虹膜静默活体检测方法、装置、可读存储介质及设备制造方法及图纸

本发明专利技术公开了一种虹膜静默活体检测方法、装置、可读存储介质及设备，属于虹膜识别领域。该方法包括：获取虹膜图像并进行预处理；使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测CNN。本发明专利技术在用户无感知的情况下进行虹膜活体检测，具有准确率高、效率高和用户友好等优点，可以被广泛使用和推广。

【技术实现步骤摘要】
虹膜静默活体检测方法、装置、可读存储介质及设备
本专利技术涉及虹膜识别领域，特别是指一种虹膜静默活体检测方法、装置、可读存储介质及设备。
技术介绍
近年来，指纹、人脸、虹膜等基于生物特征识别的身份识别技术和产品，越来越被广大消费者所认知和接受，市场应用也日趋广泛。但这些技术的输入是由采集仪采集的相应人体部位的图像，都存在假体攻击的安全隐患。所以，研究评判采集图像是否来自真实活体对象的生物特征防伪技术至关重要。虹膜识别以虹膜唯一、稳定和不可更改的特性，被公认是最可靠和安全的生物特征识别之一。随着市场需求的演变，虹膜采集条件越来越开放，特别是手机虹膜的应用，使得虹膜图像质量得不到稳定把控，也使得假体虹膜更容易绕过传统虹膜防伪算法。目前，虹膜识别系统的防伪技术面临的主要威胁有以下几类：1、眼睛图像：移动设备显示屏显示的虹膜照片和视频，打印纸打印的虹膜照片等。2、打印有虹膜纹理的隐形眼镜和美瞳等。对于移动设备显示屏在采集仪镜头前播放照片和视频的造假手段，由于虹膜采集设备需配有近红外补光灯，而电子屏幕在近红外补光灯下的成像是暗黑色，不能有效的显示播放的虹膜照片或视频，所以能够先天性的解决该类攻击威胁。因此，市场上最为常见的最为容易伪造的攻击手段是打印纸打印的虹膜照片和打印有虹膜纹理的隐形眼镜。目前，虹膜识别防伪技术主要有以下四类：1、基于虹膜震颤的防伪技术：虹膜神经系统会发生无意识的震颤，通过检测这种震颤，可以判断是否为活体。该方法需要一段时间间隔内检测非常细微的虹膜震颤变化，对虹膜图像质量要求极高，需要高精摄像头，且容易因头部晃动造成误判。2、依赖用户配合的防伪技术，该技术分为被动配合和主动配合两种。被动配合：硬件设备设计不同光照强度或不同波长的光照，促使用户虹膜瞳孔缩放，通过检测瞳孔缩放和虹膜形成的光斑大小变化判断是否为活体。主动配合：系统随机给出事先定义的视线轨迹，提示用户按照该轨迹转动虹膜，检测实际视线轨迹与系统给定轨迹重合度，判断是否为活体。该方法中的被动配合需要额外硬件支持，很难做到标准化，且容易受到环境的影响(自然光照强度、镜片反光等)，同时通过对打印虹膜纸张折叠、晃动都能制造虹膜和光斑大小变化的假象。主动配合的方法对用户很不友好，一般需要较长时间采集，另外掌握技巧，也能使用打印虹膜模拟视线轨迹。3、傅里叶频谱分析法：使用傅里叶变换，将虹膜图像转换至频域分析，按照频谱分布，判别是否为活体。该方法容易受到模糊的影响，高清活体虹膜图像和模糊采集的假体虹膜图像的频谱分布很难区分。4、设计检测活体虹膜与假体虹膜图像特征的提取器，按照特征分类是否为活体。该方法为比较常用的防伪方法，一般的做法是按照先验知识，人工设计纹理特征，如LBP、Gabor特征，使用机器学习方法，一般为SVM，训练真实虹膜和假体虹膜图像分类器。而人工设计特征，受制于设计者的先验知识，并且需要反复实验和调整，找到有效的人工特征，这需要耗费很长时间。虹膜图像的呈现和质量与虹膜采集设备绑定，人工设计的特征往往在某些特定条件和设备上采集的图像好用，改变了条件或者采集设备，准确率会迅速下降，泛化性能极弱。
技术实现思路
为解决上述技术问题，本专利技术提供一种虹膜静默活体检测方法、装置、可读存储介质及设备，本专利技术在用户无感知的情况下进行虹膜活体检测，具有准确率高、效率高和用户友好等优点，可以被广泛使用和推广。本专利技术提供技术方案如下：第一方面，本专利技术提供一种虹膜静默活体检测方法，所述方法包括：获取虹膜图像并进行预处理；使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测CNN。进一步的，所述虹膜分类CNN通过如下方法训练得到：获取训练样本集，所述训练样本集包括多个训练样本；按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第N模糊等级，其中从第一模糊等级到第N模糊等级，训练样本拍摄时与焦点的距离逐渐变远；将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级；使用训练样本集训练虹膜分类CNN。进一步的，所述虹膜分类CNN包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层；N＝3时，所述使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级，包括：虹膜图像经过虹膜分类CNN的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征；在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0；在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0；将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。进一步的，所述活体检测CNN通过如下方法训练得到：分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测CNN。进一步的，所述活体检测CNN包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层；所述使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果，包括：虹膜图像经过活体检测CNN的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征；在分类层使用活体特征构造活体分值，判断活体分值是否大于该活体检测CNN的活体阈值，若是，活体检测结果为通过，否则，活体检测结果为不通过。第二方面，本专利技术提供一种与第一方面的虹膜静默活体检测方法对应的虹膜静默活体检测装置，所述装置包括：获取模块，用于获取虹膜图像并进行预处理；分级模块，用于使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；检活模块，用于使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测CNN。进一步的，所述虹膜分类CNN通过如下模块训练得到：样本集获取模块，用于获取训练样本集，所述训练样本集包括多个训练样本；第一分级模块，用于按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第N模糊等级，其中从第一模糊等级到第N模糊等级，训练样本拍摄时与焦点的距离逐渐变远；第二分级模块，用于将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级；第一训练模块，用于使用训练样本集训练虹本文档来自技高网...

【技术保护点】
1.一种虹膜静默活体检测方法，其特征在于，所述方法包括：/n获取虹膜图像并进行预处理；/n使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；/n使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测CNN。/n

【技术特征摘要】
1.一种虹膜静默活体检测方法，其特征在于，所述方法包括：
获取虹膜图像并进行预处理；
使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；
使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测CNN。


2.根据权利要求1所述的虹膜静默活体检测方法，其特征在于，所述虹膜分类CNN通过如下方法训练得到：
获取训练样本集，所述训练样本集包括多个训练样本；
按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第N模糊等级，其中从第一模糊等级到第N模糊等级，训练样本拍摄时与焦点的距离逐渐变远；
将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级；
使用训练样本集训练虹膜分类CNN。


3.根据权利要求2所述的虹膜静默活体检测方法，其特征在于，所述虹膜分类CNN包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层；
N＝3时，所述使用虹膜分类CNN，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级，包括：
虹膜图像经过虹膜分类CNN的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征；
在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0；
在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0；
将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。


4.根据权利要求1-3任一所述的虹膜静默活体检测方法，其特征在于，所述活体检测CNN通过如下方法训练得到：
分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测CNN。


5.根据权利要求4所述的虹膜静默活体检测方法，其特征在于，所述活体检测CNN包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层；
所述使用与虹膜图像分类到的模糊等级对应的活体检测CNN对虹膜图像进行活体检测，得到活体检测结果，包括：
虹膜图像经过活体检测CNN的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征；
在分类层使用活体特征构造活体分值，判断活体分值是否大于该活...

【专利技术属性】
技术研发人员：周军，王洪，
申请(专利权)人：北京眼神智能科技有限公司，北京眼神科技有限公司，
类型：发明
国别省市：北京;11