1.一种基于小样本学习的虹膜识别方法,其特征在于,具体步骤包括如下:获取虹膜图像,并对所述虹膜图像进行预处理,得到数据集;
在MAML框架下嵌套特征提取网络,构造虹膜图像识别模型;
对构造的所述虹膜识别模型进行训练,获取原模型参数值,利用梯度下降得到期望参数值,并更新原模型参数值;同时对损失函数引入L2正则化;对损失函数引入L2正则化具体步骤如下:引入L2正则化的交叉熵损失函数为:
其中,n为样本数,xf为样本,λ为正则化参数,ω为权重参数,为预测值,yj为真实值;
得到最优虹膜图像识别模型,进行虹膜识别。
2.根据权利要求1所述的一种基于小样本学习的虹膜识别方法,其特征在于,所述预处理的具体步骤包括:根据瞳孔内部的像素值总和以及瞳孔轮廓上点P的梯度与半径是对齐的,其中O是瞳孔的中心,和之间的夹角θP和进行定位;
定位完成对虹膜图像进行分割,并保存分割后的虹膜图像;
进一步,使用Daugman方法进行虹膜图像归一化处理;
获得归一化的虹膜图像后对进行直方均衡化处理,预处理完成。
3.根据权利要求1所述的一种基于小样本学习的虹膜识别方法,其特征在于,所述特征提取网络在MAML内嵌的网络模型的基础上增加2个卷积层,其中每个卷积层为具有32个大小为3×3卷积核,一个批归一化处理单元,一个ReLU激活函数。
4.根据权利要求1所述的一种基于小样本学习的虹膜识别方法,其特征在于,更新原模型参数值具体步骤如下:从给定的分布任务Ti~p(T)中选取组成训练所用的task,其中每个task包含K个类别,每个类别包含N个样本;
利用训练集获得原模型参数θ在Ti上的loss值再利用梯度下降得到期望参数其中α为内循环使用的元训练学习率,此时通过计算来获得它在对应的task上的期望参数θi;
利用所述期望参数θi,更新原模型参数
其中,β为原模型参数θ更新中的学习率。
5.根据权利要求1所述的一种基于小样本学习的虹膜识别方法,其特征在于,引入L2正则化的原模型参数值更新步骤如下:原模型参数θ,fθ为原模型中原模型参数θ的映射,即原模型参数值,新任务ti时,期望参数为θ′i,通过一次或多次的梯度更新计算得到,考虑到加入的L2正则化约束,一次单独的梯度更新计算如下所示:其中,θ为原模型参数,f′θ为期望参数值,通过从分布p(T)中采样的任务训练进行优化,α为内循环使用的元训练学习率,因此元目标表示为:通过使用随机梯度下降,元学习的优化通过任务Ti~p(T)来进行,原模型参数θ如下调整:其中β表示原模型参数θ更新中的学习率,等式(3)代入(5),得到为原模型参数θ在Ti上的loss值,λ为正则化参数。