[发明专利]一种基于轻量卷积神经网络的虹膜活体检测方法在审

专利信息
申请号: 201811511287.9 申请日: 2018-12-11
公开(公告)号: CN109409342A 公开(公告)日: 2019-03-01
发明(设计)人: 张小亮;戚纪纲;王秀贞 申请(专利权)人: 北京万里红科技股份有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62;G06N3/04
代理公司: 北京东正专利代理事务所(普通合伙) 11312 代理人: 刘瑜冬
地址: 100081 北京市*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 虹膜图像 卷积神经网络 虹膜 假体 活体虹膜 特征向量 轻量 检测 虹膜识别 活体检测 分类器 图像 设备使用 特征提取 学习训练 网络权 概率 活体 预设 判定 样本 采集
【权利要求书】:

1.一种基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,包括:

S1、采集活体虹膜图像、假体虹膜图像样本,经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器;

S2、获取待检测的虹膜图像;

S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取,得到待检测虹膜图像对应的特征向量;

S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中,计算所述特征向量属于活体虹膜图像的概率值,当所得概率值超过所预设的阈值,即可判定待检测的虹膜图像为活体。

2.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,S1所述网络权重和分类器训练过程如下:

S11、首先对待训练的虹膜图像数据进行处理,包括打标签,训练集、验证集和测试集的划分;

S12、其次,对训练过程中用到的超参数进行设置,以及优化器算法的选择;

S13、在训练过程中,数据经过网络的前向推理得到每个类别的预测结果,利用损失函数计算预测值与真实值之间的误差,再将误差反向传播至网络中;

S14、在反向传播过程中,对每个节点求偏导,以学习率为步长调整权重的大小,再次前向传播,如此反复计算,当训练到损失函数值不再变化或在某一值小幅上下震荡时,停止训练;若此时分类器在验证集和测试集上精度达到最优,则模型训练完成。

3.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,所述S3中还包括利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前,针对所述虹膜图像进行预处理,以确定所述虹膜图像中的虹膜部分。

4.根据权利要求3所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,所述针对所述虹膜数据进行预处理,包括:

定位所述虹膜图像的虹膜部分,并进行分割,以得到圆环状的虹膜区域;

对所述圆环状的虹膜区域先做极坐标变换,展成矩形状,然后从其中间一分为二,并将右侧部分拷贝到左侧图像的下方,再对其进行缩放和归一化处理;依据如下公式对缩放后的图像进行归一化处理,

其中,x为输入的缩放后的虹膜图像像素点值,x′计算后的像素值,μ和σ分别为缩放后虹膜图像的期望和方差值。

5.根据权利要求1或4所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,

虹膜图像含有丰富的纹理特征,真假体虹膜的区分主要是根据其纹理、灰度的分布不同;所述S3中利用训练好的轻量卷积神经网络模型对所述虹膜图形进行特征提取,将得到一组待分类的特征向量;

所述轻量神经网络主干模型包括两个卷积层,两个Stage层、一个均值池化层和一个分类层。

6.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,

所述S4中输入虹膜图像数据,采用训练好的权重对数据进行前向推理,获得一组特征,再由分类器分类,由如下公式得到该虹膜图像属于某一类别的概率值,若该概率大于设定阈值,则属于活体,反之为假体;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京万里红科技股份有限公司,未经北京万里红科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811511287.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top