CN111274997A - 一种基于双眼融合的虹膜识别神经网络模型训练方法 - Google Patents
一种基于双眼融合的虹膜识别神经网络模型训练方法 Download PDFInfo
- Publication number
- CN111274997A CN111274997A CN202010096119.9A CN202010096119A CN111274997A CN 111274997 A CN111274997 A CN 111274997A CN 202010096119 A CN202010096119 A CN 202010096119A CN 111274997 A CN111274997 A CN 111274997A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- training
- iris
- binocular
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000000554 iris Anatomy 0.000 abstract description 48
- 230000000295 complement effect Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于双眼融合的虹膜识别神经网络模型训练方法，在用于虹膜识别的深度神经网络模型的训练过程中，将同一个体的双眼虹膜输入识别模型中进行训练，对双眼虹膜的互补信息加以考虑，实现双眼虹膜特征的联合学习和优化，通过这种训练方式得到更具判别性和鲁棒性的双眼融合特征，从而提升识别模型的性能。本发明提出的融合双眼信息进行深度神经网络训练的方式，能够解决训练过程的优化目标与实际需求不一致的问题，充分提取两只眼睛虹膜区域的互补信息。双眼融合起来进行训练，可以有效提升模型的特征表达能力，提取的虹膜特征更具判别性和鲁棒性，从而显著提高虹膜识别的准确率。
Description
技术领域
本发明涉及身份识别技术领域，尤其涉及一种基于双眼融合的虹膜识别神经网络模型训练方法。
背景技术
虹膜识别是一种具有高可靠性、高安全性的生物特征识别方法。与人脸、指纹等其他生物特征识别模态，具有唯一性、稳定性、防伪性等优势，并且已经广泛应用在安防、金融、边检等身份认证场景。
虹膜特征提取是虹膜识别系统的核心关键步骤。近年来，基于深度神经网络模型的特征提取方法逐渐成为虹膜特征提取的研究热点和主流方法，而深度神经网络模型的训练方法和策略是决定此类虹膜识别方法性能的最关键环节。
现有虹膜识别深度神经网络的训练方法在模型优化过程中将同一个人的双眼虹膜图像作为两个完全不同类别的样本进行训练，而在实际的虹膜识别系统使用过程中，需要结合双眼虹膜的信息，得到双眼虹膜的融合特征，来判断识别对象的身份等属性。然而，目前单眼训练的方式，其优化目标只关注于如何提取单只眼睛虹膜区域的特征，与实际系统使用时需要融合双眼虹膜信息的需求不一致。这就导致现有单眼训练方式得到的神经网络模型，无法在训练过程中利用双眼虹膜的互补信息，无法充分发挥模型的特征学习能力，无法训练得到性能最优的深度神经网络模型。在实际使用过程中，只能通过将两只眼睛的相似度分数进行取平均等简单分数层融合的方式得到最终的相似度分数。而这样未经参数优化的融合策略通常也难以达到最优效果。
发明内容
本申请的目的在于提供一种基于双眼融合的虹膜识别神经网络模型训练方法，在用于虹膜识别的深度神经网络模型的训练过程中，将同一个体的双眼虹膜输入识别模型中进行训练，对双眼虹膜的互补信息加以考虑，实现双眼虹膜特征的联合学习和优化，通过这种训练方式得到更具判别性和鲁棒性的双眼融合特征，从而提升识别模型的性能。
为实现本发明的目的，本发明提供的一种基于双眼融合的虹膜识别神经网络模型训练方法，
所述训练方法将归一化后的虹膜图像组织为三元组的形式，每个三元组包含三组虹膜图像，分别为锚点组、正样本组、负样本组。这三组当中的每一组都包括两张归一化后的虹膜图像，分别来自同一个人的左右两只眼睛。锚点组和正样本组中的图像来自同一个人，而负样本组中的图像来自不同的人。所有的归一化后的虹膜图像尺寸相同；
在训练的过程中，将每个三元组的六张归一化后的虹膜图像分别输入将要进行训练的深度神经网络模型，经过深度神经网络的处理得到其特征模板，这六个特征模板的尺寸与输入的图像相同；而后将每一组中的两个特征模板，按照先左后右一致的顺序拼接在一起得到三个拼接特征模板，fl∈RW×H、fr∈RW×H分别为同一组中左右两张归一化后的虹膜图像得到的特征模板，W、H为其宽和高，则拼接特征模板为：F∈R2W×H；
而后根据公式(1)计算损失函数：
L＝max(0,m-S(Fa,Fp)+S(Fa,Fn)) (1)
其中Fa为锚点组得到的拼接特征模板，Fp为正样本组得到的拼接特征模板，Fn为负样本组得到的拼接特征模板，S(·,·)为计算两个特征模板相似度的函数，m为预设的间隔参数，取值为正；
在根据(1)计算得到损失函数的值后，进行误差反向传播，采用随机梯度下降等参数调优的方式对神经网络模型的全部参数进行优化，使得损失函数逐步降低，直至收敛。
与现有技术相比，本发明的有益效果为，本发明提出的融合双眼信息进行深度神经网络训练的方式，能够解决训练过程的优化目标与实际需求不一致的问题，充分提取两只眼睛虹膜区域的互补信息。双眼融合起来进行训练，可以有效提升模型的特征表达能力，提取的虹膜特征更具判别性和鲁棒性，从而显著提高虹膜识别的准确率。
附图说明
图1所示为本申请的训练方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示，本发明提出的双眼虹膜训练方法将归一化后的虹膜图像组织为三元组的形式，每个三元组包含三组虹膜图像，分别为锚点组、正样本组、负样本组。这三组当中的每一组都包括两张归一化后的虹膜图像，分别来自同一个人的左右两只眼睛。锚点组和正样本组中的图像来自同一个人，而负样本组中的图像来自不同的人。所有的归一化后的虹膜图像尺寸相同。
在训练的过程中，将每个三元组的六张归一化后的虹膜图像分别输入将要进行训练的深度神经网络模型，经过深度神经网络的处理得到其特征模板，这六个特征模板的尺寸与输入的图像相同。而后将每一组中的两个特征模板，按照先左后右一致的顺序拼接在一起得到三个拼接特征模板。fl∈RW×H、fr∈RW×H分别为同一组中左右两张归一化后的虹膜图像得到的特征模板，W、H为其宽和高，则拼接特征模板为：F∈R2W×H。
而后根据公式(1)计算损失函数：
L＝max(0,m-S(Fa,Fp)+S(Fa,Fn)) (1)
其中Fa为锚点组得到的拼接特征模板，Fp为正样本组得到的拼接特征模板，Fn为负样本组得到的拼接特征模板，S(·,·)为计算两个特征模板相似度的函数，m为预设的间隔参数，取值为正。
在根据(1)计算得到损失函数的值后，进行误差反向传播，采用随机梯度下降等参数调优的方式对神经网络模型的全部参数进行优化，使得损失函数逐步降低，直至收敛。经过以上方式训练得到的深度神经网络模型可以更好地提取双眼虹膜的互补特征信息，得到的双眼虹膜特征更加具有判别性，鲁棒性更好。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于双眼融合的虹膜识别神经网络模型训练方法，其特征在于，
所述训练方法将归一化后的虹膜图像组织为三元组的形式，每个三元组包含三组虹膜图像，分别为锚点组、正样本组、负样本组。这三组当中的每一组都包括两张归一化后的虹膜图像，分别来自同一个人的左右两只眼睛。锚点组和正样本组中的图像来自同一个人，而负样本组中的图像来自不同的人。所有的归一化后的虹膜图像尺寸相同；
在训练的过程中，将每个三元组的六张归一化后的虹膜图像分别输入将要进行训练的深度神经网络模型，经过深度神经网络的处理得到其特征模板，这六个特征模板的尺寸与输入的图像相同；而后将每一组中的两个特征模板，按照先左后右一致的顺序拼接在一起得到三个拼接特征模板，fl∈RW×H、fr∈RW×H分别为同一组中左右两张归一化后的虹膜图像得到的特征模板，W、H为其宽和高，则拼接特征模板为：F∈R2W×H；
而后根据公式(1)计算损失函数：
L＝max(0,m-S(Fa,Fp)+S(Fa,Fn)) (1)
其中Fa为锚点组得到的拼接特征模板，Fp为正样本组得到的拼接特征模板，Fn为负样本组得到的拼接特征模板，S(·,·)为计算两个特征模板相似度的函数，m为预设的间隔参数，取值为正；
在根据(1)计算得到损失函数的值后，进行误差反向传播，对神经网络模型的全部参数进行优化，使得损失函数逐步降低，直至收敛。
2.根据权利要求1所述的一种基于双眼融合的虹膜识别神经网络模型训练方法，其特征在于，对神经网络模型的全部参数进行优化采用随机梯度下降参数调优的方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096119.9A CN111274997B (zh) | 2020-02-17 | 2020-02-17 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010096119.9A CN111274997B (zh) | 2020-02-17 | 2020-02-17 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111274997A true CN111274997A (zh) | 2020-06-12 |
| CN111274997B CN111274997B (zh) | 2023-02-24 |
Family
ID=71003631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010096119.9A Active CN111274997B (zh) | 2020-02-17 | 2020-02-17 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274997B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580530A (zh) * | 2020-12-22 | 2021-03-30 | 泉州装备制造研究所 | 一种基于眼底图像的身份识别方法 |
| CN116824681A (zh) * | 2023-08-24 | 2023-09-29 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034434A (zh) * | 2007-04-10 | 2007-09-12 | 杭州电子科技大学 | 基于双眼虹膜的身份识别方法 |
| CN101561873A (zh) * | 2009-05-25 | 2009-10-21 | 孙敏霞 | 具备虹膜识别和USB Key功能的多模态身份认证设备 |
| CN102799878A (zh) * | 2012-07-09 | 2012-11-28 | 中国科学技术大学 | 虹膜人脸融合采集装置 |
| CN104463111A (zh) * | 2014-11-21 | 2015-03-25 | 天津工业大学 | 多尺度特征区域曲率相融合的三维人脸识别方法 |
| CN105844138A (zh) * | 2016-05-18 | 2016-08-10 | 北京森博克智能科技有限公司 | 具备虹膜识别和USB Key功能的有线无线可切换的多模态鼠标 |
| CN105868731A (zh) * | 2016-04-15 | 2016-08-17 | 山西天地科技有限公司 | 双目虹膜特征获取方法及装置、身份验证方法及系统 |
| US20180165517A1 (en) * | 2016-12-13 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus to recognize user |
| CN110276273A (zh) * | 2019-05-30 | 2019-09-24 | 福建工程学院 | 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法 |
| CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
-
2020
- 2020-02-17 CN CN202010096119.9A patent/CN111274997B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034434A (zh) * | 2007-04-10 | 2007-09-12 | 杭州电子科技大学 | 基于双眼虹膜的身份识别方法 |
| CN101561873A (zh) * | 2009-05-25 | 2009-10-21 | 孙敏霞 | 具备虹膜识别和USB Key功能的多模态身份认证设备 |
| CN102799878A (zh) * | 2012-07-09 | 2012-11-28 | 中国科学技术大学 | 虹膜人脸融合采集装置 |
| CN104463111A (zh) * | 2014-11-21 | 2015-03-25 | 天津工业大学 | 多尺度特征区域曲率相融合的三维人脸识别方法 |
| CN105868731A (zh) * | 2016-04-15 | 2016-08-17 | 山西天地科技有限公司 | 双目虹膜特征获取方法及装置、身份验证方法及系统 |
| CN105844138A (zh) * | 2016-05-18 | 2016-08-10 | 北京森博克智能科技有限公司 | 具备虹膜识别和USB Key功能的有线无线可切换的多模态鼠标 |
| US20180165517A1 (en) * | 2016-12-13 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus to recognize user |
| CN110276273A (zh) * | 2019-05-30 | 2019-09-24 | 福建工程学院 | 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法 |
| CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580530A (zh) * | 2020-12-22 | 2021-03-30 | 泉州装备制造研究所 | 一种基于眼底图像的身份识别方法 |
| CN116824681A (zh) * | 2023-08-24 | 2023-09-29 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
| CN116824681B (zh) * | 2023-08-24 | 2023-11-24 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111274997B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5017873B2 (ja) | 個人照合装置及び個人照合方法 | |
| WO2017215240A1 (zh) | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 | |
| Burge et al. | Ear biometrics | |
| US11893831B2 (en) | Identity information processing method and device based on fundus image | |
| CN101661557A (zh) | 一种基于智能卡的人脸识别系统及其方法 | |
| CN111274997B (zh) | 一种基于双眼融合的虹膜识别神经网络模型训练方法 | |
| KR102145132B1 (ko) | 딥러닝을 이용한 대리 면접 예방 방법 | |
| CN111344703A (zh) | 基于虹膜识别的用户认证设备和方法 | |
| KR102188979B1 (ko) | 블록체인 기반에서 인공지능을 이용한 사용자 인증 시스템 | |
| CN114926892A (zh) | 一种基于深度学习的眼底图像匹配方法、系统和可读介质 | |
| CN110399833B (zh) | 身份识别方法、建模方法及设备 | |
| CN114863499B (zh) | 一种基于联邦学习的指静脉与掌静脉识别方法 | |
| Kant | A multimodal approach to improve the performance of biometric system | |
| Czyz et al. | Decision fusion for face authentication | |
| KR102441102B1 (ko) | 인공지능을 이용한 안면 인식 방법 및 시스템 | |
| CN110110606A (zh) | 基于神经网络的可见光与红外人脸图像的融合方法 | |
| Bakshi et al. | Optimized periocular template selection for human recognition | |
| CN111582145A (zh) | 生物识别方法、电子设备以及计算机可读存储介质 | |
| CN110070062A (zh) | 一种基于双目主动红外的人脸识别的系统和方法 | |
| CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
| US20210406510A1 (en) | Method for detecting at least one biometric trait visible in an input image by means of a convolutional neural network | |
| Triantafyllou et al. | Iris authentication utilizing co-occurrence matrices and textile features | |
| JP2005227933A (ja) | バイオメトリクス照合高速化方法 | |
| CN112784719A (zh) | 一种基于区块链和人工智能的人脉精准匹配方法、存储介质及系统 | |
| Shaker et al. | Identification Based on Iris Detection Technique. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 300457 unit 1001, block 1, msd-g1, TEDA, No.57, 2nd Street, Binhai New Area Economic and Technological Development Zone, Tianjin Patentee after: Tianjin Zhongke intelligent identification Co.,Ltd. Address before: 300457 unit msd-g1-1001, TEDA, No.57, 2nd Street, Tianjin Economic and Technological Development Zone, Binhai New Area, Tianjin Patentee before: TIANJIN ZHONGKE INTELLIGENT IDENTIFICATION INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
| CP03 | Change of name, title or address |