【技术实现步骤摘要】
基于深度学习的智能座舱嵌入式指纹特征提取方法
本专利技术涉及汽车
,具体为基于深度学习的智能座舱嵌入式指纹特征提取方法。
技术介绍
目前的智能座舱没有指纹识别区别身份的功能,多是具有多屏互动的娱乐系统、虚拟仪表盘、车身中控系统等功能,并没有分区不同身份的人该具有哪种操控权限,这在汽车的安全驾驶方面非常关键。目前国际高端品牌汽车上有指纹开车门以及一键启动的功能,但是其指纹特征提取方法都是基于传统的编码查表或对像素点直接几何计算的指纹脊线端点和分叉点的特征提取方法,没有基于深度学习的指纹特征提取的方法。
技术实现思路
本专利技术的目的在于提供基于深度学习的智能座舱嵌入式指纹特征提取方法,以解决上述
技术介绍
中提出的问题。为实现上述目的,本专利技术提供如下技术方案:本专利技术公开了基于深度学习的智能座舱嵌入式指纹特征提取方法,包括以下步骤:(1)采集用户指纹,得到指纹图像数据的像素矩阵;(2)指纹图像数据平滑消除噪声;(3)对指纹图像数据采用CNN网络提取指纹特征CNN_Features;(4)对指纹图像数据采用Hand-crafted方式得到局部特征综合ELF16,局部特征综合ELF16包括灰度直方图特征和纹理特征;(5)将指纹特征CNN_Features和局部特征综合ELF16采用全连接的FusionLayer方式进行特征组合,特征组合后的指纹融合特征为x:x=[ratio1*ELF16,ratio2*CNN_Features];式中:ratio1——局部特征综合ELF16的梯度下降斜率,取初始值为0.4~0.6;ratio2——指纹特征CNN_Featur ...
【技术保护点】
1.基于深度学习的智能座舱嵌入式指纹特征提取方法,其特征在于:具有以下步骤:(1)采集用户指纹,得到指纹图像数据的像素矩阵;(2)指纹图像数据平滑消除噪声;(3)对指纹图像数据采用CNN网络提取指纹特征CNN_Features;(4)对指纹图像数据采用Hand‑crafted方式得到局部特征综合ELF16,局部特征综合ELF16包括灰度直方图特征和纹理特征;(5)将指纹特征CNN_Features和局部特征综合ELF16采用全连接的Fusion Layer方式进行特征组合,特征组合后的指纹融合特征为x:x=[ratio1*ELF16,ratio2*CNN_Features];式中:ratio1——局部特征综合ELF16的梯度下降斜率,取初始值为0.4~0.6;ratio2——指纹特征CNN_Features的梯度下降斜率,取初始值为0.9~1.2;(6)加权激励融合计算:
【技术特征摘要】
1.基于深度学习的智能座舱嵌入式指纹特征提取方法,其特征在于:具有以下步骤:(1)采集用户指纹,得到指纹图像数据的像素矩阵;(2)指纹图像数据平滑消除噪声;(3)对指纹图像数据采用CNN网络提取指纹特征CNN_Features;(4)对指纹图像数据采用Hand-crafted方式得到局部特征综合ELF16,局部特征综合ELF16包括灰度直方图特征和纹理特征;(5)将指纹特征CNN_Features和局部特征综合ELF16采用全连接的FusionLayer方式进行特征组合,特征组合后的指纹融合特征为x:x=[ratio1*ELF16,ratio2*CNN_Features];式中:ratio1——局部特征综合ELF16的梯度下降斜率,取初始值为0.4~0.6;ratio2——指纹特征CNN_Features的梯度下降斜率,取初始值为0.9~1.2;(6)加权激励融合计算:h——激活函数;--特征融合算法的权重,取初始值为0.8~1.0;bFusion--特征融合算法的偏置,取初始值为0.08~0.1;(7)多层网络迭代计算:式中:W(l)——第l层权重;ΔW(l)——第l层权重变化量;——第l层新迭代后权重;b(l)——第l层偏置;Δb(l)——第l层偏置的变化量;——第l层新迭代后偏置;α——充分选择的学习率;m——样本个数;λ——超参数,取值>0;(8)计算交叉熵J:式中:J——交叉熵;x——最后一层的单一输入向量;j——最后一层的单一输出节点;n——输出节点的数量;——输出节点j的模型参数;——输出节点k的模型参数;pk——通过数据计算的估计概率;logpk——估计概率的对数;y——中间层网络输出节点;p(y=j|x;θ)——在中间层网络输出节点为j,最后一层单一输入为x,输出节点模型参数为θ时,通过数据计算的估计概率;(9)如果交叉熵J不为最小,则从步骤(5)开始继续迭代,直到交叉熵J最小;(10)结束,得到指纹融合特征。2.根据权利要求1所述的基于深度学习的智能座舱嵌入式指纹特征提取方法,其特征在于:所述步骤(3)中,CNN网络采用Global的特征卷积,通过构造一个三元组样本并采用随机梯度下降训练算法训练CNN网络,所述三元组样本的特征空间为具体步骤如下:3.1输入训练采样指纹图像数据{Ii};3.2输出权值网络参数{w};3.3只要t<T,那么重复执行3.3.1~3.3.6的操作:3.3.1t←t+1;3.3.2通过前向传播网络计算三元组样本的特征空间3.3.3通过反向...
【专利技术属性】
技术研发人员:李宝林,张祥,王梅,曾建军,徐江,母江东,张毅,黄承雨,
申请(专利权)人:重庆集诚汽车电子有限责任公司,中电科技集团重庆声光电有限公司,
类型:发明
国别省市:重庆,50
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。