虹膜识别方法及装置制造方法及图纸

本发明专利技术适用于图像识别技术领域，提供了一种虹膜识别方法及装置，该方法包括：获取用户的虹膜图像；通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。上述方法在虹膜图像中的虹膜区域定位上均通过两个以上的卷积神经网络模型分阶段进行，与现有技术相比，采用深度学习的方式，得到的深度特征能够组合较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。

Iris recognition method and apparatus

The invention is applicable to the field of image recognition technology, and provides a device for iris recognition method, the method includes: iris image capture of the user; through the convolution neural network model is more than two of the iris the iris image in the stages of image positioning; the iris feature extraction, and can be identified according to the extracted features. The method in the iris image of iris localization through both convolutional neural network model more than two stages, compared with the prior art, the deep learning way, can get depth characteristics of local information combination more, stronger performance of iris image, which can improve the accuracy of iris recognition. Reduce the misjudgment rate.

【技术实现步骤摘要】
虹膜识别方法及装置
本专利技术属于图像识别
，尤其涉及一种虹膜识别方法及装置。
技术介绍
虹膜识别方法通常使用在提取生物识别眼部特征设备以及具有程序的存储介质，它能通过提取虹膜图像和特征，来确定和验证对象身份，广泛应用在各类安防设备、移动设备等高安防需求系统和设备中。传统的虹膜采集技术通常使用图像传感器捕捉高质量的虹膜图像，并采用边缘检测方法，提取瞳孔边缘区域，计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量来识别虹膜。或者根据采集对象进行采集，以获取虹膜图像；识别预存的虹膜信息中是否有与采集到的虹膜图像中携带的虹膜信息相匹配的目标虹膜信息，以及基于采集到的虹膜图像中的瞳孔的原始半径，判断采集到的虹膜图像是否为真实虹膜图像。在实现本专利技术的过程中，专利技术人发现现有技术中至少存在以下问题：虹膜区域是利用瞳孔中心的假定圆来确定，所以依照假定的圆的图形，可能只有部分瞳孔包含在研究图像中。并且图形容易受外界光线变化干扰，角度不同也会造成虹膜的不同，影响到虹膜匹配时的精度。
技术实现思路
有鉴于此，本专利技术实施例提供了一种虹膜识别方法及装置，以解决现有技术中虹膜匹配精度较低的问题。第一方面，提供了一种虹膜识别方法，包括：获取用户的虹膜图像；通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。第二方面，提供了一种虹膜识别装置，包括图像获取模块、虹膜区域定位模块和特征提取识别模块；所述图像获取模块，用于获取用户的虹膜图像；所述虹膜区域定位模块，用于通过两个以上的卷积神经网络模型对所述图像获取模块获取到的虹膜图像中的虹膜区域分阶段进行定位；所述特征提取识别模块，用于对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。本专利技术实施例相对现有技术的有益效果：本专利技术实施例在虹膜图像中的虹膜区域定位上均通过两个以上的卷积神经网络模型分阶段进行，与现有技术相比，采用深度学习的方式，得到的深度特征能够组合较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的虹膜识别方法流程示意图；图2是本专利技术实施例提供的使用采集器获取到的虹膜图像；图3是本专利技术实施例提供的眼睛示意图；图4是采用卷及神经网络模型对图2进行定位后的图像；图5是本专利技术实施例提供的图1中步骤S102的具体流程示意图；图6是本专利技术实施例提供的虹膜识别方法的另一流程示意图；图7是对图4进行几何归一化处理后的图像；图8是对图7进行灰度归一化处理后的图像；图9是本专利技术实施例提供的虹膜识别装置的结构框架图；图10是本专利技术实施例提供的虹膜识别装置中虹膜区域定位模型的结构框架图；图11是本专利技术实施例提供的虹膜识别装置中虹膜区域定位模型的另一种结构框架图；图12是本专利技术实施例提供的虹膜识别装置的另一种结构框架图；图13是本专利技术实施例提供的虹膜识别装置的又一种结构框架图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一：图1示出了本专利技术实施例一提供的虹膜识别方法的实现流程，详述如下：在步骤S101中，获取用户的虹膜图像。本步骤中，可以通过图像采集器获取用户的虹膜图像。例如，通过图像传感器获取用户的虹膜图像，如图2所示。其中，通过图像采集器获取到的虹膜图像内容中会包含虹膜区域图像和虹膜区域图像周围的图像。可以理解的，本专利技术实施例是要对虹膜进行识别，因此需要将虹膜区域图像周围的图像去除，即对虹膜图像中的虹膜区域进行标定。通过图像采集器获取用户的虹膜图像可以通过本领域技术人员所熟知的技术实现，故在此不再详述。另外，图3为眼睛10的示意图。按图3所示，虹膜11为阴影部分区域，瞳孔12为黑色圆形区域，标号13所指区域为眼睑。其中，虹膜11呈圆环形。在步骤S102中，通过两个以上的卷积神经网络模型对虹膜图像中的虹膜区域分阶段进行定位。本步骤中通过两个以上的卷积神经网络模型对虹膜图像中的虹膜区域分阶段进行定位，如图4所示。参见图5，步骤S102的具体实现流程如下：在步骤S201中，采用第一卷积神经网络模型对虹膜图像进行扫描，生成虹膜区域候选区。本步骤中，第一卷及神经网络模型可以为浅层CNN(ConvolutionalNeuralNetwork,卷积神经网络)模型。即采用浅层CNN模型对步骤S101中获取到的虹膜图像进行快速扫描，生成虹膜区域候选区。作为一种可实施方式，第一卷积神经网络模型可以包括三个卷积层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是10，其中，通道数N表示卷积层的宽度。三个卷积层的卷积核均是3*3。卷积步长为1个像素，且用0填充度和高1个像素的边界。三个并行的全连层输出的神经元数量C分别为C1、C2和C3。其中，C1可以取值为2，C2可以取值为4，C3可以取值为10。优选的，第一个卷积层和第二个卷积层之间具有Maxpool层，即最大池化层。Maxpool层的采样滑动窗口为a1*a1，步长为a1。其中，a1可以取值为2。优选的，在第一卷积神经网络模型中，前三个卷积层之后都设置有激活函数ReLU(RectifiedLinearUnit，线性修正单元)。ReLU的计算公式是f(x)＝max(0,x)。ReLU是非饱和非线性的函数，比常用的激活函数sigmoid与tanh在训练中更容易收敛。另外，在后三个并行的卷积层之间也可以设置有激活函数ReLU。本实施例中，三个卷积层参数依次为conv-(3→10，3*3)，conv-(10→16，3*3)，conv-(16→32，3*3)。另外，第一卷积神经网络模型在签署三个卷积层之后，还可以包括三个并行的卷积层。三个并行的卷积层依次为conv-(32→2，1*1)，conv-(32→4，1*1)，conv-(32→10，1*1)。Maxpool层为Maxpool(3*3，2，2)。在步骤S202中，采用第二卷积神经网络模型对虹膜区域候选区中的区域进行验证，删除虹膜区域候选区中的误选区域。本步骤中，采用第二卷积神经网络模型对步骤S201中得到的虹膜区域候选区进行验证，删除虹膜区域候选区中的误选区域，对虹膜区域候选区进行提纯。作为一种可实施方式，第二卷积神经网络模型可以包括三个卷积层和三个并行的全连层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是28，其中，通道数N表示卷积层的宽度。三个卷积层的卷积核按照出现顺序依次为3*3、3*3和2*2。卷积步本文档来自技高网...

【技术保护点】
一种虹膜识别方法，其特征在于，包括：获取用户的虹膜图像；通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

【技术特征摘要】
1.一种虹膜识别方法，其特征在于，包括：获取用户的虹膜图像；通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。2.根据权利要求1所述的虹膜识别方法，其特征在于，所述通过两个以上的卷积神经网络对所述虹膜图像中的虹膜区域分阶段进行定位包括：采用第一卷积神经网络模型对所述虹膜图像进行扫描，生成虹膜区域候选区；采用第二卷积神经网络模型对所述虹膜区域候选区中的区域进行验证，删除所述虹膜区域候选区中的误选区域；输出虹膜区域的位置坐标。3.根据权利要求2所述的虹膜识别方法，其特征在于，在所述输出虹膜区域的位置坐标之前还包括：采用第三卷积神经网络模型对经过所述第二卷积神经网络模型处理后的虹膜区域候选区中的区域进行再次验证，删除所述虹膜区域候选区中的误选区域。4.根据权利要求1所述的虹膜识别方法，其特征在于，所述对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别具体为：采用第四卷积神经网络模型对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。5.根据权利要求1或4所述的虹膜识别方法，其特征在于，在所述对所述虹膜区域的图像进行特征提取之前，还包括：采用极坐标变换的方法，将定位所得的所述虹膜区域的图像进行几何归一化处理，转换成预设大小的矩形区域图像。6.根据权利要求5所述的虹膜识别方法，其特征在于，在所述对所述虹膜区域的图像进行特征提取之前，还包括：对所述矩形区域图像进行灰度归一化处理。7.一种虹膜识别装置，其特征在于，包括图像获取模块、虹膜区域定位模块和特征提取识别模块；所述图像获取模块，用于获取用户的虹膜图像；所述虹膜区域定位模块，用于通过两个以上的卷积神经网络模型对所述图像获取模块获取到的虹膜图像中的虹膜区域分阶段进行定位；...

【专利技术属性】
技术研发人员：陈书楷，朱思霖，
申请(专利权)人：厦门中控生物识别信息技术有限公司，
类型：发明
国别省市：福建,35