[发明专利]基于采集不确定性解耦的鲁棒虹膜识别方法

说明书

本发明提供基于采集不确定性解耦的鲁棒虹膜识别方法，为了解决低配合虹膜识别中不确定采集因素对身份特征的影响，探究了采集过程中来自眼、设备、环境的不确定因素，从像素层和特征层出发，分别提出了归一化虹膜图像增强方法和不确定性嵌入表达来解决采集不确定性问题。前者在像素层依据图像的局部和全局统计量逐步对图像进行调整；后者则在特征层使用高斯分布来表示图像，事实上将身份信息从采集因素中解耦出来。此外，还提出了不确定性导向的训练策略让模型按照样本的不确定性从易到难进行学习，以获得更鲁棒的特征表达。

技术领域

本发明涉及图像处理领域，具体涉及基于采集不确定性解耦的鲁棒虹膜识别方法。

背景技术

虹膜识别由于其极高的识别精度被视为未来监控场景下具有广阔应用前景的生物特征识别技术。然而，虹膜识别在配合度较低的监控场景下不可避免地会受多种因素影响，比如眼睛(运动、位置、遮挡)、设备(光学镜头、传感器、电子控制单元)，以及环境(照明)。这些不确定的采集因素不仅使得采集设备难以捕获让人满意的虹膜图像，也让成像结果之间存在显著的差异，导致了巨大的类内差异。

为了缩小这种分歧，必须要采用强大的特征提取器来学习紧凑的特征表示。传统的虹膜识别方法如对数Gabor、定序编码等将虹膜图像编码为二进制模板，而深度虹膜识别方法如Maxout、动态图表示法则采用深度神经网络来生成特征向量。这两类方法都是基于确定点来表示虹膜图像，并在特征层缩小类内距离。然后，这些方法却忽略了造成类内差异的更深层次原因，即数据的不确定性导致类内距离。诚然，为了进一步减少确定点特征表达中的类内距离，研究人员也开发了许多虹膜识别技巧，如模板位移、掩码和模板二值化等，甚至尝试增加模型容量来缩小类内距离。但这些旨在利用计算资源换取性能提升的技巧依旧受限于确定点特征表达，难以有效消除虹膜数据中的不确定性，无法显著的提升识别方法在低配合度场景中的表现。

申请公布号CN102629319B公开了一种基于特定边界检测子的鲁棒虹膜区域分割方法。该方法包括以下步骤：S1：构建左、右内边界、左、右外边界以及上、下眼皮边界六个虹膜特定边界训练数据集和候选特征集合；S2：使用级联的自适应学习算法构建六个虹膜特定边界检测子；S3：利用左、右内边界检测子和加权霍夫变换定位虹膜内边界；S4：利用左、右外边界检测子和加权霍夫变换定位虹膜外边界；S5：利用上、下眼皮边界检测子和鲁棒最小二乘法定位上下眼皮边界。

现有技术存在的问题是：低配合场景下的虹膜识别难点主要集中在于不确定的采集因素导致了不稳定的虹膜成像，这使得采集到的虹膜图像不仅包含身份信息，同时也与采集因素（或采集过程）息息相关。现有的确定点特征表示方法忽略了采集因素对特征提取的影响，影响了特征提取器学习，使得采集因素模糊了最终的特征表达。

发明内容

有鉴于此，本发明提供一种基于采集不确定性解耦的鲁棒虹膜识别方法，具体地，本发明是通过如下技术方案实现的：

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；