CN111832540A - 一种基于非稳态虹膜视频流仿生神经网络的身份验证方法 - Google Patents

Abstract

本发明公开了一种基于非稳态虹膜视频流仿生神经网络的身份验证方法，其方法为：步骤一、采集图像1000‑2000张；步骤二、虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像；步骤三、对所有模板虹膜归一增强图像进行卷积处理；步骤四、提取32位模板虹膜归一增强图像的虹膜特征数据；步骤五、得到该模板测试人员的模板虹膜类别的类别认知；步骤六、截取90张虹膜图像作为测试虹膜图像；步骤七、转化为256×32维度的增强图像；步骤八、转化为4组30×254维度的二维数组；步骤九、提取虹膜特征数据；步骤十、得到身份验证结果。有益效果：视频流的设置也避免了非稳态虹膜对特征表达的影响，有利于训练虹膜数量较少时对虹膜特征的设定与调整。

Description

一种基于非稳态虹膜视频流仿生神经网络的身份验证方法

技术领域

本发明涉及一种仿生神经网络的身份验证方法，特别涉及一种基于非稳态虹膜视频流仿生神经网络的身份验证方法。

背景技术

目前，随着社会信息化的发展，以人脸、虹膜、指纹为首的生物识别技术已经开始大规模运用在实际的生产生活中。而虹膜作为一种不容易被复制的人体特征，更受到那些高机密、高警备的场所，如军事基地、金库等方面的青睐。

当前以“最佳区分”为目的的传统虹膜身份验证方法面临多种问题，例如：训练虹膜数据量少，非稳态虹膜造成特征表达不稳定和区分困难，多类别识别中错误接收，有限样本划分与新类别的重新训练。虽然有通过提高虹膜区域精确度，设置稀释层的方式尽可能解决传统深度学习模式识别方式对虹膜识别的影响，但在非稳态虹膜的不可预测性上，依旧存在错误接收和新类别添加困难的情况，同时容易使类别标签设置过多，不利于多类别识别。

因此，在以虹膜识别为基础的身份验证的方法中，通过将基于“划分”的识别过程转化为基于“认识”的识别过程，直接根据训练虹膜特征空间中数据分布设定连续封闭连通体作为类别标签，即系统对于该类别虹膜的“认识”，进而完成一类虹膜样本与无限类虹膜样本之间的区别。这是当前虹膜识别身份验证问题的一个重点方向。

发明内容

本发明的主要目的是为了解决现有的基于虹膜识别的身份验证方法中所存在的一些问题；

本发明的另一个目的是为了提高对无法预测不同时刻采集状态的非稳态虹膜识别身份验证的准确率；

本发明的再一个目的是为了降低新类别添加对虹膜识别系统的影响，设计一种在添加新类别后无需对原有结构进行再训练，只需要得到新类别信息即可的虹膜识别结构；

本发明为了解决上述问题达到上述目的而提供的一种基于非稳态虹膜视频流仿生神经网络的身份验证方法；

本发明提供的基于非稳态虹膜视频流仿生神经网络的身份验证方法，其方法如下所述：

步骤一、任意使用市面常见虹膜采集仪，采集模板测试人员的模板虹膜灰度图像1000-2000张；

步骤二、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将全部模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像；

步骤三、对所有模板虹膜归一增强图像分别采用水平方向，竖直方向，左斜方向，右斜方向的3×3维度卷积核进行卷积处理，每张模板虹膜归一增强图像转化为4组30×254维度的二维数组；

4个卷积核如下：

步骤四、从每张模板虹膜归一增强图像的二维数组提取32位模板虹膜归一增强图像的虹膜特征数据；

步骤五、根据全部模板虹膜归一增强图像的虹膜特征数据，得到该模板测试人员的模板虹膜类别的类别认知；

步骤六、通过虹膜采集仪采集5秒的测试人员的测试虹膜灰度图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像；

步骤七、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像；

步骤八、通过与步骤三相同的3×3维度卷积核对所有测试虹膜归一增强图像分别进行卷积处理，每张测试虹膜归一增强图像转化为4组30×254维度的二维数组；

步骤九、从每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据；

步骤十、将全部测试虹膜图像的虹膜特征数据与全部模板虹膜类别的类别认知进行比较，得到身份验证结果。

上述步骤四、步骤九中从虹膜归一增强图像中提取32位虹膜特征数据的具体过程如下：

第一步、将每个虹膜归一增强图像对应的4组30×254维度的二维数组通过2×2最小池化的方式转化为4组15×127维度的二维数组；

第二步、从左开始以15×15维度数组为一组，计算每组数据中的平均值作为其中一个特征数据，每个方向形成8个特征数据，最右边剩余15×7维度数据舍弃；

第三步、每个方向中的特征数据按照数据从左到右的顺序排列，按照水平，竖直，左斜，右斜的顺序排列，共计32位有序数组作为该张虹膜归一增强图像的虹膜特征数据。

上述步骤五中根据全部模板虹膜归一增强图像的虹膜特征数据，得到该模板测试人员的模板虹膜类别的类别认知的具体过程如下：

第一步、根据模板虹膜灰度图像的虹膜特征数据的分布区间：根据公式(1)，将该模板虹膜类别的第n个虹膜特征数据的数值分布平均分成为m_n个区间，依次记作：

T_k-n∈[(f-1)×((T_n-max-T_n-min)/m_n),f×((T_n-max-T_n-min)/m_n)]f＝1,...,m_n (1)

其中：在该模板虹膜类别当前全部模板虹膜灰度图像中，第k张图像的第n个虹膜特征数据设定为T_k-n，该模板虹膜类别每个特征数据的全部模板虹膜灰度图像的最大值为T_n-max，最小值为T_n-min，f代表区间序号；

第二步、统计全部模板虹膜灰度图像中每个虹膜特征数据在各个区间的数量，每个区间的数量值依次记作：

即：第n个虹膜特征数据在第i个区间

的数量值

每个区间设定封闭阈值

即：第n个虹膜特征数据在第i个区间的封闭阈值

根据公式(2)，将第n个虹膜特征数据在第i个区间

的数量值

与第n个虹膜特征数据在第i个区间的封闭阈值

进行比较，统计第n个虹膜特征数据在第i个区间的数据情况，并将

的区间设定为常在区间：

第三步、将每个虹膜特征数据的全部常在区间的集合设定为该虹膜特征数据的封闭域，32位虹膜特征数据封闭域依次连接所构成的连续封闭连通体被设定为该模板测试人员的类别认知。

上述步骤十中将全部测试虹膜的虹膜特征数据与模板虹膜类别的类别认知进行比较，得到身份验证结果的具体过程如下：

第一步、进行身份验证时，通过公式组(3)将全部测试虹膜的虹膜特征数据与全部模板虹膜类别的类别认知进行计算：

第k1个测试虹膜图像中的第n个虹膜特征数据T_k1-n在与对应的封闭域中第t个区间M_n-t进行比较，若虹膜特征数据位于任意一个区间内，则F_k1-n＝1，说明该特征数据满足对应封闭域，反之，F_k1-n＝0；依次比较32个虹膜特征数据与对应封闭域区间分布，得到第k1个图像最终结果G_k1，如果全部测试虹膜图像中存在至少一张图像的虹膜特征数据与某个模板类别的连续封闭连通体完全符合，即G_k1＝1，则最终判断值HP＝1，则认定测试虹膜图像对应的测试人员身份与该模板类别相同；

第二步、当测试人员的全部测试虹膜与全部模板类别比较完成后，如果认定的模板类别结果唯一，则直接输出结果作为身份验证的结论；如果认为验证虹膜没有相匹配的模板虹膜或者认定的模板类别结果唯一不唯一，则输出“没有匹配模板”的结论。

本发明的有益效果：

1、本发明未刻意扩大不同类别的差异，而是直接以特征数据的聚类分布区域，设定特征空间中同类样本的连续性规律(32位连续封闭连通体)。连通体是根据现有训练数据聚类分布划分，在同类别的视频流中至少有一张图像会完全符合连通体走向规律的情况，进而得到身份验证结果。这样的设置避免了非稳态虹膜中多类别虹膜无法完全区分的情况导致的识别错误。视频流的设置也避免了非稳态虹膜对特征表达的影响，进而导致的类别标签过多的情况。

2、本发明的连续封闭连通体为该类别虹膜下了定义，只有完全符合该定义的虹膜可以认定为同类虹膜，有利于将虹膜错误接收率降为0并适当提高错误拒绝率，避免错误接收的情况。连通体的设定，避免出现过拟合现象。

3、本发明对多类别样本的认识过程，使得每个类别的标签是基于自身状态设置，增加新类别后无需对原来的类别标签进行再训练，实现有限类样本与无限类未知样本的区分，这种强调“认识”的过程与人的思维方式一样，具有仿生的含义。有利于训练虹膜数量较少时对虹膜特征的设定与调整。

附图说明

图1为本发明所述方法整体运作过程示意图。

具体实施方式

请参阅图1所示：

实施例1：

在权利要求1的框架下对某十个人(命名A1，A2，A3，A4，A5，A6，A7，A8，A9，A10，之前未录入过这十人的信息，让这十人之内的测试人员A1进行身份验证测试，测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)任意使用市面常见虹膜采集仪，采集模板测试人员A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的模板虹膜灰度图像1500张。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的全部1500张模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像。

3)对A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的所有模板虹膜归一增强图像分别采用水平方向，竖直方向，左斜方向，右斜方向的3×3维度卷积核进行卷积处理，每张模板虹膜归一增强图像转化为4组30×254维度二维数组。

4)从A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的每张模板虹膜归一增强图像的二维数组提取32位模板虹膜归一增强图像的虹膜特征数据。

5)根据A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的全部模板虹膜归一增强图像的虹膜特征数据，分别得到A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的模板虹膜类别的类别认知。

6)通过虹膜采集仪采集5秒的测试人员A1的图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像。

7)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将A1的全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

8)通过与3)相同的3×3维度卷积核对A1的所有测试虹膜归一增强图像分别进行卷积处理，A1得每张测试虹膜归一增强图像转化为4组30×254维度的二维数组。

9)从A1的每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据。

10)将A1的90张测试虹膜图像的虹膜特征数据与A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的类别认知进行比较，90张测试虹膜图像中有3张与A1的类别认知符合，且没有其他结果，因此输出身份验证结果为A1。

实施例2：

在权利要求1的框架下对某十个人(命名A1，A2，A3，A4，A5，A6，A7，A8，A9，A10，之前录入过这十人的信息，让这十人之外的测试人员B进行身份验证测试，之前没有录入过B的信息，身份验证测试后，训练B的类别认知，并让B通过与11个类别(A1，A2，A3，A4，A5，A6，A7，A8，A9，A10，B)再进行一次身份验证测试。测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)任意使用市面常见虹膜采集仪采集5秒的测试人员B的图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将B的全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

3)通过水平方向，竖直方向，左斜方向，右斜方向的3×3维度卷积核对B的所有测试虹膜归一增强图像分别进行卷积处理，B的每张测试虹膜归一增强图像转化为4组30×254维度的二维数组。

4)从B的每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据。

5)将B的90张测试虹膜图像的虹膜特征数据与A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的类别认知进行比较，90张测试虹膜图像中没有与A1，A2，A3，A4，A5，A6，A7，A8，A9，A10的类别认知符合的图像，因此输出身份验证结果为没有匹配模板。

6)通过虹膜采集仪采集模板测试人员B的模板虹膜灰度图像1500张。

7)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将B的全部1500张模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像。

8)通过与3)相同的3×3维度卷积核对B的所有模板虹膜归一增强图像进行卷积处理，B的每张模板虹膜归一增强图像转化为4组30×254维度二维数组。

9)从B的每张模板虹膜归一增强图像的二维数组提取32位模板虹膜归一增强图像的虹膜特征数据。

10)根据B的全部模板虹膜归一增强图像的虹膜特征数据，分别得到B的模板虹膜类别的类别认知。

11)通过虹膜采集仪采集5秒的测试人员B的图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像。

12)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将B的全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

13)通过与3)相同的3×3维度卷积核对B的所有测试虹膜归一增强图像分别进行卷积处理，B得每张测试虹膜归一增强图像转化为4组30×254维度二维数组。

14)从B的每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据。

15)将B的90张测试虹膜图像的虹膜特征数据与A1，A2，A3，A4，A5，A6，A7，A8，A9，A10，B的类别认知进行比较，90张测试虹膜图像中有1张与B的类别认知符合，且没有其他结果，因此输出身份验证结果为B。

实施例3：

在权利要求1的框架下对某十个人(命名C1，C2，C3，C4，C5，C6，C7，C8，C9，C10之前未录入过这十人的信息，让这十人之内的测试人员C1进行身份验证测试，测试虹膜与模板虹膜采用相同的虹膜采集仪进行采集)进行的操作全过程：

1)任意使用市面常见虹膜采集仪，采集模板测试人员C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的模板虹膜灰度图像2000张。

2)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的全部2000张模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像。

3)对C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的所有模板虹膜归一增强图像分别采用水平方向，竖直方向，左斜方向，右斜方向的3×3维度卷积核进行卷积处理，每张模板虹膜归一增强图像转化为4组30×254维度二维数组。

4)从C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的每张模板虹膜归一增强图像的二维数组提取32位模板虹膜归一增强图像的虹膜特征数据。

5)根据C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的全部模板虹膜归一增强图像的虹膜特征数据，分别得到C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的模板虹膜类别的类别认知。

6)通过虹膜采集仪采集5秒的测试人员C1的图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像。

7)计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将C1的全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像。

8)通过与3)相同的3×3维度卷积核对C1的所有测试虹膜归一增强图像分别进行卷积处理，C1的每张测试虹膜归一增强图像转化为4组30×254维度的二维数组。

9)从C1的每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据。

10)将C1的90张测试虹膜图像的虹膜特征数据与C1，C2，C3，C4，C5，C6，C7，C8，C9，C10的类别认知进行比较，90张测试虹膜图像中有3张与C1的类别认知符合，有1张与C5的类别认知符合，因此输出身份验证结果为没有匹配模板。

Claims (4)

1.一种基于非稳态虹膜视频流仿生神经网络的身份验证方法，其特征在于：其方法如下所述：

步骤一、任意使用市面常见虹膜采集仪，采集模板测试人员的模板虹膜灰度图像1000-2000张；

步骤二、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将全部模板虹膜灰度图像都转化为256×32维度的模板虹膜归一增强图像；

步骤三、对所有模板虹膜归一增强图像分别采用水平方向，竖直方向，左斜方向，右斜方向的3×3维度卷积核进行卷积处理，每张模板虹膜归一增强图像转化为4组30×254维度的二维数组；

4个卷积核如下：

步骤四、从每张模板虹膜归一增强图像的二维数组提取32位模板虹膜归一增强图像的虹膜特征数据；

步骤五、根据全部模板虹膜归一增强图像的虹膜特征数据，得到该模板测试人员的模板虹膜类别的类别认知；

步骤六、通过虹膜采集仪采集5秒的测试人员的测试虹膜灰度图像视频流，并从视频流中截取90张虹膜图像作为测试虹膜图像；

步骤七、计算机系统通过Daugman橡皮筋法以及均衡化直方图的方式将全部测试虹膜灰度图像都转化为256×32维度的测试虹膜归一增强图像；

步骤八、通过与步骤三相同的3×3维度卷积核对所有测试虹膜归一增强图像分别进行卷积处理，每张测试虹膜归一增强图像转化为4组30×254维度的二维数组；

步骤九、从每张测试虹膜归一增强图像的二维数组提取32位测试虹膜归一增强图像的虹膜特征数据；

步骤十、将全部测试虹膜图像的虹膜特征数据与全部模板虹膜类别的类别认知进行比较，得到身份验证结果。

2.根据权利要求1所述的一种基于非稳态虹膜视频流仿生神经网络的身份验证方法，其特征在于：所述的步骤四、步骤九中从虹膜归一增强图像中提取32位虹膜特征数据的具体过程如下：

第一步、将每个虹膜归一增强图像对应的4组30×254维度的二维数组通过2×2最小池化的方式转化为4组15×127维度的二维数组；

第二步、从左开始以15×15维度数组为一组，计算每组数据中的平均值作为其中一个特征数据，每个方向形成8个特征数据，最右边剩余15×7维度数据舍弃；

第三步、每个方向中的特征数据按照数据从左到右的顺序排列，按照水平，竖直，左斜，右斜的顺序排列，共计32位有序数组作为该张虹膜归一增强图像的虹膜特征数据。

3.根据权利要求1所述的一种基于非稳态虹膜视频流仿生神经网络的身份验证方法，其特征在于：所述的步骤五中根据全部模板虹膜归一增强图像的虹膜特征数据，得到该模板测试人员的模板虹膜类别的类别认知的具体过程如下：

第一步、根据模板虹膜灰度图像的虹膜特征数据的分布区间：根据公式(1)，将该模板虹膜类别的第n个虹膜特征数据的数值分布平均分成为m_n个区间，依次记作：

T_k-n∈[(f-1)×((T_n-max-T_n-min)/m_n),f×((T_n-max-T_n-min)/m_n)] f＝1,...,m_n (1)

其中：在该模板虹膜类别当前全部模板虹膜灰度图像中，第k张图像的第n个虹膜特征数据设定为T_k-n，该模板虹膜类别每个特征数据的全部模板虹膜灰度图像的最大值为T_n-max，最小值为T_n-min，f代表区间序号；

第二步、统计全部模板虹膜灰度图像中每个虹膜特征数据在各个区间的数量，每个区间的数量值依次记作：

即：第n个虹膜特征数据在第i个区间

的数量值

每个区间设定封闭阈值

即：第n个虹膜特征数据在第i个区间的封闭阈值

根据公式(2)，将第n个虹膜特征数据在第i个区间

的数量值

与第n个虹膜特征数据在第i个区间的封闭阈值

进行比较，统计第n个虹膜特征数据在第i个区间的数据情况，并将

的区间设定为常在区间：

第三步、将每个虹膜特征数据的全部常在区间的集合设定为该虹膜特征数据的封闭域，32位虹膜特征数据封闭域依次连接所构成的连续封闭连通体被设定为该模板测试人员的类别认知。

4.根据权利要求1所述的一种基于非稳态虹膜视频流仿生神经网络的身份验证方法，其特征在于：所述的步骤十中将全部测试虹膜的虹膜特征数据与模板虹膜类别的类别认知进行比较，得到身份验证结果的具体过程如下：

第一步、进行身份验证时，通过公式组(3)将全部测试虹膜的虹膜特征数据与全部模板虹膜类别的类别认知进行计算：

第k1个测试虹膜图像中的第n个虹膜特征数据T_k1-n在与对应的封闭域中第t个区间M_n-t进行比较，若虹膜特征数据位于任意一个区间内，则F_k1-n＝1，说明该特征数据满足对应封闭域，反之，F_k1-n＝0；依次比较32个虹膜特征数据与对应封闭域区间分布，得到第k1个图像最终结果G_k1，如果全部测试虹膜图像中存在至少一张图像的虹膜特征数据与某个模板类别的连续封闭连通体完全符合，即G_k1＝1，则最终判断值HP＝1，则认定测试虹膜图像对应的测试人员身份与该模板类别相同；

第二步、当测试人员的全部测试虹膜与全部模板类别比较完成后，如果认定的模板类别结果唯一，则直接输出结果作为身份验证的结论；如果认为验证虹膜没有相匹配的模板虹膜或者认定的模板类别结果唯一不唯一，则输出“没有匹配模板”的结论。

Images