一种采用图像增广和小样本学习的虹膜识别方法技术

本发明专利技术涉及一种采用图像增广和小样本学习的虹膜识别方法，属于虹膜识别技术领域。本发明专利技术主要包括采集虹膜图像、虹膜预处理、图像增广、基于小样本学习的CNN特征提取、虹膜匹配和显示认证结果。本发明专利技术通过图像增广多角度扩充训练数据增加样本多样性，利用小样本学习以少量训练样本快速度搭建CNN，自动获得性能更为优良的虹膜特征编码，最终引入了一阶时间相关序列，利用虹膜自相关度量距离，进行相似度匹配。本发明专利技术充分利用小样本学习与CNN结合提取虹膜纹理特征解决了现有手工虹膜编码的繁琐和缺陷，实现了高自动化、高准确率的虹膜识别系统。

【技术实现步骤摘要】
一种采用图像增广和小样本学习的虹膜识别方法
本专利技术涉及一种采用图像增广和小样本学习的虹膜识别方法，属于虹膜识别

技术介绍
生物特征识别是利用人生理或行为特征自动验证从而进行身份识别的方法。随着通讯和交通技术的突飞猛进人们活动区域逐渐扩大，生物特征识别的难度和重要性越来越突出。因此，生物特征识别在机场，金融，网络，电商等安全领域有十分广泛的应用前景。目前已被应用的特征主要有：指纹、掌纹、虹膜、手形、人脸、静脉图、步态等。其中，虹膜相对于其他特征则具有更加独特的优势：虹膜具有复杂的纹理和随机的气孔，人的虹膜大概在2-3岁后稳定，不再跟随年龄增长而变化。一旦虹膜形成，其独特的属性就可以被永久地感知。因此，虹膜识别以高度的确定性，独特性，稳定性和非侵入性特征，在下一代大规模身份识别系统中发挥关键作用。现有的虹膜识别方法主要包括：采集，预处理，特征提取和匹配。采集设备必须带有标准红外光灯，采集到虹膜图片的质量将直接影响最终识别的效果。预处理主要是对虹膜图像的去噪处理，定位并分割包含有虹膜纹理信息的圆环区域并排除上下眼睑的干扰。此外，常常将圆环形状的虹膜归一化为统一的尺寸的图像方便后期处理。特征提取即描述虹膜纹理，在虹膜识别的过程中最为重要。在匹配阶段将提取到的特征编码进行相似度比较，以确定身份信息。传统的特征提取主要是手工设计特征提取器以编写虹膜纹理特征，如小波变换的过零检测、离散傅里叶变换、多尺度泰勒展开、二维希尔伯特变换和分形等。然而，手工设计的特征计算复杂度高，提取需要花费大量的时间，并且这些特征提取器通常只能利用虹膜纹理的特定特征，效果有一定的局限。随着大规模计算机的出现和计算速度的提高，人们逐渐发现，深度学习尤其是卷积神经网络(CNN)在图像识别方面的优秀性能。由于CNN涉及到大量的训练样本来学习虹膜的纹理特征，而实际采集时每个人提供的虹膜图像有限。使用图像增广扩大训练集数据，利用小样本学习，帮助CNN即使只看到少量训练样本也能表现良好。
技术实现思路
针对现有技术的不足，本专利技术提供一种采用图像增广和小样本学习的虹膜识别方法，本专利技术可对虹膜图像增广多角度丰富虹膜纹理，扩充训练集数据，在少模型情况下利用小样本学习融入CNN前端，实时搭建CNN并自动挖掘虹膜纹理，获取优良的虹膜纹理编码，最终通过一阶时间相关序列进行相似度匹配，利用虹膜纹理的自相似性获得优良的识别效果。本专利技术采用以下技术方案：一种采用图像增广和小样本学习的虹膜识别方法，利用虹膜图像采集及识别装置来实现，所述虹膜图像采集及识别装置包括带有红外光源的高分辨率摄像头(如分辨率1080p，可视角度70°)、计算机和显示设备，高分辨率摄像头、计算机和显示设备依次连接；带有红外光源的高分辨率摄像头用于采集虹膜图像，并将采集到的图像发送至计算机；显示设备用于显示认证结果；计算机中集合有虹膜预处理模块、图像增广模块、特征提取模块和模式匹配模块，计算机根据小样本学习搭建CNN并提取虹膜纹理特征，已采集图像的用户作为注册用户，对注册用户进行特征编码提取并存储在计算机中，等待认证用户的虹膜图像被高分辨率摄像头捕捉后，送入计算机进行身份认证，具体步骤包括：1)读取采集的虹膜图像；2)虹膜预处理：对虹膜内外边缘定位，去除图像噪声并获得统一尺寸的归一化虹膜模板；3)图像增广：在归一化虹膜模板基础上设计四种针对虹膜变化的模板，扩充训练集数据；4)基于CNN的特征提取：利用小样本学习使CNN获取虹膜纹理信息，搭建CNN，提取纹理特征；5)虹膜匹配：A)注册：虹膜经过与步骤2)相同的预处理，放入步骤4)搭建好的CNN提取纹理特征中，并保留用户信息；B)认证：将待认证的虹膜与系统已注册用户逐一匹配，获得虹膜归属情况，进行身份认证；6)显示认证结果。优选的，所述步骤2)的虹膜预处理进一步为：a)定位分割：虹膜位于瞳孔和眼白之间，三者的灰度梯度差距明显，将虹膜视为标准圆环，利用图像的灰度梯度差，确定虹膜的内、外边缘，最后将内、外边缘之间的虹膜分割出来；b)归一化：通过直角坐标系和极坐标系的转化，将圆环的虹膜展开为固定像素(30*150)的矩形模板；c)选择感兴趣区域，即ROI部分，去掉噪声即去掉归一化虹膜模板中包含上下眼睑和睫毛部分；d)使用直方图均衡化对ROI部分的虹膜图像进行增强，提高图像对比度，最终得到30*150的归一化虹膜模板。优选的，所述步骤3)中图像增广的具体过程为：i)对部分归一化虹膜模板进行随机亮度抖动，模拟光线变化对虹膜图像的影响：对于M个样本随机选取个样本，对选取的样本生成一个模板矩阵并令所有元素均为零；在该模板矩阵中随机取一个点设置为1；采用一个方差为Σ＝28的二维高斯核对该模板矩阵进行卷积，得到卷积后的模板矩阵将该模板矩阵取反后与原始样本进行哈达码积运算，得到随机亮度抖动样本其中表示哈达码积运算；ii)对部分归一化虹膜模板进行瞳孔缩放：瞳孔的扩张和收缩分别对应于归一化虹膜模板的纵向拉伸和压缩，卷齿轮是一个锯齿环状的线，它把虹膜分割成位于内部的瞳孔和外部睫状体两部分，纹理呈现放射状从内部向外延伸，因此大部分纹理信息都集中在卷齿轮的内部区域，在拉伸归一化模板时，将卷齿轮外区域丢弃，在压缩归一化模板时，将卷齿轮内部的纹理进行补充扩展，既可以保持虹膜模板像素的一致性，又增强了对虹膜纹理重要部分的关注：在步骤i)获得的虹膜增广样本中，进一步随机选取个样本，对选取的样本若Kc＞1，在纵向，即矩阵行方向上放大Kc倍至30Kc行，然后截取30Kc行，变换为矩阵若Kc＜1，则用双三次内插值的方法在纵向，即矩阵行方上放大至30行，得到随机纵向拉伸压缩矩阵iii)对部分归一化虹膜模板进行区域平移，实现瞳孔旋转，以提高对于虹膜旋转的识别能力：在步骤ii)获得的虹膜增广样本中，进一步随机选取个样本，对选取的样本随机选取其中的前d列矩阵，其中1<d<150，移动至矩阵末尾并连接，得到随机区域平移后的矩阵iv)对部分归一化虹膜模板进行镜像翻转：在步骤iii)获得的虹膜增广样本中，进一步随机选取个样本，对选取的样本进行左右镜像翻转，得到镜像后的矩阵优选的，所述步骤4)中CNN提取特征进一步为：I)选择q个人的虹膜两两组合，一对一进行CNN训练，搭建N个CNN网络，其中II)构建小样本学习层：通过图像增广后的样本送入小样本学习层，每批次随机输出M*个样本，对CNN进行训练；III)构建CNN的三个部分：第一部分包括两个卷积层、批归一化层、ReLU激活层和一个最大池化层多层连接组成，将固定像素(30*150)的矩形模板，降采样成30*30的正方形图片；第二部分包括两个卷积层、批归一化层、ReLU激活层和一个最大池化层多层连接组成，深缩小卷积核的同时增加网络深度，输出特征图为15*15，以提取更加细致的虹膜纹理特征本文档来自技高网...

【技术保护点】
1.一种采用图像增广和小样本学习的虹膜识别方法，其特征在于，利用虹膜图像采集及识别装置来实现，所述虹膜图像采集及识别装置包括带有红外光源的高分辨率摄像头、计算机和显示设备，高分辨率摄像头、计算机和显示设备依次连接；/n带有红外光源的高分辨率摄像头用于采集虹膜图像，并将采集到的图像发送至计算机；显示设备用于显示认证结果；/n计算机中集合有虹膜预处理模块、图像增广模块、特征提取模块和模式匹配模块，计算机根据小样本学习搭建CNN并提取虹膜纹理特征，已采集图像的用户作为注册用户，对注册用户进行特征编码提取并存储在计算机中，等待认证用户的虹膜图像被高分辨率摄像头捕捉后，送入计算机进行身份认证，具体步骤包括：/n1)读取采集的虹膜图像；/n2)虹膜预处理：对虹膜内外边缘定位，去除图像噪声并获得统一尺寸的归一化虹膜模板；/n3)图像增广：在归一化虹膜模板基础上设计四种针对虹膜变化的模板，扩充训练集数据；/n4)基于CNN的特征提取：利用小样本学习使CNN获取虹膜纹理信息，搭建CNN，提取纹理特征；/n5)虹膜匹配：/nA)注册：虹膜经过与步骤2)相同的预处理，放入步骤4)搭建好的CNN提取纹理特征中，并保留用户信息；/nB)认证：将待认证的虹膜与系统已注册用户逐一匹配，获得虹膜归属情况，进行身份认证；/n6)显示认证结果。/n...

【技术特征摘要】
1.一种采用图像增广和小样本学习的虹膜识别方法，其特征在于，利用虹膜图像采集及识别装置来实现，所述虹膜图像采集及识别装置包括带有红外光源的高分辨率摄像头、计算机和显示设备，高分辨率摄像头、计算机和显示设备依次连接；
带有红外光源的高分辨率摄像头用于采集虹膜图像，并将采集到的图像发送至计算机；显示设备用于显示认证结果；
计算机中集合有虹膜预处理模块、图像增广模块、特征提取模块和模式匹配模块，计算机根据小样本学习搭建CNN并提取虹膜纹理特征，已采集图像的用户作为注册用户，对注册用户进行特征编码提取并存储在计算机中，等待认证用户的虹膜图像被高分辨率摄像头捕捉后，送入计算机进行身份认证，具体步骤包括：
1)读取采集的虹膜图像；
2)虹膜预处理：对虹膜内外边缘定位，去除图像噪声并获得统一尺寸的归一化虹膜模板；
3)图像增广：在归一化虹膜模板基础上设计四种针对虹膜变化的模板，扩充训练集数据；
4)基于CNN的特征提取：利用小样本学习使CNN获取虹膜纹理信息，搭建CNN，提取纹理特征；
5)虹膜匹配：
A)注册：虹膜经过与步骤2)相同的预处理，放入步骤4)搭建好的CNN提取纹理特征中，并保留用户信息；
B)认证：将待认证的虹膜与系统已注册用户逐一匹配，获得虹膜归属情况，进行身份认证；
6)显示认证结果。


2.根据权利要求1所述的采用图像增广和小样本学习的虹膜识别方法，其特征在于，所述步骤2)的虹膜预处理进一步为：
a)定位分割：虹膜位于瞳孔和眼白之间，三者的灰度梯度差距明显，将虹膜视为标准圆环，利用图像的灰度梯度差，确定虹膜的内、外边缘，最后将内、外边缘之间的虹膜分割出来；
b)归一化：通过直角坐标系和极坐标系的转化，将圆环的虹膜展开为固定像素的矩形模板；
c)选择感兴趣区域，即ROI部分，去掉噪声即去掉归一化虹膜模板中包含上下眼睑和睫毛部分；
d)使用直方图均衡化对ROI部分的虹膜图像进行增强，提高图像对比度，最终得到归一化虹膜模板。


3.根据权利要求2所述的采用图像增广和小样本学习的虹膜识别方法，其特征在于，所述步骤3)中图像增广的具体过程为：
i)对部分归一化虹膜模板进行随机亮度抖动，模拟光线变化对虹膜图像的影响：
对于M个样本随机选取个样本，对随机选取的样本生成一个模板矩阵并令所有元素均为零；在该模板矩阵中随机取一个点设置为1；采用一个方差为Σ＝28的二维高斯核对该模板矩阵进行卷积，得到卷积后的模板矩阵将该模板矩阵取反后与原始样本进行哈达码积运算，得到随机亮度抖动样本其中表示哈达码积运算；
ii)对部分归一化虹膜模板进行瞳孔缩放：
瞳孔的扩张和收缩分别对应于归一化虹膜模板的纵向拉伸和压缩，在拉伸归一化模板时，将卷齿轮外区域丢弃，在压缩归一化模板时，将卷齿轮内部的纹理进行补充扩展：
在步骤i)获得的虹膜增广样本中，进一步随机选取个样本，对选取的样本若Kc＞1，在纵向即矩阵行方向上放大Kc倍至30Kc行，然后截取30Kc行，变...

【专利技术属性】
技术研发人员：周卫东，刘英剑，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37