基于深度学习的智能座舱嵌入式指纹特征提取方法技术

本发明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，主要包括步骤如下：采集用户指纹、采用CNN网络提取指纹特征CNN_Features和采用Hand‑crafted方式得到局部特征综合ELF16、采用全连接的Fusion Layer方式进行特征组合、加权激活融合、多层网络迭代、计算交叉熵并判断是否最小、最后得到指纹融合特征。本发明专利技术提出的智能座舱用指纹识别身份鉴别，由于不同身份的人操控权限不同，比传统智能座舱的汽车操控具有更高的安全性，具有更高的目标区分度。

Embedded Fingerprint Feature Extraction Method for Intelligent Cockpit Based on Deep Learning

【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_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＝jx；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。优选的，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通过反向传播网络计算三元组样本特征空间对权值网络参数的偏导数:和3.3.4根据下面两式计算类内距离对权值网络参数的偏导数和类内距离与类间距离差对权值网络参数的偏导数3.3.5根据下面3式计算损失函数对输出权值网络参数的偏导数3.3.6更新权重网络参数式中：t--为此时刻；t+1--为下一时刻；t-1——上一时刻；T--为迭代结束时刻；--损失函数对输出权值网络参数的偏导数；--为原样本；--为正样本；--为负样本；i--为样本编号；N——为样本个数；h1(Ii,w)--为类内距离与类间距离差激活函数分段值；h2(Ii,w)--为类内距离激活函数分段值；λt——为损失函数对权值网络参数的偏导数的权重系数，λt的取值范围为0≤λt≤1；T1——为类内距离与类间距离差的限制参数，T1的取值范围为0.5≤T1≤5.5；T2——为类内距离的限制参数，T2的取值范围为0.5≤T1≤1.6。优选的，所述三元组样本构造的距离函数包括类内距离与类间距离差、类内距离，所述三元组样本构造的距离函数满足以下约束：式中：——为类内距离与类间距离差；——为类内距离；w——权值网络参数；——原样本的特征空间；——正样本的特征空间；——为负样本的特征空间。优选的，所述损失函数的总损失：式中：L(I,w)——为总损失函数；max——为最大值函数；N——为样本个数；β——为Balance参数。优选的，所述Global的特征卷积生成4096DFeature。优选的，所述步骤3.3.6中λt取值为0.3或0.8。优选的，所述步骤3.3中T1取值为3、T2取值为1。优选的，所述步骤(5)中ratio1的初始值为0.5，ratio2的初始值为1.05。优选的，所述步骤(6)中的初始值取值为0.9。优选的，所述步骤(6)中bFusion的初始值取值为0.09。与现有技术相比，本专利技术的有益效果是：在本专利技术基于深度学习的智能座舱嵌入式指纹特征提取方法，第一、本专利技术提出的智能座舱用指纹识别身份鉴别，由于不同身份的人操控权限不同，比传统智能座舱的汽车操控具有更高的安全性，第二、本专利技术基于FusionFeatureNet(FFN)的指纹特征提取方法与传统的指纹特征提取的方法相比较，具有更高的目标区分度。附图说明图1是基于深度学习的智能座舱嵌入式指纹特征提取方法原理图。具体实施方式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，基于FusionFeatureNet(FFN)的指纹特征提取步骤如下：(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；在本专利技术的一个示例中，CNN网络采用Global的特征卷积，生成4096DFeature(4096维的特征)，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通过反向传播网络计算三元组样本特征空间对权值网络参数的偏导数:和3.3.4根据下面两式计算类内距离对权值网络参数的偏导数和类内距离与类间距离差对权值网络参数的偏导数3.3.5根据下面3式计算损失函数对输出权值网络参数的偏导数3.3.6更新权重网络参数式中：t--为此时刻；t+1--为下一时刻；t-1——上一时刻；T--为迭代结束时刻；--损失函数对输出权值网络参数的偏导数；--为原样本；--为正样本；--为负样本；i--为样本编号；N——为样本个数；h1(Ii,w)--为类内距离与类间距离差激活函数分段值；h2(Ii,w)--为类内距离激活函数分段值；λt——为损失函数对权值网络参数的偏导数的权重系数，λt的取值范围为0≤λt≤1，在本本文档来自技高网...

【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