English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 59813/59813 (100%)
造訪人次 : 15729628      線上人數 : 144
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/73013


    題名: 應用卷積神經網路的虹膜遮罩預估;Robust and Accurate Iris Mask Estimation using Convolutional Neural Network
    作者: 李孟桓;Li, Meng-Huan
    貢獻者: 資訊工程學系
    關鍵詞: 深度學習;卷積網路;全卷積網路;虹膜辨識;虹膜遮罩;Deep learning;CNN;FCN;Iris recognition;Iris mask;Iris occlusion
    日期: 2017-01-23
    上傳時間: 2017-05-05 17:38:31 (UTC+8)
    出版者: 國立中央大學
    摘要: 生物特徵辨識是指基於一個人的生理或者行為特徵作為身分辨識機處的一種技術,虹膜辨識是生物特徵辨識中一種精確度、普遍性、獨特性很高,且侵入性很低的辨識方式。在一個典型的虹膜辨識系統當中包含了以下幾個階段:1. 影像擷取、2. 虹膜切割、3. 虹膜遮罩產生、4. 特徵提取、5. 特徵比對,為了提高虹膜辨識的準確率,許多的研究裡都關注在如何正確切割虹膜、提取特徵以及特徵比對,然而虹膜遮罩的正確與否也是虹膜辨識準確性的重要因素之一。
    在本篇論文中,我們嘗試了多種的神經網路架構來對虹膜遮罩進行預估,最後提出了兩種基於深度學習(Deep Learning) 的演算法來學習輸入虹膜影像的遮罩,我會將虹膜影像和其對應正確的虹膜遮罩做些許前處理後,輸入進我們建置好的深度學習網路學習其特徵,學習完特徵後的網路在輸入新的虹膜影像時也能順利的預測其對應虹膜影像遮罩,使產生虹膜遮罩的正確率相對於rule-based 或其他演算法產生的虹膜遮罩高,且能提升虹膜辨識最終的準確性,使用patch-based CNN 的虹膜遮罩正確率可以達到92.87%、EER 為0.147%,使用multi-channel FCN 的虹膜遮罩正確率可以達到95.56%、EER 為0.0851%。;Iris recognition has a lot of applications. A typical iris recognition system has several stages, including acquisition, segmentation, iris mask generation, feature extraction and matching. In order to increase the accuracy of iris recognition, many studies focus on iris segmentation, feature extraction and matching. However, iris masks can also have a great impact on the accuracy of recognition.
    In this study, we propose two iris mask estimation algorithm based on deep learning. After pre-processing the iris images and the corresponding masks, we train these data in convolution neural networks (CNN), which help to achieve a higher accuracy in matching iris masks for different images than rule-based algorithms. The accuracy of matching by using patch-based CNN is 92.87%, with the 0.147% EER (Equal Error Rate) and the accuracy of applying multi-channel fully convolution networks is 95.56%, with an even lower EER equal to 0.0851%.
    顯示於類別:[資訊工程研究所] 博碩士論文

    文件中的檔案:

    檔案 描述 大小格式瀏覽次數
    index.html0KbHTML73檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright © National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回饋  - 隱私權政策聲明