本發(fā)明屬于圖像處理和生物識(shí)別，特別涉及一種基于圖神經(jīng)網(wǎng)絡(luò)與抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別方法。

背景技術(shù)：

1、在當(dāng)前的吸毒人員檢測(cè)領(lǐng)域，主要依賴于傳統(tǒng)的生物檢測(cè)方法，包括尿液檢測(cè)、唾液檢測(cè)、血液檢測(cè)和毛發(fā)檢測(cè)等。這些方法各有優(yōu)缺點(diǎn)，但均存在不同程度的局限性。

2、尿液檢測(cè)雖然應(yīng)用廣泛，但其樣本收集過程需要被檢人員的高度配合，且存在偷換樣本的風(fēng)險(xiǎn)，同時(shí)采集周期長(zhǎng)、中間過程可變因素多，容易影響檢驗(yàn)結(jié)果的準(zhǔn)確性。唾液檢測(cè)雖然樣本采集較為便捷，但易受到食物、飲品及個(gè)體生理狀態(tài)等多種因素的干擾，影響檢測(cè)結(jié)果的可靠性。血液檢測(cè)雖然準(zhǔn)確性較高，但檢測(cè)過程復(fù)雜，成本高，且對(duì)時(shí)效性要求嚴(yán)格，需要短時(shí)間內(nèi)采集樣本并進(jìn)行實(shí)驗(yàn)室分析。毛發(fā)檢測(cè)則具有較高的準(zhǔn)確性和較長(zhǎng)的檢測(cè)窗口，但不適用于禁毒現(xiàn)場(chǎng)，且成本高昂，實(shí)施難度較大。

3、鑒于上述傳統(tǒng)檢測(cè)方法的局限性，研究者們不斷探索新的檢測(cè)技術(shù)以提高檢測(cè)的效率和準(zhǔn)確性。虹膜識(shí)別技術(shù)作為一種新興的生物特征識(shí)別技術(shù)，因其獨(dú)特的虹膜紋理特征(唯一性、穩(wěn)定性、非接觸性和防偽性)而備受關(guān)注。然而，當(dāng)前的虹膜識(shí)別算法在復(fù)雜環(huán)境下(如光照變化、眼部遮擋等)的魯棒性和準(zhǔn)確性仍有待提高。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明提供一種基于圖神經(jīng)網(wǎng)絡(luò)與抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別方法，通過結(jié)合圖神經(jīng)網(wǎng)絡(luò)gnn在圖結(jié)構(gòu)數(shù)據(jù)處理上的優(yōu)勢(shì)和cnn在圖像處理上的強(qiáng)大能力，實(shí)現(xiàn)對(duì)虹膜圖像的精確分割和特征提取，能夠有效地學(xué)習(xí)和表示圖結(jié)構(gòu)數(shù)據(jù)中的復(fù)雜關(guān)系，而抗鋸齒cnn則能夠在保持圖像邊緣清晰度的同時(shí)減少鋸齒效應(yīng)，提高特征提取的準(zhǔn)確性。

2、本發(fā)明的提出旨在解決現(xiàn)有吸毒人員檢測(cè)方法中的種種不足，提供一種更為高效、準(zhǔn)確且成本較低的虹膜識(shí)別技術(shù)，為吸毒人員檢測(cè)領(lǐng)域帶來(lái)新的突破。

3、本發(fā)明具體為一種基于圖神經(jīng)網(wǎng)絡(luò)與抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別方法，所述虹膜識(shí)別方法包括以下步驟：

4、s1、實(shí)時(shí)采集目標(biāo)人物虹膜圖像，將采集到的圖像進(jìn)行預(yù)處理，轉(zhuǎn)化灰度圖像、圖像濾波；

5、s2、本發(fā)明利用圖神經(jīng)網(wǎng)絡(luò)gnn將虹膜圖像中的每個(gè)像素視為圖中的節(jié)點(diǎn)，并基于多面知識(shí)構(gòu)建自適應(yīng)邊緣，實(shí)現(xiàn)特征的有效聚合，準(zhǔn)確分割虹膜區(qū)域；

6、s3、分割后對(duì)虹膜圖像使用daugman的線性映射方法歸一化處理；

7、s4、基于抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)cnn的深層特征提取，提取出具有紋理信息的特征向量；上述特征向量通過自適應(yīng)閾值編碼方法進(jìn)行編碼，生成具有更高變異性的二進(jìn)制虹膜代碼，采用k-近鄰算法(knn)進(jìn)行匹配識(shí)別。

8、進(jìn)一步的，步驟s1中圖像預(yù)處理轉(zhuǎn)化灰度圖像、圖像濾波具體為：

9、彩色圖像轉(zhuǎn)化為灰度圖基本公式如下：

10、gray＝0.299×r+0.587×g+0.114×b

11、式中，r、g、b為彩色圖像中rgb三個(gè)顏色通道亮度；其中，圖像去噪處理采用高斯濾波消除噪聲，其計(jì)算公式包括：

12、

13、式中，g(x，y)為高斯核函數(shù)，δ為高斯分布的標(biāo)準(zhǔn)差。

14、進(jìn)一步的，步驟s2中，采用gnn以實(shí)現(xiàn)準(zhǔn)確的虹膜分割，其原理包括：

15、gnn將單個(gè)像素視為圖中的節(jié)點(diǎn)，并根據(jù)多方面的知識(shí)構(gòu)建自適應(yīng)的邊，包括視覺相似性、位置相關(guān)性和語(yǔ)義一致性來(lái)進(jìn)行特征聚合。

16、具體來(lái)說，我們根據(jù)視覺相似度來(lái)學(xué)習(xí)節(jié)點(diǎn)之間的視覺關(guān)系，并使用視覺鄰接矩陣(vam)來(lái)定義這些關(guān)系，vam利用嵌入空間中的余弦相似度來(lái)度量視覺相似度：

17、

18、其中，xi和xj分別表示vi和vj的特征向量。θv是將節(jié)點(diǎn)映射到嵌入空間中的線性投影矩陣。v是vam，vij是v的第i行和第j列中的元素。而空間位置是虹膜分割的另一個(gè)不可忽略的信息。相鄰的節(jié)點(diǎn)比遠(yuǎn)處的節(jié)點(diǎn)更有可能屬于相同的眼部成分。一個(gè)位置鄰接矩陣(pam)給出了節(jié)點(diǎn)間空間信息的相關(guān)性：

19、

20、其中(hi，wi)和(hi，wj)是vi和vj的位置向量。p為pam，pij表示p的第i行和第j列中的元素。同樣的，語(yǔ)義一致性將節(jié)點(diǎn)映射到語(yǔ)義空間，并學(xué)習(xí)偽標(biāo)簽來(lái)基于標(biāo)簽的一致性定義關(guān)系，語(yǔ)義鄰接矩陣(sam)遵循語(yǔ)義一致性來(lái)表示節(jié)點(diǎn)之間的關(guān)系：

21、

22、其中和是vi和vj的偽標(biāo)簽。

23、將vam、pam和sam集成為兩個(gè)基本的聚合模塊，即編碼器塊和解碼器塊。這兩個(gè)塊都利用了傳播規(guī)則聚合節(jié)點(diǎn)并更新其特性。編碼器塊具有豐富的視覺和位置特征，但較少的語(yǔ)義信息，僅利用vam和pam來(lái)最大限度地探索視覺相似性和位置相關(guān)性。在編碼器塊中，傳播過程的總鄰接矩陣可以定義為：

24、aencoder＝softmax(v+p)

25、與編碼器塊相比，解碼器塊集成了所有三個(gè)鄰接矩陣以進(jìn)行特征聚合。它的傳播過程的總鄰接矩陣是vam、pam和sam的組合，記為：

26、adecoder＝softmax(v+p+s)

27、進(jìn)一步的，步驟s3中，分割后對(duì)虹膜圖像使用daugman的線性映射方法歸一化處理，其計(jì)算公式包括：

28、x＝(r-ri)/(r0-ri)*w

29、y＝θ/2π*h

30、其中，x和y是歸一化后的圖像坐標(biāo)，r是原點(diǎn)到虹膜距離，θ是該點(diǎn)與虹膜中心連線相對(duì)于水平線的角，w和h是歸一化后圖像的寬度和高度。

31、進(jìn)一步的，步驟s4中，基于抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)cnn的深層特征提取，提取出具有紋理信息的特征向量。這些特征向量通過自適應(yīng)閾值編碼方法進(jìn)行編碼，生成具有更高變異性的二進(jìn)制虹膜代碼。采用k-近鄰算法(knn)進(jìn)行分類。其步驟如下：

32、具體來(lái)說，特征提取過程使用resnet50作為主干網(wǎng)絡(luò)，其中每一層卷積層都會(huì)輸出一個(gè)特征圖張量(fmt)。這些fmt包含了輸入圖像在不同抽象層次上的表示：

33、f(l)＝σ(k*f(l-1)+b)

34、其中，k表示卷積核，*表示卷積運(yùn)算，b是偏置項(xiàng)，σ是激活函數(shù)，f(l)是fmt。在虹膜識(shí)別系統(tǒng)中，這些fmt被捕獲并存儲(chǔ)起來(lái)，用于后續(xù)的處理。根據(jù)虹膜圖像的屬性，可以生成一個(gè)唯一的掩模。這個(gè)掩模用于從fmt中去除不相關(guān)或噪聲區(qū)域，只保留對(duì)識(shí)別有用的部分。

35、特征向量通過自適應(yīng)閾值編碼方法進(jìn)行編碼，根據(jù)fmt的局部統(tǒng)計(jì)特性動(dòng)態(tài)調(diào)整閾值，將fmt中的每個(gè)元素轉(zhuǎn)換為二進(jìn)制值：

36、

37、其中fi是fmt中的元素，t為閾值。編碼過程將關(guān)注掩模內(nèi)的區(qū)域，對(duì)結(jié)果使用k-近鄰算法(knn)分類：

38、

39、

40、其中，btest是待測(cè)樣本，bi是標(biāo)準(zhǔn)樣本，類別為測(cè)試樣本被分類為k個(gè)近鄰中出現(xiàn)次數(shù)最多的類別。

41、進(jìn)一步的，本發(fā)明還提出一種基于圖神經(jīng)網(wǎng)絡(luò)與抗鋸齒卷積神經(jīng)網(wǎng)絡(luò)的虹膜識(shí)別系統(tǒng)，包括：

42、虹膜采集模塊，用于實(shí)時(shí)采集虹膜圖像并進(jìn)行圖像預(yù)處理；

43、圖像分割模塊，根據(jù)多方面的知識(shí)構(gòu)建自適應(yīng)的邊來(lái)進(jìn)行特征聚合，準(zhǔn)確分割虹膜。

44、虹膜分類模塊，取出具有紋理信息的特征向量。通過自適應(yīng)閾值編碼，采用k-近鄰算法(knn)進(jìn)行分類。

45、與現(xiàn)有技術(shù)相比，有益效果是：

46、(1)本發(fā)明通過結(jié)合gnn和圖像處理中先進(jìn)的抗鋸齒cnn技術(shù)，本發(fā)明能夠更精確地識(shí)別虹膜圖像中的細(xì)微特征，即使在復(fù)雜環(huán)境(如光照變化、眼部遮擋等)下也能保持高識(shí)別準(zhǔn)確率。gnn能夠捕獲虹膜紋理中復(fù)雜的圖結(jié)構(gòu)信息，而抗鋸齒cnn則有效減少了圖像處理過程中的信息損失和失真，從而顯著提升了虹膜識(shí)別的準(zhǔn)確性和魯棒性；

47、(2)本發(fā)明檢測(cè)方式與尿液、血液等需要直接采集樣本的檢測(cè)方法不同，虹膜識(shí)別技術(shù)是一種非接觸式的生物識(shí)別方式。這意味著在檢測(cè)過程中，被檢人員無(wú)需經(jīng)歷任何不適或隱私侵犯，極大地提升了用戶體驗(yàn)。同時(shí)，非接觸式檢測(cè)也減少了交叉感染的風(fēng)險(xiǎn)，更加符合衛(wèi)生和安全要求；

48、(3)本發(fā)明相較于傳統(tǒng)的檢測(cè)方法，如血液檢測(cè)，往往需要復(fù)雜的樣本采集和實(shí)驗(yàn)室分析過程，耗時(shí)較長(zhǎng)且成本較高。而基于gnn與抗鋸齒cnn的虹膜識(shí)別技術(shù)，由于其高效的圖像處理能力和算法優(yōu)化，能夠?qū)崿F(xiàn)快速檢測(cè)。這不僅縮短了檢測(cè)周期，還降低了檢測(cè)成本，使得該技術(shù)更易于推廣和應(yīng)用于各種場(chǎng)景，包括禁毒現(xiàn)場(chǎng)、安全檢查等領(lǐng)域。