本发明专利技术提供了一种基于改进的稀疏编码的虹膜识别方法及装置，方法包括如下步骤：对虹膜图像进行图像分割以及特征提取，得到虹膜样本集；离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典；求取稀疏系数；对结果进行评价。本发明专利技术所述方法是一种无监督的学习方法，不用人工指定具体特征；加入平滑约束可以有效的去除噪声对识别结果的影响，提高识别率；加入非负约束，避免字典学习过程中产生非负值；提出一种评价指标有效的对身份进行认证。本发明专利技术方法识别率高，识别速度快，识别结果准确率高，适用性强。
【技术实现步骤摘要】
本专利技术属于虹膜识别领域，尤其是涉及一种基于改进的稀疏编码的虹膜识别方法 及装置。
技术介绍
稀疏编码是一种模拟哺乳动物视觉系统主视皮层Vl区简单细胞感受野人工神经 网络方法。稀疏编码是一种无监督的特征学习算法，通过自学习得到一组过完备的字典来 对待测样本进行稀疏表示。通俗的说就是将一个信号表示为一组基的线性组合，而且要求 只需要较少的几个基就可以将信号表示出来。"稀疏性"定义为：只有很少的几个非零元素 或只有很少的几个远大于零的元素。 稀疏编码算法是一种无监督学习方法，它用来寻找一组"超完备"基向量来更高效 地表示样本数据。稀疏编码成功应用于机器学习、模式识别等领域。经典的稀疏编码在人 脸识别领域容易受到各种干扰因素的影响如光照、遮挡、姿态、噪声等等。因此，我们提出一 种改进的稀疏编码算法，并将其用在虹膜识别领域，提高虹膜识别效率。
技术实现思路
有鉴于此，本专利技术旨在提出一种基于改进的稀疏编码的虹膜识别方法，以提高虹 膜识别率。 为达到上述目的，本专利技术的技术方案是这样实现的： -种基于改进的稀疏编码的虹膜识别方法，其特征在于：包括如下步骤： (1)对虹膜图像进行图像分割以及特征提取，得到虹膜样本集； (2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典； (3)通过求解LASSO回归问题得到稀疏系数； (4)对结果进行评价，并确认身份。 进一步的，所述步骤（2)包括如下步骤，传统的稀疏编码是找到一组基向量Ct1，使为离线字典，a为稀疏系数，在传统的编码方法中加入平滑和非负约束得到字典加入 约束后的公式为其中，入彡 0,y彡 0,Aij彡 〇,（}> 为样本图像，X= (Xl，x2...Xn)，A为 样本稀疏系数a的展开，I|*|If称为Frobenius范数，R为平滑约束项，R由如下公式计算 得出，Tr为矩阵的迹，W(Xl，X])为相似度矩阵 进一步的，所述步骤（3)包括如下步骤a，(6)为编码的代价函数，f为实 际采集图像，为实际稀疏系数 本步骤通过求解LASSO回归问题得到稀疏系数，采用Feature-signsearch算法求 解得到稀疏系数a' 进一步的，所述步骤（4)中的评价指标为 I=exp(-J(X*，a*，(6))) 上一步中的编码J为编码的代价函数，J值越大表明该身份的隶属度越低，I的取 值范围为0-1。 相对于现有技术，本专利技术所述的一种基于改进的稀疏编码的虹膜识别方法具有以 下优势： (1)本专利技术所述方法是一种无监督的学习方法，不用人工指定具体特征； (2)加入平滑约束可以有效的去除噪声对识别结果的影响，提高识别率； (3)加入非负约束，避免字典学习过程中产生非负值； (4)提出一种评价指标有效的对身份进行认证。 本专利技术方法识别率高，识别速度快，识别结果准确率高，适用性强。 本专利技术的另一目的在于提出一种基于改进的稀疏编码的虹膜识别装置，以实现上 述虹膜识别方法。 为达到上述目的，本专利技术的技术方案是这样实现的： -种基于改进的稀疏编码的虹膜识别装置，包括如下装置： 对虹膜图像进行图像分割以及特征提取，得到虹膜样本集的图像采集装置； 离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典的字典学 习装置； 通过求解LASSO回归问题得到稀疏系数的稀疏系数求解装置； 对结果进行评价，并确认身份的身份确认装置。 所述一种基于改进的稀疏编码的虹膜识别装置与上述一种基于改进的稀疏编码 的虹膜识别方法相对于现有技术所具有的优势相同，在此不再赘述。【附图说明】 构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实 施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中： 图1为本专利技术实施例所述的一种基于改进的稀疏编码的虹膜识别方法的流程图； 图2为本专利技术实施例所述的离线字典学习流程图。【具体实施方式】 需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相 互组合。 下面将参考附图并结合实施例来详细说明本专利技术。 如图1所示，本专利技术提出一种基于改进的稀疏编码的虹膜识别方法，包括如下步 骤： (1)人脸图像组成图像样本集，对图像进行分割以及特征提取，得到虹膜样本集； 基于级联的haar特征的人脸检测与定位； 基于级联的haar特征的人眼的检测与定位； 基于霍夫变换的瞳孔与虹膜的轮廓定位； 基于极坐标变换的虹膜图像的展开； 对图像灰度进行归一化处理。 (2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典巾，如 图2所示； 传统的稀疏编码是找到一组基向量，使得输入向量X表示为这些基向量的线性 其中入彡0,y彡0,Aij彡〇,（}> 〇,R为平滑约束项，X为样本图像，X= (X1,X2. ??xn)，A为样本稀疏系数a的展开，II*II卩称为Frobenius范数。 本专利技术方法目的是为了求得一组过完备的基巾来对每一个样本X1进行线性表 示。首先目标函数第一项是重构输入数据X的重构误差函数；第二项是对系数稀疏性的惩 罚项，过完备是指n的个数远大于样本X1的维数，其分解系数a不能唯一确定，一般的做 法是对系数a作一个稀疏性约束。除此之外，传统的稀疏编码不能保证得到的字典是非负 的，而负值在图像里面是没有意义的，因此这里我们加入非负的约束即彡〇,（}> ^>0， 利用迭代操作逐次逼近，保证〇,（J) 〇,具体步骤如下：设样本为X，字典为伞， 步骤1 :利用余弦相似性计算相似度矩阵WUi,x_j)，X;、X中任意两个样本； 步骤2 :设置参数y、A的值，初始化（J)和A，保证元素非负； 步骤 3 :循环t= 1. ? ?N 直到收敛。 设aDa;为Xi，Xj在新的基底巾下的稀疏表示。基于流行学习与降维相关理论， 我们认为如果数据Xl，X]在原空间距离相近，在新的基底下aa,的距离也会相近，反之亦 然。因此我们加入平滑的约束项R，来防止由噪声引起的数据表示的不一致性，R计算公式 如下： Tr为矩阵的迹，W(Xl，Xj)为相似度矩阵，这里采用余弦相似性，也可以采用其他相 似性度量函数。 (3)通过求解LASSO回归问题得到稀疏系数，J(X'a' (6)为编码的代价函数，X* 为实际采集图像，为实际稀疏系数 该步骤为标准的LASSO问题，采用Feature-sign search算法求解稀疏系数a' (4)对结果进行评价，并确认身份，评价指标为 I = exp (-J(X*，a *，(6))) 在上一步中的编码J被称为编码的代价函数，J值越大说明该身份的隶属度越低。 很明显该指标取值范围0-1，取值越大越可能属于某个身份，本方案中设I的阈值为0. 8,当 得到的I大于〇. 8时，取最大值的模板组为最终的身份确认，当得到的I小于0. 8时，认为 没有模板符合身份。 本专利技术将改进的稀疏编码算法应用在虹膜识别中，首先对每个人采集10张虹膜 图像，并进行虹膜图像的分割与提取，得到虹膜样本集；对虹膜样本集进行离线字典学习得 到基向量巾，然后加入非负约束条件以及平滑约束条件对巾进行约束，得到字典? ;利用 实际采集的图样样本通过求解LASSO回归问题得到稀疏系数a%将字典?与稀疏系数a$ 进行线本文档来自技高网...
【技术保护点】
一种基于改进的稀疏编码的虹膜识别方法，其特征在于：包括如下步骤：(1)对虹膜图像进行图像分割以及特征提取，得到虹膜样本集；(2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典；(3)通过求解LASSO回归问题得到稀疏系数；(4)对结果进行评价，并确认身份。
【技术特征摘要】
【专利技术属性】
技术研发人员：谢自力，
申请(专利权)人：天津市协力自动化工程有限公司，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。