[发明专利]一种基于深度学习与DS证据理论的可见光虹膜识别方法

权利要求书

1.一种基于深度学习与DS证据理论的可见光虹膜识别方法，其特征在于，包括如下步骤：

步骤1，输入一幅可见光虹膜图像；

步骤2，定位图像中的眼睛区域；

步骤3，对定位后的虹膜图像进行预处理；

步骤4，设计并搭建一个七层卷积神经网络；

步骤5，将预处理后的虹膜图像送入神经网络进行训练并提取第四卷积层、第五和第六全连接层作为虹膜图像的3类特征；

步骤6，以3类特征的SVM分类结果构造基本概率指派BPA，并送入DS证据理论进行融合；

步骤7，根据步骤6的融合结果和分类判决门限给出最终的识别结果；

步骤1中，所述可见光虹膜图像包含眼睛区域；

步骤2中，采用Matlab机器视觉工具箱中的vision.CascadeObjectDetector函数定位图像中的眼睛区域；

步骤3包括如下步骤：

步骤3-1，选取定位后的虹膜图像进行虹膜分割，分割方法采用积分微分算子，所述算子通过改变圆的半径r、横坐标x₀、纵坐标y₀三个参数来识别强度变化最大的圆形轮廓，具体公式为：

其中，*为卷积分；I(x，y)为采集到的虹膜图像；G_σ(r)是高斯平滑函数；r是搜索到的圆半径；表示对半径r的微分；dS是I(x，y)在以r为半径，(x₀，y₀)为圆心的曲线积分；利用公式(1)，不断改变r，x₀，y₀的值，通过搜索识别出虹膜外边缘和虹膜内边缘，识别的虹膜内外边缘被标记在虹膜图像上；

步骤3-2，采用橡皮片模型对步骤3-1中分割后的虹膜图像进行归一化，把圆形虹膜区域从一点切开并利用式(2)通过极坐标映射拉伸成一个矩形：

其中，r∈[0，1]，θ∈[0，2π]；x_r(θ)为映射前的横坐标，y_r(θ)为映射前的纵坐标；x(r，θ)为映射后的横坐标，y(r，θ)为映射后的纵坐标；

步骤3-3，选取步骤3-2归一化后的虹膜图像进行预处理：将归一化后的虹膜图像取下半部分，利用MSRCR算法对下半部分虹膜图像进行预处理，然后对虹膜图像灰度化；对灰度化后的虹膜图像进行直方图均衡处理；

步骤4包括：

通过设计和搭建一个七层卷积神经网络，将预处理后的虹膜图像送入所述神经网络中进行网络模型的训练，所述七层卷积 神经网络的具体结构如下：输入层，用于输入虹膜图像；第一层，卷积核大小为6×3×3，最大池化层为2×2；第二层，卷积核大小为32×5×5，最大池化层为2×2；第三层，卷积核大小为64×5×5，最大池化层为2×2；第四层，卷积核大小为256×5×5；第五层，尺寸大小为1×1024，激活函数为ReLU；第六层，尺寸大小为1×1024，激活函数为ReLU；第七层，激活函数为Softmax；输出层，输出最终的分类结果；

步骤5包括：

如果设定七层卷积神经网络的第l层为卷积层，则第l层第j个特征图的计算公式为：

其中，*表示卷积操作；为第l-1层第i个特征图；表示和之间用于连接的卷积核；表示的偏置；f(·)表示线性激活函数ReLU；M^l-1表示第l-1层特征图的个数；

如果设定七层卷积神经网络的第l层为全连接层，则第l层第j个特征图的计算公式为：

y^l-1表示第l-1层所有特征图的加权结果；表示的偏置；

将步骤3-3中预处理后的全部样本图像分为测试集和训练集，分别选取每人左右眼同样数量的样本图像或每人室内室外同样数量的样本图像组成测试集，剩余样本图像组成训练集；将训练集样本图像输入到步骤4中搭建好的卷积神经网络中进行训练，并保存训练好的网络模型，然后利用以下步骤提取虹膜特征向量：

步骤5-1，将训练集和测试集中全部样本图像输入到训练好的七层卷积神经网络中，自动学习出所有样本图像特征；

步骤5-2，通过式(3)，得到卷积神经网络第四层卷积层所有输出特征图，经Flatten函数处理形成一维特征向量Conv4；

步骤5-3，通过式(4)，得到卷积神经网络第五层全连接层特征向量fc5；

步骤5-4，通过式(4)，得到卷积神经网络第六层全连接层特征向量fc6；

步骤6包括：

把步骤5中得到的3个特征向量Conv4、fc5、fc6分别送入SVM分类器进行软判决输出，用sigmoid函数作为连接函数将SVM分类器输出f(x)映射到[0，1]区间上，实现对SVM分类器的概率输出，输出形式为：

其中，f＝f(x)为标准的SVM输出结果，P(y＝1|x)表示在输出值为x的条件下分类正确的概率，A和B是参数值，通过求解参数集的最小负对数似然值F(z)来求得：

其中，

P_i＝p(y_i＝1|x_i) (7)

式(8)中，N₊和N_-分别为正样本的数目和负样本的数目，正、负样本由SVM分类器采用投票法输出类别标签，符合类别条件的输出1，不符合类别条件的输出-1；y_i表示第i个样本的类别，l表示样本总数；SVM模型的核函数选用径向基函数RBF，惩罚变量c和gamma函数g采用网格参数寻优算法确定为：第一阶段，c＝5.2780，g＝0.0039；第二阶段，c＝9.1896，g＝0.0039；第三阶段，c＝16，g＝0.0039；

SVM分类器通过学习步骤5中得到的训练集的三类特征Conv4、fc5、fc6之后，根据式(6)得到最优参数A和B，并根据式(5)构造出后验概率ρ_i；

SVM分类器在对步骤5中得到的测试集的三类特征Conv4、fc5、fc6进行测试后，得到测试集的识别准确率E_i，定义基本概率指派BPA函数m_i(A)为：

m_i(A)＝ρ_iE_i (9)

设m₁，m₂，…，m_n分别是不同证据A₁，A₂，…，A_n的基本概率指派BPA，m_n表示第n个证据A_n的基本概率指派BPA，根据式(10)得到融合后的概率m(A)；

其中，k为不确定因子，

步骤7包括：

设定U为辨识框架，A₁，A₂为两个不同的单个样本；设m是经过融合后获得的基本概率赋值函数，且满足：

m(A₁)＝max{m(A_i)，A_i∈U} (11)

m(A₂)＝max{m(A_i)，A_i∈U且A_i≠A₁} (12)

如果有：

则A₁即为判决结果，其中ε₁和ε₂为预先设定的门限。