本發(fā)明涉及計(jì)算機(jī)視覺、模式識(shí)別和機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的快速發(fā)展，人與人之間的關(guān)系更加密切，互動(dòng)更加頻繁，基于生物特征的身份識(shí)別受到了人們的重視，已經(jīng)滲透到人們?nèi)粘Ｉ畹拿恳粋€(gè)方面。在眾多生物特征中，虹膜具有唯一性高、穩(wěn)定性強(qiáng)、非侵犯性等優(yōu)點(diǎn)。這些優(yōu)點(diǎn)使得虹膜特別適合用于人的身份認(rèn)證和識(shí)別，在過去的十幾年間受到越來越多的關(guān)注，相關(guān)研究和技術(shù)也得到了迅速的發(fā)展。虹膜識(shí)別不僅可以應(yīng)用于電子商務(wù)、金融證券、信息安全、交通、公安和司法，而且已經(jīng)上升到了國(guó)家戰(zhàn)略國(guó)防的高度。

隨著虹膜識(shí)別從實(shí)驗(yàn)走向?qū)嵱茫诒姸喟踩揽仡I(lǐng)域得到應(yīng)用，虹膜識(shí)別系統(tǒng)本身也面臨著很多問題。一方面，隨著應(yīng)用范圍的擴(kuò)大，使用人數(shù)的增多，虹膜數(shù)據(jù)庫(kù)的規(guī)模也越來越大。數(shù)據(jù)庫(kù)的擴(kuò)大不僅給數(shù)據(jù)存儲(chǔ)帶來了考驗(yàn)，同時(shí)也導(dǎo)致了從數(shù)據(jù)庫(kù)里搜索某一個(gè)虹膜特征的時(shí)間增加，系統(tǒng)的反應(yīng)時(shí)間增大，反應(yīng)變慢。另一方面，虹膜識(shí)別系統(tǒng)的安全性問題成為備受關(guān)注的焦點(diǎn)，出現(xiàn)了各種不同形式的系統(tǒng)攻擊方式。主要包括：在攝像機(jī)端使用偽造虹膜攻擊，篡改拍攝到的虹膜圖像，篡改特征提取和表達(dá)，篡改注冊(cè)模板等。其中，偽造虹膜對(duì)系統(tǒng)是很大的威脅，偽造虹膜攻擊系統(tǒng)的方法有很多種，比如打印在紙上的虹膜圖像、顯示屏顯示的虹膜圖像、彩色印花隱形眼鏡、具有豐富虹膜紋理的人造眼球等。偽造虹膜可能造成虹膜識(shí)別系統(tǒng)的錯(cuò)誤識(shí)別，例如在某公司的考勤識(shí)別系統(tǒng)中，系統(tǒng)工作于識(shí)別工作模式，包含該公司員工的虹膜數(shù)據(jù)庫(kù)，打印在紙上的虹膜可能導(dǎo)致沒有來考勤的員工完成考勤，導(dǎo)致考勤系統(tǒng)沒有起到應(yīng)有的作用。因此，有效的偽造虹膜判別方法是提高虹膜識(shí)別系統(tǒng)可靠性的重要部分。

面對(duì)上述問題，研究虹膜圖像分類方法變得很有必要。虹膜圖像分類指的是將虹膜圖像根據(jù)應(yīng)用需求分成幾大類，主要包括：活體檢測(cè)，人種分類、性別分類等。虹膜分類方法可以在節(jié)約硬件開支的條件下，完成不同的分類任務(wù)，大幅度地提高了搜索速度，提高虹膜識(shí)別系統(tǒng)的安全性。

現(xiàn)有的虹膜圖像分類方法，基本上根據(jù)先驗(yàn)知識(shí)來手工設(shè)計(jì)一些特征。譚鐵牛等(cn101540000b)通過選擇感興趣區(qū)域roi，對(duì)roi區(qū)域進(jìn)行特征提取，對(duì)提取的紋理特征進(jìn)行訓(xùn)練并建模，實(shí)現(xiàn)了對(duì)虹膜圖像的粗分類。解梅等(cn101556646b)使用小波分解對(duì)歸一化的虹膜圖像進(jìn)行處理得到特征向量，然后將特征向量進(jìn)行基于核方法的聚類，得到聚類結(jié)果，然后在用支持向量機(jī)進(jìn)行分類。

隨著硬件和軟件地不斷發(fā)展，虹膜識(shí)別系統(tǒng)向用戶友好、方便使用的方向發(fā)展，對(duì)用戶的配合度要求減低，會(huì)導(dǎo)致虹膜圖像質(zhì)量下降等問題，這使得在實(shí)際的應(yīng)用系統(tǒng)中，很難找到最優(yōu)的最有區(qū)分性的特征。隨著分類類別的增加，現(xiàn)有的虹膜分類方法仍有改進(jìn)的空間，如何快速有效地在虹膜識(shí)別系統(tǒng)中的進(jìn)行分類仍然是一個(gè)難題。

技術(shù)實(shí)現(xiàn)要素：

(一)要解決的技術(shù)問題

鑒于上述技術(shù)問題，本發(fā)明提供了一種基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類方法，包括活體檢測(cè)，人種分類和性別分類，以改進(jìn)現(xiàn)有的虹膜圖像分類方法，提高虹膜圖像分類的精度，進(jìn)而提高虹膜識(shí)別系統(tǒng)的安全性和快速性。

(二)技術(shù)方案

根據(jù)本發(fā)明的一個(gè)方面，提供了一種虹膜圖像分類方法，包括以下步驟：

對(duì)樣本虹膜圖像進(jìn)行處理，得到虹膜紋理基元；其中，所述虹膜紋理基元是通過高斯混合模型構(gòu)建得到；

基于所述的紋理基元和支持向量機(jī)來構(gòu)造虹膜分類器；以及

使用所述虹膜分類器來對(duì)目標(biāo)虹膜圖像進(jìn)行分類。

優(yōu)選地，對(duì)樣本虹膜圖像進(jìn)行處理，得到虹膜紋理基元包括：

建立分類樣本虹膜圖像庫(kù)，使其包含多個(gè)分類的正樣本和多個(gè)分類的負(fù)樣本；

對(duì)所述樣本虹膜圖像庫(kù)中的正、負(fù)樣本虹膜圖像進(jìn)行預(yù)處理，得到歸一化的虹膜圖像；

用預(yù)處理好的虹膜圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用深度網(wǎng)絡(luò)模型對(duì)歸一化虹膜圖像抽取卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork，cnn)卷積層的特征，作為底層特征；以及

采用高斯混合模型聚類方法構(gòu)建紋理基元，對(duì)底層特征的生成過程進(jìn)行建模，并求解得到高斯混合模型參數(shù)。

優(yōu)選地，基于所述的紋理基元和支持向量機(jī)來構(gòu)造虹膜分類器包括：

在得到高斯混合模型參數(shù)的基礎(chǔ)上，再用fishervector對(duì)底層特征進(jìn)行編碼，得到fisher向量，作為虹膜圖像分類的特征向量；

用正、負(fù)樣本的虹膜圖像的特征向量來訓(xùn)練支持向量機(jī)，得到虹膜分類器。

優(yōu)選地，使用所述虹膜分類器來對(duì)目標(biāo)虹膜圖像進(jìn)行分類包括：

將待分類的虹膜圖像進(jìn)行預(yù)處理，得到歸一化后的虹膜圖像；

采用訓(xùn)練好的所述卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化虹膜圖像抽取cnn卷積層特征，作為底層特征；

采用得到的所述高斯混合模型參數(shù)，對(duì)底層特征進(jìn)行fishervector編碼，得到fisher向量，作為虹膜圖像分類的特征向量；

將得到的特征向量輸入到訓(xùn)練好的虹膜分類器中，根據(jù)分類器輸出的結(jié)果對(duì)目標(biāo)虹膜圖像進(jìn)行分類。

優(yōu)選地，所述分類樣本虹膜圖像庫(kù)包含活體檢測(cè)、種族分類及性別分類中的多個(gè)正樣本和多個(gè)負(fù)樣本。

優(yōu)選地，所述預(yù)處理過程包括：從虹膜圖像中把虹膜分離出來，得到虹膜區(qū)域，通過擬合瞳孔和虹膜邊界的圓的坐標(biāo)和半徑，然后將得到的虹膜區(qū)域變換到極坐標(biāo)下，完成對(duì)虹膜圖像的歸一化。

優(yōu)選地，抽取卷積神經(jīng)網(wǎng)絡(luò)的最后一層卷積層特征，作為底層特征。

優(yōu)選地，采用高斯混合模型聚類方法構(gòu)建紋理基元，對(duì)底層特征的生成過程進(jìn)行建模，并求解得到高斯混合模型參數(shù)包括：將所述抽取的底層特征用含有k個(gè)高斯分量的高斯混合模型來聚類，用期望最大化算法來估計(jì)高斯混合模型參數(shù)。

優(yōu)選地，所述的編碼過程包括：對(duì)底層特征的生成過程建模后的得到概率密度函數(shù)，將其對(duì)數(shù)似然函數(shù)對(duì)高斯混合模型參數(shù)中的均值向量和協(xié)方差矩陣的求梯度，并進(jìn)行歸一化，得到fisher向量。

優(yōu)選地，該方法用于虹膜活體檢測(cè)、人種分類及性別分類。

(三)有益效果

從上述技術(shù)方案可以看出，本發(fā)明基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類方法至少具有以下有益效果其中之一：

(1)使用高斯混合模型完成對(duì)虹膜紋理基元的聚類，利用生成式模型的優(yōu)勢(shì)，模擬虹膜紋理特征的分布，能夠更好地描述虹膜的紋理基元。

(2)通過訓(xùn)練深度卷積網(wǎng)絡(luò)來提取深度特征來代替?zhèn)鹘y(tǒng)的手工設(shè)計(jì)的特征，通過提取卷積層特征得到表達(dá)虹膜紋理信息的特征表達(dá)，從而避免了由于用手工預(yù)先定義好的特征來表示紋理基元所帶來的缺陷。

(3)使用fishervector編碼不僅可以體現(xiàn)出每個(gè)視覺單詞的出現(xiàn)頻率，又能對(duì)特征向量在視覺單詞上分布的差異信息進(jìn)行編碼。經(jīng)過fishervector編碼后融合了局部紋理特征和全局虹膜結(jié)構(gòu)信息，可以更加豐富地表達(dá)虹膜圖像特征，更好地進(jìn)行種族分類。

(4)虹膜圖像分類方法采用支持向量機(jī)做分類器，可自動(dòng)訓(xùn)練分類器。采用支持向量機(jī)訓(xùn)練分類器和fishervector編碼特征作為分類特征，有較好的泛化能力，適用于不同的虹膜圖像分類問題。

(5)虹膜圖像分類方法應(yīng)用范圍廣，其可用于判別真實(shí)虹膜和偽造虹膜，亞洲人和非亞洲人的虹膜，以及不同性別的虹膜，還可與各種虹膜識(shí)別系統(tǒng)配合工作用在國(guó)防、金融、公安刑偵等場(chǎng)合，以及在其他需要進(jìn)行身份確認(rèn)的領(lǐng)域應(yīng)用。

(6)虹膜圖像分類方法可以有效地完成虹膜圖像的分類問題，提高虹膜識(shí)別的高效性和安全性，對(duì)硬件沒有特殊的要求，可用于多種虹膜圖像分類的問題，而且不需要進(jìn)行復(fù)雜的計(jì)算，易于在各系統(tǒng)中使用。

附圖說明

通過附圖所示，本發(fā)明的上述及其它目的、特征和優(yōu)勢(shì)將更加清晰。在全部附圖中相同的附圖標(biāo)記指示相同的裝置。并未刻意按實(shí)際尺寸等比例縮放繪制附圖，重點(diǎn)在于示出本發(fā)明的主旨。

圖1為依據(jù)本發(fā)明實(shí)施例基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類流程框圖。

圖2a為依據(jù)本發(fā)明實(shí)施例真實(shí)虹膜圖像示例。

圖2b為依據(jù)本發(fā)明實(shí)施例偽造虹膜圖像示例。

圖3a為依據(jù)本發(fā)明實(shí)施例亞洲人虹膜圖像示例。

圖3b為依據(jù)本發(fā)明實(shí)施例非亞洲人虹膜圖像示例。

圖4a為依據(jù)本發(fā)明實(shí)施例女性虹膜圖像示例。

圖4b為依據(jù)本發(fā)明實(shí)施例男性虹膜圖像示例。

圖5a至5c為依據(jù)本發(fā)明實(shí)施例虹膜圖像預(yù)處理步驟的示意圖。

圖6為依據(jù)本發(fā)明實(shí)施例深度卷積網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。

需要說明的是，在附圖或說明書描述中，相似或相同的部分都使用相同的圖號(hào)。附圖中未繪示或描述的實(shí)現(xiàn)方式，為所屬技術(shù)領(lǐng)域中普通技術(shù)人員所知的形式。另外，雖然本文可提供包含特定值的參數(shù)的示范，但應(yīng)了解，參數(shù)無需確切等于相應(yīng)的值，而是可在可接受的誤差容限或設(shè)計(jì)約束內(nèi)近似于相應(yīng)的值。實(shí)施例中提到的方向用語(yǔ)，例如“上”、“下”、“前”、“后”、“左”、“右”等，僅是參考附圖的方向。因此，使用的方向用語(yǔ)是用來說明并非用來限制本發(fā)明的保護(hù)范圍。

在通常情況下，虹膜識(shí)別系統(tǒng)主要包括：虹膜圖像獲取裝置和虹膜圖像識(shí)別方法。虹膜圖像識(shí)別方法主要包括3個(gè)步驟：圖像預(yù)處理、特征提取和模式匹配。本發(fā)明提出的虹膜圖像分類方法應(yīng)用于虹膜識(shí)別模塊的識(shí)別部分之前，完成對(duì)虹膜圖像的粗分類，提高虹膜識(shí)別系統(tǒng)的高效性和安全性和用戶體驗(yàn)。

本發(fā)明實(shí)施例提供了一種虹膜圖像分類方法。具體來說，本發(fā)明提出了一種基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類方法，其基于虹膜紋理基元和fishervector編碼實(shí)現(xiàn)。

本發(fā)明的虹膜圖像分類方法包括構(gòu)建階段和判別階段，所述構(gòu)建階段包括虹膜紋理基元的構(gòu)建階段和虹膜分類器的構(gòu)建階段，其中，所述虹膜圖像分類方法包括以下步驟：

s1、在虹膜紋理基元的構(gòu)建階段對(duì)樣本虹膜圖像進(jìn)行處理，得到紋理基元；

s2、在虹膜分類器的構(gòu)建階段基于所述的紋理基元和支持向量機(jī)來構(gòu)造虹膜分類器；

s3、在判別階段使用所述虹膜分類器來對(duì)目標(biāo)虹膜圖像進(jìn)行分類。

更具體而言，所述虹膜紋理基元的構(gòu)建階段包括如下子步驟：

s11、建立分類樣本虹膜圖像庫(kù)，使其包含多個(gè)分類的正樣本和多個(gè)分類的負(fù)樣本；

s12、對(duì)所述樣本庫(kù)中的正負(fù)樣本虹膜圖像進(jìn)行預(yù)處理，得到歸一化的虹膜圖像；

s13、用預(yù)處理好的虹膜圖像對(duì)預(yù)設(shè)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用深度網(wǎng)絡(luò)模型(vgg-m)對(duì)歸一化虹膜圖像抽取cnn卷積層特征，作為底層特征；

s14、采用高斯混合模型聚類方法構(gòu)建紋理基元，對(duì)底層特征的生成過程進(jìn)行建模，并求解得到高斯混合模型參數(shù)。

所述虹膜分類器的構(gòu)建階段包括如下子步驟：

s21、在得到高斯混合模型(gmm)參數(shù)的基礎(chǔ)上，再用fishervector對(duì)底層特征進(jìn)行編碼，得到fisher向量，作為虹膜分類的特征向量；

s22、用正負(fù)樣本的虹膜圖像的特征向量來訓(xùn)練支持向量機(jī)，得到虹膜分類器。

所述判別階段包括如下子步驟：

s31、將待分類的虹膜圖像進(jìn)行預(yù)處理，得到歸一化后的虹膜圖像；

s32、采用子步驟s13訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化虹膜圖像抽取cnn卷積層特征，作為底層特征；

s33、采用子步驟s14中得到的高斯混合模型參數(shù)，對(duì)底層特征進(jìn)行fishervector編碼，得到fisher向量，作為虹膜分類的特征向量；

s34、將子步驟s33中得到的特征向量輸入到訓(xùn)練好的虹膜分類器中，根據(jù)分類器輸出的結(jié)果對(duì)目標(biāo)虹膜圖像進(jìn)行分類。根據(jù)虹膜分類的結(jié)果，將輸入樣本和對(duì)應(yīng)類中的樣本進(jìn)行一一匹配，得到最終的識(shí)別效果。

下面對(duì)本發(fā)明涉及的關(guān)鍵步驟進(jìn)行逐一說明。所述方法中各個(gè)基本步驟的具體描述如下：

首先，構(gòu)建階段是基于提取紋理基元和fishervector編碼的特征描述以及基于統(tǒng)計(jì)學(xué)習(xí)的支持向量的構(gòu)建。為了能夠找到一種合適的特征，不僅可以保留不同種類虹膜的差異，而且可以容納相同種類虹膜之間的類內(nèi)差異，提取深度特征作為底層特征，基于高斯混合模型對(duì)紋理基元進(jìn)行聚類，基于fishervector對(duì)底層特征進(jìn)行編碼，作為特征向量；最后使用支持向量機(jī)訓(xùn)練構(gòu)建分類器用于虹膜圖像分類的判別。

具體的，子步驟s11：建立分類樣本虹膜圖像庫(kù)，使其包含多個(gè)分類的正樣本和多個(gè)分類的負(fù)樣本。常見的虹膜分類的應(yīng)用包括：活體檢測(cè)、種族分類、性別分類等。所述活體檢測(cè)是包括真實(shí)虹膜圖像和偽造虹膜圖像的分類；其中，正樣本為真實(shí)虹膜圖像，負(fù)樣本為偽造虹膜圖像；請(qǐng)參照?qǐng)D2所示，圖2a為真實(shí)虹膜圖像示例，圖2b為偽造虹膜圖像示例。所述種族分類通常指的是包括亞洲人和非亞洲人的分類；其中，正樣本為亞洲人的虹膜圖像，負(fù)樣本為非亞洲人的虹膜圖像；請(qǐng)參照?qǐng)D3所示，圖3a為亞洲人虹膜圖像示例，圖3b為非亞洲人虹膜圖像示例。所述性別分類：男女分類；其中，正樣本為女性的虹膜圖像，負(fù)樣本為男性的虹膜圖像；請(qǐng)參照?qǐng)D4所示，圖4a為女性虹膜圖像示例，圖4b為男性虹膜圖像示例。

子步驟s12：對(duì)樣本庫(kù)中的正、負(fù)樣本虹膜圖像進(jìn)行預(yù)處理，得到歸一化的虹膜圖像，請(qǐng)參照?qǐng)D1所示。預(yù)處理階段和特征提取階段對(duì)正樣本虹膜圖像和負(fù)樣本虹膜圖像的操作是相同的，因此子步驟s12、s13和s14中統(tǒng)稱為虹膜圖像。圖5a示出的虹膜圖像中不僅包括虹膜，還包括瞳孔、眼白、眼皮和睫毛等。虹膜圖像預(yù)處理的第一步是從虹膜圖像中把虹膜分離出來，瞳孔和虹膜的外輪廓都很接近圓形，任務(wù)是找到擬合瞳孔和虹膜邊界的圓的坐標(biāo)和半徑，然后將虹膜區(qū)域變換到極坐標(biāo)下對(duì)虹膜進(jìn)行歸一化。人眼瞳孔的灰度遠(yuǎn)低于周圍區(qū)域，所以可以使用閾值法分離出瞳孔區(qū)域，然后將該區(qū)域的重心作為初步的瞳孔中心，在該點(diǎn)附近用可變尺寸的模板去擬合瞳孔的邊緣，最佳的擬合結(jié)果就是瞳孔定位的結(jié)果。虹膜的中心接近瞳孔的中心，所以可以使用同樣的方法找到虹膜的中心和半徑。圖5b是對(duì)圖5a中虹膜圖像的虹膜定位之后的示例，其中的圓圈表示擬合后瞳孔和虹膜的外邊界。以瞳孔圓心為原點(diǎn)將所述的真實(shí)虹膜圖像和偽造虹膜圖像從直角坐標(biāo)系變換到極坐標(biāo)系；在極坐標(biāo)系下將所述的虹膜圖像縮放到統(tǒng)一的大小，實(shí)現(xiàn)虹膜圖像的歸一化，選取整個(gè)虹膜圓環(huán)區(qū)域作為感興趣區(qū)域。轉(zhuǎn)換到極坐標(biāo)下的歸一化后的虹膜圖像稱為歸一化虹膜圖像。圖5c是圖5a中虹膜圖像的歸一化虹膜圖像。

子步驟s13：提取深度學(xué)習(xí)特征。采用cnn結(jié)構(gòu)深度網(wǎng)絡(luò)模型(vgg-m)，該網(wǎng)絡(luò)包括5個(gè)卷積層和2個(gè)全連接層和一個(gè)softmax層。將歸一化虹膜圖像送入卷積神經(jīng)網(wǎng)絡(luò)，提取網(wǎng)絡(luò)conv5的featuremaps作為輸出，按通道提取卷積層特征，得到卷積層的特征為512維，提取特征的模型結(jié)構(gòu)參見圖6。

子步驟s14：將所有的從虹膜圖片中提取的卷積層特征放在一起，構(gòu)成特征空間，學(xué)習(xí)一個(gè)含有k個(gè)分量的高斯混合模型，同時(shí)也得到了虹膜紋理基元。高斯混合模型是一系列高斯分布的加權(quán)組合。一個(gè)由k個(gè)高斯分量組成的高斯混合密度函數(shù)是k個(gè)高斯密度函數(shù)的線性加權(quán)和。

pλ(x)表示用高斯混合模型對(duì)底層特征x建模后的概率密度函數(shù)。pλ經(jīng)過混合高斯模型表達(dá)之后為：

其中，pk表示第k個(gè)高斯單元：

上式中的ωk是權(quán)重，表示的是第k個(gè)高斯分布被選中的概率，滿足

每個(gè)高斯分量的概率密度函數(shù)滿足pk(x)～n(μk,σk)。gmm模型參數(shù)λ＝(ωk,μk,σk)，其中k＝1,2,...,k，μk是第個(gè)高斯分量的均值矢量，σk為相應(yīng)的協(xié)方差矩陣，d表示特征矢量的維度。

用x＝{xt,t＝1,...,t}表示從一幅虹膜圖像中提取的卷積層的特征集合，假設(shè)每個(gè)卷積層特征xt都服從獨(dú)立同分布。xt的維度d＝512。用高斯混合模型來模擬x的分布pλ(x)，通過學(xué)習(xí)一個(gè)含有k個(gè)分量的高斯混合模型來對(duì)卷積層特征的分布進(jìn)行建模，也就得到了k個(gè)聚類，對(duì)應(yīng)為k個(gè)紋理基元。pk(x)對(duì)應(yīng)一個(gè)紋理基元，對(duì)于一個(gè)特征向量xt它屬于第k個(gè)紋理基元的可能性ωk是一個(gè)屬于0到1的概率值，也就是說，xt可以看作是由多個(gè)紋理基元聯(lián)合生成的。選用em算法求解高斯混合模型得到參數(shù)模型λ，用于后面的fishervector編碼，此時(shí)的k＝64。

子步驟s21：自子s14學(xué)習(xí)得到的高斯函數(shù)混合函數(shù)的參數(shù)模型，對(duì)卷積層特征進(jìn)行fishervector編碼。x＝{xt,t＝1...t}表示從一幅圖像中提取的卷積層的特征集合。假設(shè)每個(gè)卷積層特征xt都服從獨(dú)立同分布。x的fisher向量為歸一化的梯度向量即為：

其中，x＝[x1,x2,...,xt]∈r^d×t是從一幅虹膜圖片中抽取的t個(gè)d維特征，此時(shí)d＝512，pλ是一個(gè)概率密度函數(shù)，λ＝[λ1,λ2,...λm]∈r^m表示pλ的m個(gè)參數(shù)向量，lλ是fisher核的逆經(jīng)過喬里斯基分解(choleskydecomposition)得到的。pλ(x)表示用高斯混合模型對(duì)底層特征x建模后的概率密度函數(shù)。

只考慮均值和方差導(dǎo)數(shù)，單個(gè)局部特征xt關(guān)于gmm參數(shù)集λ＝{ωk,μk,σk,k＝1,...,k}的梯度表示如下：

其中：

γt(k)表示卷積層特征xt軟分配給第k個(gè)高斯單元的概率。

則整張圖像的全部局部特征關(guān)于μk,σk的fisher向量可以表示為：

為了避免對(duì)局部特征集合大小的依賴

所以最后得到的fisher向量為：

將得到的fisher向量作為最后送入分類器的特征。

子步驟s22：虹膜判別是一個(gè)二類問題，是正樣本的虹膜圖像與負(fù)樣本的虹膜圖像的二分模式分類，采用單個(gè)支持向量機(jī)即可。支持向量機(jī)的判決函數(shù)為：

其中，xi為訓(xùn)練樣本，yi為訓(xùn)練樣本類標(biāo)記；i為訓(xùn)練樣本的標(biāo)號(hào)；n為訓(xùn)練樣本個(gè)數(shù)；x為待分類樣本；k(xi,x)是滿足mercer條件的核函數(shù)，它對(duì)應(yīng)某一變換空中的內(nèi)積；sign(x)為一個(gè)示性函數(shù)，當(dāng)x≥0時(shí)輸出為1，否則為0。對(duì)應(yīng)支持向量的αi不為0，而非支持向量對(duì)應(yīng)的αi為0。把s21步驟提取的特征作為訓(xùn)練樣本，將負(fù)樣本像提取的特征類標(biāo)記為0，正樣本虹膜圖像提取的特征類標(biāo)記為1，訓(xùn)練分類器。

經(jīng)過構(gòu)建階段訓(xùn)練后，如果某個(gè)樣本的分類器的輸出值為0，那么表明該樣本為負(fù)樣本虹膜圖像，否則為正樣本虹膜圖像。

其次，虹膜圖像的判別步驟是基于構(gòu)建階段學(xué)習(xí)到的分類器對(duì)一張測(cè)試虹膜圖像進(jìn)行判別，判斷該測(cè)試虹膜圖像的類別。

測(cè)試虹膜圖像包含正、負(fù)樣本虹膜圖像，首先進(jìn)行預(yù)處理，得到歸一化虹膜圖像，在歸一化虹膜圖像上抽取構(gòu)建階段相同的特征提取方式，并利用相同的高斯混合模型聚類以及fishervector編碼得到特征向量，最后利用構(gòu)建階段訓(xùn)練得到的虹膜分類器判斷該測(cè)試虹膜圖像的類別具體過程如下：

子步驟s31：對(duì)目標(biāo)虹膜圖像進(jìn)行預(yù)處理，圖5a至圖5c是對(duì)虹膜圖像預(yù)處理的步驟示意圖。圖5a示出的虹膜圖像中不僅包括虹膜，還包括瞳孔、眼白、眼皮和睫毛等。虹膜圖像預(yù)處理的第一步是從虹膜圖像中把虹膜分離出來，瞳孔和虹膜的外輪廓都很接近圓形，任務(wù)是找到擬合瞳孔和虹膜邊界的圓的坐標(biāo)和半徑，然后將虹膜區(qū)域變換到極坐標(biāo)下對(duì)虹膜進(jìn)行歸一化。人眼瞳孔的灰度遠(yuǎn)低于周圍區(qū)域，所以可以使用閾值法分離出瞳孔區(qū)域，然后將該區(qū)域的重心作為初步的瞳孔中心，在該點(diǎn)附近用可變尺寸的模板去擬合瞳孔的邊緣，最佳的擬合結(jié)果就是瞳孔定位的結(jié)果。虹膜的中心接近瞳孔的中心，所以可以使用同樣的方法找到虹膜的中心和半徑。圖5b是對(duì)圖5a中虹膜圖像的虹膜定位之后的例子，其中的圓圈表示擬合后瞳孔和虹膜的外邊界。以瞳孔圓心為原點(diǎn)將所述的真實(shí)虹膜圖像和偽造虹膜圖像從直角坐標(biāo)系變換到極坐標(biāo)系；在極坐標(biāo)系下將所述的虹膜圖像縮放到統(tǒng)一的大小，實(shí)現(xiàn)虹膜圖像的歸一化，取整個(gè)虹膜圓環(huán)區(qū)域作為感興趣區(qū)域。轉(zhuǎn)換到極坐標(biāo)下的歸一化后的虹膜圖像稱為歸一化虹膜圖像。圖5c是圖5a中虹膜圖像的歸一化虹膜圖像。

子步驟s32：在歸一化虹膜圖像中提取深度學(xué)習(xí)特征。采用cnn結(jié)構(gòu)vgg-m模型，該網(wǎng)絡(luò)由5個(gè)卷積層和2個(gè)全連接層和一個(gè)softmax層組成。將歸一化虹膜圖像送入卷積神經(jīng)網(wǎng)絡(luò)，提取網(wǎng)絡(luò)conv5的featuremaps作為輸出，按通道提取卷積層特征，得到卷積層的特征為512維，提取特征的模型結(jié)構(gòu)參見圖6。

子步驟s33：采用子步驟s14相同的高斯函數(shù)混合函數(shù)的參數(shù)模型，對(duì)卷積層特征進(jìn)行fishervector編碼。x＝{xt,t＝1...t}表示從一幅圖像中提取的卷積層的特征集合。假設(shè)每個(gè)卷積層特征xt都服從獨(dú)立同分布。x的fisher向量為歸一化的梯度向量即為：

其中，x＝[x1,x2,...,xt]∈r^d×t是從一幅圖片中抽取的t個(gè)d維特征，pλ是一個(gè)概率密度函數(shù)，λ＝[λ1,λ2,...λm]∈r^m表示pλ的m個(gè)參數(shù)向量。lλ是fisher核的逆經(jīng)過喬里斯基分解(choleskydecomposition)得到的。pλ(x)表示用高斯混合模型對(duì)底層特征x建模后的概率密度函數(shù)。

只考慮均值和方差導(dǎo)數(shù)，單個(gè)局部特征xt關(guān)于gmm參數(shù)λ＝{ωk,μk,σk}的梯度表示如下：

其中:

γt(k)表示卷積層特征xt軟分配給第k個(gè)高斯單元的概率。

則整張圖像的全部局部特征關(guān)于μk,σk的fisher向量可以表示為：

為了避免對(duì)局部特征集合大小的依賴

所以最后得到的fisher向量為：

將得到的fisher向量，作為最后送入分類器的特征。

子步驟s34：將s33得到的特征向量輸入到構(gòu)建階段訓(xùn)練學(xué)習(xí)到支持向量機(jī)分類器中，根據(jù)分類器輸出的結(jié)果對(duì)目標(biāo)虹膜圖像進(jìn)行分類。根據(jù)虹膜圖像分類的結(jié)果，將輸入樣本和對(duì)應(yīng)類中的樣本進(jìn)行一一匹配，得到最終的識(shí)別效果。

上述虹膜圖像分類方法的具體應(yīng)用實(shí)例如下：

在一示意性實(shí)例中，上述虹膜圖像分類方法應(yīng)用于大規(guī)模的虹膜識(shí)別系統(tǒng)中。在某些場(chǎng)合，數(shù)據(jù)庫(kù)的規(guī)模會(huì)比較大(比如一個(gè)城市、一個(gè)省甚至是一個(gè)國(guó)家的虹膜數(shù)據(jù)庫(kù))，在這種情況下，虹膜匹配是一個(gè)很耗時(shí)的過程。為了減少搜索時(shí)間，可以將虹膜分為幾個(gè)子類(男女、亞洲人和非亞洲人等)。這樣在識(shí)別的時(shí)候，只要找到數(shù)據(jù)庫(kù)的同一類模板進(jìn)行比較即可，大大地降低了搜索速度。

在另一示意性實(shí)例中，上述虹膜圖像分類方法應(yīng)用于虹膜識(shí)別考勤系統(tǒng)中，系統(tǒng)工作于識(shí)別工作模式，包含該公司員工的虹膜數(shù)據(jù)庫(kù)。一名員工將自己的虹膜打印在紙上，企圖讓同事那這張打印在紙上的虹膜來代替自己考勤。這時(shí)系統(tǒng)自動(dòng)判斷出改虹膜是偽造虹膜，不予識(shí)別。這樣考勤系統(tǒng)依然能夠發(fā)揮應(yīng)有的作用。

本發(fā)明實(shí)施例基于深度學(xué)習(xí)特征和fishervector編碼模型的虹膜圖像分類方法能夠在安全性和穩(wěn)定性等方面有效提高虹膜識(shí)別系統(tǒng)的整體性能，是下一代虹膜識(shí)別中的關(guān)鍵技術(shù)。

對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請(qǐng)。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本申請(qǐng)的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本申請(qǐng)將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。

需要說明的是，在附圖或說明書正文中，未繪示或描述的實(shí)現(xiàn)方式，均為所屬技術(shù)領(lǐng)域中普通技術(shù)人員所知的形式，并未進(jìn)行詳細(xì)說明。此外，上述對(duì)各元件和方法的定義并不僅限于實(shí)施例中提到的各種具體結(jié)構(gòu)、形狀或方式，本領(lǐng)域普通技術(shù)人員可對(duì)其進(jìn)行簡(jiǎn)單地更改或替換。

以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。