[发明专利]基于深度学习的智能座舱嵌入式指纹特征提取方法

摘要

本发明公开了基于深度学习的智能座舱嵌入式指纹特征提取方法，主要包括步骤如下：采集用户指纹、采用CNN网络提取指纹特征CNN_Features和采用Hand‑crafted方式得到局部特征综合ELF16、采用全连接的Fusion Layer方式进行特征组合、加权激活融合、多层网络迭代、计算交叉熵并判断是否最小、最后得到指纹融合特征。本发明提出的智能座舱用指纹识别身份鉴别，由于不同身份的人操控权限不同，比传统智能座舱的汽车操控具有更高的安全性，具有更高的目标区分度。

主权项

1.基于深度学习的智能座舱嵌入式指纹特征提取方法，其特征在于：具有以下步骤：(1)采集用户指纹，得到指纹图像数据的像素矩阵；(2)指纹图像数据平滑消除噪声；(3)对指纹图像数据采用CNN网络提取指纹特征CNN_Features；(4)对指纹图像数据采用Hand‑crafted方式得到局部特征综合ELF16，局部特征综合ELF16包括灰度直方图特征和纹理特征；(5)将指纹特征CNN_Features和局部特征综合ELF16采用全连接的Fusion Layer方式进行特征组合，特征组合后的指纹融合特征为x：x＝[ratio₁*ELF16,ratio₂*CNN_Features]；式中：ratio₁——局部特征综合ELF16的梯度下降斜率，取初始值为0.4～0.6；ratio₂——指纹特征CNN_Features的梯度下降斜率，取初始值为0.9～1.2；(6)加权激励融合计算：h——激活函数；‑‑特征融合算法的权重，取初始值为0.8～1.0；b_Fusion‑‑特征融合算法的偏置，取初始值为0.08～0.1；(7)多层网络迭代计算：式中：W^(l)——第l层权重；ΔW^(l)——第l层权重变化量；——第l层新迭代后权重；b^(l)——第l层偏置；Δb^(l)——第l层偏置的变化量；——第l层新迭代后偏置；α——充分选择的学习率；m——样本个数；λ——超参数，取值>0；(8)计算交叉熵J：式中：J——交叉熵；x——最后一层的单一输入向量；j——最后一层的单一输出节点；n——输出节点的数量；——输出节点j的模型参数；——输出节点k的模型参数；p_k——通过数据计算的估计概率；log p_k——估计概率的对数；y——中间层网络输出节点；p(y＝j|x；θ)——在中间层网络输出节点为j，最后一层单一输入为x，输出节点模型参数为θ时，通过数据计算的估计概率；(9)如果交叉熵J不为最小，则从步骤(5)开始继续迭代，直到交叉熵J最小；(10)结束，得到指纹融合特征。