlock和Transition-layer后添加1×1卷积层增强非线性表达能力。

4.2 多特征融合策略评估

设计四种特征融合方案，通过通道拼接将Gabor、CS-LBP、Haar小波和GLCM特征组合为32×256×4的特征张量。实验表明，方案4（Gabor+Haar+CS-LBP+GLCM）在收敛速度、识别准确率和稳定性方面表现最优。

4.3 基于多特征融合的识别流程

提取融合特征后，计算待识别虹膜特征向量与已知类别特征向量的欧氏距离，通过预设阈值完成分类。欧氏距离计算公式为：

Eudist = √[∑_i=1ⁿ(a_i-b_i)²]

4.4 特征融合识别算法设计

CBAM-DenseNet网络模型输入维度为[32,256,4]，包含卷积层、最大池化层、DenseBlock、Transition-layer和全局平均池化层，使用Adam优化器进行训练。

5 实验

5.1 数据描述

采用CASIA v4.0、NICE1.0和JLU-6.0虹膜数据集，通过质量评估和预处理构建实验数据集。对ROI图像进行模糊、亮度调整、旋转、对比度变化和翻转等数据增强操作。

5.2 虹膜图像质量评估与筛选效果分析

在CASIA v4.0数据集上验证多指标质量评估方案和SA-SVM分类器的性能。结果表明，该方案能有效筛选高质量虹膜图像，提升识别准确率。与其他质量评估方法相比，SA-SVM方案在分类准确率和识别效率上均具有优势。

5.3 多特征融合效果评估

通过对比不同特征融合方案的训练损失和准确率，验证方案4在收敛速度和稳定性方面的优越性。

5.4 多特征融合识别效果评估

在多个数据集上对比不同虹膜识别模型的性能，本文提出的多特征融合模型在CASIA-IrisV4-Interval、CASIA-IrisV3-Lamp、NICE1.0和JLU-6.0数据集上均取得最高识别准确率，验证了其有效性和泛化能力。

5.5 消融实验

在NICE1.0数据集上逐步引入正则化、CBAM注意力机制和多特征融合组件，结果表明各组件均对性能提升有贡献，多特征融合模型最终达到89.74%的准确率。

6 结论

本文提出的基于多特征融合的虹膜识别方法，通过综合质量评估、改进去噪网络和优化特征提取流程，显著提升了小样本场景下的识别精度和鲁棒性。实验证明该方法在多个公共数据集上具有优越性能，为虹膜识别技术的实际应用提供了有效解决方案。