[发明专利]对卷积神经网络和序特征编码联合优化的虹膜识别方法

说明书

一种对卷积神经网络和序特征编码联合优化的虹膜识别方法，属于生物特征识别、计算机视觉技术领域。本发明在卷积神经网络中嵌入序特征比较模块进行编码，并对该系统进行端到端训练，通过特征学习和特征建模的联合优化以获得更具表达力的模型。方法的基本流程如下：首先对虹膜图像进行预处理；第二步基于卷积神经网络进行图像特征提取；第三步基于序特征比较模块进行图像特征编码；第四步特征提取网络与序特征比较模块进行联合训练；第五步虹膜匹配并返回识别结果，以此判断访问人员身份。本发明在卷积神经网络中对特征学习与序特征比较编码模块进行联合优化，充分发掘了神经网络强大的学习能力，有助于提升虹膜识别的鲁棒性和准确率。

技术领域

本发明涉及到生物特征识别、计算机视觉技术领域。具体为提出一种对卷积神经网络和序特征编码联合优化的虹膜识别方法。

背景技术

虹膜识别是指对位于人眼黑色瞳孔和白色巩膜之间的环形区域进行识别的生物特征识别技术，它是一种利用人眼虹膜丰富的纹理信息进行识别来获取身份信息的身份认证方法，其核心技术在于设计具有高判别性的纹理特征。现有的虹膜识别方法大多基于传统的手工设计特征的方法对虹膜纹理提取特征。这样的方法主要依靠设计者的先验知识，需要针对不同的应用场景进行大量的手工参数调整，而且受限于手工设计特征的表达能力，这类方法与通过自适应学习提高模型提取特征能力，从而可以自动提取更具表达能力和鲁棒性的特征的滤波器方法相比不是最优的策略。

近年来，出现了一些基于深度学习中卷积神经网络模型进行虹膜识别的方法，通过在大量的虹膜图像上训练神经网络可以使网络能够自动从图像中提取出更具表达能力的特征，例如Liu等人在[Liu N,Zhang M,Li H,et al.DeepIris:Learning pairwisefilter bank forheterogeneous iris verification[J].Pattern RecognitionLetters,2016,82]中利用现有卷积网络进行虹膜识别，采用网络的全连接层的输出表示虹膜特征。但是由于全连接层建模的是图像的全局信息，将特征图压缩为一维向量的过程中损失了特征的空间信息，而卷积特征捕捉的是图像的局部信息，可以将虹膜纹理这样的空间信息更好的保存下来，通过比较不同特征的纹理信息差异来判别是否属于同一类，因此卷积特征更适合于基于纹理的虹膜识别算法。现有的基于卷积特征的虹膜识别算法都对特征做进一步的建模处理以获得更加鲁棒高效的虹膜编码表示，比如利用序特征编码或者简单的二值化编码。但是网络训练对应的特征学习和后续的特征建模是互相分离的两部分，这样的情形限制了卷积神经网络自适应学习的能力。

本发明从特征学习和特性建模的联合优化入手，提出了一种将序特征比较模块嵌入卷积神经网络中进行端到端联合优化训练的虹膜识别方法。

发明内容

针对现有技术中存在的问题，本发明提出了一种将传统的特征建模方法嵌入卷积神经网络中进行端到端训练的虹膜识别方法，实现特征学习和特征建模的联合优化，从而获得更具表达能力的模型。本发明首先基于残差网络设计了用于提取虹膜图像的卷积特征的轻量级神经网络架构，此架构参数少，计算量小，并且引入了空洞卷积，可以在不增加计算量和参数的情况下增大特征图的感受野。此外，本发明提出将序特征比较模块嵌入神经网络最后一个卷积层后，即将特征编码部分也引入到模型的训练过程中，通过三元组损失进行特征学习和特征建模的联合优化，从而获得更具判别力的模型，提升识别算法的准确率。

为实现上述目的，本发明所采用的技术方案是：

一种对卷积神经网络和序特征编码联合优化的虹膜识别方法，包括以下步骤：

步骤S1、虹膜图像预处理。对原始人眼图像进行虹膜区域检测，即对原图像中包含虹膜的最小区域进行定位，将该区域中的圆环状虹膜图像进行分割和展开等预处理操作，设置展开后的虹膜图像大小为256×256像素，后续模型训练和算法测试都在此展开图像上进行。