CN104200201A - 一种应用于虹膜识别的编码方法及系统 - Google Patents
一种应用于虹膜识别的编码方法及系统 Download PDFInfo
- Publication number
- CN104200201A CN104200201A CN201410430535.2A CN201410430535A CN104200201A CN 104200201 A CN104200201 A CN 104200201A CN 201410430535 A CN201410430535 A CN 201410430535A CN 104200201 A CN104200201 A CN 104200201A
- Authority
- CN
- China
- Prior art keywords
- module
- parameter set
- carried out
- iris recognition
- image
- 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
Links
Abstract
本发明涉及一种应用于虹膜识别的编码方法，包括：步骤1：加载物体的眼睛图片，获取虹膜图像；步骤2：对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；步骤3：对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；步骤4：加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；步骤5：将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。本发明增加分类器的置信水平从而提高匹配过程的稳定性；利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值。
Description
技术领域
本发明涉及一种应用于虹膜识别的编码方法及系统，属于生物识别技术领域。
背景技术
生物识别是用生物特征识别个人身份的一种技术。生物特征包括指纹、手形、视网膜、虹膜、脸等形体特征以及签名、声音、步态、击键等行为特征。在这些生物特征中，虹膜识别是最有发展潜力的技术之一。由于其精确、稳定、可靠、安全的独特性，预计到2020年，虹膜识别将成为最常用的身份识别技术。
虹膜是位于角膜和晶状体之间的薄薄的一圈括约肌，它有多层结构：最底下的是含有很多色素细胞的上皮层；位于上皮层上部的是含有血管，色素细胞核肌肉的基质层，基质色素的密度决定了虹膜的颜色；外部可见的虹膜有两个不同的区域：外部睫状区和内部瞳孔区，这两个区域通常颜色不同，并且被睫状区分开，显现出纹理图案。每个人的虹膜纹理都是不同的。
自1985年以来，基于个体虹膜生物特征的身份识别技术和方法相继在不同的文献中被报道(1992年DAUGMA；1997年WILDES；2002年HUANG，LUO等；2002年MA等)，这些技术和方法的主要区别在于：
图像预处理和图像增强算法；
图像中感兴趣区域的分割算法；
特征定义及其提取过程；
特征编码算法；
匹配方法；
识别过程大体上分为以下几个过程：首先，获取人眼图像。然后分离出人眼，再用复杂的图像处理算法定位出虹膜的内外边界。另外，采用去噪算法去除图像中的眼睑、眼睫毛和反光点，从而去除其对编码分析的影响。一旦虹膜被定位分割出来，就用数学算法对其进行编码，该编码保存了虹膜独特的特性。虽然在不同的时间和不同的条件下，任何两幅图像都不会完全相同，该算法能验证出这两幅虹膜图像是否属于同一个人。
在这些步骤中，虹膜的编码与匹配时虹膜识别中重要的一步，编码是指将输入图像的虹膜纹理特征用计算的方式合适的表示出来，这样计算机才能对虹膜进行对比匹配操作。
到目前为止，已公开的算法中，最有效的是Daugman在1992年提出的算法，在该算法中，他将Gabor滤波器的相位输出作为比较的特征，用异或算子(XOR)和哈明距离(Hamming Distance)来判定两个表征是否为同一个眼睛，这是现今大部分商用虹膜识别所采用的方法。然后Daugman的算法(我们称之为经典算法)有一个缺点是将特征看作相互独立，从而在特征比对过程中，不考虑邻域特征的影响。
发明内容
本发明所要解决的技术问题是提供一种对幅值和相位都进行编码，可以增加分类器的置信水平从而提高匹配过程的稳定性的应用于虹膜识别的编码方法及系统。
本发明解决上述技术问题的技术方案如下：一种应用于虹膜识别的编码方法，具体包括以下步骤：
步骤1：加载物体的眼睛图片，获取虹膜图像；
步骤2：对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
步骤3：对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
步骤4：加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
步骤5：将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
本发明的有益效果是：本发明对log-Gabor滤波器滤波器输出的幅值和相位都进行了编码，这可以增加分类器的置信水平从而提高匹配过程的稳定性。利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值。每次对两个编码进行匹配时，根据它们的幅值元素，我们从置信值集中选择一个最适合的值，本算法对不同的编码对匹配时会自调整，使得分类的性能更好。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2中得到待处理图像后，对待处理图像进行坐标变换。
采用上述进一步方案的有益效果是，坐标变换能简化处理过程，不需要每次都计算三角函数就能读出所需的像素值。
进一步，所述步骤4中的最优参数集的获取方法包括以下步骤：
步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；
步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；
步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；
步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；
步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；
步骤g：从所有新参数集中选出分类错误率最低的最优参数集；
步骤h：根据最优参数集得到对应的置信水平集，结束。
采用上述进一步方案的有益效果是，(N:N)比对是将所有编码的各种性能全部进行互相比对(比如说足球比赛，每一支队伍都要和所有其他队伍进行对决)，N:N比对能够得到最全面的信息集。
进一步，所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
进一步，所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
本发明解决上述技术问题的技术方案如下：一种应用于虹膜识别的编码系统，包括加载模块、分割模块、变换模块、加载最优模块和编码模块；
所述加载模块用于加载物体的眼睛图片，获取虹膜图像；
所述分割模块用于对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
所述变换模块用于对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
所述加载最优模块用于加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
所述编码模块将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
本发明的有益效果是：本发明对log-Gabor滤波器滤波器输出的幅值和相位都进行了编码，这可以增加分类器的置信水平从而提高匹配过程的稳定性。利用一个二值分类器来判断两个编码是否源于相同的人眼，该二值分类器从离线的相位编码得到多级置信值。每次对两个编码进行匹配时，根据它们的幅值元素，我们从置信值集中选择一个最适合的值，本算法对不同的编码对匹配时会自调整，使得分类的性能更好。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述分割模块中得到待处理图像后，对待处理图像进行坐标变换。
采用上述进一步方案的有益效果是，坐标变换能简化处理过程，不需要每次都计算三角函数就能读出所需的像素值。
进一步，所述加载模块中加载的最优参数集的获取系统包括编码获取模块、傅里叶变换模块、随机取值模块、log-Gabor变换模块、比对模块、最优选择模块和置信水平模块；
所述编码获取模块用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
所述傅里叶变换模块用于对所有编码进行傅里叶变换得到滤波器的参数集；
所述随机取值模块用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；
所述log-Gabor变换模块用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；
所述比对模块用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；
所述最优选择模块用于从所有新参数集中分类错误率最低的最优参数集；
所述置信水平模块用于根据最优参数集得到对应的置信水平集。
进一步，所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
进一步，所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
与经典算法只用相位信息表征虹膜的方法不同，我们将经滤波处理的虹膜图像的幅值及相位信息都用于表征虹膜模型。另外，现已公开的所有方法，都采用了固定的滤波参数集，判别分类器只有一个置信水平。本公开算法则采用了幅值和相位两种信号，可以动态地选择与虹膜编码比对最适合的置信水平。置信水平和滤波处理过程中用到的参数是在编码的离线学习中得到的。这一特征使得算法能不断更新，适应被比较的表征的质量，使得我们的虹膜识别的算法性能更优。
附图说明
图1为本发明所述的一种应用于虹膜识别的编码方法的流程图；
图2为本发明所述步骤4中的最优参数集的获取方法的流程图；
图3为本发明所述的一种应用于虹膜识别的编码系统的结构框图；
图4为本发明加载最优模块4中加载的最优参数集的获取系统的结构框图。
附图中，各标号所代表的部件列表如下：
1、加载模块，2、分割模块，3、变换模块，4、加载最优模块，5、编码模块，6、编码获取模块，7、傅里叶变换模块，8、随机取值模块，9、log-Gabor变换模块，10、比对模块，11、最优选择模块，12、置信水平模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明所述的一种应用于虹膜识别的编码方法，具体包括以下步骤：
步骤1：加载物体的眼睛图片，获取虹膜图像；
步骤2：对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
步骤3：对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
步骤4：加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
步骤5：将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
所述步骤2中得到待处理图像后，对待处理图像进行坐标变换，坐标变换能简化处理过程，不需要每次都计算三角函数就能读出所需的像素值。
如图2所示，为本发明所述步骤4中的最优参数集的获取方法包括以下步骤：
步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；
步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；
步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；
步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；
步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；
步骤g：从所有新参数集中选出分类错误率最低的最优参数集；
步骤h：根据最优参数集得到对应的置信水平集，结束。
(N:N)比对是将所有编码的各种性能全部进行互相比对(比如说足球比赛，每一支队伍都要和所有其他队伍进行对决)，N:N比对能够得到最全面的信息集。
所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
如图3所示，本发明所述的一种应用于虹膜识别的编码系统，包括加载模块1、分割模块2、变换模块3、加载最优模块4和编码模块5；
所述加载模块1用于加载物体的眼睛图片，获取虹膜图像；
所述分割模块2用于对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
所述变换模块3用于对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
所述加载最优模块4用于加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
所述编码模块5将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
所述分割模块2中得到待处理图像后，对待处理图像进行坐标变换；坐标变换能简化处理过程，不需要每次都计算三角函数就能读出所需的像素值。
如图4所示，为本发明加载最优模块4中加载的最优参数集的获取系统，包括编码获取模块6、傅里叶变换模块7、随机取值模块8、log-Gabor变换模块9、比对模块10、最优选择模块11和置信水平模块12；
所述编码获取模块6用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
所述傅里叶变换模块7用于对所有编码进行傅里叶变换得到滤波器的参数集；
所述随机取值模块8用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；
所述log-Gabor变换模块9用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；
所述比对模块10用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；
所述最优选择模块11用于从所有新参数集中分类错误率最低的最优参数集；
所述置信水平模块12用于根据最优参数集得到对应的置信水平集。
所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
每次系统接收到一个物体，在线编码模块就会执行一遍图1中所示的算法。首先，加载模块1加载物体的眼睛图片，该图片在分割模块2中进行分割操作，提取出感兴趣的区域并进行坐标变换，坐标变换能简化处理过程，不需要每次都计算三角函数就能读出所需的像素值。接下来，算法加载最优的参数集，该参数集是图2中的离线学习得到的。
变换模块3对感兴趣的区域进行标准的二维傅里叶变换，将空间域转换成频率域，频率域更适于滤波处理，在滤波处理过程中不会产生更宽的误差。加载最优模块4利用先前在离线编码过程中得到的最优的参数集进行滤波操作。与传统的方法不同，本算法对log-Gabor滤波器输出的相位和幅值信号编码成计算数据结构，这些结构代表了真实的生物编码。滤波器的输出信号的幅值和相位保存为合适的格式的描述符
首先，我们通过下载下来的ground-truth的表征集(在机器学习中，术语“ground truth”指的是用于有监督训练的训练集的正确分类。)得到编码和匹配的相关的主要参数。在这个集中，任意两幅虹膜图像的类是已知的(在机器学习的有监督训练中，每个训练样本的分类是已知的)。该算法的目的是为了自定义滤波器参数集和置信水平，这些参数会在后续步骤中用到。这个学习过程与现有的经典算法完全不同，经典算法采用一个预定义的参数集进行编码，而且对后续进行的虹膜编码的比对中，只采用一个置信水平。
本算法下载ground-truth集，然后提取所有输入编码的傅里叶变换。接下来，我们初始化滤波器的参数集，滤波器的参数集包括的频率、带宽和方向，频率值取1/16,2/16,3/16一直到8/16共8个值，带宽取0.75、0.08、0.85一直到2.0，共25个取值，方向取1、22.5、45一直到180共8个值。初始化滤波器的参数集是指随机选取滤波器的频率、带宽和方向的值。初始化结束后，算法用当前的滤波器参数集对ground-truth集中的所有输入循环执行log-Gabor变换。接下来，算法对所有可得的编码一一进行(N:N)比对。这个过程的目的是为了统计当前参数集下匹配阶段的性能，该性能是通过ROC曲线(受试者工作特征曲线(receiver operating characteristiccurve，简称ROC曲线)，又称为感受性曲线(sensitivity curve))得到的，性能高表明当前的训练参数集能得到好的匹配效果，相反，性能低则说明当前训练参数集得到的匹配效果差。处理模块改变滤波器的参数集，也就是说改变滤波器的频率、带宽和方向的参数。算法用新的参数集再次进行循环计算，该过程直到参数集中的所有参数都被分析后结束(滤波器有8个频率取值、26个带宽取值以及9个方向取值，所以滤波器的参数集一共有8*26*9＝1872个参数集，将这1872参数集全部计算一遍)。这个过程能生成一个包含ground-truth输入在所有参数集下的分类性能的信息的高维空间。下一个处理模块从中选择出性能最好的参数集，也就是分类错误率最低的参数集(循环过程中，将所有参数集中的参数都计算一遍，得到一个分类错误率，从这些错误率中找出错误率最低的那一组参数)。选出的参数集和置信水平分别输出，并分别应用在在线阶段的实际编整过程与匹配过程。与传统的只使用一个置信水平的算法不同，本公开算法能输出多个置信水平，每一个水平对应一个进行N:N编码比对的滤波器输出的幅值梯度。滤波器参数和置信水平这两类输出，将会在后续的在线编码及匹配过程中用到。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用于虹膜识别的编码方法，其特征在于，具体包括以下步骤：
步骤1：加载物体的眼睛图片，获取虹膜图像；
步骤2：对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
步骤3：对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
步骤4：加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
步骤5：将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
2.根据权利要求1所述的一种应用于虹膜识别的编码方法，其特征在于，所述步骤2中得到待处理图像后，对待处理图像进行坐标变换。
3.根据权利要求1或2所述的一种应用于虹膜识别的编码方法，其特征在于，所述步骤4中的最优参数集的获取方法包括以下步骤：
步骤a：下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
步骤b：对所有编码进行傅里叶变换得到滤波器的参数集；
步骤c：对滤波器的参数集进行在预设取值中随机取值，得到新参数集；
步骤d:用新参数集对ground-truth的表征集中的所有编码执行log-Gabor变换得到新编码；
步骤e：将新编码一一进行(N:N)比对，统计新参数集下匹配阶段的性能，并得到对应新参数集的分类错误率；
步骤f：判断参数集的预设取值是否还有未进行取值的，如果是，执行步骤c；否则，执行步骤g；
步骤g：从所有新参数集中选出分类错误率最低的最优参数集；
步骤h：根据最优参数集得到对应的置信水平集，结束。
4.根据权利要求3所述的一种应用于虹膜识别的编码方法，其特征在于，所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
5.根据权利要求4所述的一种应用于虹膜识别的编码方法，其特征在于，所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
6.一种应用于虹膜识别的编码系统，包括加载模块、分割模块、变换模块、加载最优模块和编码模块；
所述加载模块用于加载物体的眼睛图片，获取虹膜图像；
所述分割模块用于对所述虹膜图像进行分割，根据具体需求提取出需要处理的区域得到待处理图像；
所述变换模块用于对待处理图像进行标准的二维傅里叶变换，使待处理图像从空间域转换为频率域，得到待处理数据；
所述加载最优模块用于加载最优参数集，基于最优参数集对待处理数据进行滤波操作，得到相位信号和幅值信号；
所述编码模块将相位信号和幅值信号进行编码为计算机数据结构，得到对应的生物编码。
7.根据权利要求6所述的一种应用于虹膜识别的编码系统，其特征在于，所述分割模块中得到待处理图像后，对待处理图像进行坐标变换。
8.根据权利要求6或7所述的一种应用于虹膜识别的编码系统，其特征在于，所述加载模块中加载的最优参数集的获取系统包括编码获取模块、傅里叶变换模块、随机取值模块、log-Gabor变换模块、比对模块、最优选择模块和置信水平模块；
所述编码获取模块用于下载ground-truth的表征集，提取得到ground-truth的表征集中的所有编码；
所述傅里叶变换模块用于对所有编码进行傅里叶变换得到滤波器的参数集；
所述随机取值模块用于对滤波器的参数集进行在预设取值中随机取值，直到将所有预设取值进行取值，得到多个新参数集；
所述log-Gabor变换模块用多个新参数集分别对ground-truth的表征集中的所有编码执行log-Gabor变换得到多个新编码；
所述比对模块用于将多个新编码分别一一进行(N:N)比对，统计所有新参数集下匹配阶段的性能，并得到分别对应所有新参数集的多个分类错误率；
所述最优选择模块用于从所有新参数集中分类错误率最低的最优参数集；
所述置信水平模块用于根据最优参数集得到对应的置信水平集。
9.根据权利要求8所述的一种应用于虹膜识别的编码系统，其特征在于，所述参数集包括频率、带宽和方向，所述频率、带宽和方向分别具有至少一个预设取值；
所述对参数集进行初始化是指频率、带宽和方向随机分别从其预设取值中的选取一个值。
10.根据权利要求9所述的一种应用于虹膜识别的编码系统，其特征在于，所述频率的预设取值共8个，分别为1/16、2/16、3/16、4/16、5/16、6/16、7/16和8/16；
所述带宽的预设取值共26个，分别为0.75、0.8、0.85、0.9、0.95、1.0、1.05、1.1、1.15、1.2、1.25、1.3、1.35、1.4、1.45、1.5、1.55、1.6、1.65、1.7、1.75、1.8、1.85、1.9、1.95和2.0；
所述方向的预设取值共9个，分别为1、22.5、45、67.5、90、112.5、135、157.5和180。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410430535.2A CN104200201B (zh) | 2014-08-28 | 2014-08-28 | 一种应用于虹膜识别的编码方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410430535.2A CN104200201B (zh) | 2014-08-28 | 2014-08-28 | 一种应用于虹膜识别的编码方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104200201A true CN104200201A (zh) | 2014-12-10 |
| CN104200201B CN104200201B (zh) | 2017-08-11 |
Family
ID=52085491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410430535.2A Active CN104200201B (zh) | 2014-08-28 | 2014-08-28 | 一种应用于虹膜识别的编码方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104200201B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631289A (zh) * | 2015-11-30 | 2016-06-01 | 东莞酷派软件技术有限公司 | 鉴权方法、鉴权装置和终端 |
| CN105654098A (zh) * | 2016-03-23 | 2016-06-08 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| CN109214364A (zh) * | 2018-10-24 | 2019-01-15 | 广州市真地信息技术有限公司 | 一种虹膜识别方法、系统、装置及存储介质 |
| CN112890853A (zh) * | 2019-12-04 | 2021-06-04 | 通用电气精准医疗有限责任公司 | 用于联合扫描参数选择的系统和方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040037452A1 (en) * | 2000-10-07 | 2004-02-26 | Qritek Co., Ltd., | Iris identification system and method and computer readable storage medium stored therein computer executable instructions to implement iris identification method |
| CN103902872A (zh) * | 2014-04-10 | 2014-07-02 | 宫雅卓 | 基于虹膜识别的密码管理系统及方法 |
-
2014
- 2014-08-28 CN CN201410430535.2A patent/CN104200201B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040037452A1 (en) * | 2000-10-07 | 2004-02-26 | Qritek Co., Ltd., | Iris identification system and method and computer readable storage medium stored therein computer executable instructions to implement iris identification method |
| CN103902872A (zh) * | 2014-04-10 | 2014-07-02 | 宫雅卓 | 基于虹膜识别的密码管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何孝富: ""活体虹膜识别的关键技术研究"", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631289A (zh) * | 2015-11-30 | 2016-06-01 | 东莞酷派软件技术有限公司 | 鉴权方法、鉴权装置和终端 |
| CN105654098A (zh) * | 2016-03-23 | 2016-06-08 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| WO2017161892A1 (zh) * | 2016-03-23 | 2017-09-28 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| CN105654098B (zh) * | 2016-03-23 | 2019-12-27 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| CN109214364A (zh) * | 2018-10-24 | 2019-01-15 | 广州市真地信息技术有限公司 | 一种虹膜识别方法、系统、装置及存储介质 |
| CN112890853A (zh) * | 2019-12-04 | 2021-06-04 | 通用电气精准医疗有限责任公司 | 用于联合扫描参数选择的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104200201B (zh) | 2017-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
| Khan et al. | Iris recognition using image moments and k-means algorithm | |
| Jayanthi et al. | An effective deep learning features based integrated framework for iris detection and recognition | |
| Hu et al. | Finger vein biometric verification using block multi-scale uniform local binary pattern features and block two-directional two-dimension principal component analysis | |
| CN107145842A (zh) | 结合lbp特征图与卷积神经网络的人脸识别方法 | |
| Raja et al. | Binarized statistical features for improved iris and periocular recognition in visible spectrum | |
| CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
| CN102521575A (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
| Wang et al. | Leaf recognition based on elliptical half Gabor and maximum gap local line direction pattern | |
| Hou et al. | Convolutional auto-encoder based deep feature learning for finger-vein verification | |
| CN104166848A (zh) | 一种应用于虹膜识别的匹配方法及系统 | |
| Liu et al. | Finger vein recognition with superpixel-based features | |
| CN108509927A (zh) | 一种基于局部对称图结构的手指静脉图像识别方法 | |
| CN104200201A (zh) | 一种应用于虹膜识别的编码方法及系统 | |
| Zhong et al. | Palmprint and dorsal hand vein dualmodal biometrics | |
| Jalilian et al. | Enhanced segmentation-CNN based finger-vein recognition by joint training with automatically generated and manual labels | |
| Rehman et al. | Identity verification using palm print microscopic images based on median robust extended local binary pattern features and k‐nearest neighbor classifier | |
| Raja et al. | Smartphone based robust iris recognition in visible spectrum using clustered k-means features | |
| Kumar et al. | Ann trained and WOA optimized feature-level fusion of iris and fingerprint | |
| Zhang et al. | X-Net: A binocular summation network for foreground segmentation | |
| Mehmood et al. | Palmprint enhancement network (PEN) for robust identification | |
| Fang et al. | Deep belief network based finger vein recognition using histograms of uniform local binary patterns of curvature gray images | |
| Xu et al. | A novel method for iris feature extraction based on intersecting cortical model network | |
| Yin et al. | Deep learning for iris recognition: a review | |
| Yang et al. | Finger-vein pattern restoration with generative adversarial network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |