[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

本發明公開了一種基于特征融合和機器學習的虹膜活性檢測方法，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進行融合；將融合后的特征輸入支持向量機模型，對虹膜圖像特征進行訓練和分類，實現對虹膜活性的檢測。本發明可以解決現有虹膜活性檢測方法中虹膜活性檢測準確率不高、不能有效地對虹膜攻擊進行防御和無法保證虹膜識別系統的安全性的問題。

技術領域

本發明屬于圖像處理和模式識別技術領域，尤其涉及一種基于特征融合和機器學習的虹膜活性檢測方法。

背景技術

隨著近年來人類社會在信息化道路上的不斷發展，身份認證的重要性更為突出，同時傳統的身份認證方法也受到了嚴峻的挑戰。而作為一種新型的身份認證手段，生物特征憑借其天然的高唯一性、安全性和便利性，受到了人們越來越多的關注。而且以此為基礎的身份認證方法，即生物特征識別，也取得了飛速的發展。其中，虹膜識別在穩定性、唯一性和非侵犯性上都具有其不可比擬的優勢，在身份識別領域中占據十分重要地位。

生物識別技術在快速發展和應用的同時也伴隨著安全風險，一旦生物特征被偽造，將導致人們的財產和個人隱私數據的泄漏，更有可能作為犯罪的替代品。因此，在生物安全方面，活性檢測的研究已經成為一個發展趨勢。活性檢測就是在生物識別系統中，判斷進行識別的個體是否來自于一個真正的個體，而不是偽造個體，這對生物識別來說是至關重要的一環。生物識別系統就是要識別真正的生物個體，一旦系統識別了非活性的生物個體，整個系統就失去了原有的意義，也會造成巨大的損失。

與其它生物認證方法一樣，虹膜識別也存在活性檢測問題。虹膜攻擊手段有打印攻擊，通過將包含虹膜信息的數字圖像打印在膠片或紙上做成偽造樣本來攻擊虹膜識別系統；隱形眼鏡攻擊，通過佩戴印有虹膜信息的隱形眼鏡攻擊虹膜識別系統。由于這兩種攻擊方式出現的比較早，目前市場上已有一些成熟的活性檢測算法針對此類攻擊。但隨著科技的不斷發展，最新型的虹膜攻擊方式已轉為人工合成虹膜圖像攻擊，該攻擊手段通過圖像技術人工合成虹膜紋理，將該紋理嵌入到虹膜環中，形成極其逼真的虹膜圖像來攻擊虹膜識別系統，傳統的虹膜活性檢測方法，對此防御效果不是很明顯。

發明內容

本發明根據現有技術中存在的問題，提出了一種基于特征融合和機器學習的虹膜活性檢測方法，本發明可以解決現有虹膜活性檢測方法中虹膜活性檢測準確率不高、不能有效地對虹膜攻擊進行防御和無法保證虹膜識別系統的安全性的問題。

本發明所采用的技術方案如下：

一種基于特征融合和機器學習的虹膜活性檢測方法，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。

進一步，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。

進一步，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。

進一步，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；