CN107358198A - 一种基于分段特征选择的虹膜识别方法 - Google Patents
一种基于分段特征选择的虹膜识别方法 Download PDFInfo
- Publication number
- CN107358198A CN107358198A CN201710567044.6A CN201710567044A CN107358198A CN 107358198 A CN107358198 A CN 107358198A CN 201710567044 A CN201710567044 A CN 201710567044A CN 107358198 A CN107358198 A CN 107358198A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- iris
- msubsup
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 81
- 210000001747 pupil Anatomy 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 229910052705 radium Inorganic materials 0.000 claims description 2
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于分段特征选择的虹膜识别方法将所有的特征向量进行分段，能够更精确地挑选出每一段特征向量里能够有效区分类内样本和类间样本的特征向量，将每段选择出来的特征向量结合起来作为虹膜最终的特征描述，从实验结果可以看出，本发明所选择出来的特征向量相对于经典的特征选择方法能取得更好的识别性能。
Description
技术领域
本发明涉及生物特征识别技术领域，更具体地，涉及一种基于分段特征选择的虹膜识别方法。
背景技术
在互联网几乎渗透生活方方面面的今天，网络信息安全的问题日益突出，身份鉴别的安全性和难度也在逐渐增大。在互联网时代，主流的方法是利用密码来识别身份。然而，采用密码作为身份识别，不仅存在被盗取和破解的风险，而且还经常面临着密码遗忘的问题。故此，高可靠性、高安全性、便携性的生物特征识别技术应运而生。虹膜识别作为当前生物特征识别中准确度较高的技术，其具有高可靠性、高安全性、高稳定性、高防伪性。因此，提高虹膜识别的识别率具有重要的现实意义。
虹膜识别中一个关键因素是特征选择，现有流行的特征选择方法有boosting法和lasso法。其中boosting法通过调整权重使得每次的弱分类器对于案例有更好的识别效果，然而boosting法并不能保证最后得到的特征集是全局最优的，并且在训练数据设计不好的情况下容易出现过拟合的结果。而lasso法利用正则化的思想构造惩罚函数，将部分特征的权值置零达到特征选择的效果，但是由于它的目标函数不是线性的，所以实现起来不是很有效率，并且目标函数中二次的平方误差项使得在进行特征选择时对于异常点非常敏感，而模型的类标只有+1和-1，无法保证模型具有最大间隔，所以它的泛化能力也比较弱。
发明内容
本发明为解决以上现有技术提供的虹膜识别方法存在的识别准确率不高、泛化能力弱的技术缺陷，提供了一种基于分段特征选择的虹膜识别方法。
为实现以上发明目的，采用的技术方案是：
一种基于分段特征选择的虹膜识别方法，包括以下步骤：
S1.输入训练样本对，对每对训练样本中的两张虹膜图片分别进行虹膜的定位得到虹膜所在的环形区域，然后将虹膜的环形区域展开成矩形图像；
S2.将虹膜的矩形图像划分为多个互不重叠的子区域，然后构建多个不同滤波参数的多叶差分滤波器；
S3.每一个子区域与多叶差分滤波器卷积后，得到滤波结果，对滤波结果中每一个像素点根据其值的符号做0-1编码，符号为正的编码为1，符号为负的编码为0，将滤波结果中的像素点的编码按照顺序进行拼接后得到一多维向量，作为子区域的特征向量；
S4.每个子区域分别与步骤S2的多个多叶差分滤波器执行步骤S3的操作后，得到由多个特征向量组成的特征集；
S5.各个子区域执行步骤S3、S4的操作后得到相应的特征集；
S6.将所有子区域特征集包含的所有特征向量分成T段，每段有D个特征；
S7.将每对训练样本进行S1～S6的处理；
S8.对于所有训练样本对中的每段特征向量，使用线性规划的方法进行特征向量的选择；
S9.基于每对训练样本选择出来的特征向量之间的汉明距离进行支持向量机的训练，然后对测试样本对按照步骤S1～S7的处理后，根据S8获得选择出来的特征向量，将测试样本对中获得的经过选择的特征向量之间的汉明距离输入至训练好的支持向量机内，从而进行虹膜的识别。
上述方案中，本法明提供的虹膜识别方法通过分段特征选择的方法找出最有效描述虹膜和区分类别的特征向量，提高了特征向量对于虹膜的刻画能力和对于类别的区分性。因此本发明提供的虹膜识别方法能够提高分类器进行虹膜识别的准确率。
与现有技术相比，本发明的有益效果是：
本发明提供的虹膜识别方法将所有的特征向量进行分段，能够更精确地挑选出每一段特征向量里能够有效区分类内样本和类间样本的特征向量，将每段选择出来的特征向量结合起来作为虹膜最终的特征描述，从实验结果可以看出，本发明所选择出来的特征向量相对于经典的特征选择方法能取得更好的识别性能。
附图说明
图1为虹膜定位与归一化的具体过程图。
图2为识别方法的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1、2所示，本发明提供的虹膜识别方法主要包括虹膜定位与归一化、虹膜识别这两部分。本发明所使用的图片是从红外光谱中采集的只包含眼睛部分的图像。
一、虹膜定位与归一化
(一)虹膜定位
虹膜的定位分为虹膜外边界和内边界的定位，其中虹膜内边界的定位是对瞳孔的边界定位。通过以下步骤的连通区域分析，可以对瞳孔位置进行粗定位；
1、将图像按20×20像素的子块进行划分，计算每个子块的平均灰度值，把最小平均灰度值作为迭代的初始阈值T0；
2、根据以下迭代过程找到瞳孔所在区域：
1)以初始阈值T0对图像进行二值化；
2)遍历二值化图像中的所有连通区域，分别计算其面积St、离心率Ct及区域长宽比ηt；
3)判断各连通区域是否满足条件：St大于设定的s，Ct小于设定的c，且|ηt-1|小于设定的ε；
4)若存在一个连通区域满足3)中的条件，该连通区域即为瞳孔的所在区域P；若存在多个连通区域满足条件，则将离心率Ct最小的连通区域作为瞳孔的所在区域P；迭代结束。
5)若各连通区域均不满足3)中的条件，则T0＝T0+ΔT，若T0大于图像最大灰度值，则迭代结束，否则转至1)继续迭代；
3、如果迭代结束后，仍未找到符合条件的连通区域，则在所有迭代结果中寻找面积大于s且拥有全局最小离心率的连通区域，将该区域作为瞳孔的所在区域P。
经过瞳孔的粗定位后，可以粗略估计瞳孔圆心及半径，以此减小参数检索空间，实现瞳孔的快速精准定位。具体实现过程描述如下：
1、获取瞳孔感兴趣区域ROI。将连通区域P的质心坐标作为瞳孔圆心的估计值，设连通区域长宽的均值为L，把L作为正方形感兴趣区域ROI的边长值，根据圆心的位置和ROI边长，在原图像中截取正方形区域，作为包含瞳孔的感兴趣区域ROI。
2、提取边界参考点集。对ROI进行Canny边缘检测，得到包含瞳孔边缘的点集。
3、利用霍夫圆检测精确定位瞳孔边界。把[L/2,L]作为瞳孔半径的范围，使用霍夫圆检测对边缘点集进行投票累加，当累加器取得最大值时，所得到圆的圆心位置和半径值即为瞳孔边界的参数，也就是虹膜内边界的参数。
至于虹膜外边界的定位方法，与上述瞳孔的定位方法类似。由于瞳孔圆心与虹膜圆心接近，基于式(1)中虹膜内边界半径r1和虹膜外边界半径r0存在的关系，可以得到虹膜外边界半径r0的范围为[1.8r1,4.0r1]，将8.0r1作为虹膜外边界感兴趣正方形区域ROI的边长，同样是利用圆心及半径范围来缩减参数检索空间，达到虹膜外边界快速定位的效果。
(二)虹膜归一化
经过虹膜定位可以得到虹膜所在的环形区域，本实施例使用Daugman的橡皮纸模型[1]来进行归一化，然后将虹膜的环形区域展开成长方形矩阵。经过归一化后得到分辨率为72×512像素的矩形图像。
一、虹膜识别
虹膜识别分成三个阶段：(一)提取特征；(二)用分段线性规划的方法进行特征选择；(三)对特征归一化后使用支持向量机进行训练并预测
(一)提取特征
1、将归一化后的虹膜图像分为多个互不重叠的8×32像素的子区域，则一共产生9×16＝144个子区域。
2、对于每个子区域，使用式(2)中的多叶差分滤波器(MLDF)进行特征提取，本方法把基于随机变量X的二维高斯函数作为MLDF的核：
其中，变量μpi和σpi分别表示第i叶正向高斯滤波的中心位置和尺度，变量μnj和σnj分别表示第j叶负向高斯滤波的中心位置和尺度，Np、Nn分别表示正负叶的个数，Cp、Cn>0，分别表示正负叶的权重。
3、设置多组滤波参数，形成多个MLDF滤波器。采用二叶和三叶两种滤波器，在每一种滤波器中，两个叶之间有距离和方向，其中距离d∈{1,2,3…,21}像素共21种选择，方向θ∈{0，π/4，π/2，3π/4}，每一叶滤波器由二维滤波模板来表示，滤波模板有5×5像素和9×9像素2种大小，则共生成336种MLDF滤波器。
4、每个子区域与其中一个多叶差分滤波器卷积后，得到滤波结果，每一个像素点根据值的符号做0-1编码，符号为正的编码为1，符号为负的编码为0，然后将8×32的子区域按列拼接为包含0-1值的256维向量，作为该子区域的一个候选特征向量，每一个滤波器都将得到一个特征，故该子区域经过336个MLDF滤波器滤波后将得到该子区域所有候选特征集，将所有局部子区域的特征集结合到一起形成对该虹膜特征的完备表达。本实验中总共产生144×336＝48384个候选特征向量。由于候选特征较多，需要进行特征选择，选出最佳的虹膜特征表述。
(二)用分段线性规划的方法进行特征选择
把48384个候选特征分成T段，每段有D个特征。如式(3)所示，对于各段特征，采用线性规划的方法来进行特征选择：
其中约束条件如下：
ωti≥0,i＝1,2,...,D,t＝1,2,...,T(8)
N+、N-分别代表类内样本对和类间样本对的总数。ωti为第t段中第i个特征向量之间的汉明距离的权重，ωti值越高，对应第t段中的第i个特征向量之间的汉明距离的重要性越高。Pti为表征第t段中第i个特征向量之间汉明距离重要性的先验信息。分别为调节第t段特征中类内和类间样本判别阈值的松弛变量。为常数项，该参数用以协调结果的稀疏性和识别精度，αt、βt分别为第t段特征向量中类内和类间所有匹配样本的汉明距离的均值，分别代表损失函数中类内和类间的判别阈值。表示第j组类内匹配样本中第t段的第i个特征向量之间的汉明距离，表示第k组类间匹配样本中第t段的第i个特征向量之间的汉明距离,特征向量之间的汉明距离可由公式(9)计算得到。
r1(i)、r2(i)为包含0-1值的256维特征向量中的第i个值，特征向量之间的汉明距离可以通过对特征向量中的0-1序列逐一进行异或运算来求得。
分段线性规划模型的基本思想是对于每一段特征，在最大化分类间隔的原则下，求解模型的稀疏表达结果。对于每一段特征，目标函数由两部分组成，一部分为损失函数，另一部分为稀疏性约束。损失函数是用于计算第t段特征中类内和类间误分类误差的惩罚项，符合最大化分类间隔原则的特征(即类内特征向量分数大于αt或者类间特征向量分数小于βt)不会影响损失函数，但是不符合最大化分类间隔的特征将会受到损失函数的约束。惩罚项中λ+、λ-为误分类误差的惩罚系数，该值越大则损失函数对于错误分类的特征的约束更强，分类识别效果更精确，但是解的稀疏性下降。反之，若该值越小分类识别效果下降，而解的稀疏性提高。本方法中，令λ+＝λ-＝6。目标函数的另一部分为稀疏性约束用于保证解的稀疏性。此外，不同于传统的Lasso稀疏选择方法，该函数引入Pti这一先验知识，使稀疏选择的过程能够考虑特征的重要性。这里采用区分指数(Dti)的倒数来表示第t段中第i个特征向量之间的汉明距离的先验信息Pti，Dti的计算公式如(10)所示。
分别代表类内所有样本对中第t段的第i个特征向量之间汉明距离的均值和标准差，而分别代表类间所有样本对中第t段的第i个特征向量之间的汉明距离的均值和标准差。Dti值越大则表明该特征向量的表现越好，越能够有效地区分类间和类内样本。Dti值越高则Pti值越小，对于该特征向量的稀疏约束越低，则该特征向量在学习过程中被选中的可能性也就越高。
将48384个特征向量分为T段，对每一段特征向量使用线性规划的方法进行特征向量选择，这样可以把每一段特征向量中能够有效区分类内特征向量和类间特征向量的特征向量精确挑选出来，在这里把T设为336段，则每一段特征向量的数量D为114个。
(三)特征归一化后使用支持向量机进行训练并预测
(1)对训练数据进行归一化，归一化公式如下：
其中其中μi表示所有训练样本对中第i个特征向量之间的汉明距离的均值，σi表示所有训练样本对中第i个特征向量之间的汉明距离的标准差，xi表示归一化前第i个特征向量之间的汉明距离，Xi表示归一化后第i个特征向量之间的汉明距离。
(2)把选出来的特征向量之间的汉明距离的归一化形式使用SVM(支持向量机)进行训练；
(3)使用训练好的支持向量机模型进行预测。
实施例2
本实施例对实施例1的方法进行了具体的实验，本实施例的实验数据来源基于Casia_iris_thousand数据库，这个数据库采集了1000个人的左右眼的虹膜图片，每个虹膜有10张图片，总共有20000张虹膜图片。训练阶段使用了前50个人的虹膜图片作为训练样本，其中类内样本2250对，类间样本4500对，先用(3)的方法进行特征向量选择挑选出重要的特征向量，按照(11)的方法对数据进行归一化后，使用支持向量机进行训练，得到模型。在预测阶段，本实施例的实验使用的类内样本有87750对，类间样本有950000对，使用训练好的模型进行预测。实验结果使用等错误率(EER)和曲线下面积(AUC)这两个指标来衡量，其中曲线的纵坐标表示错误拒绝率(FRR),横坐标表示错误接受率(FAR),实验结果如表1所示。指标EER和AUC越小，说明模型的性能越好。从实验结果可看出，本发明方法的性能比经典的Lasso和LP特征选择方法总体要好。
表1.本发明方法与经典的特征选择方法的性能比较
| Lasso[2] | LP[3] | 本发明方法 | |
| EER | 5.1％ | 4.2％ | 3.79％ |
| AUC | 0.0187 | 0.0123 | 0.0104 |
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于分段特征选择的虹膜识别方法，其特征在于：包括以下步骤：
S1.输入训练样本对，对每对训练样本中的两张虹膜图片分别进行虹膜的定位得到虹膜所在的环形区域，然后将虹膜的环形区域展开成矩形图像；
S2.将虹膜的矩形图像划分为多个互不重叠的子区域，然后构建多个不同滤波参数的多叶差分滤波器；
S3.每一个子区域与多叶差分滤波器卷积后，得到滤波结果，对滤波结果中每一个像素点根据其值的符号做0-1编码，符号为正的编码为1，符号为负的编码为0，将滤波结果中的像素点的编码按照顺序进行拼接后得到一多维向量，作为子区域的特征向量；
S4.每个子区域分别与步骤S2的多个多叶差分滤波器执行步骤S3的操作后，得到由多个特征向量组成的特征集；
S5.各个子区域执行步骤S3、S4的操作后得到相应的特征集；
S6.将所有子区域特征集包含的所有特征向量分成T段，每段有D个特征；
S7.将每对训练样本进行S1～S6的处理；
S8.对于所有训练样本对中的每段特征向量，使用线性规划的方法进行特征向量的选择；
S9.基于每对训练样本选择出来的特征向量之间的汉明距离进行支持向量机的训练，然后对测试样本对按照步骤S1～S7的处理后，根据S8获得选择出来的特征向量，将测试样本对中获得的经过选择的特征向量之间的汉明距离输入至训练好的支持向量机内，从而进行虹膜的识别。
2.根据权利要求1所述的基于分段特征选择的虹膜识别方法，其特征在于：所述步骤S1对虹膜定位包括对虹膜外边界定位及对虹膜内边界定位两个过程，其中对虹膜内边界定位的具体过程如下：
S11.对训练样本对中的两张虹膜图片分别进行子块的划分，然后计算每个子块的平均灰度值，将各个子块中最小的平均灰度值作为迭代初始阈值T0；
S12.以初始阈值T0对图像进行二值化；
S13.遍历二值化图像中所有的连通区域，计算各个连通区域的面积St、离心率Ct及区域长宽比ηt；
S14.判断各连通区域是否满足条件：St大于设定的s，Ct小于设定的c，且|ηt-1|小于设定的ε；
S15.若存在一个连通区域满足S14中的条件，则该连通区域即为瞳孔的所在区域P；若存在多个连通区域满足条件，则将离心率Ct最小的连通区域作为瞳孔的所在区域P；迭代结束；
S16.若各连通区域均不满足S14中的条件，则令T0＝T0+ΔT，然后迭代执行步骤S12～S15，直至T0大于图像的最大灰度值；
S17.若迭代结束后，仍未找到瞳孔的所在区域P，则在所有的迭代结果中寻找面积大于s且拥有最小离心率的连通区域，将该连通区域作为瞳孔的所在区域P；
S18.将连通区域P的质心坐标作为瞳孔圆心的估计值，设连通区域长宽的均值为L，将L作为瞳孔感兴趣区域ROI的边长值，根据圆心的位置和瞳孔感兴趣区域ROI的边长，在图像中截取正方形区域作为包含瞳孔的感兴趣区域ROI；
S19.对感兴趣区域ROI进行Canny边缘检测，得到包含瞳孔的边缘点集；
S20.将[L/2,L]作为瞳孔半径的范围，使用霍夫圆检测对边缘点集进行投票累加，当累加器取得最大值时，所得到圆的圆心位置和半径值即为瞳孔边界的参数，也就是虹膜内边界的参数；
所述虹膜外边界定位的具体过程如下：
S21.将连通区域P的质心坐标作为虹膜圆心的估计值，设步骤S20得到的瞳孔的半径值为r1，将8.0r1作为虹膜感兴趣区域ROI的边长值，根据圆心的位置和虹膜感兴趣区域ROI的边长值，在图像中截取正方形区域作为包含虹膜的感兴趣区域ROI；
S22.对感兴趣区域ROI进行Canny边缘检测，得到包含虹膜的边缘点集；
S23.将[1.8r1,4.0r1]作为虹膜半径的范围，使用霍夫圆检测对边缘点集进行投票累加，当累加器取得最大值时，所得到圆的圆心位置和半径值即为虹膜边界的参数，也就是虹膜外边界的参数；
根据上述虹膜内边界定位和虹膜外边界定位的过程得到虹膜所在的环形区域。
3.根据权利要求2所述的基于分段特征选择的虹膜识别方法，其特征在于：所述步骤S1得到虹膜所在的环形区域后，使用Daugman的橡皮纸模型对环形区域进行归一化，然后将虹膜的环形区域展开成矩形图像。
4.根据权利要求2所述的基于分段特征选择的虹膜识别方法，其特征在于：所述步骤S2构建的多叶差分滤波器使用基于随机变量X的二维高斯函数作为核：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>p</mi>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>n</mi>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中，变量μpi和σpi分别表示第i叶正向高斯滤波的中心位置和尺度，变量μnj和σnj分别表示第j叶负向高斯滤波的中心位置和尺度，Np、Nn分别表示正负叶的个数，Cp、Cn>0，分别表示正负叶的权重。
5.根据权利要求1所述的基于分段特征选择的虹膜识别方法，其特征在于：所述步骤S7使用线性规划的方法对每段特征向量进行特征选择的具体过程如下：
<mrow>
<munder>
<mi>min</mi>
<mrow>
<mo>{</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mo>{</mo>
<mfrac>
<msup>
<mi>&lambda;</mi>
<mo>+</mo>
</msup>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>+</mo>
<mfrac>
<msup>
<mi>&lambda;</mi>
<mo>-</mo>
</msup>
<msup>
<mi>N</mi>
<mo>-</mo>
</msup>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>N</mi>
<mo>-</mo>
</msup>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>k</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
(1)式的约束条件如下：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>k</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>-</mo>
</msup>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mrow>
<mi>t</mi>
<mi>k</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>-</mo>
</msup>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
ωti≥0,i＝1,2,...,D,t＝1,2,...,T (6)
其中，N+、N-分别代表类内样本对和类间样本对的总数；ωti为样本对中第t段第i个特征向量之间的汉明距离的权重；Pti为表征样本对中第t段第i个特征向量之间的汉明距离的重要性的先验信息；分别为调节第t段特征向量中类内和类间样本判别阈值的松弛变量；λ+、λ-为常数项；αt、βt分别为第t段特征向量中类内和类间所有匹配样本的汉明距离的均值；表示第j组类内匹配样本中第t段的第i个特征向量之间的汉明距离，表示第k组类间匹配样本中第t段的第i个特征向量之间的汉明距离。
6.根据权利要求5所述的基于分段特征选择的虹膜识别方法，其特征在于：所述特征向量之间的汉明距离的计算过程如下：
<mrow>
<mi>H</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&CirclePlus;</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中r1(i)、r2(i)分别为两个特征向量中的第i个值，M为特征向量的维数。
7.根据权利要求5所述的基于分段特征选择的虹膜识别方法，其特征在于：所述Pti采用区分指数Dti的倒数来表示，Dti表示为：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msubsup>
<mi>m</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msqrt>
</mfrac>
</mrow>
分别代表类内所有样本对中第t段的第i个特征向量之间的汉明距离的均值和标准差，而分别代表类间所有样本对中第t段的第i个特征向量之间的汉明距离的均值和标准差。
8.根据权利要求1～7任一项所述的基于分段特征选择的虹膜识别方法，其特征在于：所述步骤S8进行特征选择后，对选择出来的特征向量之间的汉明距离进行归一化处理，然后基于已进行归一化处理的特征向量之间的汉明距离进行支持向量机的构建。
9.根据权利要求8所述的基于分段特征选择的虹膜识别方法，其特征在于：所述归一化处理的具体过程如下所示：
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
</mrow>
其中μi表示所有训练样本对中第i个特征向量之间的汉明距离的均值，σi表示所有训练样本对中第i个特征向量之间的汉明距离的标准差，xi表示归一化前第i个特征向量之间的汉明距离，Xi表示归一化后第i个特征向量之间的汉明距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710567044.6A CN107358198A (zh) | 2017-07-12 | 2017-07-12 | 一种基于分段特征选择的虹膜识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710567044.6A CN107358198A (zh) | 2017-07-12 | 2017-07-12 | 一种基于分段特征选择的虹膜识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107358198A true CN107358198A (zh) | 2017-11-17 |
Family
ID=60293289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710567044.6A Pending CN107358198A (zh) | 2017-07-12 | 2017-07-12 | 一种基于分段特征选择的虹膜识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358198A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182401A (zh) * | 2017-12-27 | 2018-06-19 | 武汉理工大学 | 一种基于聚合块信息的安全虹膜识别方法 |
| CN110427804A (zh) * | 2019-06-18 | 2019-11-08 | 中山大学 | 一种基于二次迁移学习的虹膜身份验证方法 |
| CN112580714A (zh) * | 2020-12-15 | 2021-03-30 | 电子科技大学中山学院 | 一种以错因强化方式动态优化损失函数的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101539990A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种虹膜图像鲁棒特征选择和快速比对的方法 |
| CN102902980A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 一种基于线性规划模型的生物特征图像分析与识别方法 |
| CN103745242A (zh) * | 2014-01-30 | 2014-04-23 | 中国科学院自动化研究所 | 一种跨设备生物特征识别方法 |
| US20180165517A1 (en) * | 2016-12-13 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus to recognize user |
-
2017
- 2017-07-12 CN CN201710567044.6A patent/CN107358198A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101539990A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种虹膜图像鲁棒特征选择和快速比对的方法 |
| CN102902980A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 一种基于线性规划模型的生物特征图像分析与识别方法 |
| CN103745242A (zh) * | 2014-01-30 | 2014-04-23 | 中国科学院自动化研究所 | 一种跨设备生物特征识别方法 |
| US20180165517A1 (en) * | 2016-12-13 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus to recognize user |
Non-Patent Citations (1)
| Title |
|---|
| 马宏伟: "用户较少配合情况下的虹膜识别方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182401A (zh) * | 2017-12-27 | 2018-06-19 | 武汉理工大学 | 一种基于聚合块信息的安全虹膜识别方法 |
| CN108182401B (zh) * | 2017-12-27 | 2021-09-03 | 武汉理工大学 | 一种基于聚合块信息的安全虹膜识别方法 |
| CN110427804A (zh) * | 2019-06-18 | 2019-11-08 | 中山大学 | 一种基于二次迁移学习的虹膜身份验证方法 |
| CN110427804B (zh) * | 2019-06-18 | 2022-12-09 | 中山大学 | 一种基于二次迁移学习的虹膜身份验证方法 |
| CN112580714A (zh) * | 2020-12-15 | 2021-03-30 | 电子科技大学中山学院 | 一种以错因强化方式动态优化损失函数的方法 |
| CN112580714B (zh) * | 2020-12-15 | 2023-05-30 | 电子科技大学中山学院 | 一种以错因强化方式动态优化损失函数的物品识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
| CN107977609B (zh) | 一种基于cnn的指静脉身份验证方法 | |
| Rodriguez-Damian et al. | Automatic detection and classification of grains of pollen based on shape and texture | |
| CN111639558B (zh) | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 | |
| CN109815801A (zh) | 基于深度学习的人脸识别方法及装置 | |
| CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
| CN109902590A (zh) | 深度多视图特征距离学习的行人重识别方法 | |
| CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN105138973A (zh) | 人脸认证的方法和装置 | |
| CN111401145B (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
| CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
| CN104102920A (zh) | 一种基于形态学多特征融合的害虫图像分类方法及系统 | |
| CN102194114A (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
| CN110334715A (zh) | 一种基于残差注意网络的sar目标识别方法 | |
| CN109145971A (zh) | 基于改进匹配网络模型的单样本学习方法 | |
| Somasundaram | Machine learning approach for homolog chromosome classification | |
| CN107358198A (zh) | 一种基于分段特征选择的虹膜识别方法 | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| Huang et al. | Design and Application of Face Recognition Algorithm Based on Improved Backpropagation Neural Network. | |
| Shaheed et al. | A hybrid proposed image quality assessment and enhancement framework for finger vein recognition | |
| CN106250814B (zh) | 一种基于超球粒化商空间模型的手指静脉图像识别方法 | |
| Chen et al. | A finger vein recognition algorithm based on deep learning | |
| Thapa et al. | Deep learning for breast cancer classification: Enhanced tangent function | |
| Mustafa et al. | Palm print recognition based on harmony search algorithm. | |
| Yang et al. | Recognition and classification of damaged fingerprint based on deep learning fuzzy theory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171117 |