[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

说明书

本发明提供了一种基于深度学习与DS证据理论的可见光虹膜识别方法，针对可见光下采集的虹膜图像噪声种类多以及单特征识别抗噪能力差等问题造成的低识别率低稳定性，本发明提出一种利用卷积神经网络结合支持向量机(SVM)和DS(Shafer‑Dempster)证据理论的多特征融合虹膜识别方法。首先从图像中定位眼睛区域；对定位后的虹膜图像进行预处理；搭建一个七层卷积神经网络；将虹膜图像送入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；以3类单特征的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；根据融合结果及分类判决门限给出最终的识别结果。

技术领域

本发明涉及生物特征识别应用领域，具体涉及一种基于深度学习与DS证据理论的可见光虹膜识别方法。

背景技术

虹膜识别是生物特征识别技术的一个重要研究方向，现广泛应用于安全和访问控制领域。传统的虹膜识别是在近红外光(Near Infrared，NIR)以及受约束环境下采集虹膜图像，其基础算法和应用已相对成熟。近年来，随着移动智能设备的快速发展，相应的图像传感器的性能也得以提高，移动设备可以利用自身携带的常规摄像头在无约束的可见光(Visible Light，VL)环境下完成虹膜图像的采集，这些虹膜图像包含可用于识别的纹理及其它外观信息。与近红外虹膜识别相比，可见光虹膜识别拥有采集条件不受限、适用性广、低成本等优势。然而，由于环境、采集设备、人为因素等影响，可见光下采集的虹膜图像带有很多的噪声因素，如：反射、低对比度、模糊、阴影、遮挡等。这些会影响虹膜识别的准确率，给虹膜识别系统中的特征提取及匹配带来一定的挑战。

在虹膜特征提取方面，主要可以分为全局特征提取和局部特征提取。具体包括利用深度稀疏滤波对分割后的虹膜图像进行特征提取；利用局部Radon变换多尺度稀疏表示的方法，将归一化后的虹膜向下采样到不同尺度的长度和不同角度的方向形成虹膜特征向量；采用局部二值模式(Linear Binary Patterns,LBP)提取虹膜纹理的特征等。以上的方法都是提取虹膜的单一特征，可能存在提取的信息不全面或存在冗余等现象，从而导致识别率低，并且无法很好的消除噪声的影响。

在识别方面，各种分类器常用于可见光虹膜的分类识别，如：欧式距离、汉明距离、支持向量机、稀疏表示分类器等。这类方法都是针对单一特征，无法用于多特征融合识别。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于深度学习与DS(Shafer-Dempster)证据理论的可见光虹膜识别方法，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(Basic ProbabilityAssigned)，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，并且含有人脸、头发特征。

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：