一种基于轻量卷积神经网络的虹膜活体检测方法技术

本发明专利技术公开的一种基于轻量卷积神经网络的虹膜活体检测方法，包括：S1、采集活体虹膜图像、假体虹膜图像样本，经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器；S2、获取待检测的虹膜图像；S3、利用训练好的的轻量卷积神经网络模型对待检测虹膜图像进行特征提取，得到待检测虹膜图像对应的特征向量；S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中，计算所述特征向量属于活体虹膜图像的概率值，当所述概率值超过所预设的阈值，即可判定待检测的虹膜图像为活体。本发明专利技术的优点在于，避免虹膜设备遭受假体虹膜“攻陷”问题，使得虹膜识别设备具有更高的可靠性和安全性，增加了用户对虹膜识别设备使用的信心。

【技术实现步骤摘要】
一种基于轻量卷积神经网络的虹膜活体检测方法
本专利技术涉及图像识别
，具体为一种基于轻量卷积神经网络的虹膜活体检测方法。
技术介绍
随着科技的发展，生物特征识别技术在很多行业中得到了广泛的应用，由于虹膜识别技术具有高稳定性、高防伪性和唯一性等特点，使其得到广泛的应用，特别是那些保密性要求较高的场景中。但随着生物特征识别技术的普及，虹膜伪造技术也随之出现。因此，虹膜识别设备是否配备活体检测技术体现出该设备的水平高低。现阶段的虹膜活体检测技术，主要侧重于硬件的帮助，通过硬件设备释放不同强弱的光线使瞳孔呈现不同的收缩情况，以此来进行活体检测。但该方法设备造价较高，而且根据设备释放光线强弱周期，可以伪造瞳孔缩放间隔，从而无法判断虹膜是否为活体，降低了安防领域的安全性。
技术实现思路
为了解决现有技术中虹膜活体检测侧重于硬件的帮助，可以伪造瞳孔缩放距离从而无法真实地判断是否为活体的问题，本专利技术提供了一种基于轻量卷积神经网络的虹膜活体检测方法，实现的目的为，采用轻量卷积神经网络对待检虹膜数据是否为活体进行预测和判断，检测速度快、准确率高。为了实现上述目的，本专利技术提供的技术方案为，本专利技术提供的一种基于轻量卷积神经网络的虹膜活体检测方法，包括：S1、采集活体虹膜图像、假体虹膜图像样本，经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器；S2、获取待检测的虹膜图像；S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取，得到待检测虹膜图像对应的特征向量；S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中，计算所述特征向量属于活体虹膜图像的概率值，当所述概率值超过所预设的阈值，即可判定待检测的虹膜图像为活体。进一步的，S1所述网络权重和分类器训练过程如下：S11、首先对待训练的虹膜图像数据进行处理，包括打标签，训练集、验证集和测试集的划分；S12、其次，对训练过程中用到的超参数进行设置，以及优化器算法的选择；S13、在训练过程中，数据经过网络的前向推理得到每个类别的预测结果，利用损失函数计算预测值与真实值之间的误差，再将误差反向传播至网络中；S14、在反向传播过程中，对每个节点求偏导，以学习率为步长调整权重的大小，再次前向传播，如此反复计算，当训练到损失函数值不再变化或在某一值小幅上下震荡时，停止训练；若此时分类器在验证集和测试集上精度达到最优，则模型训练完成。进一步的，所述S3中还包括利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前，针对所述虹膜图像进行预处理，以确定所述虹膜图像中的虹膜部分。所述针对所述虹膜数据进行预处理，包括：定位所述虹膜图像的虹膜部分，并进行分割，以得到圆环状的虹膜区域；对所述圆环状的虹膜区域先做极坐标变换，展成矩形状，然后从其中间一分为二，并将右侧部分拷贝到左侧图像的下方，再对其进行缩放和归一化处理。依据如下公式对缩放后的图像进行归一化处理，其中，x为输入的缩放后的虹膜图像像素点值，x′计算后的像素值，μ和σ分别为缩放后虹膜图像的期望和方差值。进一步的，虹膜图像含有丰富的纹理特征，真假体虹膜的区分主要是根据其纹理、灰度的分布不同。所述S3中利用训练好的轻量卷积神经网络模型对所述虹膜图形进行特征提取，得到一组待分类的特征向量。所述神经网络主干模型包括两个卷积层，两个Stage、一个均值池化层和一个分类层。所述S4中输入虹膜图像数据，采用训练好的权重对数据进行前向推理，得到一组特征，再由分类器分类，由如下公式得到该虹膜图像属于某一类别的概率值，若该概率大于设定阈值，则属于活体，反之为假体；综上，本专利技术采用上述技术方案，具有以下有益效果，本专利技术采用用轻量的卷积神经网络对虹膜数据进行活体检测，检测速度快、准确率高，因此本专利技术可避免虹膜设备遭受假体虹膜“攻陷”问题，使得虹膜识别设备具有更高的可靠性和安全性，增加了用户对虹膜识别设备使用的信心。附图说明图1为本专利技术S3步骤中对待测虹膜图像归一化处理之前示意图；图2为本专利技术S3步骤中对待测虹膜图像归一化处理之后示意图；图3为本专利技术轻量神经网络模型骨干网络结构示意图；图中，1、虹膜图像；2、外圆；3、内圆；4、圆环状虹膜区域；5、矩形状虹膜区域；6、调整后的虹膜图像；7、缩放和归一化后的虹膜图像。具体实施方式以下结合具体实施例对本专利技术作出进一步的说明。实施例一：本专利技术提供的一种基于轻量卷积神经网络的虹膜活体检测方法，包括：S1、采集活体虹膜图像、假体虹膜图像样本，经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器；S2、获取待检测的虹膜图像；S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取，得到待检测虹膜图像对应的特征向量；S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中，计算所述特征向量属于活体虹膜图像的概率值，当所述概率值超过所预设的阈值，即可判定待检测的虹膜图像为活体。进一步的，S1所述网络权重和分类器训练过程如下：S11、首先对待训练的虹膜图像数据进行处理，包括打标签，训练集、验证集和测试集的划分；S12、其次，对训练过程中用到的超参数进行设置，以及优化器算法的选择；S13、在训练过程中，数据经过网络的前向推理得到每个类别的预测结果，利用损失函数计算预测值与真实值之间的误差，再将误差反向传播至网络中；S14、在反向传播过程中，对每个节点求偏导，以学习率为步长调整权重的大小，再次前向传播，如此反复计算，当训练到损失函数值不再变化或在某一值小幅上下震荡时，停止训练；若此时分类器在验证集和测试集上精度达到最优，则模型训练完成。进一步的，所述S3中还包括利用训练好的的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前，针对所述虹膜图像进行预处理，以确定所述虹膜图像中的虹膜部分。所述针对所述虹膜数据进行预处理，包括：定位所述虹膜图像的虹膜部分，并进行分割，以得到圆环状的虹膜区域；对所述圆环状的虹膜区域先做极坐标变换，展成矩形状，然后从其中间一分为二，并将右侧部分拷贝到左侧图像的下方，再对其进行缩放和归一化处理。依据如下公式对缩放后的图像进行归一化处理，其中，x为输入的缩放后的虹膜图像像素点值，x′计算后的像素值，μ和σ分别为缩放后虹膜图像的期望和方差值。可以参照图1所示，获取到的原始图像为虹膜图像1(左图)，该图中存在外圆2和内圆3，定位确定虹膜图像1中虹膜部分为外圆2与内圆3之间的部分，因此针对虹膜图像1进行分割，得到圆环状的虹膜区域4，即图1中右图阴影部分。控制圆环状的虹膜区域进行极坐标变换处理，得到如图2所示的矩形状的虹膜区域5。将举行虹膜区域从中间一分为二，将右侧部分拷贝到左侧图像下面组成一张图像6，然后缩放到预设尺寸7，再经归一化处理后送入神经网络中进行特征提取。本专利技术中，通过对虹膜图像的预处理，得到只有虹膜区域部分，然后送入到网络中训练和测试，有效的避免非虹膜区域对分类任务的干扰，同时也可以加快在训练过程中网络收敛的速度。进一步的，所述S3中利用训练好的的轻量卷积神经网络模型对所述虹膜图形进行特征提取时，所述轻量神经网络模型参照图3所示：所述神经网络主干模型包括两个卷积层，两个Stage、一个均值池化层和一个分类层两本文档来自技高网...

【技术保护点】
1.一种基于轻量卷积神经网络的虹膜活体检测方法，其特征在于，包括：S1、采集活体虹膜图像、假体虹膜图像样本，经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器；S2、获取待检测的虹膜图像；S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取，得到待检测虹膜图像对应的特征向量；S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中，计算所述特征向量属于活体虹膜图像的概率值，当所得概率值超过所预设的阈值，即可判定待检测的虹膜图像为活体。

【技术特征摘要】
1.一种基于轻量卷积神经网络的虹膜活体检测方法，其特征在于，包括：S1、采集活体虹膜图像、假体虹膜图像样本，经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器；S2、获取待检测的虹膜图像；S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取，得到待检测虹膜图像对应的特征向量；S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中，计算所述特征向量属于活体虹膜图像的概率值，当所得概率值超过所预设的阈值，即可判定待检测的虹膜图像为活体。2.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法，其特征在于，S1所述网络权重和分类器训练过程如下：S11、首先对待训练的虹膜图像数据进行处理，包括打标签，训练集、验证集和测试集的划分；S12、其次，对训练过程中用到的超参数进行设置，以及优化器算法的选择；S13、在训练过程中，数据经过网络的前向推理得到每个类别的预测结果，利用损失函数计算预测值与真实值之间的误差，再将误差反向传播至网络中；S14、在反向传播过程中，对每个节点求偏导，以学习率为步长调整权重的大小，再次前向传播，如此反复计算，当训练到损失函数值不再变化或在某一值小幅上下震荡时，停止训练；若此时分类器在验证集和测试集上精度达到最优，则模型训练完成。3.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法，其特征在于，所述S...

【专利技术属性】
技术研发人员：张小亮，戚纪纲，王秀贞，
申请(专利权)人：北京万里红科技股份有限公司，
类型：发明
国别省市：北京,11