[发明专利]基于联邦学习的虹膜图像特征提取方法、系统和装置

权利要求书

1.一种基于联邦学习的虹膜图像特征提取方法，其特征在于，所述方法包括：

步骤S100，各本地平台的虹膜图像预处理网络对本地虹膜数据集进行预处理生成归一化虹膜图像集和相应的虹膜有效区域掩膜图像集，并基于所述归一化虹膜图像集和相应的虹膜有效区域掩膜图像集生成虹膜有效区域图像集；所述预处理包括眼部检测、虹膜分割和归一化；

步骤S200，基于所述虹膜有效区域图像集，通过各本地平台的虹膜图像特征提取网络获取本地虹膜特征，基于所述本地虹膜特征生成本地特征三元组和本地三元损失；

步骤S300，对所述本地特征三元组和本地三元损失进行同态加密，生成加密本地特征三元组和加密本地三元损失；

步骤S400，第三方联邦计算平台基于所述加密本地特征三元组和加密本地三元损失计算瓦瑟斯坦联邦三元损失函数；步骤S400包括：

步骤S410，基于加密的本地虹膜特征，所述第三方联邦计算平台将所述加密本地三元损失汇总生成全局三元损失矩阵：

其中，L_AA表示特征集F_A对特征集F_A的三元损失，通过；

步骤S420，基于所述加密本地特征三元组，计算瓦瑟斯坦权重矩阵：

步骤S430，基于所述全局三元损失矩阵和瓦瑟斯坦权重矩阵，获取所述瓦瑟斯坦联邦三元损失函数[[L_WFT]]：

步骤S500，各本地平台对所述瓦瑟斯坦联邦三元损失函数进行解密，获得解密三元损失函数，基于所述解密三元损失函数更新各本地平台的虹膜图像特征提取网络，获得新虹膜图像特征提取网络；通过所述新虹膜图像特征提取网络获取最终虹膜图像特征。

2.根据权利要求1所述的基于联邦学习的虹膜图像特征提取方法，其特征在于，步骤S200包括：

步骤S210，设有P个本地虹膜图像特征提取网络，则输入的所述虹膜有效区域图像集为：

其中，N表示虹膜有效区域图像m1表示本地虹膜数据集D_A中的样本数目，m2表示本地虹膜数据集D_B中的样本数目，mP表示本地虹膜数据集D_P中的样本数目；

每个虹膜有效区域图像对应着表示左眼或右眼的类别标签：

对应的本地平台的虹膜特征提取网络为EF_A，EF_B，......，EF_P；表示本地虹膜数据集D_A中的第1个样本的类别标签，时表示虹膜有效区域的类别为i；每个本地平台的虹膜特征提取网络提取出的本地虹膜特征集为：

其中，i、j和k为样本标号，表示虹膜图像的本地虹膜特征；

步骤S220，随机从每个本地虹膜特征集中选取一个锚点特征，基于锚点特征随机选取与锚点类别相同的正样本特征，并随机选取与锚点类别不同的负样本特征，将所述锚点特征、正样本特征和负样本特征组成K组特征三元组：

其中，表示本地虹膜特征F_A中锚点的特征，表示在本地虹膜特征集F_A中与锚点同类别的正样本特征，表示本地虹膜特征F_A中与锚点类别不同的负样本特征；表示本地虹膜特征中的特征集中的锚点特征，表示本地虹膜特征中与锚点同类别的正样本特征，表示本地虹膜特征中与锚点类别不同的负样本特征；表示本地虹膜特征中的特征集中的锚点特征，表示本地虹膜特征中与锚点同类别的正样本特征，表示本地虹膜特征中与锚点类别不同的负样本特征；

每个本地特征三元组满足：

s.t.

a，b，c∈1，2，......，m1

步骤S230，基于每个所述特征三元组计算本地三元损失L_Tri：

其中，(TA，TP，TN)表示特征三元组，α是正负样本之间的间隔约束，用于提高特征分布的区分性。