[发明专利]一种基于特征融合和机器学习的虹膜活性检测方法

权利要求书

1.一种基于特征融合和机器学习的虹膜活性检测方法,其特征在于，准备虹膜图像数据集，分别提取虹膜图像的LBP特征和HOG特征，对所提取的LBP特征和HOG特征进行降维处理，用典型相关性分析方法将降维后的LBP特征和HOG特征进行融合，得到特征融合后的典型相关特征，将典型相关特征输入支持向量机模型，对虹膜图像特征进行分类，实现对虹膜活性的检测。

2.根据权利要求1所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述提取LBP特征的方法为：用LBP模板对图像像素进行判断计算得到LBP值。根据LBP值统计每一个区域的直方图，级联所有区域直方图作为LBP特征向量。

3.根据权利要求1所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述提取HOG特征的方法为：设置滑动区域块，将区域块划分为若干大小统一的细胞单元，计算各像素梯度的幅值和方向，统计细胞单元梯度直方图，联合所有细胞单元的梯度直方图作为当前区域块的梯度直方图并对其标准化处理；级联所有区域块的梯度直方图作为图像的HOG特征向量。

4.根据权利要求1所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述典型相关特征的获取方法为：找到一组投影向量α和β，使得投影x^*＝α^Tx_LBP与y^*＝β^Ty_HOG之间的相关系数ρ最大相关，则获得LBP特征矩阵x_LBP和HOG特征矩阵y_HOG之间的典型相关特征。

5.根据权利要求4所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述相关系数ρ的计算方法为：

其中，S_xx表示x_LBP的自协方差矩阵，S_yy表示y_HOG的自协方差矩阵；S_xy表示x_LBP和y_HOG的互协方差矩阵。

6.根据权利要求1所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，支持向量机模型选用二分类模型，构建该模型的过程如下：

步骤1，选取核函数K(x，x)以及惩罚参数C；

步骤2，输入融合后的特征，对二分类模型进行训练，并将训练好的模型用于虹膜活性的检测。

7.根据权利要求6所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述核函数K(x，x)选用线性核，惩罚参数C＝1。

8.根据权利要求1所述的一种基于特征融合和机器学习的虹膜活性检测方法，其特征在于，所述降维处理采用主成分分析进行降维。