CN102043954B - 一种基于相关函数匹配的快速稳健的虹膜识别方法 - Google Patents
一种基于相关函数匹配的快速稳健的虹膜识别方法 Download PDFInfo
- Publication number
- CN102043954B CN102043954B CN 201110033517 CN201110033517A CN102043954B CN 102043954 B CN102043954 B CN 102043954B CN 201110033517 CN201110033517 CN 201110033517 CN 201110033517 A CN201110033517 A CN 201110033517A CN 102043954 B CN102043954 B CN 102043954B
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- information
- pupil
- execution
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种基于相关函数匹配的快速稳健的虹膜识别方法,涉及一种基于相关函数匹配的虹膜识别方法,它解决现有的虹膜识别的鲁棒性差、速度慢的问题。其方法是:采集待识别者的一张虹膜图像并进行预处理,预处理后进行虹膜的局部纹理提取,获得该图像的虹膜代码;从虹膜数据库中取出一组虹膜代码,与检测到的虹膜代码进行匹配,比较虹膜代码的相似度阈值,并判断获得的相似度阈值是否大于预定阈值;遍历虹膜数据库,实现虹膜识别过程。本发明适用于虹膜识别过程中。
Description
技术领域
本发明涉及一种基于相关函数匹配的虹膜识别方法。
背景技术
在当今社会,个人资料、个人财产都是以数字信息的形式存在。作为参与管理这些信息的用户们,准确地识别出他们的身份,对于这些信息的保密性、安全性就显得尤为重要,而生物识别就为用户身份识别提供了一种精确、安全、方便、不已丢失的方式。随着信息时代的到来,智能设备在日常生活中也显示出无可比拟的优势,而人性化的智能设备中的关键点就是准确识别用户、满足用户需求。而生物特征识别在身份识别和智能化设备中都有着非常重要的应用。作为生物特征识别的一个分支,虹膜识别技术是计算机图像处理技术与模式识别技术在身份识别领域的运用。由于虹膜识别有着高稳定性、高准确率、高度防伪性、唯一性、普遍性和非侵犯性等优点,因此,基于虹膜的识别技术成为了当前最为可靠也是最为流行的生物识别方法之一,有着广阔的运用前景和重要的研究价值。
虹膜识别技术的关键点在于将采集到的虹膜图像准确地提取出介于瞳孔与巩膜之间,且去除上下眼睑以及高光、睫毛的影响,得到虹膜的有效区域,并采用合理的纹理提取方法得到能够深刻反映纹理信息的代码,该代码要较好地考虑到旋转、平移带来的影响。
对于虹膜识别技术,在前人的努力下,已经能够达到很高的精度与较快的速度。然而,虹膜识别技术至今未能完全主导生物识别技术市场主要是因为虹膜识别技术的采集要求过高,在非合作性的场合难以达到较好的鲁棒性。因此,用户对于这种娇气的技术容易产生排斥心理。合理的精度、速度以及鲁棒性才能符合广大的用户需求。
综上所述,现有的虹膜识别技术,在保证虹膜分割算法的精准性的基础上,如何提高系统的鲁棒性与快速性,这些都有改进的余地,同时合理地设计考虑到虹膜旋转与平移的虹膜代码以及匹配方法,这些都是亟待解决与改进的问题。
发明内容
本发明是为了解决现有的虹膜识别的鲁棒性差、速度慢的问题,从而提供一种基于相关函数匹配的快速稳健的虹膜识别方法。
一种基于相关函数匹配的快速稳健的虹膜识别方法,它由以下步骤实现:
步骤一、系统初始化;选择工作模式为识别模式;
步骤二、采用虹膜采集系统采集待识别者的一张虹膜图像;
步骤三、对步骤二获得的虹膜图像进行预处理;
步骤四、对经步骤三预处理后的虹膜图像进行虹膜的局部纹理提取;获得该图像的虹膜代码;
步骤五、从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配;并比较从虹膜数据库中取出的虹膜代码与步骤四获得的虹膜代码的相似度阈值;
步骤六、判断获得的相似度阈值是否大于预定阈值,如果判断结果为是,则执行步骤七一;如果判断结果为否,则执行步骤七二;
步骤七一、将从虹膜数据库中取出的虹膜代码对应的信息作为待识别者的信息,完成虹膜识别过程;
步骤七二、判断虹膜数据库中是否还有未取出的虹膜代码,如果判断结果为是,则返回执行步骤五;如果判断结果为否,则执行步骤八;
步骤八、认定该待识别者为非注册人员,完成虹膜识别过程。
步骤五中所述的虹膜数据库的建立过程为:对于每个待注册者,均采用以下操作实现建立虹膜数据库:
步骤A1、系统初始化;选择工作模式为注册模式;
步骤A2、采用虹膜采集系统采集待注册者的三张虹膜图像;
步骤A3、对步骤A2获得的每张虹膜图像进行预处理;
步骤A4、对步骤A3进行预处理后的每张虹膜图像进行虹膜的局部纹理提取;获得每张虹膜图像的虹膜代码,共三组;
步骤A5、将步骤A4中获得的三组虹膜代码两两比对,选取一组与其它两组虹膜代码相似度最小的虹膜存入虹膜数据库;
综合所有待注册者的虹膜代码,实现虹膜数据库的建立。
步骤三、步骤A3中所述对虹膜图像进行预处理的方法是:
步骤B1、在开放软件OpenCV下,采用经Harr-like特征和Boosting训练后的瞳孔分类器对虹膜图像进行检测,选出虹膜有效区域,去除其它区域后将图像做归一化处理,获得合理尺寸的虹膜图像;
步骤B2、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信息;
步骤B3、检测并去除步骤B1所述的合理尺寸的虹膜图像中的高光,其具体方法是:采用步骤B2获得的虹膜内边缘信息结合双线性插值法对步骤B1所述的合理尺寸的虹膜图像中的高光进行检测和去除;
步骤B4、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息;
步骤B5、对步骤B1所述的合理尺寸的虹膜图像中虹膜图像的进行上、下眼睑的检测和睫毛去除,所述上、下眼睑检测的方法是:首先通过阈值法和微分图像获取眼睑的二值图像信息,然后通过迭代的方法选取有效边缘区域,从而拟合出上、下眼睑信息;获得上、下眼睑信息后,通过由上及下的连通区域检测方法标记并去除睫毛区域;
步骤B6、将步骤B2获得的合理尺寸的虹膜图像中的虹膜内边缘信息和步骤B4获得的合理尺寸的虹膜图像中的虹膜外边缘信息进行虹膜归一化处理,将虹膜内、外边缘所在的两个不同心圆归一化为一个矩形区域,并采用二值化图像标记无效区域,所述无效区域包括标记处的眼睑、高光、睫毛信息,完成对虹膜图像的预处理。
步骤B2中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信息,其方法是:采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其步骤为:
C1、基于自动阈值的方法来确定合理尺寸的虹膜图像中虹膜的二值分割图像;
C2、在步骤C1获得的二值分割图像中,通过求取连通区域的方法消除干扰因素的影响;所述干扰因素包括睫毛、高光或阴影;
C3、通过几何方法求取经步骤C2去除干扰因素后的虹膜内边缘的参数信息。
所述采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其具体方法是:
步骤D1、求取虹膜图像的直方图;
步骤D2、选取滤波器[0.1 0.2 0.4 0.2 0.1]对步骤D1中的直方图进行高斯滤波,去除小波谷;
步骤D3、检测经步骤D2滤波后的直方图的波谷个数;
步骤D4、判断步骤D3获得的波谷的数量是否大于或小于两个,如果判断结果为是,则返回执行步骤D2;如果判断结果为否,则执行步骤D5;
步骤D5、选取第一个波谷作为阈值对虹膜图像进行二值分割,获得经二值图像,所述二值图像包括瞳孔、睫毛、高光干扰;
步骤D6、标记步骤D5获得的二值图像所有的连通区域,并通过比较获得最大的连通区域;
步骤D7、首先对步骤D6中获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括离瞳孔较远且与瞳孔不相连的干扰区域;然后对二值化处理后的图像求反,获得反向二值图像;所述反向二值图像中瞳孔内部的普尔钦斑就会被瞳孔分割包围,而瞳孔外部的区域为最大的连通区域;
步骤D8、标记步骤D7中获得的反向二值图像中所有的连通区域,并通过比较获得最大的连通区域;
步骤D9、对步骤D8获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括瞳孔内部的普尔钦斑;然后对图像再次求反,获得再次求反后的二值图像;所述再次求反后的二值图像的瞳孔区域为实心区域;
步骤D10、采用几何方法估计步骤D9中再次求反后的二值图像中瞳孔的圆心和半径;
步骤D11、以步骤D10中获得的圆心和半径作圆,求取落在圆外的有效像素占圆形面积的比例;
步骤D12、判断步骤D11中获得的比例是否大于预设上限阈值,如果判断结果为是,则执行步骤D121;如果判断结果为否,则执行步骤D13;
步骤D121、该瞳孔区域的分割错误,舍弃该虹膜图像;
步骤D13、判断步骤D11中获得的比例是否大于预设下限阈值,如果判断结果为否,则返回执行步骤D10;如果判断结果为是,则执行步骤D14;
步骤D14、认为有较多睫毛影响了瞳孔区域,计算并去除超出瞳孔区域的像素,并将瞳孔区域的圆心和半径值作为虹膜内边缘信息。
步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其方法是:
步骤E1、根据步骤B1所述的合理尺寸的虹膜图像中的瞳孔的边缘信息获取瞳孔外边缘的圆心、半径的初定范围;
步骤E2、通过积分微分算子缩小步骤E1获得的半径的取值范围;
步骤E3、通过微分积分算子获取最终的虹膜外边缘信息。
步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其具体方法是:
步骤F1、根据瞳孔的信息对虹膜外边缘进行粗定位,确定虹膜外边缘的半径搜索范围;
步骤F2、使用积分微分算子缩小步骤F1中确定的虹膜外边圆半径的搜索范围;
步骤F3、对虹膜图像进行微分处理,所述微分处理的方法是:采用一维高斯的一阶导数组成的滤波器[0.0083 0.0677 0.1516 0 -0.1516 -0.0677 -0.0083对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内的进行二值化处理,获得的二值图像,从而获得虹膜外边缘;
步骤F4、采用积分算子对二值图像中虹膜外边缘的圆心和半径进行搜索,获得虹膜的外边缘参数。
步骤B5中所述对步骤B1所述的合理尺寸的虹膜图像中虹膜图像的进行上、下眼睑的检测和睫毛去除,所述上、下眼睑检测的具体方法是:
步骤G1、根据拟合的虹膜内、外边缘的对应的圆确定有效区域;
步骤G2、保留步骤G1确定的有效区内的像素信息,将其它像素全部置0;
步骤G3、对步骤G2处理后的图像采用微分方法进行处理,所述微分方法是:使用一维高斯的一阶导数组成的滤波器[0.0083 0.0677 0.1516 0 -0.1516 -0.0677 -0.0083]对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内进行二值化处理,获得二值图像,从而获得眼睑的边缘;
步骤G4、采用形态学的腐蚀方法去除经步骤G3处理后的图像的干扰点,再通过虹膜内、外的边缘信息去除虹膜内、外边缘留下的干扰点;
步骤G5、保留瞳孔圆心位置以上的像素信息,其余的全部去除;
步骤G6、判断步骤G5中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G7;如果判断结果为否,则认为上眼睑不存在,执行步骤G10;
步骤G7、采用最小二乘法拟合步骤G5中的所有像素,获得二次曲线;
步骤G8、判断所有的像素与步骤G7获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G10;如果判断结果为否,则执行步骤G9;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G9、去除大于预设阈值的像素;并保存上眼睑的二次曲线的参数;
步骤G10、保留瞳孔圆心位置以下的像素信息,其余的全部去除;
步骤G11、判断步骤G10中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G12;如果判断结果为否,则认为下眼睑不存在,执行步骤G15;
步骤G12、采用最小二乘法拟合步骤G10中的所有像素,获得二次曲线;
步骤G13、判断所有的像素与步骤G12获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G15;如果判断结果为否,则执行步骤G14;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G14、去除大于预设阈值的像素;并保存下眼睑的二次曲线的参数;
步骤G15、获取根据拟合虹膜内、外边缘对应的圆与拟合上、下眼睑的二次曲线确定的有效封闭区域;所述有效区域的确定方法为:当上、下眼睑均不存在时,将拟合虹膜内、外边缘对应的圆形成的封闭区域作为有效区域;当只存在上眼睑或下眼睑时,将拟合虹膜外边缘对应的圆与上眼睑的二次曲线或下眼睑的二次曲线形成交集的区域作为无效区域,虹膜内、外边缘对应的圆形成的封闭区域的其余区域作为有效区域;当同时存在上眼睑或下眼睑时,将上眼睑的二次曲线和下眼睑的二次曲线形成的区域与拟合虹膜内、外边缘对应的圆的交集作为有效区域;
步骤G16、将有效区域以外的区域全部标记为黑色,保留有效区域以内的原图像像素;
步骤G17、根据获得的有效区域内的灰度分布获得阈值,将低于该阈值的区域全部涂黑;
步骤G18、输出拟合上、下眼睑的二次曲线参数并去除睫毛区域。
步骤四和步骤A4中所述的虹膜的局部纹理提取的具体方法是:
步骤H1、去除归一化后的虹膜图像的部分信息,所述信息为受睫毛、眼睑的影响的虹膜的下边缘信息;
步骤H2、用局部背景灰度估计法估计步骤H1获得图像的背景灰度,并采用高斯滤波法进行滤波,获得平滑的背景灰度估计图;
步骤H3、将步骤H1中获得的归一化后的虹膜图片减去步骤H2获得的背景灰度估计图获得增强的虹膜纹理图;
步骤H4、将步骤H3获得的增强的虹膜纹理图中的每四行像素分别求取平均,再根据所有平均值计算获得图像的平均灰度,根据所述平均灰度降低图像分割偏差的影响;然后采用一维信号对图像进行滤波;并求取一维信号对应的局部纹理信息;
对于每一行信息,信号上升时取‘1’,信号下降时取‘0’,对标记的非有效区域全部取‘-1’。
步骤五中所述从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配的具体方法是:
步骤I1、对两个待匹配的虹膜代码逐行取出组成匹配的正向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个正向信号;
步骤I2、对步骤I1获得的两个正向信号进行匹配,取出移位后匹配的最大值;
步骤I3、对两个待匹配的虹膜代码逐行取出组成匹配的反向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个反向信号;
步骤I4、对两个反向信号进行匹配,取出移位后匹配的最大值;
步骤I5、将每一行对应的匹配的两个匹配最大值相加,即得到了每一行的信号的匹配值。
本发明的虹膜识别方法相比于现有方法,系统的鲁棒性大大增强,并且速度快。
附图说明
图1是本发明方法的流程示意图;图2是虹膜数据库的建立过程的流程示意图;图3是对虹膜图像进行预处理方法的流程示意图;图4是获得虹膜图像中的虹膜内边缘信息方法的流程示意图;图5是采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息的流程示意图;图6是获得虹膜图像中的虹膜外边缘信息方法的流程示意图;图7是采用圆形拟合法拟合虹膜图像中的虹膜外边缘信息的流程示意图;图8是虹膜图像的进行上、下眼睑的检测和睫毛去除方法的流程示意图;图9是虹膜的局部纹理提取的具体方法的流程示意图;图10是虹膜代码进行匹配方法的流程示意图;图11是步骤G15中当上、下眼睑均不存在时的有效区域示意图;图12是当只存在上眼睑时有效区域示意图;图13是当只存在下眼睑时有效区域示意图;图14是当同时存在上眼睑或下眼睑时有效区域的示意图。
具体实施方式
具体实施方式一、结合图1至图10说明本具体实施方式,一种基于相关函数匹配的快速稳健的虹膜识别方法,它由以下步骤实现:
步骤一、系统初始化;选择工作模式为识别模式;
步骤二、采用虹膜采集系统采集待识别者的一张虹膜图像;
步骤三、对步骤二获得的虹膜图像进行预处理;
步骤四、对经步骤三预处理后的虹膜图像进行虹膜的局部纹理提取;获得该图像的虹膜代码;
步骤五、从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配;并比较从虹膜数据库中取出的虹膜代码与步骤四获得的虹膜代码的相似度阈值;
步骤六、判断获得的相似度阈值是否大于预定阈值,如果判断结果为是,则执行步骤七一;如果判断结果为否,则执行步骤七二;
步骤七一、将从虹膜数据库中取出的虹膜代码对应的信息作为待识别者的信息,完成虹膜识别过程;
步骤七二、判断虹膜数据库中是否还有未取出的虹膜代码,如果判断结果为是,则返回执行步骤五;如果判断结果为否,则执行步骤八;
步骤八、认定该待识别者为非注册人员,完成虹膜识别过程。
步骤五中所述的虹膜数据库的建立过程为:对于每个待注册者,均采用以下操作实现建立虹膜数据库:
步骤A1、系统初始化;选择工作模式为注册模式;
步骤A2、采用虹膜采集系统采集待注册者的三张虹膜图像;
步骤A3、对步骤A2获得的每张虹膜图像进行预处理;
步骤A4、对步骤A3进行预处理后的每张虹膜图像进行虹膜的局部纹理提取;获得每张虹膜图像的虹膜代码,共三组;
步骤A5、将步骤A4中获得的三组虹膜代码两两比对,选取一组与其它两组虹膜代码相似度最小的虹膜存入虹膜数据库;
综合所有待注册者的虹膜代码,实现虹膜数据库的建立。
步骤三、步骤A3中所述对虹膜图像进行预处理的方法是:
步骤B1、在开放软件OpenCV下,采用经Harr-like特征和Boosting训练后的瞳孔分类器对虹膜图像进行检测,选出虹膜有效区域,去除其它区域后将图像做归一化处理,获得合理尺寸的虹膜图像;
步骤B2、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信息;
步骤B3、检测并去除步骤B1所述的合理尺寸的虹膜图像中的高光,其具体方法是:采用步骤B2获得的虹膜内边缘信息结合双线性插值法对步骤B1所述的合理尺寸的虹膜图像中的高光进行检测和去除;
步骤B4、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息;
步骤B5、对步骤B1所述的合理尺寸的虹膜图像中虹膜图像的进行上、下眼睑的检测和睫毛去除,所述上、下眼睑检测的方法是:首先通过阈值法和微分图像获取眼睑的二值图像信息,然后通过迭代的方法选取有效边缘区域,从而拟合出上、下眼睑信息;获得上、下眼睑信息后,通过由上及下的连通区域检测方法标记并去除睫毛区域;
步骤B6、将步骤B2获得的合理尺寸的虹膜图像中的虹膜内边缘信息和步骤B4获得的合理尺寸的虹膜图像中的虹膜外边缘信息进行虹膜归一化处理,将虹膜内、外边缘所在的两个不同心圆归一化为一个矩形区域,并采用二值化图像标记无效区域,所述无效区域包括标记处的眼睑、高光、睫毛信息,完成对虹膜图像的预处理。
步骤B2中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信息,其方法是:采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其步骤为:
C1、基于自动阈值的方法来确定合理尺寸的虹膜图像中虹膜的二值分割图像;
C2、在步骤C1获得的二值分割图像中,通过求取连通区域的方法消除干扰因素的影响;所述干扰因素包括睫毛、高光或阴影;
C3、通过几何方法求取经步骤C2去除干扰因素后的虹膜内边缘的参数信息。
所述采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其具体方法是:
步骤D1、求取虹膜图像的直方图;
步骤D2、选取滤波器[0.1 0.2 0.4 0.2 0.1]对步骤D1中的直方图进行高斯滤波,去除小波谷;
步骤D3、检测经步骤D2滤波后的直方图的波谷个数;
步骤D4、判断步骤D3获得的波谷的数量是否大于或小于两个,如果判断结果为是,则返回执行步骤D2;如果判断结果为否,则执行步骤D5;
步骤D5、选取第一个波谷作为阈值对虹膜图像进行二值分割,获得经二值图像,所述二值图像包括瞳孔、睫毛、高光干扰;
步骤D6、标记步骤D5获得的二值图像所有的连通区域,并通过比较获得最大的连通区域;
步骤D7、首先对步骤D6中获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括离瞳孔较远且与瞳孔不相连的干扰区域;然后对二值化处理后的图像求反,获得反向二值图像;所述反向二值图像中瞳孔内部的普尔钦斑就会被瞳孔分割包围,而瞳孔外部的区域为最大的连通区域;
步骤D8、标记步骤D7中获得的反向二值图像中所有的连通区域,并通过比较获得最大的连通区域;
步骤D9、对步骤D8获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括瞳孔内部的普尔钦斑;然后对图像再次求反,获得再次求反后的二值图像;所述再次求反后的二值图像的瞳孔区域为实心区域;
步骤D10、采用几何方法估计步骤D9中再次求反后的二值图像中瞳孔的圆心和半径;
步骤D11、以步骤D10中获得的圆心和半径作圆,求取落在圆外的有效像素占圆形面积的比例;
步骤D12、判断步骤D11中获得的比例是否大于预设上限阈值,如果判断结果为是,则执行步骤D121;如果判断结果为否,则执行步骤D13;
步骤D121、该瞳孔区域的分割错误,舍弃该虹膜图像;
步骤D13、判断步骤D11中获得的比例是否大于预设下限阈值,如果判断结果为否,则返回执行步骤D10;如果判断结果为是,则执行步骤D14;
步骤D14、认为有较多睫毛影响了瞳孔区域,计算并去除超出瞳孔区域的像素,并将瞳孔区域的圆心和半径值作为虹膜内边缘信息。
步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其方法是:
步骤E1、根据步骤B1所述的合理尺寸的虹膜图像中的瞳孔的边缘信息获取瞳孔外边缘的圆心、半径的初定范围;
步骤E2、通过积分微分算子缩小步骤E1获得的半径的取值范围;
步骤E3、通过微分积分算子获取最终的虹膜外边缘信息。
步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其具体方法是:
步骤F1、根据瞳孔的信息对虹膜外边缘进行粗定位,确定虹膜外边缘的半径搜索范围;
步骤F2、使用积分微分算子缩小步骤F1中确定的虹膜外边圆半径的搜索范围;
步骤F3、对虹膜图像进行微分处理,所述微分处理的方法是:采用一维高斯的一阶导数组成的滤波器[0.0083 0.0677 0.1516 0 -0.1516 -0.0677 -0.0083]对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内的进行二值化处理,获得的二值图像,从而获得虹膜外边缘;
步骤F4、采用积分算子对二值图像中虹膜外边缘的圆心和半径进行搜索,获得虹膜的外边缘参数。
步骤B5中所述对步骤B1所述的合理尺寸的虹膜图像中虹膜图像的进行上、下眼睑的检测和睫毛去除,所述上、下眼睑检测的具体方法是:
步骤G1、根据拟合的虹膜内、外边缘的对应的圆确定有效区域;
步骤G2、保留步骤G1确定的有效区内的像素信息,将其它像素全部置0;
步骤G3、对步骤G2处理后的图像采用微分方法进行处理,所述微分方法是:使用一维高斯的一阶导数组成的滤波器[0.083 0.0677 0.1516 0 -0.1516 -0.0677-0.0083]对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内进行二值化处理,获得二值图像,从而获得眼睑的边缘;
步骤G4、采用形态学的腐蚀方法去除经步骤G3处理后的图像的干扰点,再通过虹膜内、外的边缘信息去除虹膜内、外边缘留下的干扰点;
步骤G5、保留瞳孔圆心位置以上的像素信息,其余的全部去除;
步骤G6、判断步骤G5中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G7;如果判断结果为否,则认为上眼睑不存在,执行步骤G10;
步骤G7、采用最小二乘法拟合步骤G5中的所有像素,获得二次曲线;
步骤G8、判断所有的像素与步骤G7获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G10;如果判断结果为否,则执行步骤G9;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G9、去除大于预设阈值的像素;并保存上眼睑的二次曲线的参数;
步骤G10、保留瞳孔圆心位置以下的像素信息,其余的全部去除;
步骤G11、判断步骤G10中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G12;如果判断结果为否,则认为下眼睑不存在,执行步骤G15;
步骤G12、采用最小二乘法拟合步骤G10中的所有像素,获得二次曲线;
步骤G13、判断所有的像素与步骤G12获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G15;如果判断结果为否,则执行步骤G14;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G14、去除大于预设阈值的像素;并保存下眼睑的二次曲线的参数;
步骤G15、获取根据拟合虹膜内、外边缘对应的圆与拟合上、下眼睑的二次曲线确定的有效封闭区域;所述有效区域的确定方法为:当上、下眼睑均不存在时,将拟合虹膜内、外边缘对应的圆形成的封闭区域作为有效区域(如图11所示,其中标记1为虹膜内边缘对应的圆;标记2为虹膜外边缘对应的圆;标记Y为有效区域);当只存在上眼睑或下眼睑时,将拟合虹膜外边缘对应的圆与上眼睑的二次曲线或下眼睑的二次曲线形成交集的区域作为无效区域,虹膜内、外边缘对应的圆形成的封闭区域的其余区域作为有效区域(如图12和13所示,其中标记1为虹膜内边缘对应的圆;标记2为虹膜外边缘对应的圆;标记3为上眼睑的二次曲线;标记4为下眼睑的二次曲线;标记X为无效区域);当同时存在上眼睑或下眼睑时,将上眼睑的二次曲线和下眼睑的二次曲线形成的区域与拟合虹膜内、外边缘对应的圆的交集作为有效区域(如图14所示,其中标记1为虹膜内边缘对应的圆;标记2为虹膜外边缘对应的圆;标记3为上眼睑的二次曲线;标记4为下眼睑的二次曲线;标记Y为有效区域);
步骤G16、将有效区域以外的区域全部标记为黑色,保留有效区域以内的原图像像素;
步骤G17、根据获得的有效区域内的灰度分布获得阈值,将低于该阈值的区域全部涂黑;
步骤G18、输出拟合上、下眼睑的二次曲线参数并去除睫毛区域。
步骤四和步骤A4中所述的虹膜的局部纹理提取的具体方法是:
步骤H1、去除归一化后的虹膜图像的部分信息,所述信息为受睫毛、眼睑的影响的虹膜的下边缘信息;
步骤H2、用局部背景灰度估计法估计步骤H1获得图像的背景灰度,并采用高斯滤波法进行滤波,获得平滑的背景灰度估计图;
步骤H3、将步骤H1中获得的归一化后的虹膜图片减去步骤H2获得的背景灰度估计图获得增强的虹膜纹理图;
步骤H4、将步骤H3获得的增强的虹膜纹理图中的每四行像素分别求取平均,再根据所有平均值计算获得图像的平均灰度,根据所述平均灰度降低图像分割偏差的影响;然后采用一维信号对图像进行滤波;并求取一维信号对应的局部纹理信息;
对于每一行信息,信号上升时取‘1’,信号下降时取‘0’,对标记的非有效区域全部取‘-1’。
步骤五中所述从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配的具体方法是:
步骤I1、对两个待匹配的虹膜代码逐行取出组成匹配的正向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个正向信号;
步骤I2、对步骤I1获得的两个正向信号进行匹配,取出移位后匹配的最大值;
步骤I3、对两个待匹配的虹膜代码逐行取出组成匹配的反向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个反向信号;
步骤I4、对两个反向信号进行匹配,取出移位后匹配的最大值;
步骤I5、将每一行对应的匹配的两个匹配最大值相加,即得到了每一行的信号的匹配值。
本发明提供的这种基于快速鲁棒的虹膜分割以及相关函数匹配的虹膜识别方法,对于在保证虹膜识别算法的精度的同时提高虹膜识别的速度以及鲁棒性上,都有重要的意义,其优点主要在于:
1、本发明在进行瞳孔分割时,发明了一种基于图像自动阈值与连通区域求取的瞳孔分割方法,利用开放软件OpenCV,采用Harr-like特征和Boosting训练出来的瞳孔分类器进行检测选出虹膜的有效区域,去除其它区域,将图像归一化到合理大小,该虹膜图像的直方图分布特点分明,根据该分布提出自动阈值分割的方法,有较强的鲁棒性与适应性。同时,本发明利用图像连通的方法去除掉睫毛、眉毛、高光等干扰因素的影响,计算简单,但效果显著。保证精度的同时提高了速度。同时,在获取了虹膜的内边缘后还有一个对边缘分割的准确度的一个检测的功能,使得内边缘分割的鲁棒性更好。
2、本发明在外边缘的定位时,发明了积分微分算子与微分积分算子结合的方法。使用积分微分算子缩小搜索范围来提高速度,再使用微分积分算子来保证外边缘分割的精度。
3、本发明在上下眼睑的分割时,发明了一种基于有效边缘选取的方法,这种方法有较强的鲁棒性,它不再进行全部眼睑的拟合,而是在与虹膜相关的部分进行拟合,这样的方法更利于使虹膜分割部分更加准确。同时,该方法运用了多次迭代的方法逐步去除干扰点的影响,使匹配的效果更加好。
4、本发明在睫毛去除时,发明了一种结合图像连通的睫毛提取方法,使得颜色较深的纹理误认为睫毛的几率大大减小,同时这种方法遍历较快,速度得到大幅提高。
本发明在虹膜代码匹配时,发明了一种相关函数匹配的方法,将虹膜的旋转转化为归一化图像的平移,而且利用相关函数匹配可以把相关函数直接化为快速卷积进行计算,这样就有就使计算效率大大提高,可以在很短时间遍历所有的平移情况,使虹膜识别可以匹配成功很大角度内的旋转[最终的效果可以匹配上旋转(-60°,60°)内的虹膜],这样可以大大增强系统的鲁棒性。
本发明可以应用于中小型公司的考勤系统:
本发明结合虹膜采集系统,可以开发出低成本的生物识别系统。如:在某中小型公司使用了基于相关函数匹配的快速稳健的虹膜识别方法的考勤系统。该系统有较快的识别速度与较好的鲁棒性,在上班之间每个职工在采集设备前采集虹膜,该识别方法迅速工作,显示设备显示用户姓名,考勤状态,并将记录存入数据库,以供公司查看。
这种方式可以大大方便公司管理,使得不会出现替考勤的现象。它比指纹识别的好处在于,精度比指纹高。而且,由于有10个指头,这里为指纹考勤的作弊埋下伏笔。所以虹膜考勤可以大大减少替考现象,使得职员竞争更加公平,而且使用方便,速度很快。
本发明可以应用于智能家居:如:在小区门禁或者房门安装此系统,可以对来访人员进行身份验证,这样当住户进入小区或者进入房门时,只需要将眼睛在虹膜采集系统前前后移动一下,基于该采集系统开发的设备就会识别出该住户,并且会发出“某某先生(女士),欢迎回家”的声音,并且该系统可以根据时间、天气的变化,改变声音内容,让住户从一大堆门卡、钥匙中解放出来。
Claims (8)
1.一种基于相关函数匹配的快速稳健的虹膜识别方法,它由以下步骤实现:
步骤一、系统初始化;选择工作模式为识别模式;
步骤二、采用虹膜采集系统采集待识别者的一张虹膜图像;
步骤三、对步骤二获得的虹膜图像进行预处理;
步骤四、对经步骤三预处理后的虹膜图像进行虹膜的局部纹理提取,获得该图像的虹膜代码;
步骤五、从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配;并比较从虹膜数据库中取出的虹膜代码与步骤四获得的虹膜代码的相似度阈值;
步骤六、判断获得的相似度阈值是否大于预定阈值,如果判断结果为是,则执行步骤七一;如果判断结果为否,则执行步骤七二;
步骤七一、将从虹膜数据库中取出的虹膜代码对应的信息作为待识别者的信息,完成虹膜识别过程;
步骤七二、判断虹膜数据库中是否还有未取出的虹膜代码,如果判断结果为是,则返回执行步骤五;如果判断结果为否,则执行步骤八;
步骤八、认定该待识别者为非注册人员,完成虹膜识别过程;
步骤五中所述的虹膜数据库的建立过程为:对于每个待注册者,均采用以下操作实现建立虹膜数据库:
步骤A1、系统初始化;选择工作模式为注册模式;
步骤A2、采用虹膜采集系统连续采集待注册者的三张虹膜图像;
步骤A3、对步骤A2获得的每张虹膜图像进行预处理;
步骤A4、对步骤A3进行预处理后的每张虹膜图像进行虹膜的局部纹理提取;获得每张虹膜图像的虹膜代码,共三组;
步骤A5、将步骤A4中获得的三组虹膜代码两两比对,选取一组与其它两组虹膜代码相似度最小的虹膜作为该待注册者的参考虹膜代码信息存入虹膜数据库;
逐一对每位待注册者执行步骤A2至A5,实现虹膜数据库的建立;
其特征是:步骤三、步骤A3中所述对虹膜图像进行预处理的方法是:
步骤B1、在开放软件OpenCV下,采用经Harr-like特征和Boosting训练后的瞳孔分类器对虹膜图像进行检测,选出虹膜有效区域,去除其它区域后将图像做归一化处理,获得合理尺寸的虹膜图像;
步骤B2、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信 息;
步骤B3、检测并去除步骤B1所述的合理尺寸的虹膜图像中的高光,其具体方法是:采用步骤B2获得的虹膜内边缘信息结合双线性插值法对步骤B1所述的合理尺寸的虹膜图像中的高光进行检测和去除;
步骤B4、采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息;
步骤B5、对步骤B1所述的合理尺寸的虹膜图像中虹膜图像进行上、下眼睑的检测和睫毛去除,所述上、下眼睑的检测的方法是:首先通过阈值法和微分图像获取眼睑的二值图像信息,然后通过迭代的方法选取有效边缘区域,从而拟合出上、下眼睑信息;获得上、下眼睑信息后,通过由上及下的连通区域检测方法标记并去除睫毛区域;
步骤B6、将步骤B2获得的合理尺寸的虹膜图像中的虹膜内边缘信息和步骤B4获得的合理尺寸的虹膜图像中的虹膜外边缘信息进行虹膜归一化处理,将虹膜内、外边缘所在的两个不同心圆归一化为一个矩形区域,并采用二值化图像标记无效区域,所述无效区域包括标记处的眼睑、高光、睫毛信息,完成对虹膜图像的预处理。
2.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤B2中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜内边缘信息,其方法是:采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其步骤为:
C1、基于自动阈值的方法来确定合理尺寸的虹膜图像中虹膜的二值分割图像;
C2、在步骤C1获得的二值分割图像中,通过求取连通区域的方法消除干扰因素的影响;所述干扰因素包括睫毛、高光或阴影;
C3、通过几何方法求取经步骤C2去除干扰因素后的虹膜内边缘的参数信息。
3.根据权利要求2所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于所述采用自动基于自动阈值与图像连通区域求取的虹膜内边缘信息,其具体方法是:
步骤D1、求取虹膜图像的直方图;
步骤D2、选取滤波器[0.1 0.2 0.4 0.2 0.1]对步骤D1中的直方图进行高斯滤波,去除小波谷;
步骤D3、检测经步骤D2滤波后的直方图的波谷个数;
步骤D4、判断步骤D3获得的波谷的数量是否大于或小于两个,如果判断结果为是,则返回执行步骤D2;如果判断结果为否,则执行步骤D5;
步骤D5、选取第一个波谷作为阈值对虹膜图像进行二值分割,获得二值图像,所述二值图像包括瞳孔、睫毛、高光干扰;
步骤D6、标记步骤D5获得的二值图像所有的连通区域,并通过比较获得最大的连通区域;
步骤D7、首先对步骤D6中获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括离瞳孔较远且与瞳孔不相连的干扰区域;然后对二值化处理后的图像求反,获得反向二值图像;所述反向二值图像中瞳孔内部的普尔钦斑就会被瞳孔分割包围,而瞳孔外部的区域为最大的连通区域;
步骤D8、标记步骤D7中获得的反向二值图像中所有的连通区域,并通过比较获得最大的连通区域;
步骤D9、对步骤D8获得的最大的连通区域进行二值化处理,处理后,这个连通区域不再包括瞳孔内部的普尔钦斑;然后对图像再次求反,获得再次求反后的二值图像;所述再次求反后的二值图像的瞳孔区域为实心区域;
步骤D10、采用几何方法估计步骤D9中再次求反后的二值图像中瞳孔的圆心和半径;
步骤D11、以步骤D10中获得的圆心和半径作圆,求取落在圆外的有效像素占圆形面积的比例;
步骤D12、判断步骤D11中获得的比例是否大于预设上限阈值,如果判断结果为是,则执行步骤D121;如果判断结果为否,则执行步骤D13;
步骤D121、该瞳孔区域的分割错误,舍弃该虹膜图像;
步骤D13、判断步骤D11中获得的比例是否大于预设下限阈值,如果判断结果为否,则返回执行步骤D10;如果判断结果为是,则执行步骤D14;
步骤D14、认为有较多睫毛影响了瞳孔区域,计算并去除超出瞳孔区域的像素,并将瞳孔区域的圆心和半径值作为虹膜内边缘信息。
4.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其方法是:
步骤E1、根据步骤B1所述的合理尺寸的虹膜图像中的瞳孔的边缘信息获取瞳孔外边缘的圆心、半径的初定范围;
步骤E2、通过积分微分算子缩小步骤E1获得的半径的取值范围;
步骤E3、通过微分积分算子获取最终的虹膜外边缘信息。
5.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤B4中所述采用圆形拟合法拟合步骤B1所述的合理尺寸的虹膜图像中的虹膜外边缘信息,其具体方法是:
步骤F1、根据瞳孔的信息对虹膜外边缘进行粗定位,确定虹膜外边缘的半径搜索范围;
步骤F2、使用积分微分算子缩小步骤F1中确定的虹膜外边缘半径的搜索范围;
步骤F3、对虹膜图像进行微分处理,所述微分处理的方法是:采用一维高斯的一阶导数组成的滤波器[0.0083 0.0677 0.1516 0 -0.1516 -0.0677 -0.0083]对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内进行二值化处理,获得二值图像,从而获得虹膜外边缘;
步骤F4、采用积分算子对二值图像中虹膜外边缘的圆心和半径进行搜索,获得虹膜的外边缘参数。
6.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤B5中所述对步骤B1所述的合理尺寸的虹膜图像中虹膜图像进行上、下眼睑的检测和睫毛去除,所述上、下眼睑检测和睫毛去除的具体方法是:
步骤G1、根据拟合的虹膜内、外边缘的对应的圆确定有效区域;
步骤G2、保留步骤G1确定的有效区域内的像素信息,将其它像素全部置0;
步骤G3、对步骤G2处理后的图像采用微分方法进行处理,所述微分方法是:使用一维高斯的一阶导数组成的滤波器[0.0083 0.0677 0.1516 0 -0.1516 -0.0677 -0.0083]对虹膜图像分别作横向与纵向的滤波,并求取幅值,将获得的幅值在预设阈值范围内进行二值化处理,获得二值图像,从而获得眼睑的边缘;
步骤G4、采用形态学的腐蚀方法去除经步骤G3处理后的图像的干扰点,再通过虹膜内、外的边缘信息去除虹膜内、外边缘留下的干扰点;
步骤G5、保留瞳孔圆心位置以上的像素信息,其余的全部去除;
步骤G6、判断步骤G5中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G7;如果判断结果为否,则认为上眼睑不存在,执行步骤G10;
步骤G7、采用最小二乘法拟合步骤G5中的所有像素,获得二次曲线;
步骤G8、判断所有的像素与步骤G7获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G10;如果判断结果为否,则执行步骤G9;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G9、去除大于预设阈值的像素;并保存上眼睑的二次曲线的参数;
步骤G10、保留瞳孔圆心位置以下的像素信息,其余的全部去除;
步骤G11、判断步骤G10中的有效像素个数是否大于预设阈值,如果判断结果为是,则执行步骤G12;如果判断结果为否,则认为下眼睑不存在,执行步骤G15;
步骤G12、采用最小二乘法拟合步骤G10中的所有像素,获得二次曲线;
步骤G13、判断所有的像素与步骤G12获得的二次曲线的距离是否小于阈值,如果判断结果为是,则执行步骤G15;如果判断结果为否,则执行步骤G14;其中阈值是所有像素与二次曲线的平均距离与方差之和;
步骤G14、去除大于预设阈值的像素;并保存下眼睑的二次曲线的参数;
步骤G15、获取根据拟合虹膜内、外边缘对应的圆与拟合上、下眼睑的二次曲线确定的有效封闭区域;所述有效区域的确定方法为:当上、下眼睑均不存在时,将拟合虹膜内、外边缘对应的圆形成的封闭区域作为有效区域;当只存在上眼睑或下眼睑时,将拟合虹膜外边缘对应的圆与上眼睑的二次曲线或下眼睑的二次曲线形成交集的区域作为无效区域,虹膜内、外边缘对应的圆形成的封闭区域的其余区域作为有效区域;当同时存在上眼睑或下眼睑时,将上眼睑的二次曲线和下眼睑的二次曲线形成的区域与拟合虹膜内、外边缘对应的圆的交集作为有效区域;
步骤G16、将有效区域以外的区域全部标记为黑色,保留有效区域以内的原图像像素;
步骤G17、根据获得的有效区域内的灰度分布获得阈值,将低于该阈值的区域全部涂黑;
步骤G18、输出拟合上、下眼睑的二次曲线参数并去除睫毛区域。
7.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤四和步骤A4中所述的虹膜的局部纹理提取的具体方法是:
步骤H1、去除归一化后的虹膜图像的部分信息,所述信息为受睫毛、眼睑的影响的虹膜的下边缘信息;
步骤H2、用局部背景灰度估计法估计步骤H1获得图像的背景灰度,并采用高斯滤波法进行滤波,获得平滑的背景灰度估计图;
步骤H3、将步骤H1中获得的归一化后的虹膜图片减去步骤H2获得的背景灰度估计图获得增强的虹膜纹理图;
步骤H4、将步骤H3获得的增强的虹膜纹理图中的每四行像素分别求取平均,再根据所有平均值计算获得图像的平均灰度,根据所述平均灰度降低图像分割偏差的影响;然后采用一维信号对图像进行滤波;并求取一维信号对应的局部纹理信息;
对于每一行信息,信号上升时取‘1’,信号下降时取‘0’,对标记的非有效区域全部取‘-1’。
8.根据权利要求1所述的一种基于相关函数匹配的快速稳健的虹膜识别方法,其特征在于步骤五中所述从虹膜数据库中取出一组虹膜代码,与步骤四获得的虹膜代码进行匹配的具体方法是:
步骤I1、对两个待匹配的虹膜代码逐行取出组成匹配的正向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个正向信号;
步骤I2、对步骤I1获得的两个正向信号进行匹配,取出移位后匹配的最大值;
步骤I3、对两个待匹配的虹膜代码逐行取出组成匹配的反向信号,按照代码是‘1’,信号的相应位置为‘1’,代码为‘0’或‘-1’,则信号代码为‘0’的原则得到两个反向信号;
步骤 I4、对两个反向信号进行匹配,取出移位后匹配的最大值;
步骤I5、将每一行对应的匹配的两个匹配最大值相加,即得到了每一行的信号的匹配值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110033517 CN102043954B (zh) | 2011-01-30 | 2011-01-30 | 一种基于相关函数匹配的快速稳健的虹膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110033517 CN102043954B (zh) | 2011-01-30 | 2011-01-30 | 一种基于相关函数匹配的快速稳健的虹膜识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102043954A CN102043954A (zh) | 2011-05-04 |
CN102043954B true CN102043954B (zh) | 2013-09-04 |
Family
ID=43910082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110033517 Expired - Fee Related CN102043954B (zh) | 2011-01-30 | 2011-01-30 | 一种基于相关函数匹配的快速稳健的虹膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102043954B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102334209B1 (ko) * | 2015-06-15 | 2021-12-02 | 삼성전자주식회사 | 사용자 인증 방법 및 이를 지원하는 전자장치 |
CN105550625B (zh) * | 2015-06-30 | 2018-12-25 | 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 |
CN105404851A (zh) * | 2015-10-23 | 2016-03-16 | 北京无线电计量测试研究所 | 一种基于中值滤波的虹膜图像睫毛干扰检测方法 |
CN106203262A (zh) * | 2016-06-27 | 2016-12-07 | 辽宁工程技术大学 | 一种基于眼睑曲线相似度与眼型指数的眼型分类方法 |
CN106558055B (zh) * | 2016-11-11 | 2019-07-30 | 江苏理工学院 | 基于二次曲线拟合的图像复杂度的灰度图像分割方法 |
CN107833251B (zh) * | 2017-11-13 | 2020-12-04 | 京东方科技集团股份有限公司 | 瞳孔定位装置和方法、虚拟现实设备的显示驱动器 |
CN108734085A (zh) * | 2018-03-27 | 2018-11-02 | 中国银联股份有限公司 | 虹膜识别方法及虹膜识别系统 |
CN109359503B (zh) * | 2018-08-15 | 2022-07-01 | 温州生物材料与工程研究所 | 瞳孔识别图像处理方法 |
CN109190548B (zh) * | 2018-08-28 | 2021-04-20 | 武汉真元生物数据有限公司 | 基于gabor滤波的快速眼睑检测方法及系统 |
CN109764356B (zh) * | 2019-02-01 | 2024-04-05 | 佛山职业技术学院 | 一种激光打火机及控制方法 |
CN110279391B (zh) * | 2019-05-30 | 2021-11-30 | 汕头市荣亮科技有限公司 | 便携红外相机视力检测算法 |
CN110427108A (zh) * | 2019-07-26 | 2019-11-08 | Oppo广东移动通信有限公司 | 基于眼球追踪的拍照方法及相关产品 |
CN110516661B (zh) * | 2019-10-21 | 2020-05-05 | 武汉虹识技术有限公司 | 应用于虹膜识别的美瞳检测方法及装置 |
CN111008818A (zh) * | 2019-11-28 | 2020-04-14 | 深圳市智微智能软件开发有限公司 | Eop签核管理方法及系统 |
WO2023088069A1 (zh) * | 2021-11-19 | 2023-05-25 | 北京眼神智能科技有限公司 | 虹膜识别方法、装置、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1237117B1 (en) * | 2001-02-28 | 2006-09-06 | Matsushita Electric Industrial Co., Ltd. | Personal authentication method and device |
CN101073090A (zh) * | 2004-11-22 | 2007-11-14 | 虹膜技术公司 | 用于虹膜识别的多级可变域分解方法和系统 |
CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
CN101540000A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于纹理基元统计特性分析的虹膜分类方法 |
-
2011
- 2011-01-30 CN CN 201110033517 patent/CN102043954B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1237117B1 (en) * | 2001-02-28 | 2006-09-06 | Matsushita Electric Industrial Co., Ltd. | Personal authentication method and device |
CN101073090A (zh) * | 2004-11-22 | 2007-11-14 | 虹膜技术公司 | 用于虹膜识别的多级可变域分解方法和系统 |
CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
CN101540000A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于纹理基元统计特性分析的虹膜分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102043954A (zh) | 2011-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102043954B (zh) | 一种基于相关函数匹配的快速稳健的虹膜识别方法 | |
CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN102879401B (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN106203294B (zh) | 基于人脸属性分析的人证合一身份验证方法 | |
CN100485710C (zh) | 利用数字图像处理技术识别车辆类型的方法 | |
CN102043961B (zh) | 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN100373396C (zh) | 基于图像分割和二维小波变换的虹膜识别方法 | |
CN107748877A (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
CN103593598A (zh) | 基于活体检测和人脸识别的用户在线认证方法及系统 | |
CN101604384B (zh) | 个性化指纹识别方法 | |
CN101916362A (zh) | 一种虹膜定位方法及虹膜识别系统 | |
CN108986038A (zh) | 一种基于改进Hough变换的轮毂轮廓检测方法 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN106228118A (zh) | 一种特征点和二值图像结合的手指静脉识别方法 | |
CN106652112A (zh) | 一种智能化多功能门锁及控制系统和控制方法 | |
CN103679136A (zh) | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 | |
CN103530642B (zh) | 雷管自动识别机以及雷管编码图像识别方法 | |
Li | An Iris recognition algorithm based on coarse and fine location | |
CN109815780A (zh) | 一种基于图像处理的高精度指纹识别方法及系统 | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
CN102567708A (zh) | 生物特征提取方法、装置及生物识别方法、系统 | |
CN104573628A (zh) | 一种三维人脸识别方法 | |
CN106909880A (zh) | 人脸识别中的人脸图像预处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130904 Termination date: 20140130 |