[發明專利]基于采集不確定性解耦的魯棒虹膜識別方法

有效

• 申請號: 202110689241.1
• 申請日: 2021-06-22
• 公開（公告）號: CN113205082B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 孫哲南;衛建澤;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;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 孫劍鋒;李永葉

1.基于采集不確定性解耦的魯棒虹膜識別方法，其特征在于，所述方法包括：

S1：對低配合條件下采集的原始虹膜圖像X^raw進行虹膜預處理操作，得到虹膜歸一化圖像X；

S2：應用滑動窗口對所述虹膜歸一化圖像X的窗口中心像素點進行像素局部增強，得到局部增強圖像X_n^local(h,w)；

再應用局部增強圖像X_n^local(h,w)計算全局一階統計量X_n^M和全局二階統計量X_n^S；

最后，應用全局一階統計量、全局二階統計量和局部增強圖像X_n^local(h,w)計算得到增強圖像X^out(h,w)；

S3：將所述增強圖像X^out(h,w)輸入深度學習網絡，得到均值u_n和方差σ_n；

應用所述均值u_n和方差σ_n構建不確定性嵌入表達p(X^out)；

最后應用所述均值u_n和方差σ_n計算KL散度損失L_kl來對方差估計進行約束；

S4：從標準正態分布N(0,I)中隨機生成一組隨機數?_n；

不確定性嵌入表達p(X^out)依照所述隨機數來進行采樣，獲得隨機嵌入結果s_n；

將所述隨機嵌入結果s_n輸入分類矩陣，得到隨機嵌入結果s_n的類別y_n；所述分類矩陣為全連接層；

利用所述隨機數?_n和所述方差σ_n來獲得隨機嵌入結果的樣本難度得分r_n；

S5：根據訓練迭代次數t來調整難度采樣閾值a(t)；

根據所述樣本難度得分r_n和難度采樣閾值a(t)構建樣本難度評判函數p_n；

再根據樣本難度評判函數p_n計算分類損失L_cls；

S6：將采樣后的所述分類損失L_cls和所述KL散度損失L_kl加權相加獲得最終的模型損失L；

應用Adam優化器對模型損失L不斷迭代優化直至穩定收斂到一個最小值，獲得最佳的模型參數，使得模型學得魯棒均值u_n作為身份表達，并用于身份識別；

所述模型參數包括：所述深度學習網絡的參數和分類矩陣的參數W_C；

所述根據訓練迭代次數t來調整難度采樣閾值a(t)的具體方法為：

；

構建樣本難度評判函數p_n的具體方法為：

當p_n=1時，該樣本為低困難樣本，納入模型損失計算；而p_n=0時，該樣本為高困難樣本，不納入當前模型損失計算；

所述分類損失L_cls的具體公式為：

其中，

W_c：分類矩陣W_C中類別c對應的一列向量；

W_yn：分類矩陣W_C中類別y_n對應的一列向量；

C：全部類別的總數；

g：特征放縮因子,設置參數，參數設置范圍為60-65；

m：間隔參數,設置參數，參數設置范圍為0.4-0.6。