[发明专利]一种共享售货设备中虹膜识别的方法及装置

权利要求书

1.一种共享售货设备中虹膜识别的方法，其特征在于，所述售货设备包括：售货设备主体、货物扫描器、身份识别装置、货物柜和计费单元；

所述货物扫描器和计费单元均连接一控制单元；货物放置在所述货物柜上，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；用户通过所述身份识别装置确认身份后打开所述售货设备，用户取完货物关闭售货设备的柜门后，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；所述计费单元通过所述控制单元进行计费，并从用户注册账号中扣费。

2.根据权利要求1中的方法，其特征在于：所述用户通过所述身份识别装置确认身份后打开所述售货设备，包括：

步骤一：通过所述售货系统中的虹膜图像采集模块采集用户虹膜图像，利用所述售货系统中目标跟踪模块对用户进行跟踪，所述目标跟踪模块采用Lucus-Kanade光流法对用户进行追踪，并输出跟踪结果，所述Lucus-Kanade光流法的具体步骤为：Lucas-Kanade方法是以局部约束为基础的，该方法认为如果虹膜图像帧中(x,y)处的光流为(u,v)，那么该点的某个小邻域内所有点的光流也都相同，也就是说邻域内各点的光流都能够近似表示为(u,v)，并对该邻域内不同的点分配不同的权重值来计算光流，假设点(x,y)的邻域内有n个点，根据局部约束所有点的光流都可以用(u,v)来代替，所以(u,v)应满足以下的n个基本方程：

I_xiu+I_yiv+I_ti＝0i＝1,2,...,n(1)

式(1)是关于(u,v)的含有n个方程的超定线性方程组，能够采用最小二乘法来求解，其中，其中，I_xi、I_yi、I_ti分别为邻域内第i个像素在x、y、t方向上的梯度值，记作

根据亮度恒常性假设中光流约束方程的误差形式：

E_c(u,v)＝∫∫[I_xu+I_yv+I_t]²dxdy (2)

则Lucas-Kanade光流计算方法的误差可以表示如下：

E_LK(u,v)＝∫∫W²(x,y)·(I_xu+I_yv+I_t)²dxdy (3)

其中，W(x,y)＝{w_i|i＝1,2,...,n}是(x,y)邻域内所有点的权重值，这说明邻域中心点对光流的贡献要比其他点的大，求解(x,y)点处Lucas-Kanade光流，就是求解使式(3)在(x,y)邻域内取得的最小值，通常计算都是在数字虹膜图像上进行，所以上式需要转变成离散化的形式才能求得真实的u和v，因为邻域内共有n个像素点，则求解离散化后，上式在(x,y)点处的Lucas-Kanade光流约束方程组为：

Σi=1nwi2Ixi2Σi=1nwi2IxiIyiΣi=1nwi2IxiIyiΣi=1nwi2Iyi2uv=-Σi=1nwi2IxiItiΣi=1nwi2IyiIti---(4)]]>

w_i为邻域内第i个像素权重，若记W＝diag(w₁,w₂,...,w_n)，b＝[I_t1,I_t2,...,I_tn]^T则式(4)可表示为：

ATW2Auv=ATW2b---(5)]]>

式(4)的解可表示为：

uv=(ATW2A)-1ATW2b---(6)]]>

基于求得的(u,v)，可以找到对应的点(x,y)，进而得到以点的集合的形式的跟踪结果；

步骤二：所述售货系统还包括目标检测模块，所述目标检测模块对跟踪结果进行整合，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，输入到检测模块中的特征分类器进行分类，所述特征分类器基于改进的Boosting方法进行训练，训练过程包括以下步骤：

A1.所述用户训练样本为预先采集的用户连续运动的全身虹膜图像，训练样本中有用户存在的包括N个，即N个正样本，用户不存在的包括L个，即L个负样本；

A2.获取训练样本的特征向量X，即X＝(f₁(x),f₂(x),...f_k(x))^T，f(x)表示虹膜图像样本特征；样本标签表示为y，y＝1表示正样本标签，y＝0表示负样本标签，X是正样本的后验概率可以表示为

P(y=1|X)=P(X|y=1)P(Y=1)Σy∈{0,1}P(X|y)P(y)=δ(ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0)))---(7)]]>

其中函数δ(z)定义为

δ(z)=11+e-z---(8)]]>

从而建立起分类器模型

Hk(X)=ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0))---(9)]]>

结合式(7)和式(8)，后验概率可以表示为

P(y＝1|X)＝δ(H_k(X)) (10)

对于特征向量X的分类器H_k(X)可表示为

Hk(X)=ln(P(X|y=1)P(y=1)P(X|y=0)P(y=0))=Σk=1Khk(fk(x))---(11)]]>

其中，h_k(f_k(x))表示一个弱分类器，由K个弱分类器可以组成强分类器H_k(X)，

将正负样本分别放入两个集合：正样本集合{X_1j,j＝0,...N-1}和负样本集合{X_0j,j＝N,...N+L-1}，从正负样本集合中使用多组样本不断对弱分类器进行选择，进而构造出识别率最高的组合分类器，已知单个样本的后验概率表示为

P_ij＝δ(H_k(X_ij))(12)

其中，i的值代表样本集合的编号，i＝1表示正样本集合，i＝0表示负样本集合，j是样本编号，设定分类器h_k(f_k(x_ij))中的条件概率是高斯分布的，即条件概率为

p(f_k(x_ij)|y＝1)～N(μ₁,σ₁)

p(f_k(x_ij)|y＝0)～N(μ₀,σ₀) (13)

其中，μ₁,σ₁,μ₀,σ₀会进行增量更新

μ1←ημ1+(1-η)1NΣj|yi=1fk(xij)]]>

σ1←ησ1+(1-η)1NΣj|yi=1(fk(xij)-μ1)2---(14)]]>

μ₀,σ₀的更新与上式相同；通过式(7)和式(8)可以求得P_ij，这样，样本集合i的后验概率可以表示为

Pi=1-Πj(1-Pij)---(15)]]>

特征分类器首先生成一个大的弱分类集合{h₁...h_M}，然后从中选择K个，构成识别率最高的组合分类器，选择的方法表示为

hk=argmaxh∈{h1...hM}l(Hk-1+h)---(16)]]>

其中，是包含k-1个弱分类器的强分类器；l是集合的对数似然函数，定义为

l＝∑_i(y_ilogP_i+(1-y_i)log(1-P_i)) (17)

对于所述虹膜图像块样本的特征向量，将其输入训练好的特征分类器中，得到分类结果，将分类结果与预设阈值进行比对，如果大于阈值则得到身份识别结果，即当前目标为用户，如果小于阈值则继续进行跟踪与检测；

步骤三：所述售货系统还包括前溯匹配模块，所述前溯匹配模块对所述步骤一得到的跟踪结果进行前溯匹配，删除跟踪结果中准确性差的跟踪点，所述前溯匹配的具体步骤为：假设S＝(I_t,I_t+1,...,I_t+k)为虹膜图像序列，并且X_t为时刻t时一个特征点的位置，点X_t接连跟踪k帧，跟踪的轨迹为这里f表示正常的跟踪顺序，k表示跟踪帧的数目，由点X_t+k前溯匹配追踪回第一帧，并且产生前溯匹配跟踪轨迹这里前溯匹配的输出结果为两条轨迹之间的距离采用欧式距离来定义，即

distance(Tfk,Tbk)=||Xt-X^t||---(18)]]>

距离越大表明该跟踪点越不准确，将前溯匹配获得的距离与预设阈值进行比较，删除距离较大的跟踪点，最终获得高准确性的跟踪点的位置及数目；

步骤四：对于跟踪结果中高准确性的跟踪点的数目及每个跟踪点的准确度超过阈值的，将该跟踪结果再输入到目标检测模块，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，记作Xⁿ，与目标检测模块中的正样本的特征向量进行最近邻匹配，所述最近邻匹配基于非度量的相似性函数s(X_1j,Xⁿ)来进行比较，比较方法为：

s(X1j,Xn)=X1j·Xn||X1j||·||Xn||---(19)]]> 3

这是个对称函数，当X_1j和Xⁿ具有相似性时，函数值就比较大，将函数值大于预定阈值的特征向量添加到所述正样本的特征向量集合中，利用新的正样本的特征向量对特征分类器进行再训练。