[發明專利]基于聯邦學習的虹膜圖像特征提取方法、系統和裝置

有效

• 申請號: 202011581741.5
• 申請日: 2020-12-28
• 公開（公告）號: CN112668472B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 駱正權;孫哲南;王云龍
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F21/60;G06N20/00
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于聯邦學習的虹膜圖像特征提取方法，其特征在于，所述方法包括：

步驟S100，各本地平臺的虹膜圖像預處理網絡對本地虹膜數據集進行預處理生成歸一化虹膜圖像集和相應的虹膜有效區域掩膜圖像集，并基于所述歸一化虹膜圖像集和相應的虹膜有效區域掩膜圖像集生成虹膜有效區域圖像集；所述預處理包括眼部檢測、虹膜分割和歸一化；

步驟S200，基于所述虹膜有效區域圖像集，通過各本地平臺的虹膜圖像特征提取網絡獲取本地虹膜特征，基于所述本地虹膜特征生成本地特征三元組和本地三元損失；

步驟S300，對所述本地特征三元組和本地三元損失進行同態加密，生成加密本地特征三元組和加密本地三元損失；

步驟S400，第三方聯邦計算平臺基于所述加密本地特征三元組和加密本地三元損失計算瓦瑟斯坦聯邦三元損失函數；步驟S400包括：

步驟S410，基于加密的本地虹膜特征，所述第三方聯邦計算平臺將所述加密本地三元損失匯總生成全局三元損失矩陣：

其中，L_AA表示特征集F_A對特征集F_A的三元損失，通過；

步驟S420，基于所述加密本地特征三元組，計算瓦瑟斯坦權重矩陣：

步驟S430，基于所述全局三元損失矩陣和瓦瑟斯坦權重矩陣，獲取所述瓦瑟斯坦聯邦三元損失函數[[L_WFT]]：

步驟S500，各本地平臺對所述瓦瑟斯坦聯邦三元損失函數進行解密，獲得解密三元損失函數，基于所述解密三元損失函數更新各本地平臺的虹膜圖像特征提取網絡，獲得新虹膜圖像特征提取網絡；通過所述新虹膜圖像特征提取網絡獲取最終虹膜圖像特征。

2.根據權利要求1所述的基于聯邦學習的虹膜圖像特征提取方法，其特征在于，步驟S200包括：

步驟S210，設有P個本地虹膜圖像特征提取網絡，則輸入的所述虹膜有效區域圖像集為：

其中，N表示虹膜有效區域圖像m1表示本地虹膜數據集D_A中的樣本數目，m2表示本地虹膜數據集D_B中的樣本數目，mP表示本地虹膜數據集D_P中的樣本數目；

每個虹膜有效區域圖像對應著表示左眼或右眼的類別標簽：

對應的本地平臺的虹膜特征提取網絡為EF_A，EF_B，......，EF_P；表示本地虹膜數據集D_A中的第1個樣本的類別標簽，時表示虹膜有效區域的類別為i；每個本地平臺的虹膜特征提取網絡提取出的本地虹膜特征集為：

其中，i、j和k為樣本標號，表示虹膜圖像的本地虹膜特征；

步驟S220，隨機從每個本地虹膜特征集中選取一個錨點特征，基于錨點特征隨機選取與錨點類別相同的正樣本特征，并隨機選取與錨點類別不同的負樣本特征，將所述錨點特征、正樣本特征和負樣本特征組成K組特征三元組：

其中，表示本地虹膜特征F_A中錨點的特征，表示在本地虹膜特征集F_A中與錨點同類別的正樣本特征，表示本地虹膜特征F_A中與錨點類別不同的負樣本特征；表示本地虹膜特征中的特征集中的錨點特征，表示本地虹膜特征中與錨點同類別的正樣本特征，表示本地虹膜特征中與錨點類別不同的負樣本特征；表示本地虹膜特征中的特征集中的錨點特征，表示本地虹膜特征中與錨點同類別的正樣本特征，表示本地虹膜特征中與錨點類別不同的負樣本特征；

每個本地特征三元組滿足：

s.t.

a，b，c∈1，2，......，m1

步驟S230，基于每個所述特征三元組計算本地三元損失L_Tri：

其中，(TA，TP，TN)表示特征三元組，α是正負樣本之間的間隔約束，用于提高特征分布的區分性。