CN105069427A - 一种基于改进的稀疏编码的虹膜识别方法及装置 - Google Patents

Abstract

本发明提供了一种基于改进的稀疏编码的虹膜识别方法及装置，方法包括如下步骤：对虹膜图像进行图像分割以及特征提取，得到虹膜样本集；离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典；求取稀疏系数；对结果进行评价。本发明所述方法是一种无监督的学习方法，不用人工指定具体特征；加入平滑约束可以有效的去除噪声对识别结果的影响，提高识别率；加入非负约束，避免字典学习过程中产生非负值；提出一种评价指标有效的对身份进行认证。本发明方法识别率高，识别速度快，识别结果准确率高，适用性强。

Description

一种基于改进的稀疏编码的虹膜识别方法及装置

技术领域

本发明属于虹膜识别领域，尤其是涉及一种基于改进的稀疏编码的虹膜识别方法及装置。

背景技术

稀疏编码是一种模拟哺乳动物视觉系统主视皮层V1区简单细胞感受野人工神经网络方法。稀疏编码是一种无监督的特征学习算法，通过自学习得到一组过完备的字典来对待测样本进行稀疏表示。通俗的说就是将一个信号表示为一组基的线性组合，而且要求只需要较少的几个基就可以将信号表示出来。“稀疏性”定义为：只有很少的几个非零元素或只有很少的几个远大于零的元素。

稀疏编码算法是一种无监督学习方法，它用来寻找一组“超完备”基向量来更高效地表示样本数据。稀疏编码成功应用于机器学习、模式识别等领域。经典的稀疏编码在人脸识别领域容易受到各种干扰因素的影响如光照、遮挡、姿态、噪声等等。因此，我们提出一种改进的稀疏编码算法，并将其用在虹膜识别领域，提高虹膜识别效率。

发明内容

有鉴于此，本发明旨在提出一种基于改进的稀疏编码的虹膜识别方法，以提高虹膜识别率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于改进的稀疏编码的虹膜识别方法，其特征在于：包括如下步骤：

(1)对虹膜图像进行图像分割以及特征提取，得到虹膜样本集；

(2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典；

(3)通过求解LASSO回归问题得到稀疏系数；

(4)对结果进行评价，并确认身份。

进一步的，所述步骤(2)包括如下步骤，传统的稀疏编码是找到一组基向量φ_i，使得输入向量x表示为这些基向量的线性组合，即其中x为目标图像，基向量φ为离线字典，α为稀疏系数，在传统的编码方法中加入平滑和非负约束得到字典Φ，加入约束后的公式为

其中，λ≥0,γ≥0,Α_ij≥0,φ_ij≥0，X为样本图像，Χ＝(x₁,x₂...x_n)，Α为样本稀疏系数α的展开，||*||_F称为Frobenius范数，R为平滑约束项，R由如下公式计算得出，Tr为矩阵的迹，W(x_i,x_j)为相似度矩阵

$\begin{array}{c}R=\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_i-{\mathrm{\α}}_j|{|}^2{W}_{ij}\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_i{D}_{ii}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_j{W}_{ij}\\ =Tr\left({\mathrm{ADA}}^T\right)-Tr\left({\mathrm{AWA}}^T\right)\\ =Tr\left({\mathrm{ALA}}^T\right)\end{array}$

其中， $D_{ii}=\underset{j}{\Σ}{W}_{ij},W(x_i,x_j)=\frac{x_i^T{x}_j}{\left|\right|x_i\left|\right|\left|\right|x_j\left|\right|}.$

进一步的，所述步骤(3)包括如下步骤：J(x^*,α,Φ)为编码的代价函数，x^*为实际采集图像，α^*为实际稀疏系数

${\mathrm{\α}}^{*}=\arg \underset{\mathrm{\α}}{\min }J(x^{*},\mathrm{\α},\mathrm{\Φ})$

本步骤通过求解LASSO回归问题得到稀疏系数，采用Feature-signsearch算法求解得到稀疏系数α^*。

进一步的，所述步骤(4)中的评价指标为

I＝exp(-J(x^*,α^*,Φ))

上一步中的编码J为编码的代价函数，J值越大表明该身份的隶属度越低，I的取值范围为0-1。

相对于现有技术，本发明所述的一种基于改进的稀疏编码的虹膜识别方法具有以下优势：

(1)本发明所述方法是一种无监督的学习方法，不用人工指定具体特征；

(2)加入平滑约束可以有效的去除噪声对识别结果的影响，提高识别率；

(3)加入非负约束，避免字典学习过程中产生非负值；

(4)提出一种评价指标有效的对身份进行认证。

本发明方法识别率高，识别速度快，识别结果准确率高，适用性强。

本发明的另一目的在于提出一种基于改进的稀疏编码的虹膜识别装置，以实现上述虹膜识别方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于改进的稀疏编码的虹膜识别装置，包括如下装置：

对虹膜图像进行图像分割以及特征提取，得到虹膜样本集的图像采集装置；

离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典的字典学习装置；

通过求解LASSO回归问题得到稀疏系数的稀疏系数求解装置；

对结果进行评价，并确认身份的身份确认装置。

所述一种基于改进的稀疏编码的虹膜识别装置与上述一种基于改进的稀疏编码的虹膜识别方法相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种基于改进的稀疏编码的虹膜识别方法的流程图；

图2为本发明实施例所述的离线字典学习流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本发明提出一种基于改进的稀疏编码的虹膜识别方法，包括如下步骤：

(1)人脸图像组成图像样本集，对图像进行分割以及特征提取，得到虹膜样本集；

基于级联的haar特征的人脸检测与定位；

基于级联的haar特征的人眼的检测与定位；

基于霍夫变换的瞳孔与虹膜的轮廓定位；

基于极坐标变换的虹膜图像的展开；

对图像灰度进行归一化处理。

(2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典φ，如图2所示；

传统的稀疏编码是找到一组基向量φ_i，使得输入向量x表示为这些基向量的线性组合，即其中x为目标图像，基向量φ为离线字典，α为稀疏系数，在传统的编码方法中加入平滑和非负约束得到字典Φ，传统编码方案的形式化数学描述如下式：

$\begin{array}{c}\mathrm{\φ}=\underset{\mathrm{\φ},{\mathrm{\α}}_i}{\arg \min }\underset{i=1}{\overset{n}{\mathrm{\Σ}}}J(x_i,{\mathrm{\α}}_i,\mathrm{\φ})\\ =\underset{\mathrm{\φ},{\mathrm{\α}}_i}{\arg \min }\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{1}{2}\right||x_i-{\mathrm{\φ\α}}_i|{|}_2^2+\mathrm{\λ}\left|\right|{\mathrm{\α}}_i\left|{|}_1\right)\end{array}$

简写为

其中λ≥0,||*||_F称为Frobenius范数

加入平滑和非负约束，得到

其中λ≥0,γ≥0,Α_ij≥0,φ_ij≥0，R为平滑约束项，X为样本图像，Χ＝(x₁,x₂...x_n)，Α为样本稀疏系数α的展开，||*||_F称为Frobenius范数。

本发明方法目的是为了求得一组过完备的基φ来对每一个样本x_i进行线性表示。首先目标函数第一项是重构输入数据X的重构误差函数；第二项是对系数稀疏性的惩罚项，过完备是指n的个数远大于样本x_i的维数，其分解系数α不能唯一确定，一般的做法是对系数α作一个稀疏性约束。除此之外，传统的稀疏编码不能保证得到的字典是非负的，而负值在图像里面是没有意义的，因此这里我们加入非负的约束即Α_ij≥0,φ_ij≥0，利用迭代操作逐次逼近，保证Α_ij≥0,φ_ij≥0，具体步骤如下：设样本为X，字典为φ，

步骤1：利用余弦相似性计算相似度矩阵W(x_i,x_j)，x_i、x_j为X中任意两个样本；

步骤2：设置参数γ、λ的值，初始化φ和Α，保证元素非负；

步骤3：循环t＝1...N

${\mathrm{\φ}}_{ik}^t\←{\mathrm{\φ}}_{ik}^t\left(\frac{{\left({\mathrm{XA}}^T\right)}_{ik}}{{\left({\mathrm{\φAA}}^T\right)}_{ik}+\mathrm{\λ}}\right)$

$A_{ik}^t\←A_{ik}^t\left(\frac{{(X^T{A}^T+{\mathrm{\γWA}}^T)}_{ik}}{{(A^T{\mathrm{\φ}}^T\mathrm{\φ}+{\mathrm{\γDA}}^T)}_{ik}}\right)$

直到收敛。

设α_i,α_j为x_i,x_j在新的基底φ下的稀疏表示。基于流行学习与降维相关理论，我们认为如果数据x_i,x_j在原空间距离相近，在新的基底下α_i,α_j的距离也会相近，反之亦然。因此我们加入平滑的约束项R，来防止由噪声引起的数据表示的不一致性，R计算公式如下：

$\begin{array}{c}R=\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_i-{\mathrm{\α}}_j|{|}^2{W}_{ij}\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_i{D}_{ii}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_j{W}_{ij}\\ =Tr\left({\mathrm{ADA}}^T\right)-Tr\left({\mathrm{AWA}}^T\right)\\ =Tr\left({\mathrm{ALA}}^T\right)\end{array}$

这里 $\begin{array}{cc}{D}_{ii}=\underset{j}{\Σ}{W}_{ij}& W(x_i,x_j)=\frac{x_i^T{x}_j}{\left|\right|x_i\left|\right|\left|\right|x_j\left|\right|}.\end{array}$

Tr为矩阵的迹，W(x_i,x_j)为相似度矩阵，这里采用余弦相似性，也可以采用其他相似性度量函数。

(3)通过求解LASSO回归问题得到稀疏系数，J(x^*,α^*,Φ)为编码的代价函数，x^*为实际采集图像，α^*为实际稀疏系数

${\mathrm{\α}}^{*}=\arg \underset{\mathrm{\α}}{\min }J(x^{*},\mathrm{\α},\mathrm{\Φ})$

该步骤为标准的LASSO问题，采用Feature-signsearch算法求解稀疏系数α^*。

(4)对结果进行评价，并确认身份，评价指标为

I＝exp(-J(x^*,α^*,Φ))

在上一步中的编码J被称为编码的代价函数，J值越大说明该身份的隶属度越低。很明显该指标取值范围0-1，取值越大越可能属于某个身份，本方案中设I的阈值为0.8，当得到的I大于0.8时，取最大值的模板组为最终的身份确认，当得到的I小于0.8时，认为没有模板符合身份。

本发明将改进的稀疏编码算法应用在虹膜识别中，首先对每个人采集10张虹膜图像，并进行虹膜图像的分割与提取，得到虹膜样本集；对虹膜样本集进行离线字典学习得到基向量φ，然后加入非负约束条件以及平滑约束条件对φ进行约束，得到字典Φ；利用实际采集的图样样本通过求解LASSO回归问题得到稀疏系数α^*，将字典Φ与稀疏系数α^*进行线性组合得到目标图像；最后利用评价指标I对结果进行评价，遍历模板组找出吻合度最大的模板进行确认最终的身份确认。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于改进的稀疏编码的虹膜识别方法，其特征在于：包括如下步骤：

(1)对虹膜图像进行图像分割以及特征提取，得到虹膜样本集；

(2)离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典；

(3)通过求解LASSO回归问题得到稀疏系数；

(4)对结果进行评价，并确认身份。

2.根据权利要求1所述的一种基于改进的稀疏编码的虹膜识别方法，其特征在于：所述步骤(2)包括如下步骤，传统的稀疏编码是找到一组基向量φ_i，使得输入向量x表示为这些基向量的线性组合，即其中x为目标图像，基向量φ为离线字典，α为稀疏系数，在传统的编码方法中加入平滑和非负约束得到字典Φ，加入约束后的公式为

$\mathrm{\Φ}\underset{\mathrm{\φ},A}{=\min }\frac{1}{2}{\left|\right|X-\mathrm{\φA}\left|\right|}_F^2+\mathrm{\λ}\underset{\mathrm{ij}}{\mathrm{\Σ}}{A}_{\mathrm{ij}}+\mathrm{\γR}$

其中，λ≥0,γ≥0,Α_ij≥0,φ_ij≥0，X为样本图像，Χ＝(x₁,x₂...x_n)，Α为样本稀疏系数α的展开，||*||_F称为Frobenius范数，R为平滑约束项，R由如下公式计算得出，Tr为矩阵的迹，W(x_i,x_j)为相似度矩阵

$\begin{array}{c}R=\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\left|\right|{\mathrm{\α}}_i-{\mathrm{\α}}_j|{|}^2{W}_{ij}\\ =\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_i{D}_{ii}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^T{\mathrm{\α}}_j{W}_{ij}\\ =Tr\left({\mathrm{ADA}}^T\right)-Tr\left({\mathrm{AWA}}^T\right)\\ =Tr\left({\mathrm{ALA}}^T\right)\end{array}$

其中， $D_{ii}=\underset{j}{\Σ}{W}_{ij},W(x_i,x_j)=\frac{x_i^T{x}_j}{\left|\right|x_i\left|\right|\left|\right|x_j\left|\right|}.$

3.根据权利要求1所述的一种基于改进的稀疏编码的虹膜识别方法，其特征在于：所述步骤(3)包括如下步骤：J(x^*,α,Φ)为编码的代价函数，，x^*为实际采集图像，α^*为求得到的稀疏系数

${\mathrm{\α}}^{*}=\arg \underset{\mathrm{\α}}{\min }J(x^{*},\mathrm{\α},\mathrm{\Φ})$

本步骤通过求解LASSO回归问题得到稀疏系数，采用Feature-signsearch算法求解得到稀疏系数α^*。

4.根据权利要求1所述的一种基于改进的稀疏编码的虹膜识别方法，其特征在于：所述步骤(4)中的评价指标为

I＝exp(-J(x^*,α^*,Φ))

上一步中的编码J为编码的代价函数，J值越大表明该身份的隶属度越低，I的取值范围为0-1。

5.一种基于改进的稀疏编码的虹膜识别装置，其特征在于：包括如下装置：

对虹膜图像进行图像分割以及特征提取，得到虹膜样本集的图像采集装置；

离线对虹膜样本进行字典学习，加入非负约束以及平滑约束，得到字典的字典学习装置；

通过求解LASSO回归问题得到稀疏系数的稀疏系数求解装置；

对结果进行评价，并确认身份的身份确认装置。