CN105303185A - 虹膜定位方法及装置 - Google Patents
虹膜定位方法及装置 Download PDFInfo
- Publication number
- CN105303185A CN105303185A CN201510854051.5A CN201510854051A CN105303185A CN 105303185 A CN105303185 A CN 105303185A CN 201510854051 A CN201510854051 A CN 201510854051A CN 105303185 A CN105303185 A CN 105303185A
- Authority
- CN
- China
- Prior art keywords
- iris
- neural network
- iris image
- deconvolution neural
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种虹膜定位方法及装置。该方法包括:获取虹膜图像,并对虹膜图像进行标定;生成二值化掩膜标签;根据虹膜图像和二值化掩膜标签生成训练数据;建立反卷积神经网络;将训练数据输入反卷积神经网络中,计算训练数据的特征数据;根据特征数据和二值化掩膜标签训练反卷积神经网络分类器;通过反卷积神经网络分类器对特征数据进行分类,以对虹膜图像进行虹膜定位。本发明提出了一种基于反卷积神经网络的虹膜定位技术方案,能够实现虹膜定位的监督学习;对虹膜图像的质量要求较低,反卷积神经网络的网络规模较小,训练参数较少,计算量较小,节约了时间和存储开销;避免了局部极值,实现了更加精确的虹膜定位。
Description
技术领域
本发明属于计算机技术领域,尤其涉及虹膜定位方法及装置。
背景技术
现有技术一般采用Daugman定位法、Hough变换定位法、几何特征定位法和主动轮廓线定位法进行虹膜定位。
Daugman定位法:在拍摄得到的虹膜图像中,灰度分布存在一定的差异,一般虹膜比瞳孔亮,巩膜又比虹膜亮,根据虹膜的形状类似圆环形的情况,Daugman定位法利用圆形检测匹配器的方法分割虹膜。Daugman定位法的缺点是该算法对图像亮度梯度的依赖性较强,因此只有在被处理的虹膜图像照度较均匀且没有大面积的亮度反常区域时才能准确地进行虹膜定位。
Hough变换定位法:该方法先通过边缘检测方法得到瞳孔和虹膜的边缘、虹膜和巩膜的边缘,再利用虹膜是圆环形的特点,运用Hough变换得到圆环的内外半径,从而分割出虹膜。由于拍摄的图片中包含眼皮和睫毛,所以采用Hough变换方法分割虹膜往往也会包含眼皮和睫毛。一个改进的方法是以抛物线来拟合眼睑,以消除眼皮和睫毛带来的影响,保留其他虹膜信息。Hough变换定位法的缺点在于:计算量大、占用内存大且提取的参数受参数空间的量化间隔制约。
几何特征定位法:该方法利用虹膜边缘图像的几何特征以及圆相交弦的性质进行虹膜定位。具体过程是:首先根据虹膜图像的整体灰度分布信息,利用边缘检测算子提取虹膜的内边缘,然后利用圆的相交弦性质提取虹膜的中心,最后利用Hough变换提取虹膜外半径。几何特征定位法综合了Hough变换定位法,提高了虹膜的定位速度。但是其定位速度受到图像质量的影响很大,当图像质量较差时,算法性能急剧下降。
主动轮廓线(Snake)定位法:主动轮廓线是一项复杂的轮廓提取及图像解释技术,它通过不断地极小化自身的能量函数来达到物体的边界。该方法的具体过程是:先用灰度检测方法检测出瞳孔内一点作为瞳孔的伪圆心,然后以该点为中心,在其周围取几个点作为初始的Snake,按照Snake的运行机制不断进化,找到虹膜的内边界,接着计算进化后的Snake形心和Snake上的控制点与该形心,定位出虹膜内边界位置,最后按照Daugman方法定位外边界。主动轮廓线定位法的缺点是定位质量受到图像质量与外界因素的影响较大。
综上,现有的虹膜定位技术对虹膜图像的质量要求较高、计算量较大、时间和存储开销较大。
发明内容
鉴于此,本发明实施例提供了一种虹膜定位方法及装置,以解决现有的虹膜定位技术对虹膜图像的质量要求较高、计算量较大、计算时间较长且存储开销较大的问题。
第一方面,本发明实施例提供了一种虹膜定位方法,包括:
获取虹膜图像,并对所述虹膜图像进行标定;
在标定后的所述虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签;
根据所述虹膜图像和所述二值化掩膜标签生成训练数据;
建立反卷积神经网络;
将所述训练数据输入所述反卷积神经网络中,并通过所述反卷积神经网络计算所述训练数据的特征数据;
根据所述特征数据和所述二值化掩膜标签训练反卷积神经网络分类器,以确定所述反卷积神经网络的参数;
通过所述反卷积神经网络分类器对所述特征数据进行分类,以对所述虹膜图像进行虹膜定位。
第二方面,本发明实施例提供了一种虹膜定位装置,包括:
标定单元,用于获取虹膜图像,并对所述虹膜图像进行标定;
标签生成单元,用于在标定后的所述虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签;
训练数据生成单元,用于根据所述虹膜图像和所述二值化掩膜标签生成训练数据;
反卷积神经网络建立单元,用于建立反卷积神经网络;
特征数据计算单元,用于将所述训练数据输入所述反卷积神经网络中,并通过所述反卷积神经网络计算所述训练数据的特征数据;
训练单元,用于根据所述特征数据和所述二值化掩膜标签训练反卷积神经网络分类器,以确定所述反卷积神经网络的参数;
虹膜定位单元,用于通过所述反卷积神经网络分类器对所述特征数据进行分类,以对所述虹膜图像进行虹膜定位。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例提出了一种基于反卷积神经网络的虹膜定位技术方案,能够实现虹膜定位的监督学习,解决了非监督学习的虹膜定位方法的不足;对虹膜图像的质量要求较低,反卷积神经网络的网络规模较小,训练参数较少,计算量较小,节约了时间和存储开销;避免了局部极值,实现了更加精确的虹膜定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的虹膜定位方法的实现流程图;
图2是本发明实施例提供的虹膜定位方法中对虹膜图像进行标定的示意图;
图3是本发明实施例提供的虹膜定位方法中对虹膜图像进行标定的标定效果示意图;
图4是本发明实施例提供的虹膜定位方法中反卷积神经网络的结构示意图;
图5是本发明实施例提供的本发明实施例提供的虹膜定位方法中虹膜定位结果示意图;
图6是本发明实施例提供的虹膜定位方法中对虹膜图像进行裁剪的示意图;
图7是本发明实施例提供的虹膜定位方法中对虹膜图像进行缩放的示意图;
图8是本发明实施例提供的虹膜定位方法中对虹膜图像进行旋转的示意图;
图9是本发明实施例提供的虹膜定位装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的虹膜定位方法的实现流程图,详述如下:
在步骤S101中,获取虹膜图像,并对虹膜图像进行标定。
图2示出了本发明实施例提供的虹膜定位方法中对虹膜图像进行标定的示意图。
图3示出了本发明实施例提供的虹膜定位方法中对虹膜图像进行标定的标定效果示意图。
优选地,所述对所述虹膜图像进行标定包括:
对所述虹膜图像中的虹膜内外边缘进行圆拟合,对所述虹膜图像中的上下眼睑被睫毛遮挡部分的曲线进行贝塞尔曲线拟合。
在步骤S102中,在标定后的虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签。
在标定完成后,将虹膜区域标注为1,将非虹膜区域标注为0,生成二值化掩膜标签。
在步骤S103中,根据虹膜图像和二值化掩膜标签生成训练数据。
作为本发明的一个实施例,获取的虹膜图像为8位灰度图像。在生成训练数据时,将8位灰度图像转换为double格式,然后和二值化掩膜标签一起存为mat文件,最后用python脚本将其转换为caffe可接受的hdf5数据格式。
在步骤S104中,建立反卷积神经网络。
优选地,述建立反卷积神经网络包括:
根据第一预设值确定卷积层和反卷积层的层数;
根据图像高度、图像宽度和第一参数建立所述卷积层和所述反卷积层的三维矩阵模型。
在本发明实施例中,第一预设值可以为3。反卷积神经网络采用3层卷积层和3层反卷积层,共6层网络层,网络深度较小,且没有池化层和全连接层,使得网络规模小,训练参数少,计算量小,时间和存储开销都不大。
三维矩阵模型为h×w×d,其中,h为图像高度,w为图像宽度,d为第一参数,第一参数为滤波器个数或者信道维数。在将训练数据初始输入反卷积神经网络中时,第一参数指的是信道维数;在卷积层和反卷积层中,第一参数指的是滤波器个数。
在步骤S105中,将训练数据输入反卷积神经网络中,并通过反卷积神经网络计算训练数据的特征数据。
利用三维矩阵模型可以计算出每一层网络层的神经元个数。例如,训练数据对应的输入图像的大小为227×227像素,则反卷积神经网络的输入为51529=227×227×1;第一层卷积层的神经元个数为1099104=107×107×96,卷积核大小为15×15;第二层卷积层的神经元个数为614656=49×49×256,卷积核大小为11×11;第三层卷积层的神经元个数为584064=39×39×384,卷积核大小为11×11;第三层反卷积层的神经元个数为1229312=49×49×512,卷积核大小为11×11;第二层反卷积层的神经元个数为11723776=107×107×1024,卷积核大小为11×11;第一层反卷积层的神经元个数为103058=227×227×2,卷积核大小为15×15。每一层网络层的图像高度的输出计算公式为其中,ho表示输出高度,hi表示输入高度,p表示填充大小,k表示卷积核大小,s表示步长。每一层网络层的图像宽度的输出计算公式为其中,wo表示输出宽度,wi表示输入宽度。填充大小指的是在输入图像的高度或宽度中增加的像素数。步长指的是滤波器滤波时的滑动步长,即指定每次间隔几个像素值进行滤波。卷积层的神经元个数根据图像高度×图像宽度×滤波器个数计算得到。例如,第一层卷积层的神经元个数为1099104=107×107×96,其中,107×107为图像高度×图像宽度,96为滤波器个数,图像的输入高度为227,根据公式hi为227,p为0,k为15,s为2,计算得到第一层卷积层的图像高度为107;第一层卷积层的图像宽度根据与图像高度类似的方法计算得到;滤波器个数根据需求设置。其中,卷积核的大小为奇数,卷积核的大小可以根据图像大小来设置。在本发明实施例中,网络初始学习率为0.01,动量为0.9,权重衰减系数为0.0005。其中,学习率指的是在随机梯度下降过程中,从某个峰值开始,向下一步的步伐大小。网络初始学习率为0.01,每迭代一定次数后,学习率降为原来的十分之一。网络初始学习率可根据需求设置,一般在训练神经网络时,从某个值例如0.1或者1开始设置,观察训练误差的变化,若训练误差增大,则应减小学习率,若误差减小,则这个值可以使用。学习率的选取原则是使得训练误差减小,呈逐渐收敛的趋势,但收敛速度不能太慢,若收敛得太慢,则应适当增加学习率。神经网络在批处理训练时会陷入局部最小值,也就是说误差基本不变化,其返回的信号对权值调整很小但总误差又大于训练结果设定的总误差条件,在这种情况下,加入一个动量因子有助于其反馈的误差信号使神经元的权值重新振荡起来。神经网络的代价函数有一个规则化项,也叫权重衰减项,权重衰减系数即权重衰减项的系数,用于防止过度拟合,减少权重的幅度。
图4示出了本发明实施例提供的虹膜定位方法中反卷积神经网络的结构示意图。其中,conv1表示第一卷积层,conv2表示第二卷积层,conv3表示第三卷积层,deconv3表示第三反卷积层,deconv2表示第二反卷积层,deconv1表示第一反卷积层。
本发明实施例在对227×227像素的图像进行训练测试时,像素级分类精度可达到98.4%,解决了现有的虹膜定位技术对虹膜图像的质量要求较高的问题。
在步骤S106中,根据特征数据和二值化掩膜标签训练训练反卷积神经网络分类器,以确定反卷积神经网络的参数。
通过反卷积神经网络,可以对反卷积神经网络分类器进行像素级训练,从而训练一个可以快速判断图像中的每个像素属于虹膜或者非虹膜的反卷积神经网络分类器,以达到快速进行虹膜定位的目的。
在步骤S107中,通过反卷积神经网络分类器对特征数据进行分类,以对虹膜图像进行虹膜定位。
优选地,所述通过所述反卷积神经网络分类器对所述特征数据进行分类包括:
通过所述反卷积神经网络分类器对所述特征数据的每个像素进行分类。
在通过反卷积神经网络分类器对特征数据进行分类后,生成和输入图像等大的分类结果图,从而实现了虹膜定位。需要说明的是,在实际应用中,由于是0-1而分类,可生成两个和输入图像等大的分类结果图,每一个分类结果图表示对应的分类结果。第一个分类结果图中用蓝色代表虹膜区域,用红色代表非虹膜区域;第二个分类结果图中用红色代表虹膜区域,用蓝色代表非虹膜区域。
图5示出了本发明实施例提供的本发明实施例提供的虹膜定位方法中虹膜定位结果示意图。
在本发明实施例中,通过反卷积神经网络分类器对特征数据的每个像素进行分类,确定每个像素属于虹膜或者非虹膜,从而实现了准确高效的虹膜定位。
优选地,在所述获取虹膜图像之后,所述方法还包括:
对所述虹膜图像进行变换,得到变换后的虹膜图像,以根据所述变换后的虹膜图像训练所述反卷积神经网络分类器。
在本发明实施例中,在训练反卷积神经网络分类器时,可以从指定的图像库中获取虹膜图像,例如,该指定的图像库为中国科学院自动化研究所公布的虹膜数据集CASIA-IrisV3-Interval。为了节省存储空间,提高数据传输速度,虹膜数据集CASIA-IrisV3-Interval中的虹膜图像均被压缩成8位的JPEG文件,在靠近红外光的条件下采集。由于虹膜数据集CASIA-IrisV3-Interval只有2639个虹膜图像,因此,在训练反卷积神经网络分类器时,对虹膜图像进行变换,以进行数据扩充。其中,对虹膜图像进行变换可以为:对虹膜图像进行裁剪、缩放和/或旋转。在得到变换后的虹膜图像后,将变换后的虹膜图像生成相应的数据格式,以根据变换后的虹膜图像训练反卷积神经网络分类器。
图6示出了本发明实施例提供的虹膜定位方法中对虹膜图像进行裁剪的示意图。在对虹膜图像进行裁剪时,可以首先将虹膜图像缩放到256×256像素,然后从虹膜图像的左上、左下、右上、右下和中间五个位置裁剪出227×227像素的大小。
图7示出了本发明实施例提供的虹膜定位方法中对虹膜图像进行缩放的示意图。在对虹膜图像进行缩放时,可以分别将虹膜图像缩放到128×128像素、160×160像素、192×192像素或者224×224像素等。为了保证缩放前后长宽比不变,将缩放后的小图分别放在左上、左下、右上和右下四个位置,然后将其填充到227×227像素。
图8示出了本发明实施例提供的虹膜定位方法中对虹膜图像进行旋转的示意图。由于虹膜数据集CASIA-IrisV3-Interval中仅包含少量稍微倾斜的虹膜图像,因此,为了使反卷积神经网络分类器能够对倾斜的虹膜图像进行学习,将虹膜图像进行旋转,例如,旋转角度为:5度、15度、30度或者45度等。
应理解,在本发明实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提出了一种基于反卷积神经网络的虹膜定位技术方案,能够实现虹膜定位的监督学习,解决了非监督学习的虹膜定位方法的不足;对虹膜图像的质量要求较低,反卷积神经网络的网络规模较小,训练参数较少,计算量较小,节约了时间和存储开销;避免了局部极值,实现了更加精确的虹膜定位。
图9示出了本发明实施例提供的虹膜定位装置的结构框图,该装置可以用于运行图1至图8所示的虹膜定位方法。为了便于说明,仅示出了与本发明实施例相关的部分。
参照图9,该装置包括:
标定单元91,用于获取虹膜图像,并对所述虹膜图像进行标定;
标签生成单元92,用于在标定后的所述虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签;
训练数据生成单元93,用于根据所述虹膜图像和所述二值化掩膜标签生成训练数据;
反卷积神经网络建立单元94,用于建立反卷积神经网络;
特征数据计算单元95,用于将所述训练数据输入所述反卷积神经网络中,并通过所述反卷积神经网络计算所述训练数据的特征数据;
训练单元96,用于根据所述特征数据和二值化掩膜标签训练反卷积神经网络分类器,以确定反卷积神经网络的参数;
虹膜定位单元97,用于通过所述反卷积神经网络分类器对所述特征数据进行分类,以对所述虹膜图像进行虹膜定位。
优选地,所述反卷积神经网络建立单元94包括:
层数确定子单元941,用于根据第一预设值确定卷积层和反卷积层的层数;
三维矩阵模型建立子单元942,用于根据图像高度、图像宽度和第一参数建立所述卷积层和所述反卷积层的三维矩阵模型。
优选地,所述标定单元91具体用于:
对所述虹膜图像中的虹膜内外边缘进行圆拟合,对所述虹膜图像中的上下眼睑被睫毛遮挡部分的曲线进行贝塞尔曲线拟合。
优选地,所述虹膜定位单元97具体用于:
通过所述反卷积神经网络分类器对所述特征数据的每个像素进行分类,以对所述虹膜图像进行虹膜定位。
优选地,所述装置还包括:
图像变换单元98,用于对所述虹膜图像进行变换,得到变换后的虹膜图像,以根据所述变换后的虹膜图像训练所述反卷积神经网络分类器。
本发明实施例提出了一种基于反卷积神经网络的虹膜定位技术方案,能够实现虹膜定位的监督学习,解决了非监督学习的虹膜定位方法的不足;对虹膜图像的质量要求较低,反卷积神经网络的网络规模较小,训练参数较少,计算量较小,节约了时间和存储开销;避免了局部极值,实现了更加精确的虹膜定位。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种虹膜定位方法,其特征在于,包括:
获取虹膜图像,并对所述虹膜图像进行标定;
在标定后的所述虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签;
根据所述虹膜图像和所述二值化掩膜标签生成训练数据;
建立反卷积神经网络;
将所述训练数据输入所述反卷积神经网络中,并通过所述反卷积神经网络计算所述训练数据的特征数据;
根据所述特征数据和所述二值化掩膜标签训练反卷积神经网络分类器,以确定所述反卷积神经网络的参数;
通过所述反卷积神经网络分类器对所述特征数据进行分类,以对所述虹膜图像进行虹膜定位。
2.如权利要求1所述的方法,其特征在于,所述建立反卷积神经网络包括:
根据第一预设值确定卷积层和反卷积层的层数;
根据图像高度、图像宽度和第一参数建立所述卷积层和所述反卷积层的三维矩阵模型。
3.如权利要求1所述的方法,其特征在于,所述对所述虹膜图像进行标定包括:
对所述虹膜图像中的虹膜内外边缘进行圆拟合,对所述虹膜图像中的上下眼睑被睫毛遮挡部分的曲线进行贝塞尔曲线拟合。
4.如权利要求1所述的方法,其特征在于,所述通过所述反卷积神经网络分类器对所述特征数据进行分类包括:
通过所述反卷积神经网络分类器对所述特征数据的每个像素进行分类。
5.如权利要求1所述的方法,其特征在于,在所述获取虹膜图像之后,所述方法还包括:
对所述虹膜图像进行变换,得到变换后的虹膜图像,以根据所述变换后的虹膜图像训练所述反卷积神经网络分类器。
6.一种虹膜定位装置,其特征在于,包括:
标定单元,用于获取虹膜图像,并对所述虹膜图像进行标定;
标签生成单元,用于在标定后的所述虹膜图像中对虹膜区域和非虹膜区域进行标注,生成二值化掩膜标签;
训练数据生成单元,用于根据所述虹膜图像和所述二值化掩膜标签生成训练数据;
反卷积神经网络建立单元,用于建立反卷积神经网络;
特征数据计算单元,用于将所述训练数据输入所述反卷积神经网络中,并通过所述反卷积神经网络计算所述训练数据的特征数据;
训练单元,用于根据所述特征数据和所述二值化掩膜标签训练反卷积神经网络分类器,以确定所述反卷积神经网络的参数;
虹膜定位单元,用于通过所述反卷积神经网络分类器对所述特征数据进行分类,以对所述虹膜图像进行虹膜定位。
7.如权利要求6所述的装置,其特征在于,所述反卷积神经网络建立单元包括:
层数确定子单元,用于根据第一预设值确定卷积层和反卷积层的层数;
三维矩阵模型建立子单元,用于根据图像高度、图像宽度和第一参数建立所述卷积层和所述反卷积层的三维矩阵模型。
8.如权利要求6所述的装置,其特征在于,所述标定单元具体用于:
对所述虹膜图像中的虹膜内外边缘进行圆拟合,对所述虹膜图像中的上下眼睑被睫毛遮挡部分的曲线进行贝塞尔曲线拟合。
9.如权利要求6所述的装置,其特征在于,所述虹膜定位单元具体用于:
通过所述反卷积神经网络分类器对所述特征数据的每个像素进行分类,以对所述虹膜图像进行虹膜定位。
10.如权利要求6所述的装置,其特征在于,所述装置还包括:
图像变换单元,用于对所述虹膜图像进行变换,得到变换后的虹膜图像,以根据所述变换后的虹膜图像训练所述反卷积神经网络分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510854051.5A CN105303185A (zh) | 2015-11-27 | 2015-11-27 | 虹膜定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510854051.5A CN105303185A (zh) | 2015-11-27 | 2015-11-27 | 虹膜定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303185A true CN105303185A (zh) | 2016-02-03 |
Family
ID=55200429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510854051.5A Pending CN105303185A (zh) | 2015-11-27 | 2015-11-27 | 虹膜定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303185A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN106778567A (zh) * | 2016-12-05 | 2017-05-31 | 望墨科技(武汉)有限公司 | 一种通过神经网络来进行虹膜识别的方法 |
CN106778664A (zh) * | 2016-12-29 | 2017-05-31 | 天津中科智能识别产业技术研究院有限公司 | 一种虹膜图像中虹膜区域的分割方法及其装置 |
CN106991386A (zh) * | 2017-02-27 | 2017-07-28 | 杭州电子科技大学 | 一种基于深度残差网络的手势识别方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN108073889A (zh) * | 2016-11-11 | 2018-05-25 | 三星电子株式会社 | 虹膜区域提取的方法和设备 |
CN108197594A (zh) * | 2018-01-23 | 2018-06-22 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
CN108734078A (zh) * | 2017-12-14 | 2018-11-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备、存储介质及程序 |
CN108830827A (zh) * | 2017-05-02 | 2018-11-16 | 通用电气公司 | 神经网络训练图像生成系统 |
CN108875596A (zh) * | 2018-05-30 | 2018-11-23 | 西南交通大学 | 一种基于dssnn神经网络的铁路场景图像语义分割方法 |
CN109074650A (zh) * | 2016-05-25 | 2018-12-21 | 科磊股份有限公司 | 针对半导体应用从输入图像产生经模拟图像 |
CN109190502A (zh) * | 2018-08-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 用于生成位置信息的方法和装置 |
CN109815850A (zh) * | 2019-01-02 | 2019-05-28 | 中国科学院自动化研究所 | 基于深度学习的虹膜图像分割及定位方法、系统、装置 |
CN110022753A (zh) * | 2016-09-29 | 2019-07-16 | 奇跃公司 | 用于眼睛图像分割和图像质量估计的神经网络 |
CN110088777A (zh) * | 2018-07-18 | 2019-08-02 | 深圳鲲云信息科技有限公司 | 反卷积实现方法及相关产品 |
CN110402443A (zh) * | 2017-02-22 | 2019-11-01 | 欧姆龙株式会社 | 光学传感器、学习设备和图像处理系统 |
CN111753836A (zh) * | 2019-08-27 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 文字识别方法、装置、计算机可读介质及电子设备 |
CN111866573A (zh) * | 2020-07-29 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 视频的播放方法、装置、电子设备及存储介质 |
CN112287872A (zh) * | 2020-11-12 | 2021-01-29 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN113689385A (zh) * | 2021-07-29 | 2021-11-23 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
CN113706469A (zh) * | 2021-07-29 | 2021-11-26 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN115588039A (zh) * | 2022-12-12 | 2023-01-10 | 易斯德(福建)智能科技有限公司 | 基于光线自适应对抗学习的光度立体图生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078177A1 (en) * | 2004-10-08 | 2006-04-13 | Fujitsu Limited | Biometric information authentication device, biometric information authentication method, and computer-readable recording medium with biometric information authentication program recorded thereon |
CN101261677A (zh) * | 2007-10-18 | 2008-09-10 | 周春光 | 人脸和虹膜混合识别的新方法——特征提取层融合 |
CN102306289A (zh) * | 2011-09-16 | 2012-01-04 | 兰州大学 | 基于脉冲耦合神经网络的虹膜特征提取方法 |
-
2015
- 2015-11-27 CN CN201510854051.5A patent/CN105303185A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078177A1 (en) * | 2004-10-08 | 2006-04-13 | Fujitsu Limited | Biometric information authentication device, biometric information authentication method, and computer-readable recording medium with biometric information authentication program recorded thereon |
CN101261677A (zh) * | 2007-10-18 | 2008-09-10 | 周春光 | 人脸和虹膜混合识别的新方法——特征提取层融合 |
CN102306289A (zh) * | 2011-09-16 | 2012-01-04 | 兰州大学 | 基于脉冲耦合神经网络的虹膜特征提取方法 |
Non-Patent Citations (1)
Title |
---|
李海青: "面向多模态生物识别的人脸和虹膜图像预处理方法研究", 《中国科学院机构知识库服务网络 博士学位论文》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074650B (zh) * | 2016-05-25 | 2023-09-15 | 科磊股份有限公司 | 针对半导体应用从输入图像产生经模拟图像 |
CN109074650A (zh) * | 2016-05-25 | 2018-12-21 | 科磊股份有限公司 | 针对半导体应用从输入图像产生经模拟图像 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN110022753A (zh) * | 2016-09-29 | 2019-07-16 | 奇跃公司 | 用于眼睛图像分割和图像质量估计的神经网络 |
CN110022753B (zh) * | 2016-09-29 | 2022-02-25 | 奇跃公司 | 用于眼睛图像分割和图像质量估计的神经网络 |
CN108073889A (zh) * | 2016-11-11 | 2018-05-25 | 三星电子株式会社 | 虹膜区域提取的方法和设备 |
CN106778567B (zh) * | 2016-12-05 | 2019-05-28 | 望墨科技(武汉)有限公司 | 一种通过神经网络来进行虹膜识别的方法 |
CN106778567A (zh) * | 2016-12-05 | 2017-05-31 | 望墨科技(武汉)有限公司 | 一种通过神经网络来进行虹膜识别的方法 |
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN106778664B (zh) * | 2016-12-29 | 2020-12-15 | 天津中科智能识别产业技术研究院有限公司 | 一种虹膜图像中虹膜区域的分割方法及其装置 |
CN106778664A (zh) * | 2016-12-29 | 2017-05-31 | 天津中科智能识别产业技术研究院有限公司 | 一种虹膜图像中虹膜区域的分割方法及其装置 |
CN110402443A (zh) * | 2017-02-22 | 2019-11-01 | 欧姆龙株式会社 | 光学传感器、学习设备和图像处理系统 |
CN106991386A (zh) * | 2017-02-27 | 2017-07-28 | 杭州电子科技大学 | 一种基于深度残差网络的手势识别方法 |
CN108830827A (zh) * | 2017-05-02 | 2018-11-16 | 通用电气公司 | 神经网络训练图像生成系统 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN108734078A (zh) * | 2017-12-14 | 2018-11-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备、存储介质及程序 |
CN108734078B (zh) * | 2017-12-14 | 2023-04-07 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备、存储介质及程序 |
US10949991B2 (en) | 2018-01-23 | 2021-03-16 | Beijing 7Invensun Technology Co., Ltd. | Method and apparatus for determining position of pupil |
CN108197594B (zh) * | 2018-01-23 | 2020-12-11 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
CN108197594A (zh) * | 2018-01-23 | 2018-06-22 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
CN108875596A (zh) * | 2018-05-30 | 2018-11-23 | 西南交通大学 | 一种基于dssnn神经网络的铁路场景图像语义分割方法 |
CN110088777A (zh) * | 2018-07-18 | 2019-08-02 | 深圳鲲云信息科技有限公司 | 反卷积实现方法及相关产品 |
CN110088777B (zh) * | 2018-07-18 | 2023-05-05 | 深圳鲲云信息科技有限公司 | 反卷积实现方法及相关产品 |
CN109190502A (zh) * | 2018-08-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 用于生成位置信息的方法和装置 |
CN109815850A (zh) * | 2019-01-02 | 2019-05-28 | 中国科学院自动化研究所 | 基于深度学习的虹膜图像分割及定位方法、系统、装置 |
CN111753836A (zh) * | 2019-08-27 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 文字识别方法、装置、计算机可读介质及电子设备 |
CN111866573A (zh) * | 2020-07-29 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 视频的播放方法、装置、电子设备及存储介质 |
CN111866573B (zh) * | 2020-07-29 | 2022-03-11 | 腾讯科技(深圳)有限公司 | 视频的播放方法、装置、电子设备及存储介质 |
CN112287872B (zh) * | 2020-11-12 | 2022-03-25 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
CN112287872A (zh) * | 2020-11-12 | 2021-01-29 | 北京建筑大学 | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 |
CN113536968B (zh) * | 2021-06-25 | 2022-08-16 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN113706469A (zh) * | 2021-07-29 | 2021-11-26 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN113689385A (zh) * | 2021-07-29 | 2021-11-23 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
CN113689385B (zh) * | 2021-07-29 | 2023-10-20 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
CN113706469B (zh) * | 2021-07-29 | 2024-04-05 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN115588039A (zh) * | 2022-12-12 | 2023-01-10 | 易斯德(福建)智能科技有限公司 | 基于光线自适应对抗学习的光度立体图生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303185A (zh) | 虹膜定位方法及装置 | |
Bergmann et al. | Improving unsupervised defect segmentation by applying structural similarity to autoencoders | |
Dong et al. | PGA-Net: Pyramid feature fusion and global context attention network for automated surface defect detection | |
Nandhini Abirami et al. | Deep CNN and deep GAN in computational visual perception-driven image analysis | |
WO2019162241A1 (en) | Real-time object detection using depth sensors | |
KR20180036709A (ko) | 미디어 분류 | |
US20140321756A9 (en) | System and method for circling detection based on object trajectory | |
Khalid et al. | Automatic measurement of the traffic sign with digital segmentation and recognition<? show [AQ ID= Q1]?> | |
CN103679186B (zh) | 检测和跟踪目标的方法和装置 | |
Huang et al. | Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification | |
US9025863B2 (en) | Depth camera system with machine learning for recognition of patches within a structured light pattern | |
KR20180048930A (ko) | 분류를 위한 강제된 희소성 | |
US20220301173A1 (en) | Method and system for graph-based panoptic segmentation | |
JP5591178B2 (ja) | テスト画像内のオブジェクトを分類するための方法 | |
Shang et al. | Facilitating efficient mars terrain image classification with fuzzy-rough feature selection | |
CN102799888A (zh) | 人眼检测方法和人眼检测设备 | |
CN105005789A (zh) | 一种基于视觉词汇的遥感图像地物分类方法 | |
CN105095836A (zh) | 一种基于Gabor特征的皮肤纹理检测方法及装置 | |
CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN109886344A (zh) | 基于深度学习的皮革破损识别方法、系统及设备和介质 | |
CN110751195A (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
Kishorjit Singh et al. | Image classification using SLIC superpixel and FAAGKFCM image segmentation | |
CN115210774A (zh) | 物体检测的热图可视化 | |
CN111524113A (zh) | 提升链异常识别方法、系统、设备及介质 | |
Wei et al. | Mixed-type wafer defect recognition with multi-scale information fusion transformer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160203 |