基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法技术

本发明专利技术提供了一种虹膜图像分类方法，包括：在虹膜纹理基元的构建阶段对样本虹膜图像进行处理，得到虹膜纹理基元；在虹膜分类器的构建阶段基于所述的纹理基元和支持向量机来构造虹膜分类器；在判别阶段使用所述虹膜分类器来对目标虹膜图像进行分类。本发明专利技术虹膜图像分类方法可以有效地完成虹膜图像的分类问题，提高了虹膜识别的高效性和安全性。本发明专利技术利用深度学习得到的特征来代替传统手工设计的特征来提取虹膜的纹理基元，具有高精度、高鲁棒性和高可靠性的优点，适用于活体检测、人种识别、性别识别等多种应用需求的虹膜图像分类问题。本发明专利技术有效解决了虹膜系统在产品化的过程中遇到的系统安全问题和大规模数据检索等问题。

【技术实现步骤摘要】
基于深度学习特征和FisherVector编码模型的虹膜图像分类方法
本专利技术涉及计算机视觉、模式识别和机器学习
，尤其涉及一种基于深度学习特征和FisherVector编码模型的虹膜图像分类方法。
技术介绍
随着互联网的快速发展，人与人之间的关系更加密切，互动更加频繁，基于生物特征的身份识别受到了人们的重视，已经渗透到人们日常生活的每一个方面。在众多生物特征中，虹膜具有唯一性高、稳定性强、非侵犯性等优点。这些优点使得虹膜特别适合用于人的身份认证和识别，在过去的十几年间受到越来越多的关注，相关研究和技术也得到了迅速的发展。虹膜识别不仅可以应用于电子商务、金融证券、信息安全、交通、公安和司法，而且已经上升到了国家战略国防的高度。随着虹膜识别从实验走向实用，在众多安全防控领域得到应用，虹膜识别系统本身也面临着很多问题。一方面，随着应用范围的扩大，使用人数的增多，虹膜数据库的规模也越来越大。数据库的扩大不仅给数据存储带来了考验，同时也导致了从数据库里搜索某一个虹膜特征的时间增加，系统的反应时间增大，反应变慢。另一方面，虹膜识别系统的安全性问题成为备受关注的焦点，出现了各种不同形式的系统攻击方式。主要包括：在摄像机端使用伪造虹膜攻击，篡改拍摄到的虹膜图像，篡改特征提取和表达，篡改注册模板等。其中，伪造虹膜对系统是很大的威胁，伪造虹膜攻击系统的方法有很多种，比如打印在纸上的虹膜图像、显示屏显示的虹膜图像、彩色印花隐形眼镜、具有丰富虹膜纹理的人造眼球等。伪造虹膜可能造成虹膜识别系统的错误识别，例如在某公司的考勤识别系统中，系统工作于识别工作模式，包含该公司员工的虹膜数据库，打印在纸上的虹膜可能导致没有来考勤的员工完成考勤，导致考勤系统没有起到应有的作用。因此，有效的伪造虹膜判别方法是提高虹膜识别系统可靠性的重要部分。面对上述问题，研究虹膜图像分类方法变得很有必要。虹膜图像分类指的是将虹膜图像根据应用需求分成几大类，主要包括：活体检测，人种分类、性别分类等。虹膜分类方法可以在节约硬件开支的条件下，完成不同的分类任务，大幅度地提高了搜索速度，提高虹膜识别系统的安全性。现有的虹膜图像分类方法，基本上根据先验知识来手工设计一些特征。谭铁牛等(CN101540000B)通过选择感兴趣区域ROI，对ROI区域进行特征提取，对提取的纹理特征进行训练并建模，实现了对虹膜图像的粗分类。解梅等(CN101556646B)使用小波分解对归一化的虹膜图像进行处理得到特征向量，然后将特征向量进行基于核方法的聚类，得到聚类结果，然后在用支持向量机进行分类。随着硬件和软件地不断发展，虹膜识别系统向用户友好、方便使用的方向发展，对用户的配合度要求减低，会导致虹膜图像质量下降等问题，这使得在实际的应用系统中，很难找到最优的最有区分性的特征。随着分类类别的增加，现有的虹膜分类方法仍有改进的空间，如何快速有效地在虹膜识别系统中的进行分类仍然是一个难题。
技术实现思路
(一)要解决的技术问题鉴于上述技术问题，本专利技术提供了一种基于深度学习特征和FisherVector编码模型的虹膜图像分类方法，包括活体检测，人种分类和性别分类，以改进现有的虹膜图像分类方法，提高虹膜图像分类的精度，进而提高虹膜识别系统的安全性和快速性。(二)技术方案根据本专利技术的一个方面，提供了一种虹膜图像分类方法，包括以下步骤：对样本虹膜图像进行处理，得到虹膜纹理基元；其中，所述虹膜纹理基元是通过高斯混合模型构建得到；基于所述的纹理基元和支持向量机来构造虹膜分类器；以及使用所述虹膜分类器来对目标虹膜图像进行分类。优选地，对样本虹膜图像进行处理，得到虹膜纹理基元包括：建立分类样本虹膜图像库，使其包含多个分类的正样本和多个分类的负样本；对所述样本虹膜图像库中的正、负样本虹膜图像进行预处理，得到归一化的虹膜图像；用预处理好的虹膜图像对深度卷积神经网络进行训练，然后用深度网络模型对归一化虹膜图像抽取卷积神经网络(ConvolutionalNeuralNetwork，CNN)卷积层的特征，作为底层特征；以及采用高斯混合模型聚类方法构建纹理基元，对底层特征的生成过程进行建模，并求解得到高斯混合模型参数。优选地，基于所述的纹理基元和支持向量机来构造虹膜分类器包括：在得到高斯混合模型参数的基础上，再用Fishervector对底层特征进行编码，得到Fisher向量，作为虹膜图像分类的特征向量；用正、负样本的虹膜图像的特征向量来训练支持向量机，得到虹膜分类器。优选地，使用所述虹膜分类器来对目标虹膜图像进行分类包括：将待分类的虹膜图像进行预处理，得到归一化后的虹膜图像；采用训练好的所述卷积神经网络对归一化虹膜图像抽取CNN卷积层特征，作为底层特征；采用得到的所述高斯混合模型参数，对底层特征进行Fishervector编码，得到Fisher向量，作为虹膜图像分类的特征向量；将得到的特征向量输入到训练好的虹膜分类器中，根据分类器输出的结果对目标虹膜图像进行分类。优选地，所述分类样本虹膜图像库包含活体检测、种族分类及性别分类中的多个正样本和多个负样本。优选地，所述预处理过程包括：从虹膜图像中把虹膜分离出来，得到虹膜区域，通过拟合瞳孔和虹膜边界的圆的坐标和半径，然后将得到的虹膜区域变换到极坐标下，完成对虹膜图像的归一化。优选地，抽取卷积神经网络的最后一层卷积层特征，作为底层特征。优选地，采用高斯混合模型聚类方法构建纹理基元，对底层特征的生成过程进行建模，并求解得到高斯混合模型参数包括：将所述抽取的底层特征用含有K个高斯分量的高斯混合模型来聚类，用期望最大化算法来估计高斯混合模型参数。优选地，所述的编码过程包括：对底层特征的生成过程建模后的得到概率密度函数，将其对数似然函数对高斯混合模型参数中的均值向量和协方差矩阵的求梯度，并进行归一化，得到Fisher向量。优选地，该方法用于虹膜活体检测、人种分类及性别分类。(三)有益效果从上述技术方案可以看出，本专利技术基于深度学习特征和FisherVector编码模型的虹膜图像分类方法至少具有以下有益效果其中之一：(1)使用高斯混合模型完成对虹膜纹理基元的聚类，利用生成式模型的优势，模拟虹膜纹理特征的分布，能够更好地描述虹膜的纹理基元。(2)通过训练深度卷积网络来提取深度特征来代替传统的手工设计的特征，通过提取卷积层特征得到表达虹膜纹理信息的特征表达，从而避免了由于用手工预先定义好的特征来表示纹理基元所带来的缺陷。(3)使用Fishervector编码不仅可以体现出每个视觉单词的出现频率，又能对特征向量在视觉单词上分布的差异信息进行编码。经过Fishervector编码后融合了局部纹理特征和全局虹膜结构信息，可以更加丰富地表达虹膜图像特征，更好地进行种族分类。(4)虹膜图像分类方法采用支持向量机做分类器，可自动训练分类器。采用支持向量机训练分类器和Fishervector编码特征作为分类特征，有较好的泛化能力，适用于不同的虹膜图像分类问题。(5)虹膜图像分类方法应用范围广，其可用于判别真实虹膜和伪造虹膜，亚洲人和非亚洲人的虹膜，以及不同性别的虹膜，还可与各种虹膜识别系统配合工作用在国防、金融、公安刑侦等场合，以及在其他需要进行身份确认的领域应用。(6)虹膜图像分类方法本文档来自技高网...

【技术保护点】
一种虹膜图像分类方法，包括以下步骤：对样本虹膜图像进行处理，得到虹膜纹理基元；其中，所述虹膜纹理基元是通过高斯混合模型构建得到；基于所述的纹理基元和支持向量机来构造虹膜分类器；以及使用所述虹膜分类器来对目标虹膜图像进行分类。

【技术特征摘要】
1.一种虹膜图像分类方法，包括以下步骤：对样本虹膜图像进行处理，得到虹膜纹理基元；其中，所述虹膜纹理基元是通过高斯混合模型构建得到；基于所述的纹理基元和支持向量机来构造虹膜分类器；以及使用所述虹膜分类器来对目标虹膜图像进行分类。2.根据权利要求1所述的虹膜图像分类方法，其中，对样本虹膜图像进行处理，得到虹膜纹理基元包括：建立分类样本虹膜图像库，使其包含多个分类的正样本和多个分类的负样本；对所述样本虹膜图像库中的正、负样本虹膜图像进行预处理，得到归一化的虹膜图像；用预处理好的虹膜图像对深度卷积神经网络进行训练，然后用深度网络模型对归一化虹膜图像抽取卷积神经网络(ConvolutionalNeuralNetwork，CNN)卷积层的特征，作为底层特征；以及采用高斯混合模型聚类方法构建纹理基元，对底层特征的生成过程进行建模，并求解得到高斯混合模型参数。3.根据权利要求2所述的虹膜图像分类方法，其中，基于所述的纹理基元和支持向量机来构造虹膜分类器包括：在得到高斯混合模型参数的基础上，再用Fishervector对底层特征进行编码，得到Fisher向量，作为虹膜图像分类的特征向量；用正、负样本的虹膜图像的特征向量来训练支持向量机，得到虹膜分类器。4.根据权利要求3所述的虹膜图像分类方法，其中，使用所述虹膜分类器来对目标虹膜图像进行分类包括：将待分类的虹膜图像进行预处理，得到归一化后的虹膜图像；采用训练好的所述卷积神经网络对归一化虹膜图像抽取CNN卷积层特...

【专利技术属性】
技术研发人员：孙哲南，李海青，张曼，王雅丽，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11