[发明专利]基于设备独有性感知的异质虹膜识别方法

权利要求书

1.基于设备独有性感知的异质虹膜识别方法，其特征在于，所述方法包括：

S1：对虹膜图像I^(s)_raw进行预处理操作获得虹膜归一化图像I^(s)，其中s表示不同光照条件，当使用近红外光源s = nir，当使用可见光光源时s = vis；

S2：将近红外归一化图像I^(nir)和可见光归一化图像I^(vis)分别送入两个参数不同的可学习Gabor层分别进行图像增强，得到近红外增强图像I^(nir)_Gabor和可见光增强图像I^(vis)_Gabor；

S3：将所述近红外增强图像I^(nir)_Gabor和可见光增强图像I^(vis)_Gabor输入三叉戟网络模型进行分解，得到包含身份信息的基本元素和包含设备独有性的残差元素；所述身份信息的基本元素包括：近红外图像基本元素X^b(nir)和可见光图像基本元素X^b(vis)；所述设备独有性的残差元素包括：近红外图像残差元素X^r(nir)和可见光图像残差元素X^r(vis)；

S4：将近红外图像基本元素X^b(nir)和近红外图像残差元素X^r(nir)按照1:α的比例进行加权融合，得到近红外图像身份特征X ^(nir)；

将可见光图像基本元素X^b(vis)和可见光图像残差元素X^r(vis)按照1:α的比例进行加权融合，得到可见光图像身份特征X ^(vis)；

S5：将近红外图像身份特征X ^(nir)和可见光图像身份特征X ^(vis)进行距离度量，获得近红外图像和可见光图像之间的相似度分数sim(X ^(nir) , X ^(vis))；

S6：应用近红外图像身份特征X ^(nir)和可见光图像身份特征X ^(vis)计算高阶对齐损失L_align：

其中，1_n：元素全为1、长度为n的列向量；

H_n：大小为n×n的中心化矩阵，；

||•||_F：F范数；

S7：计算近红外图像基本元素X^b(nir)和近红外图像残差元素X^r(nir)的正交约束R^(nir)_o，记为第一正交约束；

计算可见光图像基本元素X^b(vis)和可见光图像残差元素X^r(vis)的正交约束R^(vis)_o，记为第二正交约束；

计算近红外图像残差元素X^r(nir)和可见光图像残差元素X^r(vis)的正交约束R^c_o，记为第三正交约束；

S8：将近红外图像身份特征X ^(nir)和可见光图像身份特征X ^(vis)输入设备区分网络，所述设备区分网络是由两个结构相同但参数不同的分类器构成，两个分类器分别针对近红外图像身份特征X ^(nir)和可见光图像身份特征X ^(vis)进行身份判别，再应用两个分类器输出概率计算设备对抗损失L_adv和分类损失L_SAN；

S9：将近红外图像身份特征X ^(nir)和可见光图像身份特征X ^(vis)合并为特征矩阵X=[ X^{(nir)X (vis)];}

根据特征矩阵X对应的身份标签Y，遍历全部身份标签Y将每个类别下的全部特征进行均值计算，得到类别中心矩阵C；

度量特征矩阵X和类别中心矩阵C之间的距离，得到距离矩阵D(X, C);

基于特征矩阵X和距离矩阵D(X, C)计算样本的锚点损失L_sa；

S10：应用高阶对齐损失L_align、第一正交约束R^(nir)_o、第二正交约束R^(vis)_o、第三正交约束R^c_o、设备对抗损失L_adv、分类损失L_SAN和锚点损失L_sa构建三叉戟网络模型的训练损失L_feat和设备区分网络的训练损失L_dis；

保持设备区分网络参数不变，最小化训练损失L_feat实现三叉戟网络模型的训练；

保持三叉戟网络模型参数不变，最小化训练损失L_dis实现设备区分网络的训练。