一种基于深度学习与DS证据理论的可见光虹膜识别方法

摘要

本发明提供了一种基于深度学习与DS证据理论的可见光虹膜识别方法，针对可见光下采集的虹膜图像噪声种类多以及单特征识别抗噪能力差等问题造成的低识别率低稳定性，本发明提出一种利用卷积神经网络结合支持向量机(SVM)和DS(Shafer‑Dempster)证据理论的多特征融合虹膜识别方法。首先从图像中定位眼睛区域；对定位后的虹膜图像进行预处理；搭建一个七层卷积神经网络；将虹膜图像送入网络进行训练并提取第四卷积层、第五和第六全连接层作为虹膜图像的3类特征；以3类单特征的SVM分类结果构造基本概率指派(BPA),并送入DS证据理论进行融合；根据融合结果及分类判决门限给出最终的识别结果。