[发明专利]一种基于特征融合和机器学习的虹膜活性检测方法

说明书

本发明公开了一种基于特征融合和机器学习的虹膜活性检测方法，准备虹膜图像数据集，分别提取虹膜图像的LBP特征和HOG特征，对所提取的LBP特征和HOG特征进行降维处理，用典型相关性分析方法将降维后的LBP特征和HOG进行融合；将融合后的特征输入支持向量机模型，对虹膜图像特征进行训练和分类，实现对虹膜活性的检测。本发明可以解决现有虹膜活性检测方法中虹膜活性检测准确率不高、不能有效地对虹膜攻击进行防御和无法保证虹膜识别系统的安全性的问题。

技术领域

本发明属于图像处理和模式识别技术领域，尤其涉及一种基于特征融合和机器学习的虹膜活性检测方法。

背景技术

随着近年来人类社会在信息化道路上的不断发展，身份认证的重要性更为突出，同时传统的身份认证方法也受到了严峻的挑战。而作为一种新型的身份认证手段，生物特征凭借其天然的高唯一性、安全性和便利性，受到了人们越来越多的关注。而且以此为基础的身份认证方法，即生物特征识别，也取得了飞速的发展。其中，虹膜识别在稳定性、唯一性和非侵犯性上都具有其不可比拟的优势，在身份识别领域中占据十分重要地位。

生物识别技术在快速发展和应用的同时也伴随着安全风险，一旦生物特征被伪造，将导致人们的财产和个人隐私数据的泄漏，更有可能作为犯罪的替代品。因此，在生物安全方面，活性检测的研究已经成为一个发展趋势。活性检测就是在生物识别系统中，判断进行识别的个体是否来自于一个真正的个体，而不是伪造个体，这对生物识别来说是至关重要的一环。生物识别系统就是要识别真正的生物个体，一旦系统识别了非活性的生物个体，整个系统就失去了原有的意义，也会造成巨大的损失。

与其它生物认证方法一样，虹膜识别也存在活性检测问题。虹膜攻击手段有打印攻击，通过将包含虹膜信息的数字图像打印在胶片或纸上做成伪造样本来攻击虹膜识别系统；隐形眼镜攻击，通过佩戴印有虹膜信息的隐形眼镜攻击虹膜识别系统。由于这两种攻击方式出现的比较早，目前市场上已有一些成熟的活性检测算法针对此类攻击。但随着科技的不断发展，最新型的虹膜攻击方式已转为人工合成虹膜图像攻击，该攻击手段通过图像技术人工合成虹膜纹理，将该纹理嵌入到虹膜环中，形成极其逼真的虹膜图像来攻击虹膜识别系统，传统的虹膜活性检测方法，对此防御效果不是很明显。

发明内容

本发明根据现有技术中存在的问题，提出了一种基于特征融合和机器学习的虹膜活性检测方法，本发明可以解决现有虹膜活性检测方法中虹膜活性检测准确率不高、不能有效地对虹膜攻击进行防御和无法保证虹膜识别系统的安全性的问题。

本发明所采用的技术方案如下：

一种基于特征融合和机器学习的虹膜活性检测方法，准备虹膜图像数据集，分别提取虹膜图像的LBP特征和HOG特征，对所提取的LBP特征和HOG特征进行降维处理，用典型相关性分析方法将降维后的LBP特征和HOG特征进行融合，得到特征融合后的典型相关特征，将典型相关特征输入支持向量机模型，对虹膜图像特征进行分类，实现对虹膜活性的检测。

进一步，所述提取LBP特征的方法为：用LBP模板对图像像素进行判断计算得到LBP值。根据LBP值统计每一个区域的直方图，级联所有区域直方图作为LBP特征向量。

进一步，所述提取HOG特征的方法为：设置滑动区域块，将区域块划分为若干大小统一的细胞单元，计算各像素梯度的幅值和方向，统计细胞单元梯度直方图，联合所有细胞单元的梯度直方图作为当前区域块的梯度直方图并对其标准化处理；级联所有区域块的梯度直方图作为图像的HOG特征向量。

进一步，所述典型相关特征的获取方法为：找到一组投影向量α和β，使得投影x^*＝α^Tx_LBP与y^*＝β^Ty_HOG之间的相关系数ρ最大相关，则获得LBP特征矩阵x_LBP和HOG特征矩阵y_HOG之间的典型相关特征；