CN101833646A - 一种虹膜活体检测方法 - Google Patents

一种虹膜活体检测方法 Download PDF

Info

Publication number
CN101833646A
CN101833646A CN200910079803A CN200910079803A CN101833646A CN 101833646 A CN101833646 A CN 101833646A CN 200910079803 A CN200910079803 A CN 200910079803A CN 200910079803 A CN200910079803 A CN 200910079803A CN 101833646 A CN101833646 A CN 101833646A
Authority
CN
China
Prior art keywords
iris
image
iris image
living
local binary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN200910079803A
Other languages
English (en)
Other versions
CN101833646B (zh
Inventor
谭铁牛
孙哲南
何召锋
韦卓识
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongkehongba Tech Co., Ltd., Beijing
Original Assignee
Shenyang Institute of Automation of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN200910079803XA priority Critical patent/CN101833646B/zh
Publication of CN101833646A publication Critical patent/CN101833646A/zh
Application granted granted Critical
Publication of CN101833646B publication Critical patent/CN101833646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明是一种虹膜活体检测方法,包括:步骤S1:对训练图像库中的活体虹膜图像和人工伪造物虹膜图像进行预处理,在得到的感兴趣区域上进行多尺度的局部二值模式特征抽取,并利用自适应增强学习算法对得到的候选特征进行优选,同时构建用于虹膜活体检测的分类器;步骤S2:对任意输入的测试虹膜图像进行预处理,在得到的感兴趣区域上计算优选的局部二元模式特征,将计算得到的特征值输入到步骤S1学习得到的虹膜活体检测分类器中,并根据分类器输出结果判断该测试图像是否来自活体虹膜。本发明能够有效地对虹膜图像进行防伪检测和报警,降低虹膜识别错误率本发明可广泛用于使用虹膜识别进行身份识别和安全性防范的诸多应用系统中。

Description

一种虹膜活体检测方法
技术领域
[0001] 本发明涉及数字图像处理、模式识别和统计学习等技术领域,特别是一种基于局 部二元模式特征和自适应增强学习算法的虹膜活体检测方法。
背景技术
[0002] 虹膜识别通过分析不同虹膜之间的纹理差异对人的身份进行识别和认证,具有唯 一性高、稳定性强、非侵犯性等优点,已被成功地应用于机场、海关、银行等场合的身份鉴 定。然而,随着普及程度的逐渐提高,虹膜识别系统也面临着各种人工伪造技术的威胁和攻 击。目前,常见的人工伪造虹膜纹理技术包括:纸质打印虹膜、带有虹膜花纹的玻璃或塑料 眼球、虹膜采集的视频回放以及印有彩色花纹的隐形眼镜等。如果虹膜识别系统不能准确 地对这些伪造虹膜数据进行检测和报警,将对授权用户造成巨大的潜在损失。
[0003] 目前国内外用于虹膜活体检测的方法并不多。英国剑桥大学的Daugman(U. S. Pat. No. 5291560)提出使用虹膜图像的频谱特性进行虹膜活体检测,但是该方法仅对纸质打印 伪造虹膜的检测有效。上海交通大学的史鹏飞等(CN 101059837A)提出使用灰度共生矩 阵的对比度及角度二阶矩特征进行虹膜活体检测,但是该方法主要针对彩色隐形眼镜的检 测。
[0004] 综上所述,现有的虹膜活体检测算法仍有改进的空间,如何快速有效地实现虹膜 识别系统中的虹膜活体检测仍然是一个亟待解决的难题。
发明内容
[0005](一)要解决的技术问题
[0006] 本发明的目的是针对上述现有技术中存在的问题,提供一种快速有效的虹膜活体 检测方法。
[0007] ( 二 )技术方案
[0008] 为了实现上述目的,本发明基于局部二元模式特征和自适应增强学习算法的虹膜 活体检测方法包括步骤:
[0009] 步骤Sl :收集和构建含有虹膜图像的训练图像库,对训练图像库中的虹膜图像进 行预处理,得到训练图像库中的虹膜图像的感兴趣区域;利用多尺度的局部二元模式算子 对训练图像库中的虹膜图像的感兴趣区域进行特征抽取;利用自适应增强学习算法优选得 到分类能力最强的局部二元模式特征,同时构建用于虹膜活体检测的分类器;
[0010] 步骤S2 :对任意输入的测试虹膜图像进行预处理,得到测试虹膜图像的感兴趣区 域,在该测试虹膜图像的感兴趣区域上抽取优选得到的局部二值模式特征,并利用训练得 到的虹膜活体检测分类器判断该输入的测试虹膜图像是否来自活体虹膜。
[0011] 优选地,所述步骤Si,即虹膜活体检测分类器的构建包括如下步骤:
[0012] 步骤Sll :收集和构建包含活体虹膜图像和人工伪造物虹膜图像的训练图像库, 将活体虹膜图像作为正训练样本,将人工伪造物虹膜图像作为负训练样本,并对训练图像库中的活体虹膜图像和人工伪造物虹膜图像进行预处理,得到训练图像库中的活体虹膜图 像和人工伪造物虹膜图像的感兴趣区域;
[0013] 步骤S12 :对所述训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣 区域进行归一化,将训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣区域从 直角坐标系转换到极坐标系,得到训练图像库中的活体虹膜图像和人工伪造物虹膜图像在 极坐标系下的虹膜图像;沿着训练图像库中的活体虹膜图像和人工伪造物虹膜图像在极坐 标系下的虹膜图像的水平和竖直方向将极坐标系下的虹膜图像划分成多个子区域;
[0014] 步骤S13 :用多尺度的局部二元模式算子在所述子区域上进行滤波,计算子区域 上每个像素的局部二元模式算子特征码,并统计该子区域上每个局部二元模式算子特征码 的出现概率,该概率值作为一个候选的局部二元模式特征用于虹膜活体检测;
[0015] 步骤S14 :利用自适应增强学习算法从所述局部二元模式特征候选集合中优选出 分类能力最强的局部二元模式特征,并根据该局部二元模式特征在训练集上的分布情况构 建虹膜活体检测分类器。 [0016] 优选地,所述预处理是对任意输入的三类虹膜图像进行预处理,三类虹膜图像包 括测试虹膜图像、活体虹膜图像和人工伪造物虹膜图像,首先使用圆模型定位所述的三类 虹膜图像中虹膜内外圆边界的圆心和半径;以瞳孔圆心为原点将所述的三类虹膜图像从直 角坐标系变换到极坐标系;在极坐标系下将所述的三类虹膜图像缩放到统一的大小,实现 所述的三类虹膜图像的归一化;然后截取虹膜圆环中排除了上面90度和下面90度范围的 区域作为感兴趣区域。
[0017] 优选地,所述的自适应增强学习算法在统计每个候选局部二元模式特征Φ在正 负训练集上的分布密度。和时,使用高斯核密度估计算法对所得密度分布进行 平滑和优化,其中,高斯核密度估计的计算公式如下:
[0018] V^expj-15"V' ^
φ Κ } Νχ^(2πσ2)υ2 Ρ\ 2σ2 J η , 、 1 $ 1 ί I2I
[0019] ^^^S^rexpj-L^l
[0020] 其中σ表示所选的高斯核的方差,N1,N2表示训练数据库中正负训练图像的数目, s表示候选局部二元模式特征Φ的特征值,Sn表示第η个正样本或负样本在特征Φ的取值。
[0021] 优选地,所述步骤S2,即测试虹膜图像的活体检测步骤包括:
[0022] 步骤S21 :对任意输入的测试虹膜图像进行预处理,得到该测试虹膜图像的感兴 趣区域;
[0023] 步骤S22 :对所述测试虹膜图像的感兴趣区域进行归一化,将测试虹膜图像的感 兴趣区域从直角坐标系转换到极坐标系,得到极坐标系下的测试虹膜图像;沿着极坐标系 下的测试虹膜图像的水平和竖直方向将极坐标系下的测试虹膜图像划分成多个子区域;
[0024] 步骤S23 :计算优选出的局部二元模式特征在输入的测试虹膜图像对应子区域上 的特征值;
[0025] 步骤S24 :将特征值输入到训练学习到的分类器中,根据分类器输出结果判断该测试虹膜图像是否是活体虹膜图像,并在不是活体虹膜图像时,给出报警信号。
[0026] 优选地,所述特征值的计算包括:在优选得到的子区域中的每个像素上计算优选 得到的局部二元模式算子的特征码,并统计该二元模式算子特征码在该子区域上的出现概 率作为该局部二元模式特征的特征值。
[0027](三)有益效果
[0028] 本发明提出一种基于局部二元模式特征和自适应增强学习算法的虹膜活体检测 方法。本发明所述方法对于提高虹膜识别系统的精确性和安全性具有重要的意义,其主要 优点如下:
[0029] 1.本发明充分利用了活体虹膜图像和伪造虹膜图像在纹理表象上的差异,可以广 泛的适用于多种伪造虹膜的检测和报警,极大地提高了虹膜识别系统的安全性。
[0030] 2.本发明充分利用虹膜图像的纹理分布特征,如角度方向上的自相似性、半径方 向的延展性等,将虹膜感兴趣区域沿着虹膜的半径和角度方向划分成不同的子区域,并在 每个子区域上抽取不同尺度的局部二元模式特征,同时利用自适应增强学习算法选择那些 最具分类能力的候选特征用于虹膜活体检测分类器的设计,大大提高了虹膜活体检测算法 的精确性。
[0031] 3.本发明采用的局部二元模式特征计算速度快,可以实时地对虹膜图像进行活体 检测。
[0032] 4.本发明提出的基于局部二元模式特征和自适应增强学习算法的分类方法还可 以扩展到其他需要纹理表达和特征选择的领域中,如人脸活体检测、虹膜识别等,具有很强 的可扩张性和实用性。
[0033] 得益于上述优点,本发明使快速有效的虹膜活体检测成为可能,极大地提高了现有虹 膜识别系统的可靠性和安全性,可广泛应用于使用虹膜识别进行身份认证或者识别的系统中, 比如虹膜出入境身份认证系统、虹膜ATM机、虹膜门禁系统、虹膜手机、虹膜PC登录系统等等。
附图说明
[0034] 图1示出本发明基于局部二元模式特征和自适应增强学习算法的虹膜活体检测 方法流程图;
[0035] 图2a示出本发明活体虹膜图像的示例图;
[0036] 图2b示出本发明人工伪造物虹膜图像的示例图;
[0037] 图3a示出本发明虹膜图像预处理结果及在直接坐标系下虹膜感兴趣区域的子区 域分割示意图;
[0038] 图3b示出本发明极坐标系下的虹膜图像感兴趣区域子区域分割示意图;
[0039] 图4a示出一个3X3的图像局部区域上各个像素的灰度值;
[0040] 图4b示出使用一个局部二元模式算子(LBP8a,即P = 8,R = 1时)在图4a上的 编码结果;
[0041] 图5示出本发明自适应增强学习算法的基本流程图。 具体实施方式
[0042] 下面结合附图说明本发明技术方案中所涉及的技术问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
[0043] 现有的虹膜识别技术面临着各种人工伪造虹膜纹理的威胁和攻击。常见的人工伪 造虹膜技术包括:纸质打印虹膜、带有虹膜花纹的玻璃或塑料眼球、虹膜采集视频回放以及 印有彩色花纹的隐形眼镜等。如果虹膜识别系统不能准确地对这些伪造虹膜数据进行检测 和报警,将对授权用户造成巨大的潜在损失。
[0044] 大量的实验研究表明,人工伪造物形成的虹膜图像与活体虹膜图像在纹理上存在 比较明显的差异。如图2a所示,活体虹膜图像的纹理分布比较细腻润滑;如图2b所示,人 工伪造物形成的虹膜图像的纹理则比较粗糙。因此,本发明通过纹理分析的方法,对这种差 异进行表达和描述,达到虹膜活体检测的目的。
[0045] 本发明提出采用局部二元模式特征对虹膜纹理进行描述和表达。局部二元模式特 征通过二进制编码定性地描述某像素与其领域像素的灰度差值,从而可以对图像局部纹理 微结构进行准确描述。进一步地,局部二元模式特征在某个图像区域上的统计分布又可以 描述图像在该区域的结构信息。局部二元模式特征具有计算速度快、鲁棒性强等优点,特别 适合用于虹膜的纹理描述和表达。
[0046] 同时,如图2a和图2b中虹膜图像所示,虹膜纹理具有角度的自相似性和半径方向 的延展性等优良的纹理分布特性。这些分布特性表明虹膜图像中不同区域的纹理尺度各 不相同,因此本发明沿虹膜的半径和角度方向将虹膜感兴趣区域划分成R1-R6六个子区域 (如图3a所示),并采用多尺度分析的方法对子区域虹膜纹理进行局部二元模式特征的抽 取,从而达到对虹膜纹理进行个性化描述的目的。
[0047] 最后,本发明采用自适应增强学习算法对抽取得到的候选局部二元模式特征进行 学习和训练,优选那些分类能力最强的局部二元模式特征用于构建虹膜活体检测分类器。
[0048] 根据上述分析,本发明提出一种基于局部二元模式算子特征和自适应增强学习算 法的虹膜活体检测方法,其流程框图如图1所示,包括两个步骤:
[0049] 虹膜活体检测分类器的构建步骤Sl :构建包含活体虹膜图像和人工伪造物虹膜 图像的训练图像库,对训练图像库中的活体虹膜图像和人工伪造物虹膜图像进行预处理, 得到训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣区域并在感兴趣区域 上进行多尺度局部二元模式特征的抽取,并利用自适应增强学习算法优选得到分类能力最 强的局部二元模式特征,同时构建用于虹膜活体检测的分类器;
[0050] 虹膜图像的活体检测步骤S2 :对任意输入的测试虹膜图像进行预处理,得到测试 虹膜图像的感兴趣区域并在感兴趣区域上抽取步骤Si中优选得到的局部二值模式特征, 并利用步骤Si中学习得到的虹膜活体检测分类器判断该输入的测试虹膜图像是否来自活 体虹膜。
[0051] 下面对本发明涉及的关键步骤进行逐一说明。本发明所述方法中各个基本步骤的 具体形式如下所述:
[0052] 首先,虹膜活体检测分类器的构建步骤Sl是基于局部二元模式特征的虹膜纹理 表达以及基于自适应增强学习算法的特征选择和分类器构建。
[0053] 为了准确描述人工伪造物虹膜图像与活体虹膜图像之间的纹理差异,我们沿人工 伪造物虹膜图像或活体虹膜图像中的虹膜的半径和角度方向将人工伪造物虹膜图像或活 体虹膜图像中的虹膜感兴趣区域分成很多小块,然后使用多尺度的局部二元模式算子对每个小块进行特征抽取和编码,并统计每个局部二元模式算子特征码在该小块上的出现概率 作为候选的虹膜纹理特征;最后,使用自适应增强学习算法对所有候选特征在训练集上进 行评估,挑选出那些对虹膜活体检测最有效的特征并构建分类器用于虹膜活体检测。具体 过程如下:
[0054] 步骤S11、收集和构建包含活体虹膜图像和人工伪造物虹膜图像的训练图像库,将 活体虹膜图像作为正训练样本,将人工伪造物虹膜图像作为负训练样本,并对训练图像库 中的活体虹膜图像和人工伪造物虹膜图像进行预处理,得到训练图像库中的活体虹膜图像 和人工伪造物虹膜图像的感兴趣区域。具体地,首先使用圆模型对训练图像库中的活体虹 膜图像和人工伪造物虹膜图像的内外圆边界进行定位,得到训练图像库中的活体虹膜图像 和人工伪造物虹膜图像中虹膜的内外边界参数,即瞳孔的圆心和半径以及虹膜的圆心和半 径。图3a 示出了训练图像库中的活体虹膜图像和人工伪造物虹膜图像的定位结果示意图。 最后在训练图像库中的活体虹膜图像和人工伪造物虹膜图像上截取受上眼皮、下眼皮、睫 毛、眼镜框等遮挡物遮挡影响小的区域作为感兴趣区域。具体地,感兴趣区域是指虹膜圆环 中排除了上面90度和下面90度范围的区域。图3a和图3b中未被黑块遮挡的部分示出了 选取的感兴趣区域。
[0055] 步骤S12、对所述训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣 区域进行归一化,以瞳孔圆心为原点将训练图像库中的活体虹膜图像和人工伪造物虹膜图 像的感兴趣区域从直角坐标系转换到极坐标系,在极坐标系下将所有的训练图像库中的活 体虹膜图像和人工伪造物虹膜图像缩放到统一的大小,实现训练图像库中的活体虹膜图像 和人工伪造物虹膜图像的归一化,得到训练图像库中的活体虹膜图像和人工伪造物虹膜图 像在极坐标系下的虹膜图像。图3b示出了图3a的归一化结果。沿着训练图像库中的活体 虹膜图像和人工伪造物虹膜图像在极坐标系下的虹膜图像的水平和竖直方向将训练图像 库中的活体虹膜图像和人工伪造物虹膜图像在极坐标系下的虹膜图像划分成六个子区域, 每个子区域上纹理的分布特性是不同的。图3a示出了训练图像库中的活体虹膜图像和人 工伪造物虹膜图像在直角坐标系下的子区域分割示意图;图3b示出了训练图像库中的活 体虹膜图像和人工伪造物虹膜图像在极坐标下的子区域分割示意图,其中R1-R6是分割得 到的六个子区域。
[0056] 步骤S13、用多尺度的局部二元模式算子在步骤S12得到的子区域上滤波,计算子 区域上每个像素的局部二元模式算子特征码,得到候选的局部二元模式特征集合,并统计 不同子区域上每个局部二元模式特征码的出现概率,该概率值作为一个候选的局部纹理特 征用于虹膜活体检测。对训练图像库中的活体虹膜图像和人工伪造物虹膜图像子区域上 的每一个像素点,局部二元模式算子LBPp, E首先在该像素周围半径为R的圆周上均勻采样 P个点,并比较这P个点与中心像素点的灰度高低,然后将比较结果用二进制的比特编码后 组成一个P位的二进制特征码字。同时,为了增加局部二元模式算子的鲁棒性,本发明只选 取那些二进制比特串中比特变化(即从0变为1,从1变为0)数目小于等于2的局部二元 模式特征码用于纹理特征的表达和描述,图4a和图4b示出了局部二元模式算子的纹理特 征抽取示意图,其中,图4a示出一个3X3的图像子区域,其中的数值是该3X3图像区域上 像素点的灰度值,图4b示出了 LBP8il (即P = 8,R = 1时)局部二元模式算子在图4a上的 编码结果。每一个局部二元模式特征码都对应一个图像微结构,而该码字在一个区域上的分布概率则可以表达和描述该区域的图像纹理结构。
[0057] 本发明采用多尺度的局部二元模式算子对步骤S12中得到的训练图像库中的活 体虹膜图像和人工伪造物虹膜图像的子区域进行特征抽取和编码。具体地,本发明采用了 LBP8jl, LBP8j2, LBP8j5, LBP8j7, LBP12,2,LBP12,3,LBP12,5,LBP16,3,LBP16,5,LBP16,7 等 10 个局部二元 模式算子对虹膜子区域进行特征抽取,并统计每个局部二元模式算子特征码在对应子区域 上的分布概率作为该子区域的一个候选的虹膜局部纹理特征。
[0058] 在步骤S12中训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣区 域被划分成了 6块,在本步骤S13中又采用了 10个不同的局部二元模式算子,而每个局部 二元模式算子又可以生成几十个不等的局部二元模式算子特征码,因此我们一共可以得到 了 8220个局部二元模式特征码在对应子区域上的概率分布值作为候选特征。
[0059] 步骤S14、步骤S13产生的8220个候选的局部二元模式特征之间存在着高度冗余, 本发明采用自适应增强算法从这些冗余特征中优选出那些对虹膜活体检测最有效的特征 用于虹膜活体检测。自适应增强学习算法能够从候选特征中挑选那些在当前加权训练样本 上分类能力最强的特征,并基于所选特征构建弱分类器组合后获得强分类器。图5示出了 自适应增强学习算法的流程图。自适应增强学习算法主要包括如下几个步骤:
[0060] 步骤S141、组织训练样本并对每个训练样本的权重进行初始化。假设有N1个正样 本和N2个负样本,那么正负样本的初始权重分别为IAN1和1/2N2。
[0061] 步骤S142、在当前加权的正负样本集上选取使得下式最小化的候选局部二元模式 特征作为当前加权样本集上的最优特征:
[0062] Φ, = arg min 2 艺 P/(Sj)P^(Sj)
[0063] 其中Φ表示所有候选局部二元模式特征的集合,^+G7)为候选特征Φ在正样本 集合上特征值等于Sj的概率,巧、,)为特征Φ在负样本集合上特征值等于Sj的概率。特 别地,我们对。和进行高斯核密度估计,以降低训练样本不足时的过学习问题, 提高学习算法的鲁棒性和可移植性。即。+(。)和巧由下式得到:
[0066] 其中σ表示所选的高斯核的方差,N1,N2表示训练数据库中正负训练图像的数目, s表示候选局部二元模式特征Φ的特征值,Sn表示第η个正样本或负样本在特征Φ的取值。
[0067] 步骤S143、根据当前优选特征Φ,在正负样本上的分布概率建立单元分类器 札⑷:
…、1I pZ^y)
_8] _ = Iln^y
[0069] 并添加到组合分类器Ht (χ)中。
[0070] 步骤S144、根据步骤S143中所建立单元分类器在正负样本的分类结果更新训练样本的权重,并归一化。
<formula>formula see original document page 10</formula>
[0072] 其中Wt(Xi)是训练样本Xi的当前权重,wt+1(Xi)是经过权重更新后的样本权重, Yi e {+1,-1}表示训练样本Xi的类别标号,正样本取值为1,负样本取值为-I,Iii (Φ t (Xi)) 是训练样本Xi在步骤S143所建分类器上的分类结果,Zt是一个归一化系数,使得wt+1 (Xi) 在所有训练样本上组成一个概率密度函数。
[0073] 通过迭代地调用步骤S142至步骤S144,可以优选出一组(T个)分类能力最强的
局部二元模式特征,分别建立单元分类器后构建虹膜活体检测组合分类器,直到组合分类
器的检测结果达到了我们预先设定的性能指标。其中,组合分类器构建方法如下式所示: f τ \
[0074]<formula>formula see original document page 10</formula>
[0075] 其中,Sign(X)是一个示性函数,当χ>0时输出为1,否则为0 ; Φ t表示第t次迭 代得到的优选特征,而ht (Ch)是基于Ch构建的单元分类器。
[0076] 经过步骤Sl的学习和训练后,如果某个样本的组合分类器的输出值为1,那么表 明该样本为人工伪造物虹膜图像,否则为活体虹膜图像。
[0077] 其次,虹膜图像的活体检测步骤S2是基于学习步骤Sl学习到的优选特征及对应 组合分类器对任意一幅测试虹膜图像进行检测,判断该测试虹膜图像是否是来自人工伪造 物的虹膜图像。
[0078] 对任意输入的测试虹膜图像,首先进行预处理,得到该测试虹膜图像的感兴趣区 域,在感兴趣区域上抽取步骤Sl中优选得到的局部二值模式特征,并利用步骤Sl训练得到 的虹膜活体检测分类器判断该测试虹膜图像是否来自活体虹膜,具体过程如下:
[0079] 步骤S21、利用虹膜成像装置获取一幅清晰的测试虹膜图像,对输入的测试虹膜图 像进行预处理,得到测试虹膜图像的感兴趣区域。具体地,首先使用圆模型对测试虹膜图像 的内外边界进行定位,得到测试虹膜图像中虹膜的内外边界参数,即瞳孔的圆心和半径以 及虹膜的圆心和半径。然后在测试虹膜图像上截取受上眼皮、下眼皮、睫毛、眼镜框等遮挡 物遮挡影响小的区域作为测试虹膜图像感兴趣区域。具体地,测试虹膜图像的感兴趣区域 是指测试虹膜图像的虹膜圆环中排除了上面90度和下面90度范围的区域。图3a和图3b 中未被黑块遮挡的部分示出了选取的测试虹膜图像感兴趣区域。
[0080] 步骤S22、对所述测试虹膜图像的感兴趣区域进行归一化,以瞳孔圆心为原点将测 试虹膜图像的感兴趣区域从直角坐标系转换到极坐标系,在极坐标系下将测试虹膜图像缩 放到统一的大小,实现测试虹膜图像的归一化,得到在极坐标系下的测试虹膜图像。沿着极 坐标系下的测试虹膜图像的水平和竖直方向将极坐标系下的测试虹膜图像划分成六个子 区域。图3b示出了极坐标系下的测试虹膜图像的子区域分割示意图,其中R1-R6是分割得 到的六个子区域。
[0081] 步骤S23、计算步骤Sl中优选出的局部二元模式特征(K,t = 1,2,...,T在该输 入的测试虹膜图像对应子区域上的特征值。首先根据Φ t对应的局部二元模式算子在 对应的子区域上进行滤波,然后统计该局部二元模式特征码Φ t在该子区域上的出现概率 作为该测试虹膜图像上特征的特征值。[0082] 步骤S24、将步骤S23中计算得到的各个优选局部二元模式特征Φ t,t = 1,2,..., T的特征值输入到步骤Sl训练学习到的组合分类器中,根据分类器输出结果判断该测试虹 膜图像是否是活体虹膜图像:
[0083] <formula>formula see original document page 11</formula>[0084] 其中,Sign(X)是一个示性函数,当x>0时输出为1,否则为0 ; Φ t表示步骤Sl 中的优选特征,而ht (Ch)是基于Ch构建的单元分类器。如果该测试虹膜图像在组合分类 器上的输出值大于0,那么就认为该测试虹膜图像是伪造物虹膜图像,并发出警报信号,否 则认为该测试虹膜图像为活体虹膜图像,不必发出警报信号。
[0085] 实施例1 :本发明基于局部二元模式特征和自适应增强学习算法的虹膜活体检测 方法在基于虹膜识别的ATM自动取款机中的应用。
[0086] 本发明可广泛应用于使用虹膜进行身份认证和识别的场景。一个典型的应用是银 行ATM自动取款机的身份认证。假设某银行在VIP用户中推出了一项基于虹膜识别的身份 认证系统替代传统的基于银行卡和密码的身份认证系统。银行首先需要将VIP用户的虹膜 注册录入到其用户数据库中。注册之后,VIP用户就可以通过自己的眼睛来登录银行系统 进行各项业务操作了。银行ATM机中的虹膜识别系统安装了基于本发明开发的虹膜活体检 测系统,当银行为佩戴隐形眼镜的VIP用户何先生进行注册时,银行ATM机上的虹膜识别系 统就可把采集到的测试虹膜图像输入到基于本发明开发的虹膜活体检测算法系统中。该算 法系统首先根据本发明步骤S2所述的方法对采集到的测试虹膜图像进行预处理,得到感 兴趣区域并进行子区域分割。然后虹膜活体检测系统根据本发明步骤S2所述步骤对感兴 趣区域进行特征抽取和计算,并输入到利用本发明步骤Sl训练学习到的虹膜活体检测分 类器中。很快,该虹膜活体检测系统判断出当前测试虹膜图像是来自人工伪造物(此处为 隐形眼镜)的虹膜图像,并及时发出警告。接到警告后,银行工作人员及时提醒何先生摘掉 隐形眼镜后重新注册,并提醒他以后使用时也需要摘掉隐形眼镜。从而有效防止了用户在 不知情的情况下佩戴隐形眼镜进行注册,而让其他佩戴同型号隐形眼镜的非法用户冒充合 法用户的危险。
[0087] 实施例2 :本发明基于局部二元模式特征和自适应增强学习算法的虹膜活体检测 方法在基于虹膜识别的出入境人员核查系统中的应用。
[0088] 本发明可广泛应用于使用虹膜进行身份认证和识别的场景。一个典型的应用是对 机场(或海关)出入境人员进行身份认证。假设在某国际机场出入境检查处安装了一套虹 膜识别系统,该虹膜识别系统配备了基于本发明开发的虹膜活体检测系统。恐怖分子张某 企图假冒合法旅客何某的身份入境作案。在入境之前,张某窃取了何某的虹膜纹理图像并 将其打印在了玻璃眼球上,企图骗过入境处的虹膜识别系统。当张某试图通过出入境口岸 时,入境处需要对张某的身份做一个认证。此时,虹膜识别摄像头采集到了张某人工伪造的 玻璃眼球的虹膜图像,然后将采集到的虹膜图像输入到基于本发明开发的虹膜活体检测算 法系统中。该算法系统首先根据本发明的步骤S2所述步骤对采集到的虹膜图像进行预处 理,得到感兴趣区域并进行子区域分割。然后虹膜活体检测系统根据本发明步骤S2所述步 骤对感兴趣区域进行特征抽取和计算,并输入到利用本发明步骤Sl训练学习到的虹膜活 体检测分类器中。很快,该虹膜活体检测系统判断出当前虹膜图像是来自人工伪造的虹膜纹理(此处为带有虹膜花纹的玻璃眼球),并及时报警。接到报警后,机场工作人员检查后 发现了张某试图通过玻璃假眼冒充何某身份的企图,并对张某重新进行身份识别。随后虹 膜识别系统识别出张某的真实身份,并移交公安机关。从而有效地防止了危险分子通过假 冒身份进入我国作案的危险。 [0089] 以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任 何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在 本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

  1. 一种虹膜活体检测方法,其特征在于,该方法包括步骤:步骤S1:收集和构建含有虹膜图像的训练图像库,对训练图像库中的虹膜图像进行预处理,得到训练图像库中的虹膜图像的感兴趣区域;利用多尺度的局部二元模式算子对训练图像库中的虹膜图像的感兴趣区域进行特征抽取;利用自适应增强学习算法优选得到分类能力最强的局部二元模式特征,同时构建用于虹膜活体检测的分类器;步骤S2:对任意输入的测试虹膜图像进行预处理,得到测试虹膜图像的感兴趣区域,在该测试虹膜图像的感兴趣区域上抽取优选得到的局部二值模式特征,并利用训练得到的虹膜活体检测分类器判断该输入的测试虹膜图像是否来自活体虹膜。
  2. 2.根据权利要求1所述的虹膜活体检测方法,其特征在于,所述虹膜活体检测分类器 的构建包括如下步骤:步骤S11 :收集和构建包含活体虹膜图像和人工伪造物虹膜图像的训练图像库,将活 体虹膜图像作为正训练样本,将人工伪造物虹膜图像作为负训练样本,并对训练图像库中 的活体虹膜图像和人工伪造物虹膜图像进行预处理,得到训练图像库中的活体虹膜图像和 人工伪造物虹膜图像的感兴趣区域;步骤S12 :对所述训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣区域 进行归一化,将训练图像库中的活体虹膜图像和人工伪造物虹膜图像的感兴趣区域从直角 坐标系转换到极坐标系,得到训练图像库中的活体虹膜图像和人工伪造物虹膜图像在极坐 标系下的虹膜图像;沿着训练图像库中的活体虹膜图像和人工伪造物虹膜图像在极坐标系 下的虹膜图像的水平和竖直方向将极坐标系下的虹膜图像划分成多个子区域;步骤S13 :用多尺度的局部二元模式算子在所述子区域上进行滤波,计算子区域上每 个像素的局部二元模式算子特征码,并统计该子区域上每个局部二元模式算子特征码的出 现概率,该概率值作为一个候选的局部二元模式特征用于虹膜活体检测;步骤S14 :利用自适应增强学习算法从所述局部二元模式特征候选集合中优选出分类 能力最强的局部二元模式特征,并根据该局部二元模式特征在训练集上的分布情况构建虹 膜活体检测分类器。
  3. 3.根据权利要求1所述的虹膜活体检测方法,其特征在于,所述预处理是对任意输入 的三类虹膜图像进行预处理,三类虹膜图像包括测试虹膜图像、活体虹膜图像和人工伪造 物虹膜图像,首先使用圆模型定位所述的三类虹膜图像中虹膜内外圆边界的圆心和半径; 以瞳孔圆心为原点将所述的三类虹膜图像从直角坐标系变换到极坐标系;在极坐标系下将 所述的三类虹膜图像缩放到统一的大小,实现所述的三类虹膜图像的归一化;然后截取虹 膜圆环中排除了上面90度和下面90度范围的区域作为感兴趣区域。
  4. 4.根据权利要求1所述的虹膜活体检测方法,其特征在于,所述的自适应增强学习算 法在统计每个候选局部二元模式特征◊在正负训练集上的分布密度巧和巧时,使 用高斯核密度估计算法对所得密度分布进行平滑和优化,其中,高斯核密度估计的计算公 式如下:<formula>formula see original document page 2</formula>‘)N2^(2ttc72)V2 P1 2ct2 J其中o表示所选的高斯核的方差,K,N2表示训练数据库中正负训练图像的数目,s表 示候选局部二元模式特征◊的特征值,sn表示第n个正样本或负样本在特征◊的取值。
  5. 5.根据权利要求1所述的虹膜活体检测方法,其特征在于,所述测试虹膜图像的活体 检测步骤包括:步骤S21 :对任意输入的测试虹膜图像进行预处理,得到该测试虹膜图像的感兴趣区域;步骤S22 :对所述测试虹膜图像的感兴趣区域进行归一化,将测试虹膜图像的感兴趣 区域从直角坐标系转换到极坐标系,得到极坐标系下的测试虹膜图像;沿着极坐标系下的 测试虹膜图像的水平和竖直方向将极坐标系下的测试虹膜图像划分成多个子区域;步骤S23 :计算优选出的局部二元模式特征在输入的测试虹膜图像对应子区域上的特 征值;步骤S24:将特征值输入到训练学习到的分类器中,根据分类器输出结果判断该测试 虹膜图像是否是活体虹膜图像,并在不是活体虹膜图像时,给出报警信号。
  6. 6.根据权利要求5所述的虹膜活体检测方法,其特征在于,所述特征值的计算包括:在 优选得到的子区域中的每个像素上计算优选得到的局部二元模式算子的特征码,并统计该 二元模式算子特征码在该子区域上的出现概率作为该局部二元模式特征的特征值。
CN200910079803XA 2009-03-11 2009-03-11 一种虹膜活体检测方法 Active CN101833646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN200910079803XA CN101833646B (zh) 2009-03-11 2009-03-11 一种虹膜活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN200910079803XA CN101833646B (zh) 2009-03-11 2009-03-11 一种虹膜活体检测方法

Publications (2)

Publication Number Publication Date
CN101833646A true CN101833646A (zh) 2010-09-15
CN101833646B CN101833646B (zh) 2012-05-02

Family

ID=42717711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910079803XA Active CN101833646B (zh) 2009-03-11 2009-03-11 一种虹膜活体检测方法

Country Status (1)

Country Link
CN (1) CN101833646B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102157023A (zh) * 2011-01-13 2011-08-17 中华人民共和国深圳出入境检验检疫局 出/入境旅客自助申报与监管信息系统
CN102902980A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 一种基于线性规划模型的生物特征图像分析与识别方法
CN105224936A (zh) * 2015-10-28 2016-01-06 广东欧珀移动通信有限公司 一种虹膜特征信息提取方法和装置
CN105320939A (zh) * 2015-09-28 2016-02-10 北京天诚盛业科技有限公司 虹膜活体检测的方法和装置
CN105556539A (zh) * 2014-05-16 2016-05-04 联发科技股份有限公司 检测兴趣区域的检测装置和方法
CN105550661A (zh) * 2015-12-29 2016-05-04 北京无线电计量测试研究所 一种基于Adaboost算法的虹膜特征提取方法
CN106203297A (zh) * 2016-06-30 2016-12-07 北京七鑫易维信息技术有限公司 一种身份识别方法及装置
WO2017000493A1 (zh) * 2015-06-30 2017-01-05 宇龙计算机通信科技(深圳)有限公司 一种活体虹膜检测方法及终端
CN106407772A (zh) * 2016-08-25 2017-02-15 北京中科虹霸科技有限公司 适于虚拟现实设备的人机交互与身份认证装置及其方法
CN106778469A (zh) * 2016-10-25 2017-05-31 山西天地科技有限公司 一种活体虹膜的检测方法
CN107358183A (zh) * 2017-06-30 2017-11-17 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
CN107368791A (zh) * 2017-06-29 2017-11-21 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
CN107451455A (zh) * 2017-07-29 2017-12-08 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN107480608A (zh) * 2017-07-29 2017-12-15 广东欧珀移动通信有限公司 防伪处理方法及相关产品
CN107506696A (zh) * 2017-07-29 2017-12-22 广东欧珀移动通信有限公司 防伪处理方法及相关产品
CN107506697A (zh) * 2017-07-29 2017-12-22 广东欧珀移动通信有限公司 防伪处理方法及相关产品
US9864430B2 (en) 2015-01-09 2018-01-09 Microsoft Technology Licensing, Llc Gaze tracking via eye gaze model
CN107679457A (zh) * 2017-09-06 2018-02-09 阿里巴巴集团控股有限公司 用户身份校验方法及装置
CN107798282A (zh) * 2016-09-07 2018-03-13 北京眼神科技有限公司 一种活体人脸的检测方法和装置
CN108229331A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和系统、电子设备、程序和介质
US10048749B2 (en) 2015-01-09 2018-08-14 Microsoft Technology Licensing, Llc Gaze detection offset for gaze tracking models
CN108470170A (zh) * 2018-07-25 2018-08-31 上海聚虹光电科技有限公司 美瞳检测方法
CN108875593A (zh) * 2018-05-28 2018-11-23 上海交通大学 基于卷积神经网络的可见光图像天气识别方法
CN109190509A (zh) * 2018-08-13 2019-01-11 阿里巴巴集团控股有限公司 一种身份识别方法、装置和计算机可读存储介质
CN109325462A (zh) * 2018-10-11 2019-02-12 深圳斐视沃德科技有限公司 基于虹膜的人脸识别活体检测方法及装置
CN109389105A (zh) * 2018-12-20 2019-02-26 北京万里红科技股份有限公司 一种基于多任务的虹膜检测和视角分类方法
CN109409342A (zh) * 2018-12-11 2019-03-01 北京万里红科技股份有限公司 一种基于轻量卷积神经网络的虹膜活体检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100392669C (zh) * 2006-09-21 2008-06-04 杭州电子科技大学 虹膜识别中的活体检测方法及装置

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102157023B (zh) * 2011-01-13 2012-12-26 中华人民共和国深圳出入境检验检疫局 出/入境旅客自助申报与监管信息系统
CN102157023A (zh) * 2011-01-13 2011-08-17 中华人民共和国深圳出入境检验检疫局 出/入境旅客自助申报与监管信息系统
CN102902980A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 一种基于线性规划模型的生物特征图像分析与识别方法
CN102902980B (zh) * 2012-09-13 2015-12-02 中国科学院自动化研究所 一种基于线性规划模型的生物特征图像分析与识别方法
CN105556539A (zh) * 2014-05-16 2016-05-04 联发科技股份有限公司 检测兴趣区域的检测装置和方法
US10048749B2 (en) 2015-01-09 2018-08-14 Microsoft Technology Licensing, Llc Gaze detection offset for gaze tracking models
US9864430B2 (en) 2015-01-09 2018-01-09 Microsoft Technology Licensing, Llc Gaze tracking via eye gaze model
WO2017000493A1 (zh) * 2015-06-30 2017-01-05 宇龙计算机通信科技(深圳)有限公司 一种活体虹膜检测方法及终端
CN105320939B (zh) * 2015-09-28 2019-01-25 深圳爱酷智能科技有限公司 虹膜活体检测的方法和装置
CN105320939A (zh) * 2015-09-28 2016-02-10 北京天诚盛业科技有限公司 虹膜活体检测的方法和装置
CN105224936B (zh) * 2015-10-28 2017-11-17 广东欧珀移动通信有限公司 一种虹膜特征信息提取方法和装置
CN105224936A (zh) * 2015-10-28 2016-01-06 广东欧珀移动通信有限公司 一种虹膜特征信息提取方法和装置
CN105550661A (zh) * 2015-12-29 2016-05-04 北京无线电计量测试研究所 一种基于Adaboost算法的虹膜特征提取方法
US10891507B2 (en) 2016-06-30 2021-01-12 Beijing 7Invensun Technology Co., Ltd. Method and device for recognizing identity
CN106203297B (zh) * 2016-06-30 2019-11-08 北京七鑫易维信息技术有限公司 一种身份识别方法及装置
CN106203297A (zh) * 2016-06-30 2016-12-07 北京七鑫易维信息技术有限公司 一种身份识别方法及装置
CN106407772A (zh) * 2016-08-25 2017-02-15 北京中科虹霸科技有限公司 适于虚拟现实设备的人机交互与身份认证装置及其方法
CN107798282A (zh) * 2016-09-07 2018-03-13 北京眼神科技有限公司 一种活体人脸的检测方法和装置
CN106778469A (zh) * 2016-10-25 2017-05-31 山西天地科技有限公司 一种活体虹膜的检测方法
CN108229331A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和系统、电子设备、程序和介质
CN107368791A (zh) * 2017-06-29 2017-11-21 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
WO2019001254A1 (zh) * 2017-06-29 2019-01-03 Oppo广东移动通信有限公司 虹膜活体检测方法及相关产品
WO2019001253A1 (zh) * 2017-06-30 2019-01-03 Oppo广东移动通信有限公司 虹膜活体检测方法及相关产品
CN107358183A (zh) * 2017-06-30 2017-11-17 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
CN107451455A (zh) * 2017-07-29 2017-12-08 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN107506697A (zh) * 2017-07-29 2017-12-22 广东欧珀移动通信有限公司 防伪处理方法及相关产品
CN107480608A (zh) * 2017-07-29 2017-12-15 广东欧珀移动通信有限公司 防伪处理方法及相关产品
CN107506696A (zh) * 2017-07-29 2017-12-22 广东欧珀移动通信有限公司 防伪处理方法及相关产品
US11074466B2 (en) 2017-07-29 2021-07-27 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Anti-counterfeiting processing method and related products
CN107679457A (zh) * 2017-09-06 2018-02-09 阿里巴巴集团控股有限公司 用户身份校验方法及装置
CN108875593A (zh) * 2018-05-28 2018-11-23 上海交通大学 基于卷积神经网络的可见光图像天气识别方法
CN108470170A (zh) * 2018-07-25 2018-08-31 上海聚虹光电科技有限公司 美瞳检测方法
US11126878B2 (en) 2018-08-13 2021-09-21 Advanced New Technologies Co., Ltd. Identification method and apparatus and computer-readable storage medium
CN109190509A (zh) * 2018-08-13 2019-01-11 阿里巴巴集团控股有限公司 一种身份识别方法、装置和计算机可读存储介质
US10776646B2 (en) 2018-08-13 2020-09-15 Alibaba Group Holding Limited Identification method and apparatus and computer-readable storage medium
CN109325462B (zh) * 2018-10-11 2021-03-12 深圳斐视沃德科技有限公司 基于虹膜的人脸识别活体检测方法及装置
CN109325462A (zh) * 2018-10-11 2019-02-12 深圳斐视沃德科技有限公司 基于虹膜的人脸识别活体检测方法及装置
CN109409342A (zh) * 2018-12-11 2019-03-01 北京万里红科技股份有限公司 一种基于轻量卷积神经网络的虹膜活体检测方法
CN109389105A (zh) * 2018-12-20 2019-02-26 北京万里红科技股份有限公司 一种基于多任务的虹膜检测和视角分类方法

Also Published As

Publication number Publication date
CN101833646B (zh) 2012-05-02

Similar Documents

Publication Publication Date Title
CN101833646B (zh) 一种虹膜活体检测方法
CN105022835B (zh) 一种群智感知大数据公共安全识别方法及系统
CN101923640B (zh) 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法
Sun et al. Improving iris recognition accuracy via cascaded classifiers
US9064145B2 (en) Identity recognition based on multiple feature fusion for an eye image
Tome et al. The 1st competition on counter measures to finger vein spoofing attacks
CN1285052C (zh) 基于区域特征元补偿的红外人脸眼镜干扰消除方法
CN101558431A (zh) 脸认证设备
CN103049736A (zh) 一种基于最大稳定极值区域的人脸识别方法
CN102629320A (zh) 基于特征层定序测量统计描述的人脸识别方法
CN1971582A (zh) 一种基于掌纹图像识别的身份鉴别方法
CN104504408A (zh) 一种人脸识别比对方法和实现该方法的系统
CN107944356B (zh) 综合多类型特征的层次主题模型掌纹图像识别的身份认证方法
CN107230267A (zh) 基于人脸识别算法的幼儿园智能签到方法
CN102436591B (zh) 伪造虹膜图像的判别方法
CN105184236A (zh) 机器人人脸识别系统
Sarode et al. Review of iris recognition: an evolving biometrics identification technology
CN107967458A (zh) 一种人脸识别方法
Agbinya et al. Design and implementation of multimodal digital identity management system using fingerprint matching and face recognition
Belhadj Biometric system for identification and authentication
Yu et al. Two strategies to optimize the decisions in signature verification with the presence of spoofing attacks
Basil et al. Comparative analysis of MSER and DTW for offline signature recognition
Xiao et al. Iris image analysis based on affinity propagation algorithm
Naim et al. Classification of Thumbprint using Artificial Neural Network (ANN)
Rossant et al. A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20111212

Address after: 100190 1, 95 East Zhongguancun Road, Beijing, Haidian District, 501

Applicant after: Zhongkehongba Tech Co., Ltd., Beijing

Address before: 100080 Zhongguancun East Road, Beijing, No. 95, No.

Applicant before: Institute of Automation, Chinese Academy of Sciences

COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 100080 HAIDIAN, BEIJING TO: 100190 HAIDIAN, BEIJING

ASS Succession or assignment of patent right

Owner name: ZHONGKEHONGBA TECH CO., LTD., BEIJING

Free format text: FORMER OWNER: RESEARCH INST. OF AUTOMATION, CHINESE ACADEMY OF SCIENCES

Effective date: 20111212

C14 Grant of patent or utility model
GR01 Patent grant