用于AI芯片的智能图像处理方法技术

本发明专利技术提供了一种用于AI芯片的智能图像处理方法，该方法包括：采集用户眼部数据进行训练，将训练图像集进行符号转换得到虹膜特征代码；将训练图像集的虹膜特征代码与样本图像集进行匹配，实现虹膜识别。本发明专利技术提出了一种用于AI芯片的智能图像处理方法，通过量化特征参数对需要识别的虹膜图像原始序列进行降维，再对降维后得到的训练图像集进行符号处理，简化样本匹配过程，降低了计算的复杂度和对设备方位的要求，允许用户更加灵活地执行注视动作，增强用户体验。

【技术实现步骤摘要】
用于AI芯片的智能图像处理方法
本专利技术涉及人工智能，特别涉及一种用于AI芯片的智能图像处理方法。
技术介绍
生物特征识别在身份识别和智能设备中都有着非常重要的应用。作为一个分支，虹膜识别技术是计算机图像处理技术与模式识别技术在身份识别领域的运用。虹膜识别具备高稳定性、高准确率、高度防伪性、唯一性、普遍性和非侵犯性等优点，有着广阔的运用前景和重要的研究价值。虹膜识别技术的关键点在于将采集到的虹膜图像准确地提取出介于瞳孔与巩膜之间，得到虹膜的有效区域，并采用合理的纹理提取方法得到能够深刻反映纹理信息的代码，该代码要较好地考虑到旋转、平移带来的影响。然而，现有虹膜识别技术的采集要求过高，一般需要同步在线识别而不能处理离线虹膜信息，而且在非合作性的场合难以达到较好的鲁棒性。只有合理的精度、速度以及鲁棒性才能符合用户需求。这些都是亟待解决与改进的问题。
技术实现思路
为解决上述现有技术所存在的问题，本专利技术提出了一种用于AI芯片的智能图像处理方法，包括：采集用户眼部数据进行训练，将训练图像集进行符号转换得到虹膜特征代码；将训练图像集的虹膜特征代码与样本图像集进行匹配，实现虹膜识别。优选地，所述将训练图像集进行符号转换得到虹膜特征代码，进一步包括：从多个采样通道的多个特征中选择至少一个特征作为对应虹膜的一次特征代码组合，由该特征代码组合的单位特征向量形成对应的特征矩阵；从多个样本中确定识别率最高和错误率最低的特征矩阵；将确定的特征矩阵利用CNN过程进行模型训练以形成定义虹膜的CNN模型；首先随机初始化权重矩阵；对特征矩阵进行正则化；正则化为多个样本F通道同一个特征的最大差值；确定单隐藏层的节点数k：其中a为输入层节点数，b为输出层节点数，为常数；依次输入P个学习样本，并记录当前输入的是第p个样本；依次计算各层的输出；其中隐藏层的神经元j输入为netpj＝∑iwjioji；而且opj是神经元j的输出，wji是第i个神经元到第j个神经元的权重，输出层神经元的输出为：opl＝∑jwliopj第p个样本的误差性能指标tpl是神经元l的目标输出；如果p＝P，则校正各层的权重；输出层及隐藏层的连接权重wlj校正为：隐藏层及输入层的连接权重wji学习过程为：n为迭代次数，η为学习速率，η∈[0，1]；然后对所述各层的权重加入调节因数α，此时的权重为：wlj(n+1)＝wlj(n)+Εwlj+α(wlj(n+1)-wlj(n))；wji(n+1)＝wji(n)+Εwji+α(wji(n+1)-wji(n))；其中，调节因数的取值α∈[0，1]；按照新的权重重新计算各层的输出，如果每个样本均满足输出和目标输出的差小于预定义阈值，或者达到了预设的学习次数，则过程停止。本专利技术相比现有技术，具有以下优点：本专利技术提出了一种用于AI芯片的智能图像处理方法，通过对需要识别的虹膜图像原始序列进行降维和符号处理，降低了计算的复杂度和对设备方位的要求，允许用户更加灵活地执行注视动作，增强用户体验。附图说明图1是根据本专利技术实施例的用于AI芯片的智能图像处理方法的流程图。具体实施方式下文与图示本专利技术原理的附图一起提供对本专利技术一个或者多个实施例的详细描述。结合这样的实施例描述本专利技术，但是本专利技术不限于任何实施例。本专利技术的范围仅由权利要求书限定，并且本专利技术涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本专利技术的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本专利技术。本专利技术的一方面提供了一种用于AI芯片的智能图像处理方法。图1是根据本专利技术实施例的用于AI芯片的智能图像处理方法流程图。本专利技术预先采集用户眼部数据进行训练，得到量化特征参数和样本图像集，并利用该量化特征参数降低训练图像集的特征维数，以此降低计算复杂度以及用户凝视时对设备方位的要求。通过将降维后的低维图像集进行符号转换，进一步去除图像集中的噪声，提高识别精度。最后将训练图像集的虹膜特征代码与样本图像集进行匹配，能够实现准确的虹膜识别，提高用户体验。本专利技术识别虹膜的方法包括：获取用户眼部数据，对用户眼部数据进行训练，得到量化特征参数以及样本图像集，其进一步包括：步骤1，采集需要执行虹膜识别的用户眼部数据，得到原始图像集；在执行虹膜识别之前，优选地还包括一个样本训练过程，在样本训练过程中采集用户眼部数据进行训练得到量化特征参数和样本图像集。优选地，在执行所有虹膜识别之前，通过一次样本训练过程得到量化特征参数和样本图像集并用于后续所有的虹膜识别。步骤2，利用量化特征参数对原始图像集进行特征提取，降低原始图像集的特征维数，得到降维后的训练图像集；步骤3，将训练图像集转换为离散的虹膜特征代码，得到训练图像集的虹膜特征代码；步骤4，将训练图像集的虹膜特征代码与样本图像集进行匹配，当匹配成功时，确认当前虹膜图像为样本图像集对应的虹膜图像。优选地，预先训练得到一个或多个样本图像集，每个样本图像集对应一个用户虹膜，将样本图像集存储下来，后续训练时可使用该样本图像集而不必再进行训练。所述样本训练包括下列步骤：移动终端照相机采集眼部数据；虹膜图像卷积窗口和滤波处理；训练图像集处理。其中该训练图像集处理具体包括利用支持向量机对训练图像集进行数据降维处理；符号聚合逼近；获得样本图像集。样本训练时的照相机采集虹膜数据与识别过程中的照相机采集虹膜数据的处理步骤基本相同，区别在于样本训练时需要对同一个虹膜多次采集数据，而在执行虹膜识别时，对实际发生的任一虹膜的数据进行采集。在采集到虹膜图像数据后，从图像缓存中取出RGB数据分别添加卷积窗口。按照预定的频率同时从图像缓存中采样，并以预定步长的卷积窗口对采样数据进行卷积处理，得到预定长度的原始图像集。对卷积后得到的预定长度的原始图像集进行滤波处理，以滤除干扰噪声。即对预定长度的原始图像集的每个分量上进行滤波处理的像素点，选取该像素点左侧相邻的预定数目的像素点以及选取该像素点右侧相邻的预定数目的像素点，计算选取出的像素点的均值并由该均值替换滤波处理的像素点的数值。优选地，本专利技术采用K-MEANS滤波进行滤波处理。通过预先设定时间最邻接的个数K，把任意一像素点左边K个邻接像素点和右边K个邻接像素点所组成的序列的均值作为滤波处理后该像素点的值。对于RGB数据中的R通道图像集，K-MEANS滤波为：其中，N是图像集的长度，即卷积窗口的大小，K是预先选取的邻居个数，即选取某一个像素点左、右各K个最邻接的邻居，axj为图像信号aj在R通道上的分量，a'xi是axj对应的滤波后的数据。接下来，对原始图像集进行处理的过程具体包括：从样本训练过程中利用支持向量机对训练图像集进行训练，实现对训练图像集进行特征提取。对采集的每个训练图像集进行滤波，并对滤波后的训练图像集进行正则化处理，即变换为均值为0，方差为1的图像集。具体的，设三个卷积窗口中得到的RGB训练图像集组成的N×P矩阵为A＝[A1，...AP]，其中，N为卷积窗口的长度，P是特征维数，本专利技术中预设P＝3，即原始图像集为三维数据，该矩阵A中的元素表示为aij，i＝1，...N；j＝1，...P。计算训练图像集的协方差矩阵的所有特征值以及每个特征值对应的单位特征向量。首先本文档来自技高网...

【技术保护点】
1.一种用于AI芯片的智能图像处理方法，其特征在于，包括：采集用户眼部数据进行训练，将训练图像集进行符号转换得到虹膜特征代码；将训练图像集的虹膜特征代码与样本图像集进行匹配，实现虹膜识别。

【技术特征摘要】
1.一种用于AI芯片的智能图像处理方法，其特征在于，包括：采集用户眼部数据进行训练，将训练图像集进行符号转换得到虹膜特征代码；将训练图像集的虹膜特征代码与样本图像集进行匹配，实现虹膜识别。2.根据权利要求1所述的方法，其特征在于，所述将训练图像集进行符号转换得到虹膜特征代码，进一步包括：从多个采样通道的多个特征中选择至少一个特征作为对应虹膜的一次特征代码组合，由该特征代码组合的单位特征向量形成对应的特征矩阵；从多个样本中确定识别率最高和错误率最低的特征矩阵；将确定的特征矩阵利用CNN过程进行模型训练以形成定义虹膜的CNN模型；首先随机初始化权重矩阵；对特征矩阵进行正则化；正则化为多个样本F通道同一个特征的最大差值；确定单隐藏层的节点数k：其中a为输入层节点数，b为输出层节点数，为常数；依次输入P个学习样本，并记录当前输入的是第p个样本；依次计算各...

【专利技术属性】
技术研发人员：石修英，
申请(专利权)人：石修英，
类型：发明
国别省市：四川,51