CN106709431A

CN106709431A - 虹膜识别方法及装置

Info

Publication number: CN106709431A
Application number: CN201611099294.3A
Authority: CN
Inventors: 陈书楷; 朱思霖
Original assignee: Xiamen Zhongkong Biological Recognition Information Technology Co Ltd
Current assignee: Xiamen Central Intelligent Information Technology Co., Ltd.
Priority date: 2016-12-02
Filing date: 2016-12-02
Publication date: 2017-05-24

Abstract

本发明适用于图像识别技术领域，提供了一种虹膜识别方法及装置，该方法包括：获取用户的虹膜图像；通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。上述方法在虹膜图像中的虹膜区域定位上均通过两个以上的卷积神经网络模型分阶段进行，与现有技术相比，采用深度学习的方式，得到的深度特征能够组合较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。

Description

虹膜识别方法及装置

技术领域

本发明属于图像识别技术领域，尤其涉及一种虹膜识别方法及装置。

背景技术

虹膜识别方法通常使用在提取生物识别眼部特征设备以及具有程序的存储介质，它能通过提取虹膜图像和特征，来确定和验证对象身份，广泛应用在各类安防设备、移动设备等高安防需求系统和设备中。

传统的虹膜采集技术通常使用图像传感器捕捉高质量的虹膜图像，并采用边缘检测方法，提取瞳孔边缘区域，计算每幅虹膜图像中瞳孔边缘区域内的像素点的灰度值变化量来识别虹膜。或者根据采集对象进行采集，以获取虹膜图像；识别预存的虹膜信息中是否有与采集到的虹膜图像中携带的虹膜信息相匹配的目标虹膜信息，以及基于采集到的虹膜图像中的瞳孔的原始半径，判断采集到的虹膜图像是否为真实虹膜图像。

在实现本发明的过程中，发明人发现现有技术中至少存在以下问题：虹膜区域是利用瞳孔中心的假定圆来确定，所以依照假定的圆的图形，可能只有部分瞳孔包含在研究图像中。并且图形容易受外界光线变化干扰，角度不同也会造成虹膜的不同，影响到虹膜匹配时的精度。

发明内容

有鉴于此，本发明实施例提供了一种虹膜识别方法及装置，以解决现有技术中虹膜匹配精度较低的问题。

第一方面，提供了一种虹膜识别方法，包括：

获取用户的虹膜图像；

通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位；

对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

第二方面，提供了一种虹膜识别装置，包括图像获取模块、虹膜区域定位模块和特征提取识别模块；

所述图像获取模块，用于获取用户的虹膜图像；

所述虹膜区域定位模块，用于通过两个以上的卷积神经网络模型对所述图像获取模块获取到的虹膜图像中的虹膜区域分阶段进行定位；

所述特征提取识别模块，用于对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

本发明实施例相对现有技术的有益效果：本发明实施例在虹膜图像中的虹膜区域定位上均通过两个以上的卷积神经网络模型分阶段进行，与现有技术相比，采用深度学习的方式，得到的深度特征能够组合较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。

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识别方法流程示意图；

图2是本发明实施例提供的使用采集器获取到的虹膜图像；

图3是本发明实施例提供的眼睛示意图；

图4是采用卷及神经网络模型对图2进行定位后的图像；

图5是本发明实施例提供的图1中步骤S102的具体流程示意图；

图6是本发明实施例提供的虹膜识别方法的另一流程示意图；

图7是对图4进行几何归一化处理后的图像；

图8是对图7进行灰度归一化处理后的图像；

图9是本发明实施例提供的虹膜识别装置的结构框架图；

图10是本发明实施例提供的虹膜识别装置中虹膜区域定位模型的结构框架图；

图11是本发明实施例提供的虹膜识别装置中虹膜区域定位模型的另一种结构框架图；

图12是本发明实施例提供的虹膜识别装置的另一种结构框架图；

图13是本发明实施例提供的虹膜识别装置的又一种结构框架图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明实施例一提供的虹膜识别方法的实现流程，详述如下：

在步骤S101中，获取用户的虹膜图像。

本步骤中，可以通过图像采集器获取用户的虹膜图像。例如，通过图像传感器获取用户的虹膜图像，如图2所示。其中，通过图像采集器获取到的虹膜图像内容中会包含虹膜区域图像和虹膜区域图像周围的图像。可以理解的，本发明实施例是要对虹膜进行识别，因此需要将虹膜区域图像周围的图像去除，即对虹膜图像中的虹膜区域进行标定。通过图像采集器获取用户的虹膜图像可以通过本领域技术人员所熟知的技术实现，故在此不再详述。

另外，图3为眼睛10的示意图。按图3所示，虹膜11为阴影部分区域，瞳孔12为黑色圆形区域，标号13所指区域为眼睑。其中，虹膜11呈圆环形。

在步骤S102中，通过两个以上的卷积神经网络模型对虹膜图像中的虹膜区域分阶段进行定位。

本步骤中通过两个以上的卷积神经网络模型对虹膜图像中的虹膜区域分阶段进行定位，如图4所示。参见图5，步骤S102的具体实现流程如下：

在步骤S201中，采用第一卷积神经网络模型对虹膜图像进行扫描，生成虹膜区域候选区。

本步骤中，第一卷及神经网络模型可以为浅层CNN(Convolutional NeuralNetwork,卷积神经网络)模型。即采用浅层CNN模型对步骤S101中获取到的虹膜图像进行快速扫描，生成虹膜区域候选区。

作为一种可实施方式，第一卷积神经网络模型可以包括三个卷积层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是10，其中，通道数N表示卷积层的宽度。三个卷积层的卷积核均是3*3。卷积步长为1个像素，且用0填充度和高1个像素的边界。三个并行的全连层输出的神经元数量C分别为C₁、C₂和C₃。其中，C₁可以取值为2，C₂可以取值为4，C₃可以取值为10。

优选的，第一个卷积层和第二个卷积层之间具有Maxpool层，即最大池化层。Maxpool层的采样滑动窗口为a₁*a₁，步长为a₁。其中，a₁可以取值为2。

优选的，在第一卷积神经网络模型中，前三个卷积层之后都设置有激活函数ReLU(Rectified Linear Unit，线性修正单元)。ReLU的计算公式是f(x)＝max(0,x)。ReLU是非饱和非线性的函数，比常用的激活函数sigmoid与tanh在训练中更容易收敛。另外，在后三个并行的卷积层之间也可以设置有激活函数ReLU。

本实施例中，三个卷积层参数依次为conv-(3→10，3*3)，conv-(10→16，3*3)，conv-(16→32，3*3)。

另外，第一卷积神经网络模型在签署三个卷积层之后，还可以包括三个并行的卷积层。三个并行的卷积层依次为conv-(32→2，1*1)，conv-(32→4，1*1)，conv-(32→10，1*1)。Maxpool层为Maxpool(3*3，2，2)。

在步骤S202中，采用第二卷积神经网络模型对虹膜区域候选区中的区域进行验证，删除虹膜区域候选区中的误选区域。

本步骤中，采用第二卷积神经网络模型对步骤S201中得到的虹膜区域候选区进行验证，删除虹膜区域候选区中的误选区域，对虹膜区域候选区进行提纯。

作为一种可实施方式，第二卷积神经网络模型可以包括三个卷积层和三个并行的全连层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是28，其中，通道数N表示卷积层的宽度。三个卷积层的卷积核按照出现顺序依次为3*3、3*3和2*2。卷积步长为1个像素，且用0填充度和高1个像素的边界。全连层由L₂个神经元映射到M₂个神经元。其中，L₂可以取值为576，M₂可以取值为128。三个并行的全连层输出的神经元数量C分别为C₄、C₅和C₆。其中，C₄可以取值为2，C₅可以取值为4，C₆可以取值为10。

优选的，第一个卷积层和第二个卷积层之间，以及第二个卷积层和第三个卷积层之间均设置有Maxpool层。Maxpool层的采样滑动窗口为a₂*a₂，步长为a₂。其中，a₂可以取值为2。

优选的，在第二卷积神经网络模型中，三个卷积层之后都设置有激活函数ReLU(Rectified Linear Unit，线性修正单元)。ReLU的计算公式是f(x)＝max(0,x)。ReLU是非饱和非线性的函数，比常用的激活函数sigmoid与tanh在训练中更容易收敛。另外，在三个并行的全连层之间也可以设置有激活函数ReLU。

本实施例中，三个卷积层参数依次设置为conv-(3→28，3*3)，conv-(28→48，3*3)，conv-(48→64，2*2)。Maxpool层为Maxpool(3*3，2，2)。

在步骤S203中，输出虹膜区域的位置坐标。

其中，通过步骤S201和S202对虹膜图像中的虹膜区域分阶段进行定位之后，将得到的虹膜区域图像进行位置标定，并输出虹膜区域的位置坐标，为步骤S103准备特征提取所依据的数据。

优选的，在步骤S203之前，还可以包括：采用第三卷积神经网络模型对经过所述第二卷积神经网络模型处理后的虹膜区域候选区中的区域进行再次验证，删除所述虹膜区域候选区中的误选区域。

本步骤中，采用第三卷积神经网络模型对步骤S202中得到的虹膜区域候选区进行再次验证，删除虹膜区域候选区中的误选区域，对虹膜区域候选区进行进一步提纯。

作为一种可实施方式，第三卷积神经网络模型可以包括四个卷积层和三个并行的全连层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是32，其中，通道数N表示卷积层的宽度。三个卷积层的卷积核按照出现顺序依次为3*3、3*3、3*3和2*2。卷积步长为1个像素，且用0填充度和高1个像素的边界。全连层由L₃个神经元映射到M₃个神经元。其中，L₃可以大于L₂，M₃可以大于M₂。例如，L₃可以取值为1152，M₃可以取值为256。三个并行的全连层输出的神经元数量C分别为C₇、C₈和C₉。其中，C₇可以取值为2，C₈可以取值为4，C₉可以取值为10。

优选的，在第三神经网络模型中，第一个卷积层和第二个卷积层之间，第二个卷积层和第三个卷积层之间，以及第三个卷积层和第四个卷积层之间均可以设置有Maxpool层。Maxpool层的采样滑动窗口为a₃*a₃，步长为a₃。其中，a₃可以取值为2。

优选的，在第三卷积神经网络模型中，三个卷积层之后都设置有激活函数ReLU(Rectified Linear Unit，线性修正单元)。ReLU的计算公式是f(x)＝max(0,x)。ReLU是非饱和非线性的函数，比常用的激活函数sigmoid与tanh在训练中更容易收敛。另外，在三个并行的全连层之间也可以设置有激活函数ReLU。

本实施例中，三个卷积层参数依次设置为conv-(3→28，3*3)，conv-(28→48，3*3)，conv-(48→64，2*2)。在第一个卷积层和第二个卷积层之间，以及第二个卷积层和第三个卷积层之间的Maxpool层为Maxpool(3*3，2，2)。在第三卷积层和第四卷积层之间的Maxpool层为Maxpool(2*2，2，2)。

本实施例中，实现步骤S102需进行如下四部分工作，(1)准备训练数据；(2)CNN模型设计；(3)虹膜检测--模型训练；(4)虹膜定位--模型应用。每一个CNN模型的生成过程及使用过程均包括上述四部分工作。其中，准备的训练数据为具有标定信息的虹膜图像，标定信息包括虹膜内外边界所在圆周的圆心及其相应半径。模型训练过程即为用设计好的CNN模型对准备好的训练数据进行训练。模型应用过程即为前文所述的定位方式。

在步骤S103中，对虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

本步骤中，可以采用第四卷积神经网络模型对虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。其中，第四神经网络模型可以包括多个卷积层和至少一个全连层。卷积层的颜色通道数D为3，其中，D＝1时表示灰度图，D＝3时表示彩色图。卷积层的通道数N是16，其中，通道数N表示卷积层的宽度。

作为一种可实施方式，卷积层的个数可以为二十一个。按照出现顺序，前五个卷积层、第七个至第十个卷积层、第十二个至第十五个卷积层、第十七个至第二十个卷积层的卷积核均为3*3。第六个卷积层、第十一个卷积层、第十六个卷积层、第二十一个卷积层的卷积核均为1*1。卷积步长为1个像素，且用0填充度和高1个像素的边界。全连层输出的神经元数量C分别为C₁₀。其中，C₁₀可以取值为5。

优选的，在第四卷积神经网络模型中，卷积核为3*3的卷积层之后都设置有激活函数ReLU。ReLU的计算公式是f(x)＝max(0,x)。ReLU是非饱和非线性的函数，比常用的激活函数sigmoid与tanh在训练中更容易收敛。另外，在全连层之钱也可以设置有激活函数ReLU。

本实施例中，各个卷积层参数依次设置为conv-(3→16，3*3，1，1，1，1)，conv-(16→16，3*3，1，1，1，1)，conv-(16→16，3*3，1，1，1，1)，conv-(16→32，3*3，2，2，1，1)，conv-(32→32，3*3，1，1，1，1)，conv-(16→32，1*1，2，2)，conv-(32→32，3*3，1，1，1，1)，conv-(32→32，3*3，1，1，1，1)，conv-(32→64，3*3，2，2，1，1)，conv-(64→64，3*3，1，1，1，1)，conv-(32→64，1*1，2，2)，conv-(64→64，3*3，1，1，1，1)，conv-(64→64，3*3，1，1，1，1)，conv-(64→128，3*3，2，2，1，1)，conv-(128→128，3*3，1，1，1，1)，conv-(64→128，1*1，2，2)，conv-(128→128，3*3，1，1，1，1)，conv-(128→128，3*3，1，1，1，1)，conv-(128→256，3*3，2，2，1，1)，conv-(256→256，3*3，1，1，1，1)，conv-(128→256，1*1，2，2)。

本实施例中，实现步骤S103需进行如下四部分工作，(1)准备训练数据；(2)CNN模型设计；(3)虹膜识别--模型训练；(4)虹膜识别--模型应用。该过程的CNN模型的生成过程及使用过程均包括上述四部分工作。其中，准备的训练数据为经过步骤S102处理的虹膜图像。模型训练过程即为用设计好的CNN模型对准备好的训练数据进行训练。模型应用过程即为使用训练好的模型进行虹膜识别。

应理解，以上实施例中的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的具体结构均为对本发明实施例的示例说明，不应以此为限。即，第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型还可以采用其他参数或其他结构的卷积神经网络模型。另外，以上实施例中各步骤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。

实施例二：

图6示出了本实施例中虹膜识别方法的详细流程，与实施例一中重复的内容不再赘述，详述如下：

在步骤S301中，获取用户的虹膜图像。

在步骤S302中，通过两个以上的卷积神经网络模型对虹膜图像中的虹膜区域分阶段进行定位。

在步骤S303中，采用极坐标变换的方法，将虹膜区域的图像进行几何归一化处理，转换成预设大小的矩形区域图像。

本步骤中，由于用户的瞳孔在不同光照情况下大小会有变化，因而虹膜图像的大小也会发生变化，而且采集时角度的影响也会造成虹膜的不同，影响到虹膜匹配时的精度。因此需要对定位后的虹膜区域的图像进行归一化，将虹膜部分的环形区域映射成一个固定大小的矩形，从而消除平移、缩放和旋转对虹膜识别的影响。

根据步骤S102得到的虹膜区域的内、外边界圆周的参数，采用极坐标变换的方法进行归一化，进而得到预设大小的矩形区域图像，如图7所示。

在步骤S304中，对虹膜区域的图像进行灰度归一化处理。

本步骤中，由于虹膜图像采集设备等外在原因，使得虹膜区域图像上的光照不能完全按均匀方式分布，这样将会影响纹理分析的效果。为了更好地提高识别效果，本步骤中对虹膜区域的图像进行灰度归一化处理，从而实现对虹膜图像的增强效果，减少非均匀光照的影响，如图8所示。

在步骤S305中，对虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

进一步的，本实施例中，步骤S303和S304可选择性的执行。例如，可只执行步骤S303，也可只执行步骤S304，还可以步骤S303和S304均执行。而且，步骤S303和S304的顺序并不一定如图3所示，可先执行步骤S303再执行步骤S304。也可先执行步骤S304再执行步骤S303。

上述虹膜识别方法，在虹膜图像中的虹膜区域定位及对虹膜区域图像的识别上均采用深度学习的方式。具体的，虹膜区域定位的技术原理为深度特征加映射定位的方式，并采用深度学习的方法对虹膜图像进行特征提取。与现有技术相比，本发明实施例中的虹膜识别方法，采用了深度学习的方法对虹膜图像中的虹膜区域进行定位和特征提取，得到的深度特征组合了较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。

实施例三：

对应于上文实施例所述的虹膜识别方法，图9示出了本发明实施例提供的虹膜识别装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分。

参照图9，该虹膜识别装置包括：图像获取模块401、虹膜区域定位模块402和特征提取识别模块403。其中，图像获取模块401，用于获取用户的虹膜图像。虹膜区域定位模块402，用于通过两个以上的卷积神经网络模型对图像获取模块401获取到的虹膜图像中的虹膜区域分阶段进行定位。特征提取识别模块403，用于对虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。作为一种可实施方式，特征提取识别模块103，具体用于采用第四卷积神经网络模型对虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

参见图10，作为一种可实施方式，虹膜区域定位模块402可以包括第一单元501、第二单元502和位置输出单元503。其中，第一单元501，用于采用第一卷积神经网络模型对虹膜图像进行扫描，生成虹膜区域候选区。第二单元502，用于采用第二卷积神经网络模型对虹膜区域候选区中的区域进行验证，删除虹膜区域候选区中的误选区域。位置输出单元503，用于输出虹膜区域的位置坐标。

优选的，参见图11，虹膜区域定位模块402还可以包括第三单元504。第三单元504，用于采用第三卷积神经网络模型对经过第二单元502处理后的虹膜区域候选区中的区域进行再次验证，删除虹膜区域候选区中的误选区域。位置输出单元503，用于输出经过第三单元504处理后的虹膜区域的位置坐标。

较佳的，参见图12，虹膜识别装置还可以包括几何归一化模块104。几何归一化模块104，用于采用极坐标变换的方法，将经过虹膜区域定位模块102处理后的虹膜区域的图像进行几何归一化处理，转换成预设大小的矩形区域图像。特征提取识别模块103，用于对经过几何归一化模块104处理后的虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

进一步的，参见图13，虹膜识别装置还可以包括灰度归一化模块105。灰度归一化模块105，用于对几何归一化模块104转换出的矩形区域图像进行灰度归一化处理。特征提取识别模块103，用于对经过灰度归一化模块105处理后的虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

另外，虹膜识别装置可以不包括几何归一化模块104，而包括灰度归一化模块105。此时，灰度归一化模块105用于对虹膜区域定位模块102处理后的虹膜区域图像进行灰度归一化处理。特征提取识别模块103，用于对经过灰度归一化模块105处理后的虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

上述虹膜识别装置，在虹膜图像中的虹膜区域定位及对虹膜区域图像的识别上均采用深度学习的方式。具体的，虹膜定位的技术原理为深度特征加映射定位的方式，并采用深度学习的方法对虹膜图像进行特征提取。与现有技术相比，本发明实施例中的虹膜识别方法，采用了深度学习的方法对虹膜图像中的虹膜区域进行定位和特征提取，得到的深度特征组合了较多的局部信息，对虹膜图像的表现力更强，从而能够提高虹膜识别的精准度，降低误判率。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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。

在本发明所提供的实施例中，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，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本发明实施例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全部或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)或处理器(processor)执行本发明实施例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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种虹膜识别方法，其特征在于，包括：

获取用户的虹膜图像；

2.根据权利要求1所述的虹膜识别方法，其特征在于，所述通过两个以上的卷积神经网络对所述虹膜图像中的虹膜区域分阶段进行定位包括：

采用第一卷积神经网络模型对所述虹膜图像进行扫描，生成虹膜区域候选区；

采用第二卷积神经网络模型对所述虹膜区域候选区中的区域进行验证，删除所述虹膜区域候选区中的误选区域；

输出虹膜区域的位置坐标。

3.根据权利要求2所述的虹膜识别方法，其特征在于，在所述输出虹膜区域的位置坐标之前还包括：

采用第三卷积神经网络模型对经过所述第二卷积神经网络模型处理后的虹膜区域候选区中的区域进行再次验证，删除所述虹膜区域候选区中的误选区域。

4.根据权利要求1所述的虹膜识别方法，其特征在于，所述对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别具体为：

采用第四卷积神经网络模型对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

5.根据权利要求1或4所述的虹膜识别方法，其特征在于，在所述对所述虹膜区域的图像进行特征提取之前，还包括：

采用极坐标变换的方法，将定位所得的所述虹膜区域的图像进行几何归一化处理，转换成预设大小的矩形区域图像。

6.根据权利要求5所述的虹膜识别方法，其特征在于，在所述对所述虹膜区域的图像进行特征提取之前，还包括：

对所述矩形区域图像进行灰度归一化处理。

7.一种虹膜识别装置，其特征在于，包括图像获取模块、虹膜区域定位模块和特征提取识别模块；

所述图像获取模块，用于获取用户的虹膜图像；

8.根据权利要求7所述的虹膜识别装置，其特征在于，所述虹膜区域定位模块包括第一单元、第二单元和位置输出单元；

所述第一单元，用于采用第一卷积神经网络模型对所述虹膜图像进行扫描，生成虹膜区域候选区；

所述第二单元，用于采用第二卷积神经网络模型对所述虹膜区域候选区中的区域进行验证，删除所述虹膜区域候选区中的误选区域；

所述位置输出单元，用于输出虹膜区域的位置坐标。

9.根据权利要求8所述的虹膜识别装置，其特征在于，所述虹膜区域定位模块还包括第三单元；所述第三单元，用于采用第三卷积神经网络模型对经过所述第二单元处理后的虹膜区域候选区中的区域进行再次验证，删除所述虹膜区域候选区中的误选区域；

所述位置输出单元，用于输出经过所述第三单元处理后的虹膜区域的位置坐标。

10.根据权利要求7所述的虹膜识别装置，其特征在于，所述特征提取识别模块，具体用于采用第四卷积神经网络模型对所述虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

11.根据权利要求7或10所述的虹膜识别装置，其特征在于，所述装置还包括几何归一化模块；所述几何归一化模块，用于采用极坐标变换的方法，将经过所述虹膜区域定位模块处理后的所述虹膜区域的图像进行几何归一化处理，转换成预设大小的矩形区域图像；

所述特征提取识别模块，用于对经过所述几何归一化模块处理后的虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。

12.根据权利要求11所述的虹膜识别装置，其特征在于，所述装置还包括灰度归一化模块；所述灰度归一化模块，用于对所述几何归一化模块转换出的矩形区域图像进行灰度归一化处理；

所述特征提取识别模块，用于对经过所述灰度归一化模块处理后的虹膜区域的图像进行特征提取，并根据提取出的特征进行识别。