【技术实现步骤摘要】
基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统
[0001]本申请涉及虹膜识别
,例如涉及一种基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统。
技术介绍
[0002]目前,生物特征识别技术是近年来兴起的识别技术,简单来说是一种利用生物的生理特征进行身份检验的识别技术。相比于传统的身份识别技术(例如门锁钥匙和密码等),生物特征识别技术具有更高的稳定性、安全性和便携性。其中,虹膜识别技术就是一种利用生物眼睛的虹膜纹理特征进行身份认证的生物识别技术,相比于人脸识别、掌纹识别、指纹识别等其他生物识别技术,虹膜识别技术具有独特的优越性。首先,虹膜具有极强的生物活性,与人体生命现象共生共息,所以想用照片、录像代替活体的虹膜图像都是不可行的;其次,虹膜具有极强的稳定性,出生前虹膜已经形成,出生6
‑
18个月后定型,此后终生不变,极其稳定;最后,虹膜具有唯一性,每个虹膜所包含的信息都不相同,具有极大的随机性,同一个人左右眼的虹膜纹理都不会相互认同。因此,虹膜识别系统具有非常大的应用前景。
[0003]在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
[0004]目前市面上的虹膜识别系统主要分为两大类:基于个人计算机(Perso nal Computer,PC)平台的虹膜识别系统和基于嵌入式平台的虹膜识别系统,其中,基于PC平台的虹膜识别系统便携性不强,结构复杂且实用性不强,而基于嵌入式平台的虹膜识别系统存储空间较小、扩展性不强。
技术实现思路
[00 ...
【技术保护点】
【技术特征摘要】
1.一种基于FPGA的虹膜识别系统部署方法,应用于虹膜识别系统,其特征在于,所述虹膜识别系统包括图像采集单元、虹膜图像处理单元和图像显示单元,所述虹膜识别系统部署方法包括:对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化,以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式;通过FPGA开发套件,将所述虹膜纹理提取模型部署到FPGA平台上,构成所述虹膜图像处理单元;将已经部署在FPGA平台上的所述图像采集单元和图像显示单元分别与所述虹膜图像处理单元通信连接,以构成完整的虹膜识别系统。2.根据权利要求1所述的虹膜识别系统部署方法,其特征在于,所述对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化,以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式,包括:对所述虹膜纹理提取模型的每一层进行遍历,获取每一层的激活值;根据每一层的激活值的数值构建直方图,分成m个组别;从前n个组别开始,依次增加至m个组别分别计算其KL散度;选取KL散度最小的组别作为最优映射组别,舍弃超过该组别阈值的数值,并将其余的数值进行float32到int8的线性映射。3.根据权利要求1所述的虹膜识别系统部署方法,其特征在于,所述通过FPGA开发套件,将所述虹膜纹理提取模型部署到FPGA平台上,构成所述虹膜图像处理单元,包括:通过FPGA开发套件,生成可配置的卷积加速器;在FPGA开发套件在进行Soc系统的设计,对FPGA平台中的可配置逻辑电路进行配置;利用FPGA开发套件将所述虹膜纹理提取模型的参数以及计算操作写入ARM处理器中。4.一种虹膜识别方法,其特征在于,包括:采集待验证用户的虹膜图像;对虹膜图像进行预处理,通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征,并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比,得到识别结果;显示所述虹膜图像的采集过程和所述识别结果。5.根据权利要求4所述的虹膜识别方法,其特征在于,在采集待验证用户的虹膜图像之前,还包括:获取包含多个虹膜图像的训练数据集,并对虹膜图像进行预处理;通过小样本学习法设计虹膜图片增广模板,以对所述训练数据集进行数据扩充;使用扩充后的训练数据集对预先构建的卷积神经网络模型进行训练,得到虹膜纹理提取模型;采集需注册用户的虹膜图像并对虹膜图像进行预处理,通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征;将所述虹膜图像的虹膜纹理特征存储在所述虹膜纹理提取模型中,形成已注册用户的虹膜纹理特征模板;根据已注册用户的虹膜图像和虹膜纹理特征模板,对所述虹膜纹理提取模型进行识别准确率验证。
6.根据权利要求5所述的虹膜识别方法,其特征在于,所述通过小样本学习法设计虹膜图片增广模板,以对所述训练数据集进行数据扩充,包括:生成与虹膜标准模板相同大小的高斯随机矩阵,与归一化的虹膜图像进行点乘,得到加入亮度干扰后的虹膜图像;随机选取所述虹膜图像中的若干列矩阵,与其他的列矩阵进行交换,得到经过虹膜旋转后的虹膜图像;对虹膜图像进行拉伸和压缩,生成多种虹膜距离的虹膜图像。7.根据权利要求5所述的虹膜识别方法,其特征在于,所述卷积神经网络模的网络结构包括:第一卷积层,被配置为采用12个感受野为5*5的2D卷积核,使用padding对边界进行填充,卷积后保持特征图的大小不变;第一激活层,被配置为采用Relu激活函数;第一最大池化层,被配置为一个3*5的池化区域,以3*5的步幅进行池化,将特征图降采样大小为10*30;第二卷积层,被配置为采用16个感受野为3*3的2D卷积核,使用pa dding对边界进行填充,卷积后保持特征图大小不变;第二激活层,被配置...
【专利技术属性】
技术研发人员:刘德华,张玉香,周卫东,刘军成,
申请(专利权)人:青岛熙正数字科技有限公司,
类型:发明
国别省市:
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。