[發明專利]一種基于深度學習與DS證據理論的可見光虹膜識別方法

有效

• 申請號: 202010120383.1
• 申請日: 2020-02-26
• 公開（公告）號: CN111401145B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 孫水發;陳俊杰;汪方毅;吳義熔;徐義春;劉世焯
• 申請（專利權）人: 三峽大學
• 主分類號: G06V40/18
• 分類號: G06V40/18;G06V10/26;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華;于瀚文

1.一種基于深度學習與DS證據理論的可見光虹膜識別方法，其特征在于，包括如下步驟：

步驟1，輸入一幅可見光虹膜圖像；

步驟2，定位圖像中的眼睛區域；

步驟3，對定位后的虹膜圖像進行預處理；

步驟4，設計并搭建一個七層卷積神經網絡；

步驟5，將預處理后的虹膜圖像送入神經網絡進行訓練并提取第四卷積層、第五和第六全連接層作為虹膜圖像的3類特征；

步驟6，以3類特征的SVM分類結果構造基本概率指派BPA，并送入DS證據理論進行融合；

步驟7，根據步驟6的融合結果和分類判決門限給出最終的識別結果；

步驟1中，所述可見光虹膜圖像包含眼睛區域；

步驟2中，采用Matlab機器視覺工具箱中的vision.CascadeObjectDetector函數定位圖像中的眼睛區域；

步驟3包括如下步驟：

步驟3-1，選取定位后的虹膜圖像進行虹膜分割，分割方法采用積分微分算子，所述算子通過改變圓的半徑r、橫坐標x₀、縱坐標y₀三個參數來識別強度變化最大的圓形輪廓，具體公式為：

其中，*為卷積分；I(x，y)為采集到的虹膜圖像；G_σ(r)是高斯平滑函數；r是搜索到的圓半徑；表示對半徑r的微分；dS是I(x，y)在以r為半徑，(x₀，y₀)為圓心的曲線積分；利用公式(1)，不斷改變r，x₀，y₀的值，通過搜索識別出虹膜外邊緣和虹膜內邊緣，識別的虹膜內外邊緣被標記在虹膜圖像上；

步驟3-2，采用橡皮片模型對步驟3-1中分割后的虹膜圖像進行歸一化，把圓形虹膜區域從一點切開并利用式(2)通過極坐標映射拉伸成一個矩形：

其中，r∈[0，1]，θ∈[0，2π]；x_r(θ)為映射前的橫坐標，y_r(θ)為映射前的縱坐標；x(r，θ)為映射后的橫坐標，y(r，θ)為映射后的縱坐標；

步驟3-3，選取步驟3-2歸一化后的虹膜圖像進行預處理：將歸一化后的虹膜圖像取下半部分，利用MSRCR算法對下半部分虹膜圖像進行預處理，然后對虹膜圖像灰度化；對灰度化后的虹膜圖像進行直方圖均衡處理；

步驟4包括：

通過設計和搭建一個七層卷積神經網絡，將預處理后的虹膜圖像送入所述神經網絡中進行網絡模型的訓練，所述七層卷積 神經網絡的具體結構如下：輸入層，用于輸入虹膜圖像；第一層，卷積核大小為6×3×3，最大池化層為2×2；第二層，卷積核大小為32×5×5，最大池化層為2×2；第三層，卷積核大小為64×5×5，最大池化層為2×2；第四層，卷積核大小為256×5×5；第五層，尺寸大小為1×1024，激活函數為ReLU；第六層，尺寸大小為1×1024，激活函數為ReLU；第七層，激活函數為Softmax；輸出層，輸出最終的分類結果；

步驟5包括：

如果設定七層卷積神經網絡的第l層為卷積層，則第l層第j個特征圖的計算公式為：

其中，*表示卷積操作；為第l-1層第i個特征圖；表示和之間用于連接的卷積核；表示的偏置；f(·)表示線性激活函數ReLU；M^l-1表示第l-1層特征圖的個數；

如果設定七層卷積神經網絡的第l層為全連接層，則第l層第j個特征圖的計算公式為：

y^l-1表示第l-1層所有特征圖的加權結果；表示的偏置；

將步驟3-3中預處理后的全部樣本圖像分為測試集和訓練集，分別選取每人左右眼同樣數量的樣本圖像或每人室內室外同樣數量的樣本圖像組成測試集，剩余樣本圖像組成訓練集；將訓練集樣本圖像輸入到步驟4中搭建好的卷積神經網絡中進行訓練，并保存訓練好的網絡模型，然后利用以下步驟提取虹膜特征向量：

步驟5-1，將訓練集和測試集中全部樣本圖像輸入到訓練好的七層卷積神經網絡中，自動學習出所有樣本圖像特征；

步驟5-2，通過式(3)，得到卷積神經網絡第四層卷積層所有輸出特征圖，經Flatten函數處理形成一維特征向量Conv4；

步驟5-3，通過式(4)，得到卷積神經網絡第五層全連接層特征向量fc5；

步驟5-4，通過式(4)，得到卷積神經網絡第六層全連接層特征向量fc6；

步驟6包括：

把步驟5中得到的3個特征向量Conv4、fc5、fc6分別送入SVM分類器進行軟判決輸出，用sigmoid函數作為連接函數將SVM分類器輸出f(x)映射到[0，1]區間上，實現對SVM分類器的概率輸出，輸出形式為：

其中，f＝f(x)為標準的SVM輸出結果，P(y＝1|x)表示在輸出值為x的條件下分類正確的概率，A和B是參數值，通過求解參數集的最小負對數似然值F(z)來求得：

其中，

P_i＝p(y_i＝1|x_i) (7)

式(8)中，N₊和N_-分別為正樣本的數目和負樣本的數目，正、負樣本由SVM分類器采用投票法輸出類別標簽，符合類別條件的輸出1，不符合類別條件的輸出-1；y_i表示第i個樣本的類別，l表示樣本總數；SVM模型的核函數選用徑向基函數RBF，懲罰變量c和gamma函數g采用網格參數尋優算法確定為：第一階段，c＝5.2780，g＝0.0039；第二階段，c＝9.1896，g＝0.0039；第三階段，c＝16，g＝0.0039；

SVM分類器通過學習步驟5中得到的訓練集的三類特征Conv4、fc5、fc6之后，根據式(6)得到最優參數A和B，并根據式(5)構造出后驗概率ρ_i；

SVM分類器在對步驟5中得到的測試集的三類特征Conv4、fc5、fc6進行測試后，得到測試集的識別準確率E_i，定義基本概率指派BPA函數m_i(A)為：

m_i(A)＝ρ_iE_i (9)

設m₁，m₂，…，m_n分別是不同證據A₁，A₂，…，A_n的基本概率指派BPA，m_n表示第n個證據A_n的基本概率指派BPA，根據式(10)得到融合后的概率m(A)；

其中，k為不確定因子，

步驟7包括：

設定U為辨識框架，A₁，A₂為兩個不同的單個樣本；設m是經過融合后獲得的基本概率賦值函數，且滿足：

m(A₁)＝max{m(A_i)，A_i∈U} (11)

m(A₂)＝max{m(A_i)，A_i∈U且A_i≠A₁} (12)

如果有：

則A₁即為判決結果，其中ε₁和ε₂為預先設定的門限。