CN113837117A - 基于新型归一化和深度神经网络的虹膜编码方法 - Google Patents

基于新型归一化和深度神经网络的虹膜编码方法 Download PDF

Info

Publication number
CN113837117A
CN113837117A CN202111140151.3A CN202111140151A CN113837117A CN 113837117 A CN113837117 A CN 113837117A CN 202111140151 A CN202111140151 A CN 202111140151A CN 113837117 A CN113837117 A CN 113837117A
Authority
CN
China
Prior art keywords
iris
coding
vector
image
normalization
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
Application number
CN202111140151.3A
Other languages
English (en)
Other versions
CN113837117B (zh
Inventor
沈文忠
贾丁丁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202111140151.3A priority Critical patent/CN113837117B/zh
Publication of CN113837117A publication Critical patent/CN113837117A/zh
Application granted granted Critical
Publication of CN113837117B publication Critical patent/CN113837117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供了一种基于新型归一化和深度神经网络的虹膜编码方法，用于对虹膜图像数据进行编码，其特征在于，包括以下步骤：步骤S1，采集虹膜图像数据；步骤S2，对虹膜图像数据进行数据扩增；步骤S3，对数据扩增的虹膜图像进行归一化处理；步骤S4，搭建虹膜编码网络模型并进行训练、得到最佳虹膜编码网络模型；步骤S5，虹膜样本输入模型，得到虹膜编码特征向量。本发明提供的一种生物特征识别方法，还包括以下步骤：步骤S6，根据所有待识别图像对应的虹膜编码特征向量统计匹配对相似度分数，并计算出最佳匹配阈值；步骤S7，通过计算待识别图像的虹膜编码特征向量之间的相似度分数，基于最佳匹配阈值进行匹配，从而进行身份确认。

Description

基于新型归一化和深度神经网络的虹膜编码方法
技术领域
本发明涉及一种基于新型归一化和深度神经网络的虹膜编码方法。
背景技术
在人类身份识别认证的问题上，传统的身份验证方法不方便、不安全，而基于生物学特征的生物识别技术具有普遍性、稳定性、安全性的特点，这让生物识别技术成为了该领域内近年来研究的热点。其中虹膜识别被认为是最具开发前景的生物特征识别方法，与其他生物识别技术相比虹膜识别有着唯一性、稳定性、防伪性和非接触性的优点。
一个完整的虹膜识别系统由虹膜图像的采集、虹膜预处理、虹膜特征编码和虹膜特征匹配四个部分组成，其中特征编码是虹膜识别的关键环节。特征编码是将虹膜丰富的纹理信息映射为具有唯一性和表达性的向量或其他表示形式，以方便衡量虹膜图像的相似度。
经典的虹膜编码方法大多是基于Gabor等算子或频域响应分析的图像处理算法，这些编码策略对虹膜纹理的特征描述角度有限，需要繁琐的人工调参，在虹膜类别多、图像质量差等样本困难的情况下编码和识别效果差。随着计算机和人工智能技术的发展，神经网络依托大数据样本，利用多层神经元的强非线性拟合特性，可以胜任并超越传统的图像识别任务。
近些年来，出现了许多将神经网络和虹膜识别结合的相关专利技术。例如，申请号CN112949454A，发明名称为“一种基于小样本学习的虹膜识别方法”较好地解决了因虹膜样本较少而网络训练不充分的问题，不过该专利中网络训练所使用的损失函数为SoftmaxLoss，该损失函数一般用于通用分类任务，而虹膜识别的本质是通过向量的相似程度来验证或识别，Softmax Loss分类效果不佳，已经被新型的损失函数所替代。在网络训练中，本发明采用生物特征识别中最流行的AMS Loss(Additive Margin Softmax Loss)，该损失函数可以聚合同类样本间距，使得异类虹膜有较大的决策边界而减小误识率，具有更好的分类效果。再如，申请号CN111027464A发明名称为“对卷积神经网络和序特征编码联合优化的虹膜识别方法”将神经网络和序特征联合编码在一定程度上提升了编码向量的准确型和鲁棒性。但是，CN111027464A所设计的网络计算量较大。
发明内容
为解决上述问题，提供一种基于新型归一化和深度神经网络的虹膜编码方法，本发明采用了如下技术方案：
本发明提供了一种基于新型归一化和深度神经网络的虹膜编码方法，用于对虹膜图像数据进行编码，其特征在于，包括以下步骤：步骤S1，采集虹膜图像数据；步骤S2，对虹膜图像数据进行数据扩增，得到数据扩增的虹膜图像；步骤S3，对数据扩增的虹膜图像进行归一化处理，得到归一化虹膜图像；步骤S4，搭建虹膜编码网络模型，利用大型通用分类数据库和归一化虹膜图像对虹膜编码网络模型进行训练，得到最佳虹膜编码网络模型；步骤S5，将虹膜样本输入到最佳虹膜编码网络模型，得到虹膜编码特征向量。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，还可以具有这样的技术特征，其中，数据扩增是根据实际场景的虹膜采集条件，对采集到的虹膜图像数据，随机选择采用平移、模糊、加噪声、平移、旋转中的至少一种图像变换方式进行变换。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，还可以具有这样的技术特征，其中，步骤S3包括以下步骤：步骤S3-1，使用精确定位算法检测干扰因素，定位虹膜的内圆和外圆，并生成掩码进行屏蔽；步骤S3-2，根据眼睛两侧眼角点，确定归一化起始角度θ0；步骤S3-3，从θ0开始将虹膜圆环从直角坐标映射到极坐标下，生成虹膜矩形；步骤S3-4，沿虹膜矩形的长边的中心虚线进行裁剪，并将左半部分旋转180°和右半部分拼接，得到虹膜纹理集中于图像中央，而掩码分布于四个边角的归一化虹膜图像数据。
根本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：其中，通过在过眼膜圆心的两个眼角点连线上作一条垂线，垂线和水平线的夹角即为归一化起始角度θ0。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，还可以具有这样的技术特征，其中，步骤S4包括以下步骤：步骤S4-1，利用大型通用分类数据库对虹膜特征编码网络模型进行预训练；步骤S4-2，利用归一化虹膜图像对虹膜特征编码网络模型进行微调训练，得到最佳虹膜编码网络模型。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，还可以具有这样的技术特征，其中，最佳虹膜编码网络模型所输出的向量为浮点向量，编码特征向量为该浮点向量。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，还可以具有这样的技术特征，其中，最佳虹膜编码网络模型所输出的向量为浮点向量，将该浮点向量经过二进制量化为二进制向量，将二进制向量作为编码特征向量进行输出。
本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：其中，浮点向量量化为二进制编码特征向量的具体方法是，先确定一个二进制阈值M，M为较小的正数，在所述浮点向量中，小于-M的浮点数设置为0，大于M的浮点数设置为1，绝对值小于等于M的浮点数将使用掩码mask进行屏蔽。
本发明提供的一种生物特征识别方法，用于对待识别图像进行生物特征识别，其特征在于，采用权利要求1-8中任一项的一种基于新型归一化和深度神经网络的虹膜编码方法，将归一化处理后的待识别图像作为待编码虹膜图像输入最佳虹膜编码网络模型进行虹膜特征编码得出编码特征向量，并且还包括以下步骤：步骤S6，根据所有待识别图像对应的虹膜编码特征向量统计匹配对相似度分数，并计算出最佳匹配阈值；步骤S7，通过计算待识别图像的虹膜编码特征向量之间的相似度分数，基于最佳匹配阈值进行匹配，从而进行身份确认。
发明作用与效果
根据本发明提供的一种基于新型归一化和深度神经网络的虹膜编码方法。首先搭建虹膜编码网络模型，引入了损失函数AMS Loss，并在大型通用分类数据进行充分的预训练和在目标虹膜数据集上进行微调训练，得到最佳虹膜编码网络模型，可以依托大数据样本，解决了网络训练不充分的问题，提高了识别效果。
其次，本发明利用精确定位算法检测干扰因素，定位虹膜的内圆和外圆，并生成掩码进行屏蔽，在确定归一化起始角度并沿映射到极坐标下所生成虹膜矩形的长边的中心虚线进行裁剪，并将左半部分旋转180°和右半部分拼接归一化虹膜图像数据，将掩码分布于图像四个边角，使得网络在训练中更加专注于虹膜纹理的信息挖掘，更加有利于提高虹膜的识别效果。
最后，本发明将虹膜样本输入到最佳虹膜编码网络模型，得到浮点数向量，再将该浮点向量经过二进制量化为二进制向量，将二进制向量作为编码特征向量进行输出，可以大大降低储存容量，提升识别速度。
附图说明
图1是本发明实施例中的基于新型归一化和深度神经网络的虹膜编码方法流程图；
图2是本发明实施例中虹膜图像数据标注示意图；
图3是本发明实施例中数据扩增结果示意图；
图4是本发明实施例中虹膜归一化处理示意图；
图5是本发明实施例中浮点型向量量化为二进制向量示意图；
图6是本发明实施例中深度网络Deepiris提出的归一化形式示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于新型归一化和深度神经网络的虹膜编码方法作具体阐述。
<实施例>
图1是本发明实施例中的基于新型归一化和深度神经网络的虹膜编码方法流程图。
如图1所示，步骤S1，采集虹膜图像数据并进行标注。
图2是本发明实施例中虹膜图像数据标注示意图。
如图2所示，对采集的虹膜图像进行类别编号规定来源于同一只眼睛的虹膜图像为一类，对采集的虹膜图像进行类别编号。所标注的标签分为三部分，第一部分为人的身份ID；第二部分为人眼ID，即左眼L或右眼R；第三部分为图片序号。图2是标签的组成和某数据集部分样本的标注结果。
步骤S2，对虹膜图像数据进行数据扩增，得到数据扩增的虹膜图像。
图3为本发明实施例中数据扩增结果示意图。
如图3所示，模拟实际场景的虹膜采集条件，随机选择平移、模糊、加噪声、平移、旋转中的至少一种图像变换方式对采集的虹膜图像随机进行变换，并保证每次变换结果的唯一性。
步骤S3，对数据扩增的虹膜图像进行归一化处理，得到归一化虹膜图像。
图4为本发明实施例中虹膜归一化处理示意图。
如图4所示，步骤S3-1，使用精确定位算法检测并定位虹膜的内圆和外圆，检测瞳孔、巩膜、上下眼睑和睫毛等干扰因素，并生成掩码进行屏蔽。如图4(a)部分所示，圆环内表示虹膜内外边界，阴影部分表示非虹膜像素。
步骤S3-2，确定归一化起始角度θ0。在过圆心作两个眼角点连线作一条垂线，垂线和水平线的夹角即为归一化起始角度θ0，这种确定起始角的方法可降低虹膜旋转一定角度带来的编码影响。
步骤S3-3，从θ0开始将虹膜圆环从直角坐标映射到极坐标下，生成224×56矩形区域。
如图4(b)部分所示，步骤S3-4，沿矩形虹膜的长边的中心虚线进行裁剪，并将左半部分旋转180°和右半部分拼接，使虹膜纹理集中于图像中央，而掩码分布于四个边角。最终的归一化虹膜图像尺寸为112×112。
步骤S4,搭建虹膜编码网络模型，利用大型通用分类数据库和归一化虹膜图像对虹膜编码网络模型进行训练，得到最佳虹膜编码网络模型。
表1编码网络各层细节
Figure BDA0003283543980000081
如表1所示，搭建虹膜特征编码网络模型。使用网络对虹膜进行分类训练。
如表1所示，搭建虹膜特征编码网络模型。使用网络对虹膜进行分类训练。虹膜特征编码网络模型是一个深度神经网络模型，损失函数AMS Loss的表达式为：
Figure BDA0003283543980000082
式中，fi是最后一个全连接层的输入(fi表示第i个样本)，Wj是最后一个全连接层参数矩阵W的第j列，
Figure BDA0003283543980000091
称为第i个样本的目标逻辑，
Figure BDA0003283543980000092
需要重点对AMS Loss的缩放参数s和裕度参数m进行设置：缩放参数s设置为32.0或30.0，裕度参数m初始值设置为0.20到0.30，按步距0.05逐步增大，直到损失函数的数值变化趋势开始有一定幅度的振荡(原因是过大的m将不能被网络所优化，损失不再稳定)，此时裕度参数m取最佳。
关于其它训练设置。在预训练或微调训练的初期，Batchsize先设置为512，经过一定训练迭代后Batchsize设置为64，再次训练时设置为32。学习率LR初始值为0.2，并在epoch＝(20，35，45，50),以0.1倍逐步减小学习率LR，使用随机梯度下降SGD进行优化。
步骤S4-1，为使网络有良好的初始权重，首先在大型通用分类数据库(像人脸数据集webface等)上进行充分的预训练。在预训练阶段，损失函数AMS Loss的参数m设置为0.35。
步骤S4-2，在目标虹膜数据集上进行微调训练。在微调训练阶段，要重点对m进行逐步配置：从0.20开始逐步增大，直到训练过程中损失函数开始一定幅度的震荡。
步骤S5，将虹膜样本输入到最佳虹膜编码网络模型，得到512×1维的浮点数，即为虹膜编码特征向量。
图5为本发明实施例中浮点型向量量化为二进制向量示意图。
如图5所示，根据实际的识别精度、储存、识别速度要求，可将网络输出的512维浮点向量量化为二进制编码特征向量，具体方法为：先确定一个二进制阈值M，M为较小的正数，在浮点向量中，小于-M的元素置为0，大于M的置为1，绝对值小于等于M的浮点数将使用掩码mask进行屏蔽。
二进制阈值M的确定方法为：统计编码向量的数值分布，初步确定M初值，实验不同M下的编码向量的识别准确率，最高准确率对应的M为最佳二进制阈值。
经过阈值化，由将编码向量中的每一个浮点数量化为二进制形式。两个编码向量codeA和codeB的海明距离的计算公式为：
Figure BDA0003283543980000101
这种量化可将512维向量占用2048字节减少至64字节的编码向量和64字节的掩码向量，总字节数仅为原来的1/16，可以大大降低储存容量，提升识别速度，而只牺牲较少的识别准确率。
本实施例中还提供了一种生物特征识别方法，用于对待识别图像进行生物特征识别，其特征在于，采用权利要求1-6中任一项的一种基于新型归一化和深度神经网络的虹膜编码方法,将归一化处理后的待识别图像作为待编码虹膜图像输入最佳虹膜编码网络模型进行虹膜特征编码得出编码特征向量，并且还包括以下步骤：
步骤S6，根据所有待识别图像对应的虹膜编码特征向量统计匹配对相似度分数，并计算出最佳匹配阈值。
穷举测试集的匹配对情况，并通过对所有特征编码匹配对的计算余弦相似度，得到相似度分数。相似度分数范围为-1到1，设置步长为0.0001，遍历从-1.0000到1.0000间的两万个匹配阈值，大于该匹配阈值则为同类，和实际匹配对的同异类情况相比较，计算该匹配阈值下的错误接受率FAR和错误拒绝率FRR，选取错误接受率最小时的阈值为最佳匹配阈值。
步骤S7，通过计算待识别图像的虹膜编码特征向量之间的相似度分数，基于最佳匹配阈值进行匹配，从而进行身份确认。
本实施例中提供的一种基于新型归一化和深度神经网络的虹膜编码方法，与其他实验方法进行比较。
表2是本实施例中的方法与其它实验方法在中科院虹膜数据子集CASIA-Iris-Thousand上的进行虹膜识别结果对比。
表2不同实验方法的虹膜识别结果对比
Figure BDA0003283543980000111
Figure BDA0003283543980000121
如表2所示，在实验方法中，深度网络Deepiris使用简单的卷积层和线性层来搭建编码网络，在网络中应用了“丢弃Dropout”和“归一化Normalization”等技术来防止数据过拟合。密集连接网络DenseNet把密集残差块作为基本单元，缓解了梯度消失。50层残差网络ResNet50使用残差块有效防止了过拟合，是当前流行的网络框架。三元损失网络UniNet是利用三元组损失函数优化了虹膜类间和类内距离，根据向量相似度来判定是否同类。开源软件OSIRIS使用2D Gabor算子编码，是传统编码的代表方法。“归一化形式1-浮点型”是本实施例提供的深度神经网络的虹膜编码方法，但是网络输入采用的是“深度网络Deepiris”提出的归一化方法，即归一化角度固定，且裁剪后没有翻转。“归一化形式2-浮点型”也是使用本实施例中的深度神经网络，并且输入图像采用的是新型归一化方法，编码向量为浮点型；“归一化形式2-二进制型”是使用本实施例中的深度神经网络网络和新型归一化方法，编码向量为二进制型，且使用本发明提出的二进制量化方法。
实验结果表明，最后3种实验方法，由于采用了本实施例提供的深度神经网络，识别评价指标TAR(真正例率，TAR＝1-FRR)和EER(等错误率)远优于其它网络算法或传统算法。
本实施例中的网络模型损失函数采用了可以扩大决策边界的AMS Loss，比实验方法1，2，3采用的Softmax Loss优化类别间距效果要好。实验方法4虽然采用了三元组损失函数，考虑到了类内和类间距离的优化，但是实现比较复杂，而且效果也不如本发明采用的AMS Loss。
本实施例中的网络模型属于轻量级网络，使用全局可分离卷积来减少参数，是实验2和实验3所用网络参数量的1/20、计算量的1/5,编码时间的1/6,而准确率更高。
“归一化形式2-浮点型”测试结果要优于“归一化形式1-浮点型”，说明本实施例中提供的新型归一化方法要比“深度网络Deepiris”提出的归一化方法识别效果好。
图6为本发明实施例中深度网络Deepiris提出的归一化形式示意图。
如图6所示，“归一化形式1-浮点型”的归一化起始角度θ0为固定的0度，沿中心线裁剪后，并没有进行翻转操作直接进行拼接，这种归一化缺点在于有一半的虹膜纹理分布在了图像边缘，而掩码居于图像中心，使得网络训练或者编码时受到图像中间掩码的影响。而本实施例中提供的新型归一化方法将掩码分布于图像四个边角，使得网络在训练中更加专注于虹膜纹理的信息挖掘。本实施例中的归一化起始角度是根据眼角位置更新变化的，有利于向量匹配时数据对齐。
“归一化形式2-二进制型”使用了本发明所叙述的向量二进制量化方法，对比浮点型的“归一化形式2-浮点型”，TAR下降不明显，却可大幅降低储存并提升匹配速度。
实施例作用与效果
根据本实施例提供的一种基于新型归一化和深度神经网络的虹膜编码方法。首先搭建虹膜编码网络模型，引入了损失函数AMS Loss，并在大型通用分类数据进行充分的预训练和在目标虹膜数据集上进行微调训练，得到最佳虹膜编码网络模型。由于本实施例中的网路模型属于轻量级网络，依托大数据样本，解决了网络训练不充分的问题，计算量少，准确率高，提高了识别效果。
其次，本实施例利用精确定位算法检测干扰因素，定位虹膜的内圆和外圆，并生成掩码进行屏蔽，在确定归一化起始角度并沿映射到极坐标下所生成虹膜矩形的长边的中心虚线进行裁剪，并将左半部分旋转180°和右半部分拼接归一化虹膜图像数据，将掩码分布于图像四个边角，使得网络在训练中更加专注于虹膜纹理的信息挖掘，更加有利于提高虹膜的识别效果。
最后，本实施例将虹膜样本输入到最佳虹膜编码网络模型，得到浮点数向量，再将该浮点向量经过二进制量化为二进制向量，将二进制向量作为编码特征向量进行输出，可以大大降低储存容量，提升识别速度。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
在本实施例中，虹膜样本输入到最佳虹膜编码网络模型，得到浮点数向量，再将该浮点向量经过二进制量化为二进制向量，将二进制向量作为编码特征向量进行输出。而在本发明的其他方案中，也可以直接将浮点向量作为编码特征向量进行输出。

Claims (9)

1.一种基于新型归一化和深度神经网络的虹膜编码方法，用于对虹膜图像数据进行编码，其特征在于，包括以下步骤：
步骤S1，采集虹膜图像数据；
步骤S2，对所述虹膜图像数据进行数据扩增，得到数据扩增的虹膜图像；
步骤S3，对所述数据扩增的虹膜图像进行归一化处理，得到归一化虹膜图像；
步骤S4，搭建虹膜编码网络模型，利用大型通用分类数据库和所述归一化虹膜图像对所述虹膜编码网络模型进行训练，得到最佳虹膜编码网络模型；
步骤S5，将虹膜样本输入到所述最佳虹膜编码网络模型，得到虹膜编码特征向量。
2.根据权利要求1所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，所述数据扩增是根据实际场景的虹膜采集条件，对采集到的所述虹膜图像数据，随机选择采用平移、模糊、加噪声、平移、旋转中的至少一种图像变换方式进行变换。
3.根据权利要求1所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，所述步骤S3包括以下步骤：
步骤S3-1，使用精确定位算法检测干扰因素，定位虹膜的内圆和外圆，并生成掩码进行屏蔽；
步骤S3-2，根据眼睛两侧的眼角点，确定归一化起始角度θ0；
步骤S3-3，从θ0开始将虹膜圆环从直角坐标映射到极坐标下，生成虹膜矩形；
步骤S3-4，沿所述虹膜矩形的长边的中心虚线进行裁剪，并将左半部分旋转180°和右半部分拼接，得到虹膜纹理集中于图像中央，而掩码分布于四个边角的所述归一化虹膜图像数据。
4.根据权利要求3所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，通过在过眼膜圆心的两个眼角点连线上作一条垂线，所述垂线和水平线的夹角即为所述归一化起始角度θ0。
5.根据权利要求1所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，步骤S4包括以下步骤：
步骤S4-1，利用大型通用分类数据库对所述虹膜特征编码网络模型进行预训练；
步骤S4-2，利用所述归一化虹膜图像对所述虹膜特征编码网络模型进行微调训练，得到所述最佳虹膜编码网络模型。
6.根据权利要求1所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，所述最佳虹膜编码网络模型所输出的向量为浮点向量，所述编码特征向量为该浮点向量。
7.根据权利要求1所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，所述最佳虹膜编码网络模型所输出的向量为浮点向量，为减少编码特征向量的存储量和提高识别速度，将该浮点向量经过二进制量化为二进制向量，将二进制向量作为编码特征向量进行输出。
8.根据权利要求7所述的一种基于新型归一化和深度神经网络的虹膜编码方法，其特征在于：
其中，浮点向量量化为二进制编码特征向量的具体方法是，先确定一个二进制阈值M，M为较小的正数，在所述浮点向量中，小于-M的浮点数设置为0，大于M的浮点数设置为1，绝对值小于等于M的浮点数将使用掩码mask进行屏蔽。
9.一种生物特征识别方法，用于对待识别图像进行生物特征识别，其特征在于，采用权利要求1-8中任一项所述的一种基于新型归一化和深度神经网络的虹膜编码方法,将归一化处理后的待识别图像作为所述虹膜样本输入所述最佳虹膜编码网络模型进行虹膜特征编码得出对应的编码特征向量(浮点向量或二进制向量)，并且还包括以下步骤：
步骤S6，根据所有待识别图像对应的虹膜编码特征向量统计匹配对相似度分数，并计算出最佳匹配阈值；
步骤S7，通过计算所述待识别图像的虹膜编码特征向量之间的相似度分数，基于所述最佳匹配阈值进行匹配，从而进行身份确认。
CN202111140151.3A 2021-09-28 2021-09-28 基于新型归一化和深度神经网络的虹膜编码方法 Active CN113837117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111140151.3A CN113837117B (zh) 2021-09-28 2021-09-28 基于新型归一化和深度神经网络的虹膜编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111140151.3A CN113837117B (zh) 2021-09-28 2021-09-28 基于新型归一化和深度神经网络的虹膜编码方法

Publications (2)

Publication Number Publication Date
CN113837117A true CN113837117A (zh) 2021-12-24
CN113837117B CN113837117B (zh) 2024-05-07

Family

ID=78970796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111140151.3A Active CN113837117B (zh) 2021-09-28 2021-09-28 基于新型归一化和深度神经网络的虹膜编码方法

Country Status (1)

Country Link
CN (1) CN113837117B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1900951A (zh) * 2006-06-02 2007-01-24 哈尔滨工业大学 基于数学形态学的虹膜图像柔性分区方法
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
CN109409342A (zh) * 2018-12-11 2019-03-01 北京万里红科技股份有限公司 一种基于轻量卷积神经网络的虹膜活体检测方法
CN111079676A (zh) * 2019-12-23 2020-04-28 浙江大学 一种人眼虹膜检测方法和装置
CN111241323A (zh) * 2020-01-09 2020-06-05 浙江工业大学 一种基于深度学习的由粗到精的快速人脸检索方法
CN111401211A (zh) * 2020-03-11 2020-07-10 山东大学 一种采用图像增广和小样本学习的虹膜识别方法
CN111768423A (zh) * 2020-05-20 2020-10-13 宿迁南航新材料与装备制造研究院有限公司 一种基于图像识别的纤维角度自动测量方法
CN112001244A (zh) * 2020-07-17 2020-11-27 公安部物证鉴定中心 计算机辅助虹膜比对方法及装置
US20210019502A1 (en) * 2019-07-16 2021-01-21 Idemia Identity & Security France Method for extracting a feature vector from an input image representative of an iris by means of an end-to-end trainable neural network
CN112270271A (zh) * 2020-10-31 2021-01-26 重庆商务职业学院 一种基于小波包分解的虹膜识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1900951A (zh) * 2006-06-02 2007-01-24 哈尔滨工业大学 基于数学形态学的虹膜图像柔性分区方法
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
CN109409342A (zh) * 2018-12-11 2019-03-01 北京万里红科技股份有限公司 一种基于轻量卷积神经网络的虹膜活体检测方法
US20210019502A1 (en) * 2019-07-16 2021-01-21 Idemia Identity & Security France Method for extracting a feature vector from an input image representative of an iris by means of an end-to-end trainable neural network
CN111079676A (zh) * 2019-12-23 2020-04-28 浙江大学 一种人眼虹膜检测方法和装置
CN111241323A (zh) * 2020-01-09 2020-06-05 浙江工业大学 一种基于深度学习的由粗到精的快速人脸检索方法
CN111401211A (zh) * 2020-03-11 2020-07-10 山东大学 一种采用图像增广和小样本学习的虹膜识别方法
CN111768423A (zh) * 2020-05-20 2020-10-13 宿迁南航新材料与装备制造研究院有限公司 一种基于图像识别的纤维角度自动测量方法
CN112001244A (zh) * 2020-07-17 2020-11-27 公安部物证鉴定中心 计算机辅助虹膜比对方法及装置
CN112270271A (zh) * 2020-10-31 2021-01-26 重庆商务职业学院 一种基于小波包分解的虹膜识别方法

Also Published As

Publication number Publication date
CN113837117B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN109800648B (zh) 基于人脸关键点校正的人脸检测识别方法及装置
CN110059589B (zh) 一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法
Valdes-Ramirez et al. A Review of Fingerprint Feature Representations and Their Applications for Latent Fingerprint Identification: Trends and Evaluation.
Chen et al. T-center: A novel feature extraction approach towards large-scale iris recognition
CN111368683B (zh) 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法
CN100517370C (zh) 基于双眼虹膜的身份识别方法
Zhang et al. Graph fusion for finger multimodal biometrics
CN109190544B (zh) 一种基于序列深度图像的人体身份识别方法
EP1820141A1 (en) Multiscale variable domain decomposition method and system for iris identification
CN109948467A (zh) 人脸识别的方法、装置、计算机设备和存储介质
CN110472495A (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
Chen et al. Query2set: Single-to-multiple partial fingerprint recognition based on attention mechanism
CN109241905A (zh) 一种图像处理方法和装置
CN116386102A (zh) 一种基于改进残差卷积网络inception块结构的人脸情绪识别方法
Huo et al. An effective feature descriptor with Gabor filter and uniform local binary pattern transcoding for Iris recognition
Chen et al. Eyes localization algorithm based on prior MTCNN face detection
Gawande et al. Improving iris recognition accuracy by score based fusion method
CN116884045B (zh) 身份识别方法、装置、计算机设备和存储介质
Fang et al. Deep belief network based finger vein recognition using histograms of uniform local binary patterns of curvature gray images
CN113837117B (zh) 基于新型归一化和深度神经网络的虹膜编码方法
CN111666847A (zh) 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法
CN106940786B (zh) 一种基于lle和pso的使用虹膜模版的虹膜重构方法
CN115797987A (zh) 一种基于联合损失和卷积神经网络的指静脉识别方法
Jung et al. Live-scanned fingerprint classification with markov models modified by GA
Shuping et al. The research on fingerprint recognition algorithm fused with deep learning

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