[发明专利]一种采用图像增广和小样本学习的虹膜识别方法

说明书

本发明涉及一种采用图像增广和小样本学习的虹膜识别方法，属于虹膜识别技术领域。本发明主要包括采集虹膜图像、虹膜预处理、图像增广、基于小样本学习的CNN特征提取、虹膜匹配和显示认证结果。本发明通过图像增广多角度扩充训练数据增加样本多样性，利用小样本学习以少量训练样本快速度搭建CNN，自动获得性能更为优良的虹膜特征编码，最终引入了一阶时间相关序列，利用虹膜自相关度量距离，进行相似度匹配。本发明充分利用小样本学习与CNN结合提取虹膜纹理特征解决了现有手工虹膜编码的繁琐和缺陷，实现了高自动化、高准确率的虹膜识别系统。

技术领域

本发明涉及一种采用图像增广和小样本学习的虹膜识别方法，属于虹膜识别技术领域。

背景技术

生物特征识别是利用人生理或行为特征自动验证从而进行身份识别的方法。随着通讯和交通技术的突飞猛进人们活动区域逐渐扩大，生物特征识别的难度和重要性越来越突出。因此，生物特征识别在机场，金融，网络，电商等安全领域有十分广泛的应用前景。目前已被应用的特征主要有：指纹、掌纹、虹膜、手形、人脸、静脉图、步态等。其中，虹膜相对于其他特征则具有更加独特的优势：虹膜具有复杂的纹理和随机的气孔，人的虹膜大概在2-3岁后稳定，不再跟随年龄增长而变化。一旦虹膜形成，其独特的属性就可以被永久地感知。因此，虹膜识别以高度的确定性，独特性，稳定性和非侵入性特征，在下一代大规模身份识别系统中发挥关键作用。

现有的虹膜识别方法主要包括：采集，预处理，特征提取和匹配。采集设备必须带有标准红外光灯，采集到虹膜图片的质量将直接影响最终识别的效果。预处理主要是对虹膜图像的去噪处理，定位并分割包含有虹膜纹理信息的圆环区域并排除上下眼睑的干扰。此外，常常将圆环形状的虹膜归一化为统一的尺寸的图像方便后期处理。特征提取即描述虹膜纹理，在虹膜识别的过程中最为重要。在匹配阶段将提取到的特征编码进行相似度比较，以确定身份信息。

传统的特征提取主要是手工设计特征提取器以编写虹膜纹理特征，如小波变换的过零检测、离散傅里叶变换、多尺度泰勒展开、二维希尔伯特变换和分形等。然而，手工设计的特征计算复杂度高，提取需要花费大量的时间，并且这些特征提取器通常只能利用虹膜纹理的特定特征，效果有一定的局限。随着大规模计算机的出现和计算速度的提高，人们逐渐发现，深度学习尤其是卷积神经网络(CNN)在图像识别方面的优秀性能。由于CNN涉及到大量的训练样本来学习虹膜的纹理特征，而实际采集时每个人提供的虹膜图像有限。使用图像增广扩大训练集数据，利用小样本学习，帮助CNN即使只看到少量训练样本也能表现良好。

发明内容

针对现有技术的不足，本发明提供一种采用图像增广和小样本学习的虹膜识别方法，本发明可对虹膜图像增广多角度丰富虹膜纹理，扩充训练集数据，在少模型情况下利用小样本学习融入CNN前端，实时搭建CNN并自动挖掘虹膜纹理，获取优良的虹膜纹理编码，最终通过一阶时间相关序列进行相似度匹配，利用虹膜纹理的自相似性获得优良的识别效果。

本发明采用以下技术方案：

一种采用图像增广和小样本学习的虹膜识别方法，利用虹膜图像采集及识别装置来实现，所述虹膜图像采集及识别装置包括带有红外光源的高分辨率摄像头(如分辨率1080p，可视角度70°)、计算机和显示设备，高分辨率摄像头、计算机和显示设备依次连接；

带有红外光源的高分辨率摄像头用于采集虹膜图像，并将采集到的图像发送至计算机；显示设备用于显示认证结果；

计算机中集合有虹膜预处理模块、图像增广模块、特征提取模块和模式匹配模块，计算机根据小样本学习搭建CNN并提取虹膜纹理特征，已采集图像的用户作为注册用户，对注册用户进行特征编码提取并存储在计算机中，等待认证用户的虹膜图像被高分辨率摄像头捕捉后，送入计算机进行身份认证，具体步骤包括：

1)读取采集的虹膜图像；

2)虹膜预处理：对虹膜内外边缘定位，去除图像噪声并获得统一尺寸的归一化虹膜模板；