[发明专利]基于采集不确定性解耦的鲁棒虹膜识别方法

权利要求书

1.基于采集不确定性解耦的鲁棒虹膜识别方法，其特征在于，所述方法包括：

S1：对低配合条件下采集的原始虹膜图像X^raw进行虹膜预处理操作，得到虹膜归一化图像X；

S2：应用滑动窗口对所述虹膜归一化图像X的窗口中心像素点进行像素局部增强，得到局部增强图像X_n^local(h,w)；

再应用局部增强图像X_n^local(h,w)计算全局一阶统计量X_n^M和全局二阶统计量X_n^S；

最后，应用全局一阶统计量、全局二阶统计量和局部增强图像X_n^local(h,w)计算得到增强图像X^out(h,w)；

S3：将所述增强图像X^out(h,w)输入深度学习网络，得到均值u_n和方差σ_n；

应用所述均值u_n和方差σ_n构建不确定性嵌入表达p(X^out)；

最后应用所述均值u_n和方差σ_n计算KL散度损失L_kl来对方差估计进行约束；

S4：从标准正态分布N(0,I)中随机生成一组随机数ɛ_n；

不确定性嵌入表达p(X^out)依照所述随机数来进行采样，获得随机嵌入结果s_n；

将所述随机嵌入结果s_n输入分类矩阵，得到随机嵌入结果s_n的类别y_n；所述分类矩阵为全连接层；

利用所述随机数ɛ_n和所述方差σ_n来获得随机嵌入结果的样本难度得分r_n；

S5：根据训练迭代次数t来调整难度采样阈值a(t)；

根据所述样本难度得分r_n和难度采样阈值a(t)构建样本难度评判函数p_n；

再根据样本难度评判函数p_n计算分类损失L_cls；

S6：将采样后的所述分类损失L_cls和所述KL散度损失L_kl加权相加获得最终的模型损失L；

应用Adam优化器对模型损失L不断迭代优化直至稳定收敛到一个最小值，获得最佳的模型参数，使得模型学得鲁棒均值u_n作为身份表达，并用于身份识别；

所述模型参数包括：所述深度学习网络的参数和分类矩阵的参数W_C；

所述根据训练迭代次数t来调整难度采样阈值a(t)的具体方法为：

；

构建样本难度评判函数p_n的具体方法为：

当p_n=1时，该样本为低困难样本，纳入模型损失计算；而p_n=0时，该样本为高困难样本，不纳入当前模型损失计算；

所述分类损失L_cls的具体公式为：

其中，

W_c：分类矩阵W_C中类别c对应的一列向量；

W_yn：分类矩阵W_C中类别y_n对应的一列向量；

C：全部类别的总数；

g：特征放缩因子,设置参数，参数设置范围为60-65；

m：间隔参数,设置参数，参数设置范围为0.4-0.6。