[發明專利]一種基于特征融合和機器學習的虹膜活性檢測方法

在審

• 申請號: 201910337212.1
• 申請日: 2019-04-25
• 公開（公告）號: CN110119695A
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 陳健美;王玉璽;于磊春;胡楊;王國輝
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于特征融合和機器學習的虹膜活性檢測方法,其特征在于，準備虹膜圖像數據集，分別提取虹膜圖像的LBP特征和HOG特征，對所提取的LBP特征和HOG特征進行降維處理，用典型相關性分析方法將降維后的LBP特征和HOG特征進行融合，得到特征融合后的典型相關特征，將典型相關特征輸入支持向量機模型，對虹膜圖像特征進行分類，實現對虹膜活性的檢測。

2.根據權利要求1所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述提取LBP特征的方法為：用LBP模板對圖像像素進行判斷計算得到LBP值。根據LBP值統計每一個區域的直方圖，級聯所有區域直方圖作為LBP特征向量。

3.根據權利要求1所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述提取HOG特征的方法為：設置滑動區域塊，將區域塊劃分為若干大小統一的細胞單元，計算各像素梯度的幅值和方向，統計細胞單元梯度直方圖，聯合所有細胞單元的梯度直方圖作為當前區域塊的梯度直方圖并對其標準化處理；級聯所有區域塊的梯度直方圖作為圖像的HOG特征向量。

4.根據權利要求1所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述典型相關特征的獲取方法為：找到一組投影向量α和β，使得投影x^*＝α^Tx_LBP與y^*＝β^Ty_HOG之間的相關系數ρ最大相關，則獲得LBP特征矩陣x_LBP和HOG特征矩陣y_HOG之間的典型相關特征。

5.根據權利要求4所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述相關系數ρ的計算方法為：

其中，S_xx表示x_LBP的自協方差矩陣，S_yy表示y_HOG的自協方差矩陣；S_xy表示x_LBP和y_HOG的互協方差矩陣。

6.根據權利要求1所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，支持向量機模型選用二分類模型，構建該模型的過程如下：

步驟1，選取核函數K(x，x)以及懲罰參數C；

步驟2，輸入融合后的特征，對二分類模型進行訓練，并將訓練好的模型用于虹膜活性的檢測。

7.根據權利要求6所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述核函數K(x，x)選用線性核，懲罰參數C＝1。

8.根據權利要求1所述的一種基于特征融合和機器學習的虹膜活性檢測方法，其特征在于，所述降維處理采用主成分分析進行降維。