模式识别实验室知识库

目的 虹膜作为一种具有高稳定性与区分性的生物特征, 使得虹膜识别在应用场景中十分普及, 但很多虹膜识别系统在抵御各类演示攻击时无法保证十足的可靠性, 导致虹膜识别在高级安全场景中的应用受限, 使得虹膜活体检测成为生物识别技术中亟需解决的问题之一. 现有的区分真实与假体虹膜最先进的算法主要依靠在原始灰度空间中提取的虹膜纹理深度特征, 但这类特征差异不明显, 只能辨别单源假体虹膜. 为此, 提出一种基于增强型灰度图像空间的虹膜活体检测方法. 方法 利用残差网络 (ResNet) 将原始虹膜图像映射到可分离的灰度图像空间, 使真假虹膜特征具有明显的判别性; 用预训练 LightCNN (light convolational neural networks)-4 网络提取新空间中的虹膜纹理特征; 设计三元组损失函数与 softmax 损失函数训练模型实现二分类任务. 结果 在两个单源假虹膜数据库上采用闭集检测方式分别取得 100% 和 99.75% 的准确率; 在多源假虹膜数据库上采用开集检测方式分别取得 98.94% 和 99.06% 的准确率. 结论 本文方法通过空间映射的方式增强真假虹膜纹理之间清晰度的差异, 设计三元组损失函数与 softmax 损失函数训练模型, 既增加正负样本集之间的距离差, 又提升模型收敛速度. 实验结果表明, 基于图像空间的分析与变换可有效解决真实虹膜与各类假体虹膜在原始灰度空间中不易区分的问题, 并且使网络能够准确检测未知类型的假体虹膜样本, 实现虹膜活体检测的最新性能, 进一步提升了虹膜活体检测方法的泛化性.