一种基于小样本学习的虹膜识别方法技术

本发明专利技术公开了一种基于小样本学习的虹膜识别方法，应用于机器学习技术领域，具体步骤包括如下：获取虹膜图像，并对虹膜图像进行预处理，得到数据集；在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；对构造的虹膜识别模型进行训练，获取原模型参数值并更新原模型参数值；同时对损失函数引入L2正则化；得到最优虹膜图像识别模型，进行虹膜识别。本发明专利技术基于元学习的模型无关自适应算法的基础上进行了改进，对MAML的交叉熵损失函数进行改进，引入L2正则化，在内循环内部进行更为充分的学习，减少训练过程的过拟合现象，提高算法的泛化性以更好地适应新任务；同时使元学习变简，进一步嵌套特征提取网络，增强内嵌网络的特征提取能力。

【技术实现步骤摘要】
一种基于小样本学习的虹膜识别方法
本专利技术涉及机器学习
，更具体的说是涉及一种基于小样本学习的虹膜识别方法。
技术介绍
生物识别系统在不断地发展，并有望在自动系统中用于有效地识别或认证一个人的身份，而无需用户携带或记住任何东西，这不同于传统方法，例如密码、ID。在这方面，虹膜识别已被用于许多关键应用中，例如限制区域的访问控制、数据库访问、国民身份证和金融服务，并且被认为是最可靠和准确的生物识别特征之一。多项研究表明，虹膜特征相比其他生物特征(例如面部，指纹)具有许多优势，这使其在高可靠性和准确性的生物特征系统中得到了普遍认可。这显示了在安全领域中虹膜识别的巨大潜力，并且可以作为自动识别系统的强大补充部分。随着计算机科学技术的不断发展，有关深度学习领域的研究越来越多，相对于传统的图像识别方法，基于深度学习的图像识别取得了巨大的突破，比如卷积神经网络能够从图像的低层到高层，逐步提取能够代表图像的高级语义结构化特征，同时将特征提取过程与分类过程融为一体，显著提高了图像分类的准确度。但卷积神经网络通常包含成千上万的训练参数，因此使用深度学习网络训练虹膜识别模型需要依赖大量的数据样本。其他生物特征例如人脸拥有数百万张人脸图像的大型数据集可供训练，然而虹膜特征现在仍然遭受数据集不足的困扰，因此难以利用深度学习的强大能力来进行训练。此外，某些情况下需要快速识别身份，但往往仅有有限的虹膜数据。当前机器学习从几个示例中快速学习新概念的能力还远不如人类，这通常被称为小样本学习问题。在这种情况下，有关小样本学习的研究逐渐得到人们的关注，并迅速成为图像分类的热点研究领域。深度学习网络的训练需要依托大量的数据集来进行训练，数据量不足很容易产生过拟合现象，进而影响识别效果，简单的数据增强虽能缓解样本数量问题，但对识别结果的提升有限；并且一些数据增强方法，如拉伸、平移等不适用于虹膜纹理图像，会导致增强后的数据空间严重偏离原始空间，反而导致识别率下降。因此，如何提供一种不仅保证识别效果，而且保证识别率的基于小样本学习的虹膜识别方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于小样本学习的虹膜识别方法，显著提高基于深度学习技术样本数量不足情况下虹膜图像的识别率。为了实现上述目的，本专利技术提供如下技术方案：一种基于小样本学习的虹膜识别方法，具体步骤包括如下：获取虹膜图像，并对所述虹膜图像进行预处理，得到数据集；在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；对构造的所述虹膜识别模型进行训练，获取原模型参数值，利用梯度下降得到期望参数值，并更新原模型参数值；同时对损失函数引入L2正则化；得到最优虹膜图像识别模型，进行虹膜识别。优选的，在上述的一种基于小样本学习的虹膜识别方法中，所述预处理的具体步骤包括：根据瞳孔内部的像素值总和以及瞳孔轮廓上点P的梯度与半径是对齐的，其中O是瞳孔的中心，和之间的夹角θP和进行定位；定位完成对虹膜图像进行分割，并保存分割后的虹膜图像；进一步，使用Daugman方法进行虹膜图像归一化处理；获得归一化的虹膜图像后对进行直方均衡化处理，预处理完成。优选的，在上述的一种基于小样本学习的虹膜识别方法中，所述特征提取网络在MAML内嵌的网络模型的基础上增加2个卷积层，其中每个卷积层为具有32个大小为3×3卷积核，一个批归一化处理单元，一个ReLU激活函数。进一步，所提MAML的基础上，为了在内循环内部进行更为充分的学习，减少训练过程的过拟合现象，提高算法的泛化性以更好地适应新任务；同时随着内循环中梯度步数的增加，模型参数对元参数的依赖关系会缩小和消失，从而使元学习变得困难。于是在损失函数中引入正则化约束，在原有交叉熵损失函数的基础上加入L2正则化。优选的，在上述的一种基于小样本学习的虹膜识别方法中，对损失函数引入L2正则化具体步骤如下：引入L2正则化的交叉熵损失函数为：其中，n为样本数，xf为样本，λ为正则化参数，ω为权重参数，为预测值，yj为真实值。优选的，在上述的一种基于小样本学习的虹膜识别方法中，更新原模型参数值具体步骤如下：从给定的分布任务Ti～p(T)中选取组成训练所用的task，其中每个task包含K个类别，每个类别包含N个样本；利用训练集获得原模型参数θ在Ti上的loss值再利用梯度下降得到期望参数其中α为内循环使用的元训练学习率，此时通过计算来获得它在对应的task上的期望参数θi；利用所述期望参数θi，更新原模型参数其中，β为原模型参数θ更新中的学习率。优选的，在上述的一种基于小样本学习的虹膜识别方法中，引入L2正则化的原模型参数值更新步骤如下：原模型参数θ，fθ为原模型中原模型参数θ的映射，即原模型参数值，新任务ti时，期望参数为θi′，通过一次或多次的梯度更新计算得到，考虑到加入的L2正则化约束，一次单独的梯度更新计算如下所示：其中，θ为原模型参数，fθ′为期望参数值，通过从分布p(T)中采样的任务训练进行优化，元目标表示为：通过使用随机梯度下降，元学习的优化通过任务Ti～p(T)来进行，原模型参数θ如下调整:其中β表示原模型参数θ更新中的学习率，等式(3)代入(5)，得到进一步，对MAML内嵌的网络模型做了改进，MAML算法内嵌的模型架构包含4个模块，每个模块具有32个大小为3×3卷积核，一个批归一化处理单元，一个ReLU激活函数以及一个大小为2×2的最大池化处理单元。此外，最后一层使用softmax函数来进行分类。MAML内嵌的网络模型是一个浅层的卷积网络，特征提取能力还有进一步提升的空间。在原先四层的基础上增加了两个模块，以增强内嵌网络的特征提取能力，新增加的两个模块其余的组成与前几个模块的组成相同，只是不经过最大池化处理。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于小样本学习的虹膜识别方法，基于元学习的模型无关自适应(Model-AgnosticMeta-Learning以下简称MAML)算法的基础上进行了改进，对MAML的交叉熵损失函数进行改进，引入L2正则化，在内循环内部进行更为充分的学习，减少训练过程的过拟合现象，提高算法的泛化性以更好地适应新任务；同时使元学习变简，进一步嵌套特征提取网络，增强内嵌网络的特征提取能力。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术的方法流程图；图2附图为本专利技术的盘状内核示意图；图3(a)附图为本专利技术的虹膜图像的原始图像；图3(b)附图为本专利技术的虹膜图像的本文档来自技高网...

【技术保护点】
1.一种基于小样本学习的虹膜识别方法，其特征在于，具体步骤包括如下：/n获取虹膜图像，并对所述虹膜图像进行预处理，得到数据集；/n在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；/n对构造的所述虹膜识别模型进行训练，获取原模型参数值，利用梯度下降得到期望参数值，并更新原模型参数值；同时对损失函数引入L2正则化；/n得到最优虹膜图像识别模型，进行虹膜识别。/n

【技术特征摘要】
1.一种基于小样本学习的虹膜识别方法，其特征在于，具体步骤包括如下：
获取虹膜图像，并对所述虹膜图像进行预处理，得到数据集；
在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；
对构造的所述虹膜识别模型进行训练，获取原模型参数值，利用梯度下降得到期望参数值，并更新原模型参数值；同时对损失函数引入L2正则化；
得到最优虹膜图像识别模型，进行虹膜识别。


2.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，所述预处理的具体步骤包括：
根据瞳孔内部的像素值总和以及瞳孔轮廓上点P的梯度与半径是对齐的，其中O是瞳孔的中心，和之间的夹角θP和进行定位；
定位完成对虹膜图像进行分割，并保存分割后的虹膜图像；
进一步，使用Daugman方法进行虹膜图像归一化处理；
获得归一化的虹膜图像后对进行直方均衡化处理，预处理完成。


3.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，所述特征提取网络在MAML内嵌的网络模型的基础上增加2个卷积层，其中每个卷积层为具有32个大小为3×3卷积核，一个批归一化处理单元，一个ReLU激活函数。


4.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，对损失函数引入L2正则化具体步骤如下：
引入L2正则化的交叉熵损失函数为：



其中，n...

【专利技术属性】
技术研发人员：雷松泽，董柏华，李永刚，王建国，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：陕西;61