[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

本發明提供了一種基于深度學習與DS證據理論的可見光虹膜識別方法，針對可見光下采集的虹膜圖像噪聲種類多以及單特征識別抗噪能力差等問題造成的低識別率低穩定性，本發明提出一種利用卷積神經網絡結合支持向量機(SVM)和DS(Shafer?Dempster)證據理論的多特征融合虹膜識別方法。首先從圖像中定位眼睛區域；對定位后的虹膜圖像進行預處理；搭建一個七層卷積神經網絡；將虹膜圖像送入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；以3類單特征的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；根據融合結果及分類判決門限給出最終的識別結果。

技術領域

本發明涉及生物特征識別應用領域，具體涉及一種基于深度學習與DS證據理論的可見光虹膜識別方法。

背景技術

虹膜識別是生物特征識別技術的一個重要研究方向，現廣泛應用于安全和訪問控制領域。傳統的虹膜識別是在近紅外光(Near Infrared，NIR)以及受約束環境下采集虹膜圖像，其基礎算法和應用已相對成熟。近年來，隨著移動智能設備的快速發展，相應的圖像傳感器的性能也得以提高，移動設備可以利用自身攜帶的常規攝像頭在無約束的可見光(Visible Light，VL)環境下完成虹膜圖像的采集，這些虹膜圖像包含可用于識別的紋理及其它外觀信息。與近紅外虹膜識別相比，可見光虹膜識別擁有采集條件不受限、適用性廣、低成本等優勢。然而，由于環境、采集設備、人為因素等影響，可見光下采集的虹膜圖像帶有很多的噪聲因素，如：反射、低對比度、模糊、陰影、遮擋等。這些會影響虹膜識別的準確率，給虹膜識別系統中的特征提取及匹配帶來一定的挑戰。

在虹膜特征提取方面，主要可以分為全局特征提取和局部特征提取。具體包括利用深度稀疏濾波對分割后的虹膜圖像進行特征提取；利用局部Radon變換多尺度稀疏表示的方法，將歸一化后的虹膜向下采樣到不同尺度的長度和不同角度的方向形成虹膜特征向量；采用局部二值模式(Linear Binary Patterns,LBP)提取虹膜紋理的特征等。以上的方法都是提取虹膜的單一特征，可能存在提取的信息不全面或存在冗余等現象，從而導致識別率低，并且無法很好的消除噪聲的影響。

在識別方面，各種分類器常用于可見光虹膜的分類識別，如：歐式距離、漢明距離、支持向量機、稀疏表示分類器等。這類方法都是針對單一特征，無法用于多特征融合識別。

發明內容

發明目的：本發明所要解決的技術問題是針對現有技術的不足，提供一種基于深度學習與DS(Shafer-Dempster)證據理論的可見光虹膜識別方法，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(Basic ProbabilityAssigned)，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，并且含有人臉、頭發特征。

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：