CN102549599A - 用于生成并使用短长度虹膜代码的系统和方法 - Google Patents

用于生成并使用短长度虹膜代码的系统和方法 Download PDF

Info

Publication number
CN102549599A
CN102549599A CN2010800422291A CN201080042229A CN102549599A CN 102549599 A CN102549599 A CN 102549599A CN 2010800422291 A CN2010800422291 A CN 2010800422291A CN 201080042229 A CN201080042229 A CN 201080042229A CN 102549599 A CN102549599 A CN 102549599A
Authority
CN
China
Prior art keywords
iris
code
row
subclass
computer
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
CN2010800422291A
Other languages
English (en)
Other versions
CN102549599B (zh
Inventor
J·H·康奈尔
J·E·金泰尔
N·K·拉坦
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN102549599A publication Critical patent/CN102549599A/zh
Application granted granted Critical
Publication of CN102549599B publication Critical patent/CN102549599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于基于虹膜图像数据库(502)生成紧凑虹膜表示的系统和方法，包括提供数据库中的虹膜图像的全长度虹膜代码(504)，其中所述全长度虹膜代码包括与关联虹膜图像中的周向环对应的多个部分。使用处理器(512)针对所述全长度虹膜代码计算真实分数分布和虚假分数分布，并识别具有相对于阈值提供虚假分布与真实分布之间的分离的贡献的代码部分(514)。测量剩余代码部分之间的相关性。生成代码部分的子集，所述代码部分在该子集内具有低相关性，以便产生紧凑虹膜表示。

Description

用于生成并使用短长度虹膜代码的系统和方法
技术领域
本发明涉及虹膜识别，更具体地说，涉及使用减少的虹膜代码以实现更有效的虹膜比较的系统和方法。
背景技术
已证实人类虹膜的纹理具有优良的个体独特性且因此适用于可靠识别。常规虹膜识别系统展开虹膜图像且通过量化应用于此图像的各行的选定滤波器的响应来生成二进制特征向量。
虹膜可被分段且展开为矩形图像。通过应用伽柏(Gabor)滤波器组而从展开后的虹膜提取纹理。将此纹理编码为二进制图像，称为虹膜代码，其充当用于识别的特征向量。虹膜的一些区域与其他区域相比提供更一致的纹理。例如，瞳孔扩张使得瞳孔附近的纹理特别易变，且睫毛或眼睑的存在(如果它们未经适当遮蔽(mask out))可显著更改虹膜代码的外观。此外，径向展开技术趋于对最靠近瞳孔的区域增加采样，而对虹膜与巩膜接合的区域减少采样。中间虹膜中的带提供更个人化描述。此区域映射至虹膜的睫状体区。
已进行一些尝试隔离不一致(脆弱)或(反言之)稳定性较低的虹膜代码区域的工作。这些研究直接着眼于最终二进制表示。通过分析同一眼睛的若干二进制虹膜代码且对位为1或0的次数进行计数来发现不一致位。当遮蔽具有高可变性的位时，错误拒绝率降低。此工作发现图库(gallery)中每个人的脆弱位掩码(mask)。
其他研究人员检查较小虹膜代码对识别的影响且自虹膜的外环及内环生成虹膜代码。这些技术依据经验展示较靠近瞳孔的纹理可比较靠近巩膜的纹理在识别方面性能较佳。类似地，调节采样率以生成较小的虹膜代码。这些方法通过调节展开虹膜的方式来减小虹膜代码的大小，但这些工作未能断言当在虹膜识别情形下处理时应偏好虹膜的任何部分。
已进行一些尝试隔离不一致(脆弱)或(反言之)较具辨识力的虹膜代码区域的工作。这些研究直接着眼于最终二进制表示。通过分析同一眼睛的若干二进制虹膜代码且对位为1或0的次数进行计数来发现不一致位。调节采样率以生成较小的虹膜代码。然而，这些方法通过调节展开虹膜的方式来减小虹膜代码的大小。这些技术改变虹膜代码的格式，从而损害表示的回溯兼容性(例如，关于旋转补偿)。
发明内容
一种用于基于虹膜图像数据库生成紧凑虹膜表示的系统和方法，包括提供数据库中的虹膜图像的全长度虹膜代码，其中所述全长度虹膜代码包括与关联虹膜图像中的周向环对应的多个部分。针对所述全长度虹膜代码中的每个行计算真实(genuine)分数分布和虚假(imposter)分数分布，并识别具有相对于阈值提供虚假分布与真实分布之间的分离的贡献的代码部分。测量剩余代码部分之间的相关性以估计适合的采样率。生成代码部分的子集，所述代码部分在该子集内具有低相关性，以便产生紧凑虹膜表示。
一种用于基于虹膜图像数据库生成紧凑虹膜表示的系统，包括：数据库，其配置为存储所有虹膜图像的全长度虹膜代码，其中每个虹膜代码包括与关联虹膜图像中的周向环对应的多个部分；以及处理器，其配置为针对虹膜代码的所述部分计算真实分数分布和虚假分数分布并确定所述虹膜代码中的哪些代码部分对虚假分布与真实分布之间的分离提供最高贡献，所述处理器配置为测量剩余代码部分之间的相关性以确定所述代码部分的子集，所述代码部分在该子集内具有低相关性，以便从该子集生成紧凑虹膜表示。
从结合附图阅读的本发明的说明性实施例的以下详细描述，本发明的这些和其他特征和优点将变得显而易见。
附图说明
本发明将参考附图在优选实施例的以下描述中提供细节，这些附图是：
图1是示出虹膜代码的生成的图；
图2示出两种眼睛旋转的实例；
图3A示出配对虹膜及非配对虹膜的分数分布的曲线；
图3B示出配对分数及非配对分数的累积概率对分数的曲线，其还示出0.90KS距离；
图4是示出分布分离对虹膜位置且进一步描绘具有最高分离的相关区域的眼睛图像的曲线图；
图5是根据一个实施例的用于产生紧凑虹膜代码的系统/方法的方块/流程图；
图6是用于示出行的局部相关性的相关性测量对行偏移的曲线图；
图7是示出根据一个实施例的FLIC变换为SLIC的图；
图8是根据另一实施例的用于产生紧凑虹膜代码的系统/方法的方块/流程图；以及
图9是根据一个有用实施例的用于生成紧凑虹膜代码的系统的方块/流程图。
具体实施方式
根据本发明原理，通过在虹膜中定位高辨识力信息区域来减小虹膜代码。得到的变换减小虹膜代码的大小。在一个实施例中，获得比全长度虹膜代码(FLIC)小至少11.8倍的短长度虹膜代码(SLIC)。本发明原理寻求通过发现含有最高描述潜力(descriptive potential)的虹膜区域来缩减虹膜表示。本发明的发明者经由实验展示接近瞳孔及巩膜的区域对辨别所起作用最小且相邻径向环之间存在高相关性。
使用这些观测结果，获得仅具有450个字节的短长度虹膜代码(SLIC)。SLIC比FLIC小一个数量级且性能仍相当。大小较小的表示具有易于存储为条形码以及减少每对的匹配时间的优点。本发明原理使用统计技术减小标准矩形采样虹膜代码的大小。保持相同格式可增强表示的回溯兼容性(例如，关于旋转补偿)，而较小虹膜代码意谓系统执行较快及存储器要求降低。
所属技术领域的技术人员知道，本发明可以体现为系统、方法或计算机程序产品。因此，本发明可以具体实现为以下形式，即，可以是完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、或者本文一般称为“电路”、“模块”或“系统”的软件部分与硬件部分的组合。此外，本发明还可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，该介质中包含计算机可用的程序码。
可以使用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质，计算机可读存储介质例如可以是(但不限于)电的、磁的、光的、电磁的、红外线的、或半导体的系统、装置、器件、或前述各项的任何适当的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括以下：有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或前述各项的任何适当的组合。在本文语境中，计算机可读存储介质可以是任何含有或存储供指令执行系统、装置或器件使用的或与指令执行系统、装置或器件相联系的程序的有形介质。
计算机可读信号介质可以包括例如在基带中或作为载波的一部分传播的带有计算机可读程序代码的数据信号。这样一种传播信号可以采取任何适当的形式，包括-但不限于-电磁的、光的或其任何适当的组合。计算机可读信号介质可以是不同于计算机可读存储介质的、可以传达、传播或传输供指令执行系统、装置或器件使用的或与指令执行系统、装置或器件相联系的程序的任何一种计算机可读介质。
包含在计算机可读介质中的程序代码可以采用任何适当的介质传输，包括-但不限于-无线、有线、光缆、射频等、或上述各项的任何适当的组合。
用于执行本发明的操作的计算机程序码，可以以一种或多种程序设计语言的任何组合来编写，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++之类，还包括常规的过程式程序设计语言-诸如“C”程序设计语言或类似的程序设计语言。程序码可以完全地在用户的计算上执行、部分地在用户的计算机上执行、作为一个独立的软件包执行、部分在用户的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一种情形中，远程计算机可以通过任何种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户的计算机，或者，可以(例如利用因特网服务提供商来通过因特网)连接到外部计算机。
以下参照按照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。要明白的是，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，使得通过计算机或其他可编程数据处理装置执行的这些指令，产生实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能指令计算机或其他可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令产生一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instruction means)的制造品。
也可以将计算机程序指令加载到计算机或其他可编程数据处理装置上，使得在计算机或其他可编程装置或设备上执行一系列操作步骤，以产生计算机实现的过程，从而在计算机或其他可编程装置上执行的指令就提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
现在参照附图，其中相同数字表示相同或类似元素，最初参照图1，虹膜代码102是虹膜识别系统100中的个体描述符。虹膜代码102是编码虹膜的纹理的二进制图像。生成虹膜代码的各阶段包括：在方块110中展开虹膜，在方块112中计算眼睑遮蔽，及生成全长度虹膜代码102。为生成虹膜代码，首先自图像将虹膜分段并且非刚性地展开为矩形模板(template)113。接着，两个滤波器掩码115及117在展开后的虹膜上执行卷积(编码120)且每一像素的响应的符号用于编码该像素。奇数滤波器115的全体响应称为虹膜代码的实部(RE)，而偶数滤波器117的响应称为虚部(IM)(例如，分别为边缘检测内核滤波器和条形检测内核滤波器)。在原始图像中眼睑遮掩一个像素(例如，“咬合口(bite)”116)的情况下，在虹膜代码中从比较移除该像素。存在关于此方案的许多变型。
在识别中，如果两个虹膜代码之间的正规化汉明距离(Hammingdistance)小于预定阈值，则认为两个虹膜代码匹配(对应于同一眼睛)。正规化汉明距离是在代码之间不同的未遮蔽位的数目除以未遮蔽位的总数。关于具有遮掩掩码的两个虹膜代码之间的正规化汉明距离的等式为：
虹膜识别系统100还需要通过对准虹膜代码来补偿旋转的改变。由于在获取时头部相对于相机倾斜，所以同一眼睛的两个代码可以不同。
参照图2，说明性地展示在具有显著不同倾斜的情况下同一眼睛的两个实例(140及142)。为校正有效对的成员之间的相对旋转，在所定义旋转范围内以一个虹膜代码相对于另一虹膜代码的每一可能线性移位(等效于固定旋转)计算汉明距离。当虹膜代码之间的距离最小时，认为代码对准，且使用此距离作为匹配分数。
在一个1:N(识别)系统中，将探测虹膜代码与图库(个体数据库)中的每一元素匹配。探测识别码按照其与图库实例的距离来分配。这是一种计算密集的运算且随着考虑较大图库集合而线性地增长。
位运算的数目为：bops＝N·h·w·θ(2)，其中h为虹膜代码的高度，w为其宽度，θ为用于对准校正的移位数目且N为图库图像的数目。当h＝128，w＝360，θ＝20且N＝10,000(中等大小的数据库)时，位运算的数目为180亿。减小虹膜代码中特征的数目或图库大小将减小逐位运算的数目且因此提高识别系统的速度。应注意，将虹膜代码的高度减小一个数量级将导致快一个数量级的匹配系统。
本发明原理在不实质上损害性能的情况下减小虹膜代码的大小。这通过定位并提取最佳地编码识别码的全局纹理来实现。基本方法与所使用的数据集、分段器或编码无关。
定位辨识信息：虹膜识别系统(100)通过确定两个已对准代码之间的距离的阈值来判定匹配。配对的对之间的距离应小于非配对的对之间的距离。配对的对是来自同一眼睛的两个代码的集合，而非配对的对是来自不同眼睛的两个代码的集合。使用汉明距离的配对分布和非配对分布(分数分布)来可视化识别系统的可能操作。
参照图3A及3B，其中描绘了配对分数分布和非配对分数分布的两个集合。在良好的识别系统146中，所有配对分数147均低于决策阈值148且非配对分数149高于阈值148。在不良的识别系统150中，存在高于决策阈值152的配对分数151及低于阈值152的非配对分数153。因此，映射至直方图的这些区域151及153的虹膜比较将引起误差。
在图3B中，每一行的辨识容量(discriminatory capacity)是其促进配对分数分布与非配对分数分布之间的整体分离的能力。建议使用克默果夫-史密洛夫(Kolmogorov-Smirnov，KS)分析来测量每一行的容量。KS分析返回沿域的给定点处的累积分布函数(CDF)之间的距离。以等式表示：KS(rowi)＝CDFM(rowi)-CDFNM(rowi)(3)，其中CDFM及CDFNM分别是配对分数和非配对分数的累积分布。对于我们的工作，在配对CDF处于0.9(即，90％的配对的对的距离低于此阈值)时测量配对CDF与非配对CDF的差异。就识别而言，KS距离是真正率(true positive rate)为0.9时的真负率(truenegative rate)。
假设虹膜的各区域的KS距离将不同。接近瞳孔的区是易变的，这是因为其随着扩张(不准确分段)而波动，因此其将具有较低辨识容量。
参照图4，虹膜中间的带158将具有高信息含量(相关区域)，因为其富含大量静态纹理。最靠近巩膜的区域缺乏纹理，所以其可能具有较低值(由于不准确展开，其也可以是较多变的)。具有最高个体KS分数的区域对完全分布之间的分离提供最大贡献且因此对识别而言最有价值。
KS分析将着重于虹膜内的相关宽环形区域160。此相关区域160可通过对其中的纹理进行二次采样以确定子样本162而进一步减小。具体地说，虹膜代码(环)中的一行可能并不与其上方或下方的行存在很大不同。然而，为了对相关区域160进行适当二次采样，需要理解纹理的局部性。为此，测量虹膜代码中的每一行与所有其他行的相关性。所使用的相关性测量简单地为：
Figure BDA0000145847680000081
或，等效地Cor(i，j)＝1-HD(rowi，rowj)    (5)。
相关性分析展示相距至多某一距离的邻近行之间的高局部相关性。因此，相关邻近区域的宽度将指示适当行采样率。
通过使用上文的分析方法，开发将全长度虹膜代码(FLIC)转换为短长度虹膜代码(SLIC)的变换。初始KS分析将着重于相关区域，且对该区域的均匀采样将提取最佳地编码识别码的特征。样本将富含全局纹理且具有高辨识容量。所得到的SLIC将具有导致较快识别的较小覆盖区(footprint)且应具有大致相同的性能。
参照图5，说明性地示出了显示从FLIC构造SLIC的方块/流程图。使用已知数据集测试所提议的方法。此数据库具有92只眼睛的5种图像。为了自这些图像生成虹膜代码，首先将虹膜分段且展开。将数据库中的所有图像分段。对展开的纹理及遮蔽的目视检验将移除不良分段的实例。所得到的数据库是具有作者确定为被充分分段和编码的85只眼睛的子集。
使用一维对数伽柏滤波器组(bank of 1D log Gabor filter)从展开后的虹膜提取纹理。初始展开的虹膜图像为360×64像素且虹膜代码为360×128。此全长度虹膜代码(FLIC)的一半对应于来自滤波器组的实且一半对应于虚部。
将“纯净”子集进一步划分为训练集合和测试集合。训练集合用于以下各节中的所有分析，而保留测试集合以进一步验证预测。总共23只眼睛(115个代码)用于推断统计。接着将所有85只眼睛用于测试。
在方块202中，通过首先生成一个所有已对准对集合来确定FLIC至SLIC变换的参数。这包括产生配对的虹膜代码对和非配对的虹膜代码对。在方块204中，从115个虹膜代码，发现所有对(来自同一个体和来自不同人)的对准。在方块206中，针对已对准代码中的所有行计算汉明距离。在方块208中，使用最小汉明距离作为准则，且使用至多180度的补偿范围来分析每一行的匹配分数分布和非匹配分数分布(例如，相对于一个代码移位另一代码，使得正规化汉明距离最小化)。如果两个代码之间的距离较小，则认为它们来自同一人的同一只眼睛。在确定全部位的数目中不同位的数目的情况下使用正规化汉明距离。将源自同一眼睛的代码对标记为配对且将来自不同眼睛的代码对标记为非配对。
在方块210中，通过如等式3所描述的KS分析来测量虹膜代码中的每一行的辨识容量。在此曲线中，虹膜代码的实部与虚部两者均具有相同的总体形状。与映射至虹膜的中间区域的行相比，接近于瞳孔及巩膜的区域被示为具有较低辨识容量。例如，从此曲线可确定主要相关区域在虹膜代码的实部与虚部两者的第10行与第52行之间。选择具有最高辨识容量的行。在方块212中，使用选定行以用于索引或快速虹膜识别。
可推论出：对相关区域进行均匀采样将是足够的。为证明此推论且确定足够采样率，检验虹膜代码中的纹理图案的局部相关性。生成训练集合中的每一虹膜代码的所有行的相关性矩阵。通过跨所有训练实例使矩阵的每一元素平均化来生成平均相关性矩阵。接着使用主对角线周围的投影以生成图6中的曲线。从此曲线可见，在约10个行后相关性减弱，从而表明隔开如此远的行含有实质上不同的信息。
参照图7，说明性地描绘了短虹膜表示302。短长度虹膜代码(SLIC)变换315是优选对虹膜的中带进行采样的代码级操作。通过定位及提取具有高辨识容量的虹膜代码区域来生成SLIC 302，意谓这些行对分离匹配对与非匹配对起最大作用。由于瞳孔的生理机能，所以在虹膜代码中识别“有用”行。
从训练虹膜代码对的集合，优选执行克默果夫-史密洛夫分析以定位虹膜代码中具有最多信息含量的行。本发明的发明者发现虹膜的中心部分(映射至虹膜代码的中间行)是辨识纹理的主体所驻留的区域。接着，对此区域中的行均匀采样以产生新的较短虹膜代码。在一个实例中，将FLIC 340(360×128像素)减小为SLIC 302中的360×10像素。
为了选择“有用”行，使用一个训练数据集合。通过使用可用虹膜图像分析工具，产生全长度虹膜代码(FLIC)340。本发明的方法从FLIC 340产生SLIC 302。自训练集合学习关于如何从FLIC产生SLIC的信息。一旦已学习此过程，便可将其用于使用SLIC本身的虹膜代码的匹配处理。
通过应用所述方法，可通过消除对决策产生过程不起很大作用的冗余行来显著减小虹膜代码大小。在实验中，本发明给出是原始代码的1/10(例如，FLIC＝360×64×2＝5760个字节对SLIC＝360×5×2＝450个字节)但具有大致相同的匹配准确度的虹膜代码。这允许以诸如2D条形码的较小格式存储虹膜代码。由于待比较的位较少，因此所述方法亦可用于较快匹配虹膜代码。
因此，已描述生成较小但仍有效的虹膜代码的系统和方法。已说明性地使用KS统计来分析虹膜代码中的不同行的辨识容量。所述分析揭示第10行至第52行对配对分数分布与非配对分数分布的分离起最大作用。接着使用自相关索引以通过对此区域内的行进行采样(例如，每10行进行采样为足够的)来进一步减小虹膜代码大小。所测试的数据集在经验上展示所得到的短长度虹膜代码保持可与全长度虹膜代码相当的准确性。由于代码大小减小了一个数量级，因此整个系统相应较快且使用较少存储器。所导出的紧凑虹膜代码也更易于存储在智能卡、磁条、2D条形码等中。应注意，在常规系统中，存在关于将虹膜代码存储在便携介质(诸如，ID卡)上的问题。典型磁条保存几百个字节而2D条形码限于数千个字节。当前虹膜代码不适用于磁条且增加2D条形码技术的限制。智能卡可保存数千个字节，但通常不是全长度虹膜代码(360×128)所需的5.76Kb。
参照图8，根据一个实施例说明性地示出用于基于虹膜图像数据库生成紧凑虹膜表示的方法。在方块402中，在数据库中生成或提供虹膜图像的全长度虹膜代码，其中全长度虹膜代码包括与关联虹膜图像中的周向环对应的多个部分。这优选包括虹膜代码中的瞳孔与巩膜之间的相关区域。
在方块404中，针对全长度虹膜代码计算真实分数分布及虚假分数分布(参照(例如)图3)。在方块406中，识别具有相对于阈值提供虚假分布与真实分布之间的分离的贡献的代码部分。此步骤可包括计算已对准代码中的所有行的汉明距离，其中使用最小汉明距离作为分析每一行的真实分数分布及虚假分数分布的准则。优选针对虹膜代码的实部与虚部两者识别虹膜代码的各行中的代码部分(例如，虹膜代码中瞳孔与巩膜之间，且更具体地说(例如)第10行与第52行之间的部分)。在方块407中，可对相关区域中的行执行二次采样以进一步降低计算复杂性。
在方块408中，测量剩余代码部分之间的相关性。在方块410中，生成代码部分的子集，所述代码部分在该子集内具有低相关性，以便产生紧凑虹膜表示。此步骤包括确定虹膜代码中的各行的辨识容量。选择虹膜代码中对子集而言具有最高辨识容量的行。可通过克默果夫-史密洛夫(KS)分析来测量辨识容量。
在方块412中，使用此方法中获知的信息，可确定全长度虹膜代码至紧凑虹膜代码变换的参数。这提供可容易地转换所有全长度虹膜代码的方法。通过生成一个所有已对准对集合，可收集信息，该信息协助确定用于产生最佳紧凑虹膜代码的最佳行或位置。
参照图9，说明性地示出了用于基于虹膜图像的数据库生成紧凑虹膜表示的系统500。系统500可用于将FLIC代码变换成SLIC代码，或可用于生成执行此任务的变换。系统500包括数据库502，其配置为存储所有虹膜图像的全长度虹膜代码504。每一虹膜代码504包括与关联虹膜图像中的周向环对应的多个部分。可使用扫描仪或传感器510将图像搜集入数据库502中，但也可从存储设备、网络等下载图像。
处理器512配置为针对虹膜代码计算真实分数分布及虚假分数分布且确定虹膜代码的哪些代码部分对虚假分布与真实分布之间的分离提供最高贡献。此分离指示独特性。处理器512还配置为测量剩余代码部分之间的相关性以确定代码部分的子集，所述代码部分在该子集内具有最低相关性，以便从该子集生成紧凑虹膜表示514。子集信息提供用于在没有对准确度的任何显著损害情况下减小全长度虹膜代码的大小的高辨识力代码数据。紧凑虹膜代码可载入至设备上，诸如手持计算设备、电子设备或需要确定用户的安全性或识别码的任何设备。紧凑虹膜代码减小存储虹膜代码所需的存储空间量。这展现了在先前由于存储限制而不能使用此类技术的设备中使用虹膜识别的可能性。
在一个实施例中，系统500产生变换520以生成紧凑虹膜代码。变换520基于确定高辨识力信息中获知的信息将全长度虹膜代码转换为紧凑虹膜代码。变换520可用于其他设备以将FLIC转换为SLIC。这提供了转换FLIC数据库的简易方法。变换520可以是可逆的。
已描述用于生成及使用短长度虹膜代码的系统和方法的优选实施例(它们旨在是说明性且非限制性的)，应注意，本领域技术人员可鉴于以上教导而做出修改和变化。因此，应理解，可在所披露的特定实施例中进行在由所附权利要求书概述的本发明的范围内的改变。在以细节及专利法所需的特殊性而如此描述本发明的各方面后，在所附权利要求书中阐述所主张及要由专利证书保护的内容。

Claims (25)

1.一种用于基于虹膜图像数据库生成紧凑虹膜表示的方法，所述方法包括：
针对数据库中的虹膜图像的全长度虹膜代码计算(404)真实分数分布和虚假分数分布，其中所述全长度虹膜代码包括与关联虹膜图像中的周向环对应的多个部分；
识别并保留(406)具有相对于阈值提供虚假分布与真实分布之间的分离的贡献的代码部分；
测量(408)剩余代码部分之间的相关性；以及
生成(410)所述剩余代码部分的子集，所述剩余代码部分在该子集内具有低相关性，以便产生紧凑虹膜表示。
2.如权利要求1中所述的方法，还包括通过生成一个所有已对准对集合来确定(402)全长度虹膜代码至紧凑虹膜代码变换的参数。
3.如权利要求2中所述的方法，其中识别(406)代码部分包括：计算一个已对准代码中的所有行的汉明距离，其中将最小汉明距离用作分析每个行的真实分数分布和虚假分数分布的准则。
4.如权利要求1中所述的方法，其中所述分离基于虹膜代码中的各行的辨识容量。
5.如权利要求4中所述的方法，其中通过克默果夫-史密洛夫(KS)分析来测量辨识容量。
6.如权利要求1中所述的方法，其中生成(410)子集包括：选择虹膜代码中对于该子集具有最高辨识容量的行。
7.如权利要求6中所述的方法，其中通过克默果夫-史密洛夫(KS)分析来测量辨识容量。
8.如权利要求1中所述的方法，其中识别(406)代码部分包括：针对一个虹膜代码的实部和虚部两者识别该虹膜代码的各行中的代码部分。
9.如权利要求1中所述的方法，其中生成(410)代码部分的子集包括：对所述虹膜代码的第10行与第52行之间的相关区域中的行进行二次采样。
10.如权利要求1中所述的方法，其中生成(410)子集包括：计算来自同一虹膜图像的两个部分之间的汉明距离，以及在所述数据库中的所述虹膜图像上对此距离取平均值。
11.一种计算机可读存储介质，包括用于基于虹膜图像数据库生成紧凑虹膜表示的计算机可读程序，其中当在计算机上执行时，所述计算机可读程序使所述计算机执行以下步骤：
针对数据库中的虹膜图像的全长度虹膜代码计算(404)真实分数分布和虚假分数分布，其中所述全长度虹膜代码包括与关联虹膜图像中的周向环对应的多个部分；
识别并保留(406)具有相对于阈值提供虚假分布与真实分布之间的分离的贡献的代码部分；
测量(408)剩余代码部分之间的相关性；以及
生成(410)所述剩余代码部分的子集，所述剩余代码部分在该子集内具有低相关性，以便产生紧凑虹膜表示。
12.如权利要求11中所述的计算机可读存储介质，还包括通过生成一个所有已对准对集合来确定(402)全长度虹膜代码至紧凑虹膜代码变换的参数。
13.如权利要求12中所述的计算机可读存储介质，其中识别(406)代码部分包括：计算一个已对准代码中的所有行的汉明距离，其中将最小汉明距离用作分析每个行的真实分数分布和虚假分数分布的准则。
14.如权利要求11中所述的计算机可读存储介质，其中所述分离基于虹膜代码中的各行的辨识容量。
15.如权利要求14中所述的计算机可读存储介质，其中通过克默果夫-史密洛夫(KS)分析来测量辨识容量。
16.如权利要求11中所述的计算机可读存储介质，其中生成子集包括：选择虹膜代码中对于该子集具有最高辨识容量的行。
17.如权利要求16中所述的计算机可读存储介质，其中通过克默果夫-史密洛夫(KS)分析来测量辨识容量。
18.如权利要求11中所述的计算机可读存储介质，其中识别(406)代码部分包括：针对一个虹膜代码的实部和虚部两者识别该虹膜代码的各行中的代码部分。
19.如权利要求11中所述的计算机可读存储介质，其中生成(410)代码部分的子集包括：对所述虹膜代码的第10行与第52行之间的相关区域中的行进行二次采样。
20.如权利要求11中所述的计算机可读存储介质，其中生成子集包括：计算来自同一虹膜图像的两个部分之间的汉明距离，以及在所述数据库中的所述虹膜图像上对此距离取平均值。
21.一种用于基于虹膜图像数据库生成紧凑虹膜表示的系统，所述系统包括：
数据库(502)，其配置为存储所有虹膜图像的全长度虹膜代码(504)，其中每个虹膜代码包括与关联虹膜图像中的周向环对应的多个部分；以及
处理器(512)，其配置为针对虹膜代码(514)的所述部分计算真实分数分布和虚假分数分布并确定所述虹膜代码中的哪些代码部分对虚假分布与真实分布之间的分离提供最高贡献，所述处理器配置为测量剩余代码部分之间的相关性以确定所述代码部分的子集，所述代码部分在该子集内具有低相关性，以便从该子集生成紧凑虹膜表示。
22.如权利要求21中所述的系统，还包括从该子集生成的变换(520)以便生成紧凑虹膜代码。
23.如权利要求21中所述的系统，其中所述处理器执行用于通过计算一个已对准代码中的所有行的汉明距离来识别最高贡献代码部分的程序代码，其中将最小汉明距离用作分析每个行的真实分数分布和虚假分数分布的准则；以及所述代码部分的子集包括虹膜代码中的各行的最高辨识容量。
24.如权利要求23中所述的系统，其中通过克默果夫-史密洛夫(KS)分析来测量所述分离。
25.如权利要求21中所述的系统，其中具有最高贡献的代码部分包括在虹膜代码的实部与虚部两者的第10行与第52行之间的该虹膜代码的行。
CN201080042229.1A 2009-09-25 2010-07-30 用于生成并使用短长度虹膜代码的系统和方法 Active CN102549599B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/567,303 US10216995B2 (en) 2009-09-25 2009-09-25 System and method for generating and employing short length iris codes
US12/567,303 2009-09-25
PCT/US2010/043857 WO2011037685A1 (en) 2009-09-25 2010-07-30 System and method for generating and employing short length iris codes

Publications (2)

Publication Number Publication Date
CN102549599A true CN102549599A (zh) 2012-07-04
CN102549599B CN102549599B (zh) 2015-08-05

Family

ID=43780449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080042229.1A Active CN102549599B (zh) 2009-09-25 2010-07-30 用于生成并使用短长度虹膜代码的系统和方法

Country Status (7)

Country Link
US (3) US10216995B2 (zh)
JP (1) JP5596155B2 (zh)
CN (1) CN102549599B (zh)
DE (1) DE112010003796B4 (zh)
GB (1) GB2486129B (zh)
TW (1) TWI469059B (zh)
WO (1) WO2011037685A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110692062A (zh) * 2017-03-24 2020-01-14 奇跃公司 虹膜代码的累积和置信分配

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10216995B2 (en) * 2009-09-25 2019-02-26 International Business Machines Corporation System and method for generating and employing short length iris codes
EP3458997A2 (en) * 2016-05-18 2019-03-27 Eyelock, LLC Iris recognition methods and systems based on an iris stochastic texture model
KR102279550B1 (ko) * 2017-01-23 2021-07-20 삼성전자주식회사 홍채를 위한 합성 코드를 이용한 인증 방법 및 인증 장치
CN110414300B (zh) * 2018-04-28 2021-07-06 北京眼神科技有限公司 虹膜特征的合成方法和装置
CN108961280B (zh) * 2018-06-29 2021-11-02 电子科技大学 一种基于slic超像素分割的眼底视盘精细分割方法
CN109284744A (zh) * 2018-11-02 2019-01-29 张彦龙 一种从眼部灰度图像似然图对虹膜图像编码检索的方法
KR102708688B1 (ko) * 2019-03-21 2024-09-24 엘지전자 주식회사 전자 장치 및 그 제어 방법
TWI700604B (zh) * 2019-10-04 2020-08-01 國立中山大學 虹膜辨識方法與電腦程式產品
CN111476808B (zh) * 2020-03-19 2023-12-26 北京万里红科技有限公司 虹膜图像的清晰度评价方法及装置
CN113889119A (zh) * 2021-09-15 2022-01-04 北京市农林科学院信息技术研究中心 一种畜禽音频指纹提取方法及装置
JP7161249B1 (ja) 2021-12-27 2022-10-26 ネクサスジャパン株式会社 加熱装置及びアルミニウム処理室

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291560A (en) * 1991-07-15 1994-03-01 Iri Scan Incorporated Biometric personal identification system based on iris analysis
US20060015492A1 (en) * 2003-11-26 2006-01-19 Yesvideo, Inc. Use of image similarity in annotating groups of visual images in a collection of visual images
US20080037835A1 (en) * 2006-06-02 2008-02-14 Korea Institute Of Science And Technology Iris recognition system and method using multifocus image sequence
US20080219515A1 (en) * 2007-03-09 2008-09-11 Jiris Usa, Inc. Iris recognition system, a method thereof, and an encryption system using the same

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3610234B2 (ja) * 1998-07-17 2005-01-12 株式会社メディア・テクノロジー アイリス情報取得装置およびアイリス識別装置
US6247813B1 (en) 1999-04-09 2001-06-19 Iritech, Inc. Iris identification system and method of identifying a person through iris recognition
EP1238355A4 (en) * 1999-11-30 2006-08-16 David Russell METHODS, SYSTEMS AND APPARATUS FOR SECURE INTERACTIONS
US7269277B2 (en) * 1999-12-14 2007-09-11 Davida George I Perfectly secure authorization and passive identification with an error tolerant biometric system
US6871287B1 (en) * 2000-01-21 2005-03-22 John F. Ellingson System and method for verification of identity
US7277561B2 (en) * 2000-10-07 2007-10-02 Qritek Co., Ltd. Iris identification
KR100374708B1 (ko) 2001-03-06 2003-03-04 에버미디어 주식회사 회전영상의 보정에 의한 비접촉식 홍채인식방법
ES2214164T3 (es) * 2001-04-27 2009-03-01 BAUSCH & LOMB INCORPORATED Reconocimiento y alineacion de patron de iris.
US7155035B2 (en) * 2002-02-05 2006-12-26 Matsushita Electric Industrial Co., Ltd. Personal authentication method, personal authentication apparatus and image capturing device
JP3639291B2 (ja) 2002-11-07 2005-04-20 松下電器産業株式会社 個人認証方法、虹彩登録装置、虹彩認証装置および個人認証プログラム
US7483569B2 (en) * 2003-05-29 2009-01-27 Carnegie Mellon University Reduced complexity correlation filters
WO2005002441A1 (ja) * 2003-07-04 2005-01-13 Matsushita Electric Industrial Co., Ltd. 生体眼判定方法および生体眼判定装置
US8442276B2 (en) * 2006-03-03 2013-05-14 Honeywell International Inc. Invariant radial iris segmentation
US7336806B2 (en) * 2004-03-22 2008-02-26 Microsoft Corporation Iris-based biometric identification
US7272245B1 (en) * 2004-05-13 2007-09-18 The United States Of America As Represented By The National Security Agency Method of biometric authentication
US7565548B2 (en) 2004-11-18 2009-07-21 Biogy, Inc. Biometric print quality assurance
US8190540B2 (en) * 2005-01-14 2012-05-29 Ultra-Scan Corporation Multimodal fusion decision logic system for determining whether to accept a specimen
JPWO2006088042A1 (ja) * 2005-02-16 2008-07-03 松下電器産業株式会社 生体判別装置および認証装置ならびに生体判別方法
EP1991947B1 (en) * 2006-03-03 2020-04-29 Gentex Corporation Indexing and database search system
US20080126809A1 (en) * 2006-11-03 2008-05-29 Rothschild Trust Holdings, Llc System and method for positively establishing identity of an individual with an electronic information carrier
TWI335544B (en) 2007-07-31 2011-01-01 Univ Nat Taiwan Science Tech Iris recognition system
EP2186040B1 (en) 2007-09-11 2018-11-07 GenKey Netherlands B.V. Method for transforming a feature vector
JP2009077259A (ja) 2007-09-21 2009-04-09 Victor Co Of Japan Ltd 撮像装置
US8317325B2 (en) * 2008-10-31 2012-11-27 Cross Match Technologies, Inc. Apparatus and method for two eye imaging for iris identification
US8630464B2 (en) * 2009-06-15 2014-01-14 Honeywell International Inc. Adaptive iris matching using database indexing
US10216995B2 (en) 2009-09-25 2019-02-26 International Business Machines Corporation System and method for generating and employing short length iris codes

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291560A (en) * 1991-07-15 1994-03-01 Iri Scan Incorporated Biometric personal identification system based on iris analysis
US20060015492A1 (en) * 2003-11-26 2006-01-19 Yesvideo, Inc. Use of image similarity in annotating groups of visual images in a collection of visual images
US20080037835A1 (en) * 2006-06-02 2008-02-14 Korea Institute Of Science And Technology Iris recognition system and method using multifocus image sequence
US20080219515A1 (en) * 2007-03-09 2008-09-11 Jiris Usa, Inc. Iris recognition system, a method thereof, and an encryption system using the same

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110692062A (zh) * 2017-03-24 2020-01-14 奇跃公司 虹膜代码的累积和置信分配
CN110692062B (zh) * 2017-03-24 2023-12-08 奇跃公司 虹膜代码的累积和置信分配

Also Published As

Publication number Publication date
DE112010003796T5 (de) 2012-07-19
US20170017843A1 (en) 2017-01-19
WO2011037685A8 (en) 2012-03-01
GB201204880D0 (en) 2012-05-02
JP5596155B2 (ja) 2014-09-24
US10216995B2 (en) 2019-02-26
US20110075892A1 (en) 2011-03-31
DE112010003796B4 (de) 2016-03-17
US9483696B2 (en) 2016-11-01
CN102549599B (zh) 2015-08-05
WO2011037685A1 (en) 2011-03-31
JP2013506192A (ja) 2013-02-21
US20120328166A1 (en) 2012-12-27
GB2486129A (en) 2012-06-06
US10176376B2 (en) 2019-01-08
GB2486129B (en) 2015-12-02
TW201120761A (en) 2011-06-16
TWI469059B (zh) 2015-01-11

Similar Documents

Publication Publication Date Title
CN102549599A (zh) 用于生成并使用短长度虹膜代码的系统和方法
CN109766872B (zh) 图像识别方法和装置
Cerutti et al. Understanding leaves in natural images–a model-based approach for tree species identification
US9576221B2 (en) Systems, methods, and devices for image matching and object recognition in images using template image classifiers
US8064653B2 (en) Method and system of person identification by facial image
Das et al. Lip biometric template security framework using spatial steganography
Sequeira et al. Mobilive 2014-mobile iris liveness detection competition
CN102844768B (zh) 图像模板的屏蔽
JP5822411B2 (ja) 画像情報のコード変換装置、画像情報のコード変換方法、画像コードを用いた画像関連情報提供システム、画像情報のコード変換プログラム、及びそのプログラムを記録した記録媒体
CN108268823A (zh) 目标再识别方法和装置
CN105740808B (zh) 人脸识别方法和装置
KR20130049099A (ko) 얼굴 영상을 이용하여 나이 또는 성별을 추정하는 방법 및 장치
KR101774151B1 (ko) 홍채템플릿 분산 저장 및 매칭을 이용한 홍채인식 보안 강화 방법 및 장치
An et al. Benchmarking the robustness of image watermarks
CN112926557A (zh) 一种训练多模态人脸识别模型的方法以及多模态人脸识别方法
CN111402156A (zh) 一种涂抹图像的复原方法、装置及存储介质和终端设备
CN107103327B (zh) 一种基于颜色统计差异的染色伪造图像检测方法
CN117333879A (zh) 模型的训练方法、水印文本识别方法及相关设备
Shankar et al. Moderate embed cross validated and feature reduced Steganalysis using principal component analysis in spatial and transform domain with Support Vector Machine and Support Vector Machine-Particle Swarm Optimization
CN113409407A (zh) 一种基于平均压缩获取低频信息的对抗样本防御方法
CN118097520B (zh) 视觉识别模型测试时自适应方法、装置、设备及介质
KR102538301B1 (ko) 유니폼 검색 서비스를 제공하기 위한 장치 및 방법
Wang et al. Multi‐DS Strategy for Source Camera Identification in Few‐Shot Sample Data Sets
JP5660918B2 (ja) 情報処理装置、コンピュータプログラム、および情報処理方法
Liu et al. Adversarial Attacks in Banknote Recognition Systems

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