【技术实现步骤摘要】
本专利技术属于图像处理和生物识别，特别涉及一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法。
技术介绍
1、在当前的吸毒人员检测领域，主要依赖于传统的生物检测方法，包括尿液检测、唾液检测、血液检测和毛发检测等。这些方法各有优缺点，但均存在不同程度的局限性。
2、尿液检测虽然应用广泛，但其样本收集过程需要被检人员的高度配合，且存在偷换样本的风险，同时采集周期长、中间过程可变因素多，容易影响检验结果的准确性。唾液检测虽然样本采集较为便捷，但易受到食物、饮品及个体生理状态等多种因素的干扰，影响检测结果的可靠性。血液检测虽然准确性较高，但检测过程复杂，成本高，且对时效性要求严格，需要短时间内采集样本并进行实验室分析。毛发检测则具有较高的准确性和较长的检测窗口，但不适用于禁毒现场，且成本高昂，实施难度较大。
3、鉴于上述传统检测方法的局限性，研究者们不断探索新的检测技术以提高检测的效率和准确性。虹膜识别技术作为一种新兴的生物特征识别技术，因其独特的虹膜纹理特征(唯一性、稳定性、非接触性和防伪性)而备受关注。然而，当前的虹膜识别算法在复杂环境下(如光照变化、眼部遮挡等)的鲁棒性和准确性仍有待提高。
技术实现思路
1、为了解决上述问题，本专利技术提供一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，通过结合图神经网络gnn在图结构数据处理上的优势和cnn在图像处理上的强大能力，实现对虹膜图像的精确分割和特征提取，能够有效地学习和表示图结构数据中的复杂关系，而抗锯齿
2、本专利技术的提出旨在解决现有吸毒人员检测方法中的种种不足，提供一种更为高效、准确且成本较低的虹膜识别技术，为吸毒人员检测领域带来新的突破。
3、本专利技术具体为一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，所述虹膜识别方法包括以下步骤：
4、s1、实时采集目标人物虹膜图像，将采集到的图像进行预处理，转化灰度图像、图像滤波；
5、s2、本专利技术利用图神经网络gnn将虹膜图像中的每个像素视为图中的节点，并基于多面知识构建自适应边缘，实现特征的有效聚合，准确分割虹膜区域；
6、s3、分割后对虹膜图像使用daugman的线性映射方法归一化处理；
7、s4、基于抗锯齿卷积神经网络cnn的深层特征提取，提取出具有纹理信息的特征向量；上述特征向量通过自适应阈值编码方法进行编码，生成具有更高变异性的二进制虹膜代码，采用k-近邻算法(knn)进行匹配识别。
8、进一步的，步骤s1中图像预处理转化灰度图像、图像滤波具体为：
9、彩色图像转化为灰度图基本公式如下：
10、gray＝0.299×r+0.587×g+0.114×b
11、式中，r、g、b为彩色图像中rgb三个颜色通道亮度；其中，图像去噪处理采用高斯滤波消除噪声，其计算公式包括：
12、
13、式中，g(x，y)为高斯核函数，δ为高斯分布的标准差。
14、进一步的，步骤s2中，采用gnn以实现准确的虹膜分割，其原理包括：
15、gnn将单个像素视为图中的节点，并根据多方面的知识构建自适应的边，包括视觉相似性、位置相关性和语义一致性来进行特征聚合。
16、具体来说，我们根据视觉相似度来学习节点之间的视觉关系，并使用视觉邻接矩阵(vam)来定义这些关系，vam利用嵌入空间中的余弦相似度来度量视觉相似度：
17、
18、其中，xi和xj分别表示vi和vj的特征向量。θv是将节点映射到嵌入空间中的线性投影矩阵。v是vam，vij是v的第i行和第j列中的元素。而空间位置是虹膜分割的另一个不可忽略的信息。相邻的节点比远处的节点更有可能属于相同的眼部成分。一个位置邻接矩阵(pam)给出了节点间空间信息的相关性：
19、
20、其中(hi，wi)和(hi，wj)是vi和vj的位置向量。p为pam，pij表示p的第i行和第j列中的元素。同样的，语义一致性将节点映射到语义空间，并学习伪标签来基于标签的一致性定义关系，语义邻接矩阵(sam)遵循语义一致性来表示节点之间的关系：
21、
22、其中和是vi和vj的伪标签。
23、将vam、pam和sam集成为两个基本的聚合模块，即编码器块和解码器块。这两个块都利用了传播规则聚合节点并更新其特性。编码器块具有丰富的视觉和位置特征，但较少的语义信息，仅利用vam和pam来最大限度地探索视觉相似性和位置相关性。在编码器块中，传播过程的总邻接矩阵可以定义为：
24、aencoder＝softmax(v+p)
25、与编码器块相比，解码器块集成了所有三个邻接矩阵以进行特征聚合。它的传播过程的总邻接矩阵是vam、pam和sam的组合，记为：
26、adecoder＝softmax(v+p+s)
27、进一步的，步骤s3中，分割后对虹膜图像使用daugman的线性映射方法归一化处理，其计算公式包括：
28、x＝(r-ri)/(r0-ri)*w
29、y＝θ/2π*h
30、其中，x和y是归一化后的图像坐标，r是原点到虹膜距离，θ是该点与虹膜中心连线相对于水平线的角，w和h是归一化后图像的宽度和高度。
31、进一步的，步骤s4中，基于抗锯齿卷积神经网络cnn的深层特征提取，提取出具有纹理信息的特征向量。这些特征向量通过自适应阈值编码方法进行编码，生成具有更高变异性的二进制虹膜代码。采用k-近邻算法(knn)进行分类。其步骤如下：
32、具体来说，特征提取过程使用resnet50作为主干网络，其中每一层卷积层都会输出一个特征图张量(fmt)。这些fmt包含了输入图像在不同抽象层次上的表示：
33、f(l)＝σ(k*f(l-1)+b)
34、其中，k表示卷积核，*表示卷积运算，b是偏置项，σ是激活函数，f(l)是fmt。在虹膜识别系统中，这些fmt被捕获并存储起来，用于后续的处理。根据虹膜图像的属性，可以生成一个唯一的掩模。这个掩模用于从fmt中去除不相关或噪声区域，只保留对识别有用的部分。
35、特征向量通过自适应阈值编码方法进行编码，根据fmt的局部统计特性动态调整阈值，将fmt中的每个元素转换为二进制值：
36、
37、其中fi是fmt中的元素，t为阈值。编码过程将关注掩模内的区域，对结果使用k-近邻算法(knn)分类：
38、
39、
40、其中，btest是待测样本，bi是标准样本，类别为测试样本被分类为k个近邻中出现次数最多的类别。
41、进一步的，本专利技术还提出一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别系统，包括：
4本文档来自技高网...
【技术保护点】
1.一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，所述虹膜识别方法包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤S1中图像预处理转化灰度图像、图像滤波具体为：
3.根据权利要求2所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤S2中，采用GNN以实现准确的虹膜分割，其原理包括：
4.根据权利要求3所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤S3中，分割后对虹膜图像使用Daugman的线性映射方法归一化处理，其计算公式包括：
5.根据权利要求4所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤S4中，基于抗锯齿卷积神经网络CNN的深层特征提取，提取出具有纹理信息的特征向量，这些特征向量通过自适应阈值编码方法进行编码，生成具有更高变异性的二进制虹膜代码，采用K-近邻算法KNN进行分类，其步骤如下：
6.一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别系统，其
...【技术特征摘要】
1.一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，所述虹膜识别方法包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤s1中图像预处理转化灰度图像、图像滤波具体为：
3.根据权利要求2所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤s2中，采用gnn以实现准确的虹膜分割，其原理包括：
4.根据权利要求3所述的一种基于图神经网络与抗锯齿卷积神经网络的虹膜识别方法，其特征在于，步骤s3中，分割后对虹膜图像使用daugm...
【专利技术属性】
技术研发人员：潘亚男，潘梁成，
申请(专利权)人：江苏御霖智慧物联发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。