基于采集不确定性解耦的鲁棒虹膜识别方法技术

本发明专利技术提供基于采集不确定性解耦的鲁棒虹膜识别方法，为了解决低配合虹膜识别中不确定采集因素对身份特征的影响，探究了采集过程中来自眼、设备、环境的不确定因素，从像素层和特征层出发，分别提出了归一化虹膜图像增强方法和不确定性嵌入表达来解决采集不确定性问题。前者在像素层依据图像的局部和全局统计量逐步对图像进行调整；后者则在特征层使用高斯分布来表示图像，事实上将身份信息从采集因素中解耦出来。此外，还提出了不确定性导向的训练策略让模型按照样本的不确定性从易到难进行学习，以获得更鲁棒的特征表达。

【技术实现步骤摘要】
基于采集不确定性解耦的鲁棒虹膜识别方法
本专利技术涉及图像处理领域，具体涉及基于采集不确定性解耦的鲁棒虹膜识别方法。
技术介绍
虹膜识别由于其极高的识别精度被视为未来监控场景下具有广阔应用前景的生物特征识别技术。然而，虹膜识别在配合度较低的监控场景下不可避免地会受多种因素影响，比如眼睛(运动、位置、遮挡)、设备(光学镜头、传感器、电子控制单元)，以及环境(照明)。这些不确定的采集因素不仅使得采集设备难以捕获让人满意的虹膜图像，也让成像结果之间存在显著的差异，导致了巨大的类内差异。为了缩小这种分歧，必须要采用强大的特征提取器来学习紧凑的特征表示。传统的虹膜识别方法如对数Gabor、定序编码等将虹膜图像编码为二进制模板，而深度虹膜识别方法如Maxout、动态图表示法则采用深度神经网络来生成特征向量。这两类方法都是基于确定点来表示虹膜图像，并在特征层缩小类内距离。然后，这些方法却忽略了造成类内差异的更深层次原因，即数据的不确定性导致类内距离。诚然，为了进一步减少确定点特征表达中的类内距离，研究人员也开发了许多虹膜识别技巧，如模板位移、掩码和模板二值化等，甚至尝试增加模型容量来缩小类内距离。但这些旨在利用计算资源换取性能提升的技巧依旧受限于确定点特征表达，难以有效消除虹膜数据中的不确定性，无法显著的提升识别方法在低配合度场景中的表现。申请公布号CN102629319B公开了一种基于特定边界检测子的鲁棒虹膜区域分割方法。该方法包括以下步骤：S1：构建左、右内边界、左、右外边界以及上、下眼皮边界六个虹膜特定边界训练数据集和候选特征集合；S2：使用级联的自适应学习算法构建六个虹膜特定边界检测子；S3：利用左、右内边界检测子和加权霍夫变换定位虹膜内边界；S4：利用左、右外边界检测子和加权霍夫变换定位虹膜外边界；S5：利用上、下眼皮边界检测子和鲁棒最小二乘法定位上下眼皮边界。现有技术存在的问题是：低配合场景下的虹膜识别难点主要集中在于不确定的采集因素导致了不稳定的虹膜成像，这使得采集到的虹膜图像不仅包含身份信息，同时也与采集因素（或采集过程）息息相关。现有的确定点特征表示方法忽略了采集因素对特征提取的影响，影响了特征提取器学习，使得采集因素模糊了最终的特征表达。
技术实现思路
有鉴于此，本专利技术提供一种基于采集不确定性解耦的鲁棒虹膜识别方法，具体地，本专利技术是通过如下技术方案实现的：S1：对低配合条件下采集的原始虹膜图像Xraw进行虹膜预处理操作，得到虹膜归一化图像X；S2：应用滑动窗口对所述虹膜归一化图像X的窗口中心像素点进行像素局部增强，得到局部增强图像Xnlocal(h,w)；再应用局部增强图像Xnlocal(h,w)计算全局一阶统计量XnM和全局二阶统计量XnS；最后，应用全局一阶统计量、全局二阶统计量和局部增强图像Xnlocal(h,w)计算得到增强图像Xout(h,w)；S3：将增强图像Xout(h,w)输入深度学习网络，得到均值un和方差σn；应用均值un和方差σn构建不确定性嵌入表达p(Xout)；最后应用均值un和方差σn计算KL散度损失Lkl来对方差估计进行约束；S4：从标准正态分布N(0,I)中随机生成一组随机数ɛn；不确定性嵌入表达p(Xout)依照所述随机数来进行采样，获得随机嵌入结果sn；将随机嵌入结果sn输入分类矩阵，得到随机嵌入结果sn的类别yn；分类矩阵为全连接层；利用随机数ɛn和所述方差σn来获得随机嵌入结果的样本难度得分rn；S5：根据训练迭代次数t来调整难度采样阈值a(t)；根据样本难度得分rn和难度采样阈值a(t)构建样本难度评判函数pn；再根据样本难度评判函数pn计算分类损失Lcls；S6：将采样后的所述分类损失Lcls和KL散度损失Lkl加权相加获得最终的模型损失L；应用Adam优化器对模型损失L不断迭代优化直至稳定收敛到一个最小值，获得最佳的模型参数，使得模型学得鲁棒均值un作为身份表达，并用于身份识别；所述模型参数包括：所述深度学习网络的参数和分类矩阵的参数WC。优选地，得到局部增强图像Xnlocal(h,w)的计算方法为：对于虹膜归一化图像X，使用一个小大为3x3的滑动窗口来进行局部观察，统计窗口内像素均值，并将像素均值视为窗口中心像素应拥有的像素值，即：其中，(h,w)：第张图像Xn的中心点像素点的位置；i,j：控制滑动窗口的大小。优选地，计算全局一阶统计量XnM和全局二阶统计量XnS的具体方法为：其中，H和W：分别表示图像Xnlocal(h,w)的纵向高度和横向宽度；得到增强图像Xout(h,w)的计算方法为：。优选地，将所述增强图像Xout(h,w)输入深度学习网络，得到均值un和方差σn的具体方法为：将增强图像Xout(h,w)传入主干网络来获得隐空间表示zn；再将隐空间表示zn输入均值分支网络和方差分支网络，得到均值和方差；均值分支网络和方差分支网络采用了相同的结构，参数不同。优选地，应用均值un和方差σn构建不确定性嵌入表达p(Xout)的具体方法为：其中，In：大小为n×n的单位阵；N(•)：高斯分布。优选地，应用均值un和方差σn计算KL散度损失Lkl的具体方法为：其中，N：样本数量；D：均值、方差和随机数的特征长度。优选地，获得随机嵌入结果sn的具体方法为：。优选地，获得随机嵌入结果的样本难度得分rn的具体方法为：。优选地，根据训练迭代次数t来调整难度采样阈值a(t)的具体方法为：构建样本难度评判函数pn的具体方法为：当pn=1时，该样本为低困难样本，纳入模型损失计算；而pn=0时，该样本为高困难样本，不纳入当前模型损失计算。优选地，分类损失Lcls的具体公式为：其中，Wc：分类矩阵WC中类别c对应的一列向量；Wyn：分类矩阵WC中类别yn对应的一列向量；C：全部类别的总数；g：特征放缩因子,设置参数，参数设置范围为60-65；m：间隔参数,设置参数，参数设置范围为0.4-0.6。本申请实施例提供的上述技术方案与现有技术相比具有如下优点：缓解了低配合场景中降质虹膜图像识别难问题。本方法基于虹膜采集过程中的不确定因素，从增强图像和改善特征表达两方面出发来缓解虹膜图像中不确定性信息对身份特征的影响。此外，本方法还利用模型对不确定性的预测结果来区分高难度和低难度样本，并通过调节阈值的方式来不断将更多的样本扩充入低难度样本去参与模型训练。附图说明图1为本专利技术实施例提供的基于采集不确本文档来自技高网...

【技术保护点】
1.基于采集不确定性解耦的鲁棒虹膜识别方法，其特征在于，所述方法包括：/nS1：对低配合条件下采集的原始虹膜图像

【技术特征摘要】
1.基于采集不确定性解耦的鲁棒虹膜识别方法，其特征在于，所述方法包括：
S1：对低配合条件下采集的原始虹膜图像Xraw进行虹膜预处理操作，得到虹膜归一化图像X；
S2：应用滑动窗口对所述虹膜归一化图像X的窗口中心像素点进行像素局部增强，得到局部增强图像Xnlocal(h,w)；
再应用局部增强图像Xnlocal(h,w)计算全局一阶统计量XnM和全局二阶统计量XnS；
最后，应用全局一阶统计量、全局二阶统计量和局部增强图像Xnlocal(h,w)计算得到增强图像Xout(h,w)；
S3：将所述增强图像Xout(h,w)输入深度学习网络，得到均值un和方差σn；
应用所述均值un和方差σn构建不确定性嵌入表达p(Xout)；
最后应用所述均值un和方差σn计算KL散度损失Lkl来对方差估计进行约束；
S4：从标准正态分布N(0,I)中随机生成一组随机数ɛn；
不确定性嵌入表达p(Xout)依照所述随机数来进行采样，获得随机嵌入结果sn；
将所述随机嵌入结果sn输入分类矩阵，得到随机嵌入结果sn的类别yn；所述分类矩阵为全连接层；
利用所述随机数ɛn和所述方差σn来获得随机嵌入结果的样本难度得分rn；
S5：根据训练迭代次数t来调整难度采样阈值a(t)；
根据所述样本难度得分rn和难度采样阈值a(t)构建样本难度评判函数pn；
再根据样本难度评判函数pn计算分类损失Lcls；
S6：将采样后的所述分类损失Lcls和所述KL散度损失Lkl加权相加获得最终的模型损失L；
应用Adam优化器对模型损失L不断迭代优化直至稳定收敛到一个最小值，获得最佳的模型参数，使得模型学得鲁棒均值un作为身份表达，并用于身份识别；
所述模型参数包括：所述深度学习网络的参数和分类矩阵的参数WC。


2.根据权利要求1所述的基于采集不确定性解耦的鲁棒虹膜识别方法，其特征在于，所述得到局部增强图像Xnlocal(h,w)的计算方法为：
对于虹膜归一化图像X，使用一个小大为3x3的滑动窗口来进行局部观察，统计窗口内像素均值，并将所述像素均值视为窗口中心像素应拥有的像素值，即：



其中，
(h,w)：第张图像Xn的中心点像素点的位置；

i,j：控制滑动窗口的大小。


3.根据权利要求2所述的基于采集不确定性解耦的鲁棒虹膜识别方法，其特征在于，所述计算全局一阶统计量XnM和全局二阶统计量XnS的具体方法为：






其中，
H和W：分别表示图像Xnlocal(h,w)的纵向高度和横向宽...

【专利技术属性】
技术研发人员：孙哲南，卫建泽，王云龙，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11