基于循环注意力机制的虹膜图像防伪检测方法技术

本发明专利技术实施例提供了一种基于循环注意力机制的虹膜图像防伪检测方法，包括：将全局虹膜图像输入虹膜防伪检测网络模型；通过第一级网络结构单元对全局虹膜图像进行处理获得第一级特征尺度的预测概率和关键区域参数；通过每一级网络结构单元执行：基于输入至当前级网络结构单元的当前特征尺度下的输入图像和当前级网络单元输出的当前级特征尺度的关键区域参数，得到下一级特征尺度的输入图像，并由下一级网络结构单元对下一级特征尺度的输入图像进行处理，获得下一级网络结构单元对应的下一级特征尺度的预测概率和关键区域参数；将至少两个不同级特征尺度的预测概率进行融合，得到全局虹膜图像为真实虹膜的图像或伪造虹膜的图像的判定结果。膜的图像的判定结果。膜的图像的判定结果。

【技术实现步骤摘要】
基于循环注意力机制的虹膜图像防伪检测方法


[0001]本专利技术属于生物特征识别
具体地，涉及一种基于循环注意力机制的虹膜图像防伪检测方法。

技术介绍

[0002]虹膜识别因具有唯一性、稳定性和非接触性等优势，是一种高精度的身份认证方法。由于隐形眼镜的透光特性，佩戴纹理隐形眼镜后能在虹膜传感器上获得带纹理的虹膜图像，从而隐藏甚至伪造虹膜纹理。佩戴纹理隐形眼镜是目前隐蔽性最好、检测难度最大的虹膜伪造手段，会严重影响虹膜识别系统的安全性，因此对纹理隐形眼镜虹膜进行检测是保证生物特征识别安全性的重要环节。
[0003]传统的虹膜防伪检测方法主要基于虹膜的光学特性或纹理特征进行检测，需要手动设计和提取特征描述子，实时性和准确率都不佳。目前基于深度学习的虹膜防伪检测网络，需要对虹膜图像进行预处理，手工定位关键区域，影响检测的实时性、准确性和泛化性。

技术实现思路

[0004]针对现有基于深度学习的虹膜防伪检测方法中的问题，本专利技术的目的是提供一种基于循环注意力机制的虹膜图像防伪检测方法，包括以下步骤：
[0005]S1，将待检测的全局虹膜图像输入虹膜防伪检测网络模型；
[0006]其中，所述虹膜防伪检测网络模型包括多级网络结构单元依次连接构成的循环网络结构，每级所述网络结构单元由特征分类网络和注意力网络构成，且同级网络结构单元内的特征分类网络和注意力网络共享特征提取网络，所述特征分类网络基于所述特征提取网络提取的特征获取输入至所述网络结构单元的图像属于伪造虹膜图像的预测概率，所述注意力网络基于所述特征提取网络提取的特征对输入至所述网络结构单元的图像中的关键区域进行定位以获得关键区域参数；
[0007]S2，通过所述虹膜防伪检测网络模型中的第一级网络结构单元对所述全局虹膜图像进行处理，获得第一级特征尺度的所述预测概率和所述关键区域参数；
[0008]S3，通过所述虹膜防伪检测网络模型中的每一级网络结构单元执行以下操作：基于输入至当前级网络结构单元的当前特征尺度下的输入图像和所述当前级网络单元输出的所述当前级特征尺度的关键区域参数，得到下一级特征尺度的输入图像，并由下一级网络结构单元对所述下一级特征尺度的输入图像进行处理，获得所述下一级网络结构单元对应的下一级特征尺度的所述预测概率和所述关键区域参数；
[0009]S4，将至少两个不同级特征尺度的所述预测概率进行融合，得到所述全局虹膜图像为真实虹膜的图像或伪造虹膜的图像的判定结果。
[0010]在一些可选的实施方式中，所述特征分类网络包括所述特征提取网络和第一全连接层；所述注意力网络包括所述特征提取网络和第二全连接层。
[0011]在一些可选的实施方式中，所述第二全连接层包括双层全连接层。
[0012]在一些可选的实施方式中，所述特征提取网络为MobileNetV2。
[0013]在一些可选的实施方式中，所述虹膜防伪检测网络模型包括三级所述网络网络结构单元，其中，第一级所述网络结构单元对应的关键区域包括虹膜区域，第二级所述网络结构单元对应的关键区域包括虹膜的纹理区域。
[0014]在一些可选的实施方式中，所述将至少两个不同级特征尺度的所述预测概率进行融合，得到所述全局虹膜图像为真实虹膜的图像或伪造虹膜的图像的判定结果，包括：
[0015]将第二级特征尺度的所述预测概率和第三级特征尺度的所述预测概率取平均值或加权和，得到融合概率，根据所述融合概率获得所述判定结果。
[0016]在一些可选的实施方式中，各级所述网络结构单元中的所述特征分类网络的结构一致，各级所述网络结构单元中的所述注意力网络的结构一致。
[0017]在一些可选的实施方式中，所述关键区域参数包括关键区域的中心坐标和区域边长。
[0018]在一些可选的实施方式中，所述基于输入至当前级网络结构单元的当前特征尺度下的输入图像和所述当前级网络单元输出的所述当前级特征尺度的关键区域参数，得到下一级特征尺度的输入图像，包括：
[0019]基于所述当前级特征尺度的关键区域参数，生成用于定位关键区域的图像掩膜，将所述图像掩膜与所述当前特征尺度下的输入图像进行逐像素相乘的裁剪操作，并由裁剪后的区域图像进行双线性插值上采样得到所述下一级特征尺度的输入图像。
[0020]在一些可选的实施方式中，所述关键区域参数包括关键区域的中心坐标和区域边长；所述图像掩膜通过如下方式生成：
[0021]根据所述关键区域的中心坐标和区域边长获得所述关键区域的左上角坐标(x
tl
,y
tl
)和右下角点坐标(x
br
,y
br
)。
[0022]确定掩膜M为：
[0023]M(
·
)＝[σ(x
‑
x
tl
)
‑
σ(x
‑
x
br
)]·
[σ(y
‑
y
tl
)
‑
σ(y
‑
y
br
)][0024]其中σ(
·
)表示的是sigmoid函数。
[0025]上述实施例提供的方法将解决细粒度图像分类问题的循环注意力机制应用于虹膜图像的检测来提升伪造虹膜图像的检测精度，能对可区分真实虹膜图像和伪造的纹理的虹膜图像的关键区域进行无监督定位，并融合多层级尺度特征进行判别，提升了检测的实时性，在一些实施方式中，在特征提取部分采用轻量级卷积神经网络，降低了硬件设备的算力和内存门槛，使得方法可以运行在小型化、低功耗的设备(如嵌入式边缘计算设备)上，更好地平衡了检测精度和运算成本。
附图说明
[0026]通过阅读参照以下附图对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0027]图1为基于循环注意力机制的虹膜图像防伪检测方法的一个实施例的流程示意图。
[0028]图2为本专利技术实施例的虹膜防伪检测网络模型的一个示例性框架图。图中，201、特征分类网络；202、注意力网络；203、网络结构单元。
[0029]图3A、图3B、图3C依次为虹膜区域、虹膜纹理区域、插值后的虹膜纹理区域的图像中心坐标和区域边长位置参数的示意图。
[0030]图4A和图4B分别为虹膜区域的图像掩膜示意图和虹膜纹理区域的图像掩膜示意图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，下面结合附图和实施例对本专利技术作进一步的详细说明：
[0032]如图1所示，本申请实施例提供了一种基于循环注意力机制的虹膜图像防伪检测方法，该方法可运行在诸如计算机、笔记本电脑、服务器等具有图像/图形处理能力的电子设备上。在本实施例中，上述方法流程包括以下步骤：
[0033]S1，将待检测的全局虹膜图像输入虹膜防伪检测网络模型。
[0034]在本实施例中，设计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环注意力机制的虹膜图像防伪检测方法，其特征在于，包括以下步骤：将待检测的全局虹膜图像输入虹膜防伪检测网络模型，其中，所述虹膜防伪检测网络模型包括多级网络结构单元依次连接构成的循环网络结构，每级所述网络结构单元由特征分类网络和注意力网络构成，且同级网络结构单元内的特征分类网络和注意力网络共享特征提取网络，所述特征分类网络基于所述特征提取网络提取的特征获取输入至所述网络结构单元的图像属于伪造虹膜图像的预测概率，所述注意力网络基于所述特征提取网络提取的特征对输入至所述网络结构单元的图像中的关键区域进行定位以获得关键区域参数；通过所述虹膜防伪检测网络模型中的第一级网络结构单元对所述全局虹膜图像进行处理，获得第一级特征尺度的所述预测概率和所述关键区域参数；通过所述虹膜防伪检测网络模型中的每一级网络结构单元执行以下操作：基于输入至当前级网络结构单元的当前特征尺度下的输入图像和所述当前级网络单元输出的所述当前级特征尺度的关键区域参数，得到下一级特征尺度的输入图像，并由下一级网络结构单元对所述下一级特征尺度的输入图像进行处理，获得所述下一级网络结构单元对应的下一级特征尺度的所述预测概率和所述关键区域参数；将至少两个不同级特征尺度的所述预测概率进行融合，得到所述全局虹膜图像为真实虹膜的图像或伪造虹膜的图像的判定结果。2.根据权利要求1所述的方法，其特征在于，所述特征分类网络包括所述特征提取网络和第一全连接层；所述注意力网络包括所述特征提取网络和第二全连接层。3.根据权利要求2所述的方法，其特征在于，所述第二全连接层包括双层全连接层。4.根据权利要求1所述的方法，其特征在于，所述特征提取网络为MobileNetV2。5.根据权利要求1所述的方法，其特征在于，所述虹膜防伪检测网络模型包括三级所述网络网络结构单元，其中，第一级所述网络结构单元对应的关键区域包括虹膜区域，第二级所述网络结构单元对应的关键区域包括虹膜的纹理区域。6.根据权利要求5所述的方法，其特征在于，所述将至少两个不同级特征尺度的所述预测概率进行融合，得...

【专利技术属性】
技术研发人员：何玉青，杨峻凯，吕梦凌，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：