用于虹膜识别的方法和装置制造方法及图纸

技术编号:19122566 阅读:18 留言:0更新日期:2018-10-10 05:26
本公开内容涉及用于虹膜识别的方法和装置。一个实施例公开了一种用于虹膜识别的方法,包括:获取虹膜图像;将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取该双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算所述两个输出之间的距离;以及根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。本公开还描述了相应的装置以及计算机系统和计算机可读存储介质。

【技术实现步骤摘要】
用于虹膜识别的方法和装置
本专利技术的实施例总体上涉及生物识别领域,并且特别涉及用于虹膜识别的方法和装置。
技术介绍
随着技术的发展,生物识别技术开始逐渐成为热点。生物识别技术具有方便和精准的特点,被越来越多地应用在安全领域。由于虹膜本身具有的独特的结构特征,在生物识别技术中,虹膜识别技术的精准和方便得到了业界普遍的认可,其具有高精度、非侵犯性、简单易用的优势,被广泛应用于银行、机场、电子商务、门禁系统等场景中。在一般情况下,人类的虹膜分布在外侧半径为6mm左右的圆环上。要在如此小的区域上提取信息非常困难。一方面,需要硬件的增强,例如提高摄像头的分辨率,以获得更丰富的纹理信息;另一方面,在硬件条件已经固定的情况下,需要更为精确的特征描述方法。目前,可以利用的虹膜数据库主要有3个:CASIA数据库,MMU数据库,和UBIRIS数据库。这些数据库在采集虹膜图像样本时充分考虑了光照、距离、分辨率等多种印象因素。例如这些数据库中收集了在不同光照条件下,同一目标的同一只眼睛的虹膜图像,以便通过处理减少光照因素对于后期处理的影响。但是,目前的图像处理方法难以充分利用上述数据库,综合考虑各方面的影响,而仅能专注的解决一个影响因素。而实际应用中显然存在多种影响因素,因此,会影响虹膜识别技术的实际使用。
技术实现思路
总体上,本专利技术的实施例提出一种用于虹膜识别的技术方案。在一个方面,本专利技术的实施例提供一种用于虹膜识别的方法。所述方法包括:获取虹膜图像;将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算所述两个输出之间的距离;以及根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。在另一方面,本专利技术的实施例提供一种用于虹膜识别的装置。所述装置包括:获取模块,被配置为获取虹膜图像;输入模块,被配置为将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算模块,被配置为计算所述两个输出之间的距离;以及判断模块,被配置为根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。在又一方面,本专利技术的实施例提供一种用于虹膜识别的计算机系统。该计算机系统包括:一个或多个处理器;一个或多个计算机可读介质;存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括:用于获取虹膜图像的计算机程序指令;用于将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间的相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出的计算机程序指令;用于计算所述两个输出之间的距离的计算机程序指令;以及用于根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断的计算机程序指令。在再一方面,本专利技术的实施例提供一种计算机可读的存储介质。该计算机可读存储介质上存储有至少一个可执行的计算机程序指令,所述计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。根据本专利技术的实施例,可以通过尽量的减少各因素的干扰,提高相似度判别的精度,从而提高虹膜识别的精度。附图说明通过结合附图对本专利技术示例性实施方式进行更详细的描述,本专利技术的上述以及其它目的、特征和优势将变得更加明显,其中:图1示出了适于用来实现本专利技术实施例的环境;图2示出了适于用来实现本专利技术实施例的另一环境;图3示出了根据本专利技术实施例的一种用于虹膜识别的方法的示意性流程图;图4示出了根据本专利技术实施例的一种获取虹膜图像的方法的示意性流程图;图5示出了根据本专利技术实施例的一种对虹膜外边界进行界定的方法的示意性流程图;图6示出了根据本专利技术实施例的一种用于训练双流深度网络的方法的示意性流程图;图7示出了根据本专利技术实施例的一种用于虹膜识别的方法的示意性流程图;以及图8示出了根据本专利技术实施例的一种用于虹膜识别的装置的示意性的结构框图。在附图中,相同或相似的标号被用来表示相同或相似的元素。具体实施方式下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,本专利技术还可以以其他各种形式实现而不应限制在下面描述的具体的实施方式。在此提供这些具体的实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。图1示出了适于用来实现本专利技术实施方式的示例性环境的方框图。该环境可以是一个具有简单计算能力的终端100,也可以是具有复杂计算能力的节点100。该环境例如包括计算机可读介质101。这些介质例如可以是易失性和非易失性介质,也可以是可移动的和不可移动的介质,只要能够具有计算能力的节点访问即可。该环境例如还可以包括一个或多个程序模块103,这些程序模块通常用于执行本专利技术所述描述的实施例中的功能和/或方法。该环境例如还可以包括一个或多个具有计算能力的模块105。该环境可以独立执行本专利技术实施方式中所描述的方法和/或功能个,也可以与外部设备107通信以协作完成相应的方法和/或功能。当然,本领域技术人员可以理解,该终端100或计算节点100例如可以是服务器或者计算机,也可以是智能终端,例如电子锁、智能手机、智能平板等,本专利技术并不加以限制。图2示出了适于用来实现本专利技术实施方式的示例性环境的方框图。该环境包括终端201和计算节点203。该环境例如可以是一个云环境,此时计算节点203例如为云服务器。该环境例如还可以是其他通信系统,此时计算节点203例如为具有计算能力的移动终端,例如智能手机、智能平板、个人计算机等。下面将具体描述本专利技术实施例的机制和原理。除非特别声明,在下文和权利要求中使用的术语“基于”表示“至少部分地基于”。术语“包括”表示开放性包括,即“包括但不限于”。术语“多个”表示“两个或更多”。术语“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。其他术语的定义将在下文描述中给出。图3示出了根据本专利技术的一个示例性实施例的用于虹膜识别的方法300的示意性流程图。下面结合图3详细描述方法300中包括的各步骤。方法300始于步骤301,获取虹膜图像。本领域技术人员可以理解,这里获取虹膜图像例如可以是获取采集的虹膜图像,也可以是获取经过处理后的采集的虹膜图像,本专利技术并不加以限制。在本专利技术另一实施例中,参照图4,示出了一种获取虹膜图像的方法400。方法400始于步骤401,对瞳孔边界进行界定。在本专利技术中并不限定对于瞳孔边界进行界定的具体方式。在本专利技术另一实施例中,示例性的给出一种界定瞳孔边界的方法。该界定瞳孔边界的方法包括:对采样图像进行降噪处理;再对降噪后的图像进行边界检测,得到瞳孔边界。可以理解,通过对采样图像进行降噪处理可以减少干扰因素的影响。随后对于降噪后的图像进行边界检测会使得边界检测更为准确。目前存在很多具体的降噪技术,例如维纳滤波、小波滤波、稀疏学习、BM3D算法等。本专利技术另一实施例中,提供了一种降噪处理的具体方法,该方法包括:对采样图像进行中值滤波;对滤波后的图像进行阈值化操作;以及对阈值化后的图像进行形态学操作。通过本文档来自技高网...
用于虹膜识别的方法和装置

【技术保护点】
1.一种用于虹膜识别的方法,所述方法包括:获取虹膜图像;将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算所述两个输出之间的距离;以及根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。

【技术特征摘要】
2017.03.18 CN 201710164552X1.一种用于虹膜识别的方法,所述方法包括:获取虹膜图像;将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算所述两个输出之间的距离;以及根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。2.根据权利要求1所述的方法,其中,所述双流深度网络为权值共享的双流深度网络。3.根据权利要求1所述的方法,其中,所述双流深度网络为Siamese双流深度网络。4.根据权利要求1所述的方法,其中,所述获取虹膜图像包括:对瞳孔边界进行界定;对虹膜外边界进行界定;将所述瞳孔边界作为所述虹膜图像的内边界,将所述虹膜外边界作为所述虹膜图像的外边界,得到所述虹膜图像。5.根据权利要求4所述的方法,其中,所述对瞳孔边界进行界定包括:对采样图像进行降噪处理;对降噪后的图像进行边界检测,得到瞳孔边界。6.根据权利要求5所述的方法,其中,所述降噪处理至少包括以下之一:进行中值滤波;进行阈值化操作;进行形态学操作。7.根据权利要求5所述的方法,其中,所述降噪处理包括:对所述采样图像进行中值滤波;对滤波后的图像进行阈值化操作;以及对阈值化后的图像进行形态学操作。8.根据权利要求5所述的方法,其中,所述对降噪后的图像进行边界检测,得到瞳孔边界,包括:利用霍夫变换在设定半径内搜索最匹配的圆作为所述瞳孔边界。9.根据权利要求4所述的方法,其中,所述对虹膜外边界进行界定,包括:以瞳孔圆心为中心截取一图像块,所述图像块包括虹膜外边界;对所述图像块进行边缘检测;利用霍夫变换在设定半径内搜索响应最大的圆作为虹膜边界。10.根据权利要求9所述的方法,其中,所述对虹膜外边界进行界定,进一步包括:在对所述图像块进行边缘检测后,增强该图像块的对比度;所述利用霍夫变换在设定半径内搜索响应最大的圆作为虹膜边界包括:对于对比度增强后的图像块,利用霍夫变换在设定半径内搜索响应最大的圆作为虹膜边界。11.根据权利要求1所述的方法,其中,所述获取虹膜图像,包括:截取虹膜图像左侧部分和右侧部分中的至少一个;将截取的虹膜图像展开为矩形;将所述矩形作为获取的虹膜图像。12.根据权利要求1所述的方法,其中,所述方法进一步包括训练所述双流深度网络,所述训练所述双流深度网络包括:将样本对输入双流深度网络以得到所述双流深度网络对所述样本对处理后的两个输出;计算所述两个输出之间的距离;优化所述双流深度网络使得:响应于所述样本对为正样本对,所述距离不大于第一阈值,其中,所述正样本对中的两个样本属于同一眼睛;以及响应于所述样本对为负样本对,所述距离不小于第二阈值,其中,所述负样本对中的两个样本属于不同眼睛;其中,所述第一阈值和所述第二阈值满足以下之一:第一阈值小于第二阈值;第一阈值等于第二阈值。13.根据权利要求12所述的方法,其中,所述优化所述双流深度网络包括:采用反向传播算法优化所述双流深度网络。14.根据权利要求12所述的方法,其中,所述优化所述双流深度网络包括:计算每个样本对的损失,并使得所述双流深度网路ode总损失最小,其中计算损失的损失函数采用最大边约束。15.根据权利要求12所述的方法,其中,所述样本对来自训练样本集;所述方法进一步包括获取训练样本集,所述获取训练样本集包括:对已有图像进行小角度旋转,得到增强后的图像集合;将来自同一眼睛的第一图像和第二图像组成正样本对;将来自不同眼睛的第三图像和第四图像组成负样本对;其中,所述第一图像、所述第二图像、所述第三图像和所述第四图像都来自于所述增强后的图像集合。16.根据权利要求15所述的方法,其中,所述方法进一步包括:从增强后的图像集合中进行随机采样得到所述第一图像、所述第二图像、所述第三图像和所述第四图像以使得正样本对和负样本对的数量平衡。17.根据权利要求12所述的方法,其中,所述方法进一步包括获取所述样本对中的样本,所述获取所述样本对中的样本,包括:对瞳孔边界进行界定;对虹膜外边界进行界定;将所述瞳孔边界作为所述样本的内边界,将所述虹膜外边界作为所述样本的外边界,得到所述样本。18.根据权利要求17所述的方法,其中,所述对瞳孔边界进行界定包括:对采样图像进行降噪处理;对降噪后的图像进行边界检测,得到瞳孔边界。19.根据权利要求17所述的方法,其中,所述对虹膜外边界进行界定,包括:以瞳孔圆心为中心截取一图像块,所述图像块包括虹膜外边界;对所述图像块进行边缘检测;利用霍夫变换在设定半径内搜索响应最大的圆作为虹膜边界。20.根据权利要求1所述的方法,其中,根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断,包括以下至少之一:响应于所述距离小于第三阈值,确定所述虹膜图像与所述目标虹膜图像相似;响应于所述距离大于第三阈值,确定所述虹膜图像与所述目标虹膜图像不相似。21.一种用于虹膜识别的装置,所述装置包括:获取模块,被配置为获取虹膜图像;输入模块,被配置为将获取的虹膜图像和目标虹膜图像输入经过训练以学习输入之间相似度的双流深度网络,以获取所述双流深度网络对所述获取的虹膜图像和所述目标虹膜图像处理后的两个输出;计算模块,被配置为计算所述两个输出之间的距离;以及判断模块,被配置为根据所述距离进行所述虹膜图像和所述目标虹膜图像的相似度判断。22.根据权利要求21所述的装置,其中,所述双流深度网络为权值共享的双流深度网络。2...

【专利技术属性】
技术研发人员:黄欢赵刚
申请(专利权)人:上海荆虹电子科技有限公司
类型:发明
国别省市:上海,31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1