[发明专利]一种基于虹膜外接矩形图的虹膜验证方法和系统

权利要求书

1.一种基于虹膜外接矩形图的虹膜验证方法，其特征在于，该方法包括以下步骤：

训练阶段：采用训练样本集训练虹膜特征提取网络，所述训练样本集包括不同个体的虹膜外接矩形图；

应用阶段包括：虹膜录入阶段和虹膜验证阶段；

虹膜录入阶段：对用户端上传的虹膜图像进行定位，得到虹膜外接矩形图，并将其输入至训练好的虹膜特征提取网络，得到虹膜嵌入向量，并以身份标识-虹膜嵌入向量方式存储；

虹膜验证阶段：对待验证用户，采集其身份标识和虹膜图像，对待验证用户的虹膜图像进行定位，得到虹膜外接矩形图，并将其输入至训练好的虹膜特征提取网络，得到待验证虹膜嵌入向量；根据待验证用户的身份标识确定其录入虹膜嵌入向量；将待验证虹膜嵌入向量和录入虹膜嵌入向量进行相似度比对，通过相似度阈值判断是否属于同一个体，从而实现身份验证；

所述虹膜特征提取网络依次串联包括：尺寸调整模块、下采样模块、第一残差模块、第二残差模块、第三残差模块、第四残差模块、双池化层、第一全连接层和第二全连接层；

所述尺寸调整模块，用于将虹膜外接矩形图调整为统一尺寸的虹膜张量；

所述下采样模块包括三个串联的卷积层，卷积核大小均为3*3，前两个卷积步幅为1，第三个卷积步幅为2，每个卷积层输出通道数为64，并后接一个BN层和ReLu激活层；

所述第一残差模块包括：串联的池化窗口为3*3的最大池化层和三个第一类型SE残差块，所述第一类型SE残差块由Full Pre-activation残差块与SE模块组成；针对Full Pre-activation残差块，在进入该模块时，先接批量归一化层与激活层，再接卷积层，卷积层的输出通道数为64；针对SE模块，其Scale参数为16；

第二残差模块包括：串联的4个第二类型SE残差块，所述第二类型SE残差块由FullPre-activation残差块与SE模块组成；针对Full Pre-activation残差块，其中卷积层的输出通道数为128；针对SE模块，其Scale参数为16；

第三残差模块包括：串联的6个第三类型SE残差块，所述第三类型SE残差块由FullPre-activation残差块与SE模块组成；针对Full Pre-activation残差块，其中卷积层的输出通道数为256；针对SE模块，其Scale参数为16；

第四残差模块包括；串联的3个第四类型SE残差块，所述第四类型SE残差块由FullPre-activation残差块与SE模块组成；针对Full Pre-activation残差块，其中卷积层的输出通道数为512；针对SE模块，其Scale参数为16；

所述双池化层，用于线性叠加使得获取的特征更为丰富；

所述第一全连接层，用于在通道的维度上对叠加后的特征进行降维；

所述第二全连接层，用于获取虹膜嵌入向量。

2.如权利要求1所述的方法，其特征在于，采用最小外接矩形定位方式在虹膜图像定位出虹膜外圆的外接矩形图像。

3.权利要求1所述的方法，其特征在于，训练阶段采用基于三元组损失函数的深度度量学习的方式，包括以下步骤：

(1)构建虹膜三元组数据集，所述虹膜三元组包括：锚点虹膜外接矩形图、正样本虹膜外接矩形图、负样本虹膜外接矩形图；所述锚点虹膜外接矩形图和正样本虹膜外接矩形图属于同一个体，所述负样本虹膜外接矩形图与锚点虹膜外接矩形图属于不同个体；

(2)使用该虹膜三元组数据集，采用基于三元组损失函数的深度度量学习的方式训练虹膜特征提取网络，直至深度度量学习的三元组损失函数值收敛，得到训练好的虹膜特征提取网络。

4.如权利要求3所述的方法，其特征在于，所述损失函数如下：

其中，表示锚点的虹膜嵌入向量，表示正样本的虹膜嵌入向量，表示负样本的虹膜嵌入向量，margin表示嵌入向量之间距离的设定阈值。

5.如权利要求4所述的方法，其特征在于，所述嵌入向量之间距离为欧式距离。

6.一种基于虹膜外接矩形图的虹膜验证系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的基于虹膜外接矩形图的虹膜验证方法。