CN107403488A - 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 - Google Patents

一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 Download PDF

Info

Publication number
CN107403488A
CN107403488A CN201710513864.7A CN201710513864A CN107403488A CN 107403488 A CN107403488 A CN 107403488A CN 201710513864 A CN201710513864 A CN 201710513864A CN 107403488 A CN107403488 A CN 107403488A
Authority
CN
China
Prior art keywords
iris
msub
local
image
circle
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
CN201710513864.7A
Other languages
English (en)
Other versions
CN107403488B (zh
Inventor
吴澄
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.)
Suzhou Cree Internet Technology Co Ltd
Suzhou University
Original Assignee
Suzhou Cree Internet Technology Co Ltd
Suzhou University
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 Suzhou Cree Internet Technology Co Ltd, Suzhou University filed Critical Suzhou Cree Internet Technology Co Ltd
Priority to CN201710513864.7A priority Critical patent/CN107403488B/zh
Publication of CN107403488A publication Critical patent/CN107403488A/zh
Application granted granted Critical
Publication of CN107403488B publication Critical patent/CN107403488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法，虹膜识别系统包括后台云服务器和1个以上本地虹膜识别装置；各本地虹膜识别装置包括门禁控制器、门禁驱动阀、本地工控机和图像采集器；图像采集器采集虹膜图像数据，本地工控机利用存储的虹膜识别模型对采集到的虹膜图像数据进行识别，然后根据识别结果利用门禁控制器控制门禁驱动阀打开门禁或保持门禁关闭；各本地虹膜识别装置中的本地工控机分别与后台云服务器连接通信，以发送虹膜识别模型的样本数据和接收新的虹膜识别模型，后台云服务器基于接收的样本数据更新对应各本地虹膜识别装置的虹膜识别模型。本发明能够随时间的推移和系统的应用提高虹膜识别的准确度，同时提高远程系统维护、升级的便利性。

Description

一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不 完整图像的特征值提取方法
技术领域
本发明涉及仓库、银行等安防设备(如门禁等)以及有高度保密需求的场所门禁系统技 术领域，特别是一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征 值提取方法。
背景技术
虹膜识别技术是基于眼睛中的虹膜进行身份识别的技术，早在上个世纪80年代就已经开 始研究了。由于具有生物活性、非接触性、唯一性、稳定性、防伪性等技术优势，虹膜识别 技术成为生物识别领域中的佼佼者，被广泛认为是二十一世纪最具有发展前途的生物认证技 术。对身份识别领域的两项基本参数：识别率和拒识率，虹膜识别技术的误识别率仅为 1/1200000，拒识率也仅为1.1％，而相对而论，指纹、掌纹、人脸的误识别率最低也都分布在 千分之一到百分之一的数量级上，而拒识率随着误识别率的降低可能会分布在10％数量级以 上。
目前，虹膜识别技术已经在国内外获得了快速的发展，但真正称得上面向终端用户的、 稳定的、产品化的虹膜识别系统寥寥无几。国外虹膜识别的主要研究机构主要有美国的 Iridian，Iritech，韩国的Jiris公司，Iridian公司是目前全球最大的专业虹膜识别技术和产品提 供商。国内自中科院自动化在国家模式识别重点实验室在16年的研究基础上开发出了虹膜识 别的核心算法，掌握了虹膜识别的核心算法。国内市场上虹膜识别系统的公司大多代理国外 产品，可自行生产虹膜识别产品的厂商仅少数几家，作为中科院自动化所虹膜技术产业化基 地的中科虹霸科技有限公司的产品主要包括IKEMB-0001嵌入式虹膜识别设备，虹膜综合人 员管理系统。
现有的虹膜识别系统总体上包含硬件和软件两部分：硬件主要指虹膜采集系统，包括膜 摄像头(图像采集)、图像处理器或工控机(图像处理、数据存储)、结果显示以及电源部分， 这里的技术难点在于怎样获得清晰的完整的虹膜图像；软件部分主要实现虹膜图像预处理、 虹膜纹理归一化、特征提取以及特征匹配。现有技术存在的不足在于：
图像采集中往往难以获取清晰的完整的虹膜图像，经常为不完整图像，传统的Daugman 算法或Wildes算法往往效果不理想；
现有的虹膜识别系统往往是单独的一套设备，没有后台服务器的支撑，在运算、处理、 存储方面由于设备的成本原因往往存在不足，对一些较为复杂的算法硬件上无法适应；
现有虹膜的识别模型往往在本地工控机或控制板上形成，识别率和拒识率在一开始安装 时已固定，无法随着时间的推移，系统的不断使用而提高；
现有的虹膜识别系统的维护和升级需要专业工作人员到现场处理，无法远程及时处理。
发明内容
本发明的目的是提供一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图 像的特征值提取方法，其识别模型能够随时间的推移和系统的应用而更新，可提高虹膜识别 的准确度，同时提高远程系统维护、升级的便利性；特征值的提取结果能够更加方便识别模 型的训练。
本发明采取的技术方案为：一种虹膜识别系统，包括后台云服务器和1个以上本地虹膜 识别装置；
各本地虹膜识别装置包括门禁控制器、门禁驱动阀、本地工控机和图像采集器；图像采 集器采集虹膜图像数据传输至本地工控机；本地工控机中存储有虹膜识别模型，本地工控机 利用虹膜识别模型对接收到的虹膜图像数据进行识别，然后将识别结果发送至门禁控制器； 门禁控制器根据识别结果控制门禁驱动阀的工作，从而打开门禁或保持门禁关闭；
各本地虹膜识别装置中的本地工控机分别与后台云服务器连接通信，以发送识别对象的 多个清晰虹膜图像数据及相应的识别结果至后台云服务器；
后台云服务器接收识别对象的清晰虹膜图像数据及相应的识别结果后，实时对识别结果 进行验证，并以设定的时间间隔，基于各本地虹膜识别装置对应的多个识别对象的清晰虹膜 图像数据及相应的识别结果和验证结果，训练得到对应各本地虹膜识别装置的新的虹膜识别 模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的本地工控机；
各本地虹膜识别装置中的本地工控机以上述设定的时间间隔，接收新的虹膜识别模型， 替换原虹膜识别模型。
本发明在应用时，各本地虹膜识别装置设置场合不同，则对应的门禁所针对的识别对象 人群是不同的，因此对应每个本地虹膜识别装置的虹膜识别模型也是应该不同的。后台云服 务器进行模型训练的时间间隔可设定为一天，即每天的某一时刻开始基于前一天收集的图像 数据和识别验证结果，进行虹膜识别模型的训练，然后将训练得到的对应各本地虹膜识别装 置的新的虹膜识别模型发送给各本地虹膜识别装置的本地工控机。
进一步的，本地虹膜识别装置还包括人体接近感应器和用于为图像采集器的采集对象补 光的红外补光光源，人体接近感应器感知人体接近门禁的信息，并传输至门禁控制器，门禁 控制器根据接收到的人体接近门禁信息，控制红外补光光源发出红外光，同时发送人体接近 门禁信息至本地工控机；本地工控机根据接收到的人体接近门禁信息，控制图像采集器开始 采集图像。
优选的，后台云服务器中存储有对应各可识别对象的验证号码表，后台云服务器接收识 别对象的清晰虹膜图像数据及相应的识别结果后，将识别结果实时发送至相应识别对象的验 证号码，以获取识别对象对识别结果返回的验证信息，然后根据验证信息验证识别结果是否 正确：
若识别结果正确，则相应的识别对象的清晰虹膜图像数据保留，作为后续模型训练的样 本；若识别结果不正确，则相应的识别对象的清晰虹膜图像数据丢弃。
所述验证号码可为手机号码，也可针对验证过程单独设计一款可安装于识别对象手机或 其它便携设备中的验证APP，验证号码即对应不同识别对象的终端ID，当需要验证时，则向 与当前识别对象相应的终端ID或者电话号码发送识别结果信息，向识别对象验证识别结果的 方式可为，询问该识别对象当前是否正在通过门禁，若该识别对象回复确认信息，则验证通 过，即识别结果正确。
进一步的，后台云服务器将识别对象返回的验证信息通过本地工控机转发至门禁控制器， 门禁控制器根据识别结果以及验证信息控制门禁驱动阀的工作，从而打开门禁或保持门禁关 闭。可进一步提高门禁的安全可靠性。
优选的，所述门禁控制器采用微控制器STM32，门禁控制器通过RS232与本地工控机连 接通信。门禁驱动阀采用电磁阀，电磁阀包括继电器和电磁锁，门禁控制器通过控制继电器 触点的闭合或断开，来控制电磁锁的打开或关闭，从而控制门禁的打开或关闭。后台云服务 器通过互联网与各本地工控机连接通信。
本发明还公开一种上述虹膜识别系统的应用方法，包括：
S1，控制器接收到人体接近感应器发出的人体接近门禁信息；
S2，控制器控制红外补光光源启动，以为图像采集器的采集对象补光，同时向本地工控 机发送人体接近门禁信息；
S3，本地工控机接收到人体接近门禁信息，控制图像采集器开始对接近门禁的人体进行 虹膜图像采集；
S4，图像采集器将采集到的识别对象的虹膜图像数据传输至本地工控机；
S5，本地工控机对接收到的识别对象的虹膜图像数据进行清晰度判断，将不清晰的图像 丢弃，清晰的图像保存；当保存的清晰图像个数大于设定数量时，提取各清晰图像中虹膜图 像特征值，作为虹膜识别模型的输入，以对识别对象的虹膜图像进行识别，得到识别结果；
S6，本地工控机将识别结果发送至门禁控制器，同时将已保存的清晰图像及相应的识别 结果发送至后台云服务器；
S7，门禁控制器根据识别结果控制门禁驱动阀的动作，以控制门禁打开或关闭；
S8，后台云服务器接收各本地虹膜识别装置的本地工控机发送的清晰图像和识别结果， 实时向识别结果对应的识别对象发送验证信息，若相应的识别对象回复确认信息则识别结果 正确，将相应的清晰图像以及识别结果保留为相应虹膜识别模型的样本数据；
S9，后台云服务器以设定时间间隔，基于各本地虹膜识别装置对应的识别结果正确且验 证正确的多组识别对象的清晰虹膜图像数据，提取各虹膜图像的特征值，训练得到对应各本 地虹膜识别装置的新的虹膜识别模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的 本地工控机；
S10，各本地虹膜识别装置的本地工控机接收新的虹膜识别模型，替换原虹膜识别模型， 用于后续虹膜识别中。
上述步骤S5中对虹膜图像数据的清晰度判断方法为根据图像上瞳孔边缘的梯度进行清 晰模糊度判断，此为现有技术。由于图像采集技术的限制，对虹膜图像数据进行清晰度判断 时，不可能仅选择全部清晰的图片，否则识别效率较低，因此本发明对于边缘存在部分残缺 的不完整图像可予以保留。
本发明所述本地工控机的识别结果包括识别正确-识别出人员对象，和识别错误-未能识 别当前人员对象，当识别错误时，后台云服务器仅对相应的图像数据及识别结果信息进行保 存，以便用户查看，而对于识别正确的则向相应的识别对象发送验证信息，并在验证正确后 将相应的图像数据和识别结果作为后续模型训练的样本。对于验证不正确的图像数据和识别 结果同样仅保存。
进一步的，为了确保门禁的可靠性，后台云服务器将识别对象回复的确认信息实时发送 给各本地虹膜识别装置的本地工控机，进而转发至门禁控制器，门禁控制器根据识别结果和 确认信息控制门禁驱动发的动作，以控制门禁打开或关闭。
本发明软件部分可基于谷歌最新开源深度学习框架Tensorflow以及EmguCV计算机视觉 库完成算法实现，其中后台云服务器端基于图像数据集，提取特征值，通过Tensorflow中的 CNN(卷积神经网络)模型来训练识别模型，本地工控机采用C#中的EmguCV将实时采集 的图片提取特征值，利用已训练好的识别模型来进行识别。
本发明还公开虹膜识别过程中针对不完整图像的虹膜特征值提取方法，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；Aj(xAj，yAj)是外圆圆周 上的点，Bj(xBj，yBj)是内圆圆周上的点，且线段AjBj的延长线过内圆圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将圆周平分为n份，即将0～2π均分为n份，每一份为则Bj的坐标为：
其中1≤j≤n；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部分 与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至与 下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c；
则：
以虹膜内圆圆心作为极坐标的极点，定义线段AjBj的延长线与极轴之间的夹角为θ，
当时，Aj的坐标为：其中1≤j≤n；
当时，Aj的坐标为：其中1≤j≤n；
由此可得，线段AjBj的方程为：
则线段AjBj的长度为：
把rj平分为m份，则每份为若用(xji，yji)来表示第j条线段上第i个点的坐标，则线 段AjBj上的点的坐标为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
上述特征值矩阵中的元素即为虹膜图像中各点的灰度值，将虹膜图像中各点的灰度值转 化为矩阵元素输出，可方便后续模型的训练以及虹膜的识别。
以上所述为基于不完整虹膜图像的线段分割的虹膜特征值提取方法。
另一种针对不完整图像的虹膜特征值提取方法，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部 分与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至 与下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c；
则：
将瞳孔部分即内圆部分的灰度值全部设置为0；
假设Aj(xAj，yAj)和Bj(xBj，yBj)是外圆圆周上的两个点，且线段AjBj平行于直线y＝a；
将虹膜图片均匀分成m条线段(m为偶数)，即将2a均分成m份，每一份为即
则Aj，Bj的纵坐标为：
其中且
定义(xj，yj)为外圆上的任意一点，则外圆方程为：
(xj-x2)2+(yj-y2)2＝r2 2
联立方程组
可得线段AjBj两端端点的坐标Aj(xAj，yAj)和Bj(xBj，yBj)；
线段AjBj的方程为：
将线段AjBj均分成n份，若用(xji，yji)来表示第j条线段上第i个点的坐标，则线段AjBj上的点的坐标为：
其中1≤j≤m，1≤i≤n；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
以上所述为基于不完整虹膜图像补内圆的线段分割的虹膜特征值提取方法。
第三种针对不完整图像的虹膜特征值提取方法，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部 分与其余部分分隔开；将残缺部分的灰度值设置为0；
假设在直线y＝a和y＝-a之间，有与内圆同圆心的切割圆周，A1为内圆圆周上的点， Aj(xj，yj)为切割圆周上的点，则内圆的方程为：(xj-0)2+(yj-0)2＝r1 2；
将切割圆周的半径r依次增大，令r＝r2-r1；
将切割圆周的半径分为n份，即每份为则切割圆周的半径为
将yj＝0代入内圆方程，可得xj，将其作为内圆特殊点A1的坐标，记为A1(x1，y1)；
Aj的坐标可表示为：其中1≤j≤n；
将切割圆周均匀的分为m份，若用(xji，yji)来表示第j个圆周上第i个点的坐标，则各 切割圆周上的点的坐标表示为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
以上所述为基于不完整虹膜图像补外圆的圆周分割的虹膜特征值提取方法。
有益效果
与现有技术相比，本发明具有以下优点和进步：
(1)本发明用于多个本地虹膜识别装置的虹膜识别模型在后台云服务器中定时完成训练 更新，并通过网络传输给本地工控机；本地工控机将每次识别正确的识别对象图像传输给后 台云服务器，作为虹膜识别模型训练更新的样本数据，使得各本地虹膜识别模型能随着时间 的推移，训练样本和次数的增加，可靠性得到提高以不断提高识别率和拒识率，同时也提高 了远程系统维护、升级的便利性；
(2)本发明针对可能出现的不完整图像，提出了多种特征值的提取方法，便于后续的训 练、识别；
(3)本发明本地工控机将每次正确的识别记录信息和未识别信息都会通过网络发送给后 台云服务器进行保存，便于用户的查看和存档；
(4)本地工控机仅仅需要定时下载识别模型，将所采集到的图片通过特征值提取的方法， 提取特征，采用C#编写的程序进行识别，可大大提高识别效率。
附图说明
图1所示为本发明虹膜识别系统的一种具体实施例结构示意图；
图2所示为第一种特征值提取方法示意图；
图3所示为第二种特征值提取方法示意图；
图4所示为第三种特征值提取方法示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
参考图1所示，本发明的虹膜识别系统，包括后台云服务器和1个以上本地虹膜识别装 置；
各本地虹膜识别装置包括门禁控制器、门禁驱动阀、本地工控机和图像采集器；图像采 集器采集虹膜图像数据传输至本地工控机；本地工控机中存储有虹膜识别模型，本地工控机 利用虹膜识别模型对接收到的虹膜图像数据进行识别，然后将识别结果发送至门禁控制器； 门禁控制器根据识别结果控制门禁驱动阀的工作，从而打开门禁或保持门禁关闭；
各本地虹膜识别装置中的本地工控机分别与后台云服务器连接通信，以发送识别对象的 多个清晰虹膜图像数据及相应的识别结果至后台云服务器；
后台云服务器接收识别对象的清晰虹膜图像数据及相应的识别结果后，实时对识别结果 进行验证，并以设定的时间间隔，基于各本地虹膜识别装置对应的多个识别对象的清晰虹膜 图像数据及相应的识别结果和验证结果，训练得到对应各本地虹膜识别装置的新的虹膜识别 模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的本地工控机；
各本地虹膜识别装置中的本地工控机以上述设定的时间间隔，接收新的虹膜识别模型， 替换原虹膜识别模型。
本发明在应用时，各本地虹膜识别装置设置场合不同，则对应的门禁所针对的识别对象 人群是不同的，因此对应每个本地虹膜识别装置的虹膜识别模型也是应该不同的。后台云服 务器进行模型训练的时间间隔可设定为一天，即每天的某一时刻开始基于前一天收集的图像 数据和识别验证结果，进行虹膜识别模型的训练，然后将训练得到的对应各本地虹膜识别装 置的新的虹膜识别模型发送给各本地虹膜识别装置的本地工控机。
实施例1
如图1，本地虹膜识别装置还包括人体接近感应器和用于为图像采集器的采集对象补光 的红外补光光源，人体接近感应器感知人体接近门禁的信息，并传输至门禁控制器，门禁控 制器根据接收到的人体接近门禁信息，控制红外补光光源发出红外光，同时发送人体接近门 禁信息至本地工控机；本地工控机根据接收到的人体接近门禁信息，控制图像采集器开始采 集图像。
后台云服务器中存储有对应各可识别对象的验证号码表，后台云服务器接收识别对象的 清晰虹膜图像数据及相应的识别结果后，将识别结果实时发送至相应识别对象的验证号码， 以获取识别对象对识别结果返回的验证信息，然后根据验证信息验证识别结果是否正确：
若识别结果正确，则相应的识别对象的清晰虹膜图像数据保留，作为后续模型训练的样 本；若识别结果不正确，则相应的识别对象的清晰虹膜图像数据丢弃。所述验证号码可为手 机号码，也可针对验证过程单独设计一款可安装于识别对象手机或其它便携设备中的验证 APP，验证号码即对应不同识别对象的终端ID，当需要验证时，则向与当前识别对象相应的 终端ID或者电话号码发送识别结果信息，向识别对象验证识别结果的方式可为，询问该识别 对象当前是否正在通过门禁，若该识别对象回复确认信息，则验证通过，即识别结果正确。
为了进一步提高门禁的安全可靠性，后台云服务器将识别对象返回的验证信息通过本地 工控机转发至门禁控制器，门禁控制器根据识别结果以及验证信息控制门禁驱动阀的工作， 从而打开门禁或保持门禁关闭。
门禁控制器采用微控制器STM32，门禁控制器通过RS232与本地工控机连接通信。门禁 驱动阀采用电磁阀，电磁阀包括继电器和电磁锁，门禁控制器通过控制继电器触点的闭合或 断开，来控制电磁锁的打开或关闭，从而控制门禁的打开或关闭。后台云服务器通过互联网 与各本地工控机连接通信。
上述虹膜识别系统的应用方法，包括：
S1，控制器接收到人体接近感应器发出的人体接近门禁信息；
S2，控制器控制红外补光光源启动，以为图像采集器的采集对象补光，同时向本地工控 机发送人体接近门禁信息；
S3，本地工控机接收到人体接近门禁信息，控制图像采集器开始对接近门禁的人体进行 虹膜图像采集；
S4，图像采集器将采集到的识别对象的虹膜图像数据传输至本地工控机；
S5，本地工控机对接收到的识别对象的虹膜图像数据进行清晰度判断，将不清晰的图像 丢弃，清晰的图像保存；当保存的清晰图像个数大于设定数量时，提取各清晰图像中虹膜图 像特征值，作为虹膜识别模型的输入，以对识别对象的虹膜图像进行识别，得到识别结果；
S6，本地工控机将识别结果发送至门禁控制器，同时将已保存的清晰图像及相应的识别 结果发送至后台云服务器；
S7，门禁控制器根据识别结果控制门禁驱动阀的动作，以控制门禁打开或关闭；
S8，后台云服务器接收各本地虹膜识别装置的本地工控机发送的清晰图像和识别结果， 实时向识别结果对应的识别对象发送验证信息，若相应的识别对象回复确认信息则识别结果 正确，将相应的清晰图像以及识别结果保留为相应虹膜识别模型的样本数据；
S9，后台云服务器以设定时间间隔，基于各本地虹膜识别装置对应的识别结果正确且验 证正确的多组识别对象的清晰虹膜图像数据，提取各虹膜图像的特征值，训练得到对应各本 地虹膜识别装置的新的虹膜识别模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的 本地工控机；
S10，各本地虹膜识别装置的本地工控机接收新的虹膜识别模型，替换原虹膜识别模型， 用于后续虹膜识别中。
上述步骤S5中对虹膜图像数据的清晰度判断方法为根据图像上瞳孔边缘的梯度进行清 晰模糊度判断，此为现有技术。由于图像采集技术的限制，对虹膜图像数据进行清晰度判断 时，不可能仅选择全部清晰的图片，否则识别效率较低，因此本发明对于边缘存在部分残缺 的不完整图像可予以保留。
本发明所述识别结果包括识别正确-识别出人员对象和识别错误-未能识别当前人员对 象，当识别错误时，后台云服务器仅对相应的图像数据及识别结果信息进行保存，以便用户 查看，而对于识别正确的则向相应的识别对象发送验证信息，并在验证正确后将相应的图像 数据和识别结果作为后续模型训练的样本。对于验证不正确的图像数据和识别结果同样仅保 存。
进一步的，为了确保门禁的可靠性，后台云服务器将识别对象回复的确认信息实时发送 给各本地虹膜识别装置的本地工控机，进而转发至门禁控制器，门禁控制器根据识别结果和 确认信息控制门禁驱动发的动作，以控制门禁打开或关闭。
本发明软件部分可基于谷歌最新开源深度学习框架Tensorflow以及EmguCV计算机视觉 库完成算法实现，其中后台云服务器端基于图像数据集，提取特征值，通过Tensorflow中的 CNN(卷积神经网络)模型来训练识别模型，本地工控机采用C#中的EmguCV将实时采集 的图片提取特征值，利用已训练好的识别模型来进行识别。
实施例2
本发明主要包括硬件和软件两部分的设计：
1、硬件部分：包括人体接近感应器、红外补光光源、图像采集器、门禁控制器、本地工 控机、门禁驱动阀和后台云服务器，其原理结构如图1所示。
(1)红外补光光源：用于为虹膜采集摄像头即图像采集器提供补光光源，使采集到的图 像更为清晰。该光源打开和关闭受门禁控制器控制。
(2)图像采集器：用于虹膜识别图像采集。采集到的图像直接通过USB接口传输给本 地工控机，经本地工控机内部处理后用于识别。所述内部处理可为清晰度判断，及之后的保 存或丢弃。
(3)人体接近感应器：判断是否有人体接近，当有人体接近时才会通过门禁控制器激活 各相应的设备，平时各设备为休眠状态。
(4)门禁控制器：采用STM32，该控制器通过RS232串口与本地工控机完成相互间的数据信息传递，它主要功能包括：①连接人体接近感应器，接收是否有人体靠近的信息；②当感应到人体靠近时，控制红外补光光源打开，为图像采集镜头采集时进行补光，平时红外补光光源关闭；同时将有人体靠近的信息发送给本地工控机，告知本地工控机开始采集图像； ③接收本地工控机的识别结果，并根据此结果判断是否通过门禁驱动阀打开门禁。
(5)门禁驱动阀：主要由继电器和电磁锁构成，接收来自门禁控制器的信息，通过继电 器触点的断开或闭合来控制电磁锁是否打开，进而打开或关闭门禁。
(6)本地工控机：虹膜的识别主要在本地工控机中进行，其主要功能包括：①当接收到 由门禁控制器发来的有人体接近的信息后，通过USB接口控制图像采集器进行虹膜图像采 集，采集速率可设置为10帧/秒；②对采集到的图像进行清晰模糊度判断，不清晰的图像丢 弃，清晰的图像保存，保存图像大于10张时，利用存储在内部的虹膜模型进行图像识别；③ 将识别结果，以及后台云服务器发来的识别对象回复的验证信息，通过串口发送给门禁控制 器；④将10张清晰图片和识别结果实时发送给后台云服务器；⑤接收后台云服务器发送过来 的模型维护和更新信息，及时通过后台云服务器更新识别模型。
(7)后台云服务器：后台云服务器作为本地工控机的一个功能扩展，一台云服务器可以 为多个本地虹膜识别装置服务，其主要功能如下：①实时接收各本地虹膜识别装置中本地工 控机发送来的图像和识别结果，并分类保存；②将各本地虹膜识别装置的实时识别结果发送 给用户指定的号码，当识别成功时需要用户发送回确认信息，并将此确认信息转发给控制器 端；③每天分时通过前一天收集到图像和识别结果对各本地虹膜识别装置对应的识别模型进 行模型训练，并分时将新的模型发送给各虹膜识别系统；④可通过后台云服务器随时对指定 的虹膜识别系统进行维护和更新服务。
2、软件部分基于谷歌最新开源深度学习框架Tensorflow以及EmguCV计算机视觉库完 成了算法实现，其中服务器端通过图像数据集，提取特征值，通过Tensorflow中的CNN(卷 积神经网络)模型来训练识别模型，本地工控机端采用C#中的EmguCV将实时采集的图片 提取特征值，利用已训练好的识别模型来进行识别。
由于图像采集技术的限制，对虹膜图像数据进行清晰度判断时，不可能仅选择全部清晰 的图片，否则识别效率较低，因此本发明对于边缘存在部分残缺的不完整图像可予以保留。
本发明的核心部分为不完成图像的虹膜特征提取，针对不完整图像提出了3种特征提取 方法：
(1)不完整虹膜图像的线段分割
如图1所示，定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；Aj(xAj，yAj) 是外圆圆周上的点，Bj(xBj，yBj)是内圆圆周上的点，且线段AjBj的延长线过内圆圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将圆周平分为n份，即将0～2π均分为n份，每一份为则Bj的坐标为：
其中1≤j≤n；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部 分与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至 与下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c；
则：
以虹膜内圆圆心作为极坐标的极点，定义线段AjBj的延长线与极轴之间的夹角为θ，
当时，Aj的坐标为：其中1≤j≤n；
当时，Aj的坐标为：其中1≤j≤n；
由此可得，线段AjBj的方程为：
则线段AjBj的长度为：
把rj平分为m份，则每份为若用(xji，yji)来表示第j条线段上第i个点的坐标，则线 段AjBj上的点的坐标为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
上述特征值矩阵中的元素即为虹膜图像中各点的灰度值，将虹膜图像中各点的灰度值转 化为矩阵元素输出，可方便后续模型的训练以及虹膜的识别。
(2)不完整虹膜图像补内圆的线段分割
如图2所示，定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部 分与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至 与下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c，c 与d的和为π；
则：
将瞳孔部分即内圆部分的灰度值全部设置为0，此为所谓的“补内圆”；
假设Aj(xAj，yAj)和Bj(xBj，yBj)是外圆圆周上的两个点，且线段AjBj平行于直线y＝a；
将虹膜图片均匀分成m条线段(m为偶数)，即将2a均分成m份，每一份为即
则Aj，Bj的纵坐标为：
其中且
定义(xj，yj)为外圆上的任意一点，则外圆方程为：
(xj-x2)2+(yj-y2)2＝r2 2；
联立方程组
可得线段AjBj两端端点的坐标Aj(xAj，yAj)和Bj(xBj，yBj)；
线段AjBj的方程为：
将线段AjBj均分成n份，若用(xji，yji)来表示第j条线段上第i个点的坐标，则线段AjBj上的点的坐标为：
其中1≤j≤m，1≤i≤n；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
(3)不完整图片补外圆的圆周分割
如图3所示，定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆 和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部 分与其余部分分隔开；将残缺部分的灰度值设置为0，此为所谓的“补外圆”；
假设在直线y＝a和y＝-a之间，有与内圆同圆心的切割圆周，A1为内圆圆周上的点， Aj(xj，yj)为切割圆周上的点，则内圆的方程为：(xj-0)2+(yj-0)2＝r1 2；
将切割圆周的半径r依次增大，令r＝r2-r1；
将切割圆周的半径分为n份，即每份为则切割圆周的半径为
将yj＝0代入内圆方程，可得xj，将其作为内圆特殊点A1的坐标，记为A1(x1，y1)；
Aj的坐标可表示为：其中1≤j≤n；
将切割圆周均匀的分为m份，若用(xji，yji)来表示第j个圆周上第i个点的坐标，则各 切割圆周上的点的坐标表示为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵 中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说， 在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为 本发明的保护范围。

Claims (9)

1.一种虹膜识别系统，其特征是，包括后台云服务器和1个以上本地虹膜识别装置；
各本地虹膜识别装置包括门禁控制器、门禁驱动阀、本地工控机和图像采集器；图像采集器采集虹膜图像数据传输至本地工控机；本地工控机中存储有虹膜识别模型，本地工控机利用虹膜识别模型对接收到的虹膜图像数据进行识别，然后将识别结果发送至门禁控制器；门禁控制器根据识别结果控制门禁驱动阀的工作，从而打开门禁或保持门禁关闭；
各本地虹膜识别装置中的本地工控机分别与后台云服务器连接通信，以发送识别对象的多个清晰虹膜图像数据及相应的识别结果至后台云服务器；
后台云服务器接收识别对象的清晰虹膜图像数据及相应的识别结果后，实时对识别结果进行验证，并以设定的时间间隔，基于各本地虹膜识别装置对应的多个识别对象的清晰虹膜图像数据及相应的识别结果和验证结果，训练得到对应各本地虹膜识别装置的新的虹膜识别模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的本地工控机；
各本地虹膜识别装置中的本地工控机以上述设定的时间间隔，接收新的虹膜识别模型，替换原虹膜识别模型。
2.根据权利要求1所述的虹膜识别系统，其特征是，本地虹膜识别装置还包括人体接近感应器和用于为图像采集器的采集对象补光的红外补光光源，人体接近感应器感知人体接近门禁的信息，并传输至门禁控制器，门禁控制器根据接收到的人体接近门禁信息，控制红外补光光源发出红外光，同时发送人体接近门禁信息至本地工控机；本地工控机根据接收到的人体接近门禁信息，控制图像采集器开始采集图像。
3.根据权利要求1所述的虹膜识别系统，其特征是，后台云服务器中存储有对应各可识别对象的验证号码表，后台云服务器接收识别对象的清晰虹膜图像数据及相应的识别结果后，将识别结果实时发送至相应识别对象的验证号码，以获取识别对象对识别结果返回的验证信息，然后根据验证信息验证识别结果是否正确：
若识别结果正确，则相应的识别对象的清晰虹膜图像数据保留，作为后续模型训练的样本；若识别结果不正确，则相应的识别对象的清晰虹膜图像数据丢弃。
4.根据权利要求3所述的虹膜识别系统，其特征是，后台云服务器将识别对象返回的验证信息通过本地工控机转发至门禁控制器，门禁控制器根据识别结果以及验证信息控制门禁驱动阀的工作，从而打开门禁或保持门禁关闭。
5.一种权利要求1至4所述虹膜识别系统的应用方法，其特征是，包括：
S1，控制器接收到人体接近感应器发出的人体接近门禁信息；
S2，控制器控制红外补光光源启动，以为图像采集器的采集对象补光，同时向本地工控机发送人体接近门禁信息；
S3，本地工控机接收到人体接近门禁信息，控制图像采集器开始对接近门禁的人体进行虹膜图像采集；
S4，图像采集器将采集到的识别对象的虹膜图像数据传输至本地工控机；
S5，本地工控机对接收到的识别对象的虹膜图像数据进行清晰度判断，将不清晰的图像丢弃，清晰的图像保存；当保存的清晰图像个数大于设定数量时，提取各清晰图像中虹膜图像特征值，作为虹膜识别模型的输入，以对识别对象的虹膜图像进行识别，得到识别结果；
S6，本地工控机将识别结果发送至门禁控制器，同时将已保存的清晰图像及相应的识别结果发送至后台云服务器；
S7，门禁控制器根据识别结果控制门禁驱动阀的动作，以控制门禁打开或关闭；
S8，后台云服务器接收各本地虹膜识别装置的本地工控机发送的清晰图像和识别结果，实时向识别结果对应的识别对象发送验证信息，若相应的识别对象回复确认信息则识别结果正确，将相应的清晰图像以及识别结果保留为相应虹膜识别模型的样本数据；
S9，后台云服务器以设定时间间隔，基于各本地虹膜识别装置对应的识别结果正确且验证正确的多组识别对象的清晰虹膜图像数据，提取各虹膜图像的特征值，训练得到对应各本地虹膜识别装置的新的虹膜识别模型，再将新的虹膜识别模型发送至各本地虹膜识别装置的本地工控机；
S10，各本地虹膜识别装置的本地工控机接收新的虹膜识别模型，替换原虹膜识别模型，用于后续虹膜识别中。
6.根据权利要求5所述的方法，其特征是，后台云服务器将识别对象回复的确认信息实时发送给各本地虹膜识别装置的本地工控机，进而转发至门禁控制器，门禁控制器根据识别结果和确认信息控制门禁驱动发的动作，以控制门禁打开或关闭。
7.虹膜识别过程中针对不完整图像的虹膜特征值提取方法，其特征是，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；Aj(xAj，yAj)是外圆圆周上的点，Bj(xBj，yBj)是内圆圆周上的点，且线段AjBj的延长线过内圆圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将圆周平分为n份，即将0～2π均分为n份，每一份为则Bj的坐标为：
其中1≤j≤n；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部分与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至与下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c；
则：
以虹膜内圆圆心作为极坐标的极点，定义线段AjBj的延长线与极轴之间的夹角为θ，
当时，Aj的坐标为：其中1≤j≤n；
当时，Aj的坐标为：其中1≤j≤n；
由此可得，线段AjBj的方程为：
<mrow> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>y</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>-</mo> <msub> <mi>y</mi> <msub> <mi>A</mi> <mi>j</mi> </msub> </msub> </mrow> <mrow> <msub> <mi>X</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>-</mo> <msub> <mi>X</mi> <msub> <mi>A</mi> <mi>j</mi> </msub> </msub> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>y</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>;</mo> </mrow>
则线段AjBj的长度为：
<mrow> <msub> <mi>r</mi> <mi>j</mi> </msub> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>-</mo> <msub> <mi>y</mi> <msub> <mi>A</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <msub> <mi>B</mi> <mi>j</mi> </msub> </msub> <mo>-</mo> <msub> <mi>x</mi> <msub> <mi>A</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>;</mo> </mrow>
把rj平分为m份，则每份为若用(xji，yji)来表示第j条线段上第i个点的坐标，则线段AjBj上的点的坐标为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
8.虹膜识别过程中针对不完整图像的虹膜特征值提取方法，其特征是，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部分与其余部分分隔开，以直线y＝a与外圆的两交点为起点做直线，分别经内圆圆心后延伸至与下部外圆相交，定义两过圆心的相交直线形成的上下夹角角度为d，左右夹角角度为c；
则：
将瞳孔部分即内圆部分的灰度值全部设置为0；
假设Aj(xAj，yAj)和Bj(xBj，yBj)是外圆圆周上的两个点，且线段AjBj平行于直线y＝a；
将虹膜图片均匀分成m条线段(m为偶数)，即将2a均分成m份，每一份为即
则Aj，Bj的纵坐标为：
其中且
定义(xj，yj)为外圆上的任意一点，则外圆方程为：
(xj-x2)2+(yj-y2)2＝r2 2；
联立方程组
可得线段AjBj两端端点的坐标Aj(xAj，yAj)和Bj(xBj，yBj)；
线段AjBj的方程为：
将线段AjBj均分成n份，若用(xji，yji)来表示第j条线段上第i个点的坐标，则线段AjBj上的点的坐标为：
其中1≤j≤m，1≤i≤n；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
9.虹膜识别过程中针对不完整图像的虹膜特征值提取方法，其特征是，包括：
定义Ox为瞳孔即内圆的圆心，Oy为虹膜外边界即外圆的圆心；
假设虹膜的内、外圆周的参数分别为(x1,y1,r1)、(x2,y2,r2)，其中(x1,y1)和(x2,y2)为内圆和外圆的圆心坐标，r1、r2为内圆和外圆的半径；
将内圆圆心坐标定义为(0,0)，假设有直线y＝a和y＝-a将虹膜图像上部和下部的残缺部分与其余部分分隔开；将残缺部分的灰度值设置为0；
假设在直线y＝a和y＝-a之间，有与内圆同圆心的切割圆周，A1为内圆圆周上的点，Aj(xj，yj)为切割圆周上的点，则内圆的方程为：(xj-0)2+(yj-0)2＝r1 2；
将切割圆周的半径r依次增大，令r＝r2-r1；
将切割圆周的半径分为n份，即每份为则切割圆周的半径为
将yj＝0代入内圆方程，可得xj，将其作为内圆特殊点A1的坐标，记为A1(x1，y1)；
Aj的坐标可表示为：其中1≤j≤n；
将切割圆周均匀的分为m份，若用(xji，yji)来表示第j个圆周上第i个点的坐标，则各切割圆周上的点的坐标表示为：
其中1≤i≤m；
定义有J行I列的矩阵M，依次将图像中各坐标(xji，yji)处对应的灰度值，赋值给矩阵中的第j行第i个矩阵元素，即得到虹膜图像的特征值矩阵。
CN201710513864.7A 2017-06-29 2017-06-29 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法 Active CN107403488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710513864.7A CN107403488B (zh) 2017-06-29 2017-06-29 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710513864.7A CN107403488B (zh) 2017-06-29 2017-06-29 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法

Publications (2)

Publication Number Publication Date
CN107403488A true CN107403488A (zh) 2017-11-28
CN107403488B CN107403488B (zh) 2020-09-15

Family

ID=60404561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710513864.7A Active CN107403488B (zh) 2017-06-29 2017-06-29 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法

Country Status (1)

Country Link
CN (1) CN107403488B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107838A (zh) * 2017-12-27 2018-06-01 山东大学 一种基于云知识库和机器学习的数控装备刀具磨损检测方法
CN108648307A (zh) * 2018-05-09 2018-10-12 青岛职业技术学院 一种应用电子密码的门禁系统
CN108830276A (zh) * 2018-07-02 2018-11-16 合肥格泉智能科技有限公司 一种基于x光机图像的智能识别系统
CN109872421A (zh) * 2019-01-08 2019-06-11 博拉网络股份有限公司 一种大数据门禁管理方法及其管理系统
CN111260798A (zh) * 2020-01-09 2020-06-09 中国铁道科学研究院集团有限公司电子计算技术研究所 基于人脸识别的闸机及其控制方法、闸机核验系统
CN111652058A (zh) * 2020-04-27 2020-09-11 青岛百灵信息科技股份有限公司 一种计算机人脸识别装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328309A (zh) * 2000-03-24 2001-12-26 松下电器产业株式会社 基于生物测量的身份鉴定装置、身份鉴定系统、身份鉴定卡及身份鉴定方法
CN101499134A (zh) * 2009-03-13 2009-08-05 重庆大学 基于现场可编程门阵列的虹膜识别方法及系统
WO2016010721A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN106022322A (zh) * 2016-07-25 2016-10-12 武汉虹识技术有限公司 虹膜识别装置及锁具
CN205750807U (zh) * 2016-04-26 2016-11-30 北京森科赛德科技有限公司 一种基于虹膜识别的幼儿园安全接送系统
CN107251051A (zh) * 2014-12-15 2017-10-13 三星电子株式会社 用于更新生物特征图案的方法及其电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1328309A (zh) * 2000-03-24 2001-12-26 松下电器产业株式会社 基于生物测量的身份鉴定装置、身份鉴定系统、身份鉴定卡及身份鉴定方法
CN101499134A (zh) * 2009-03-13 2009-08-05 重庆大学 基于现场可编程门阵列的虹膜识别方法及系统
CN101499134B (zh) * 2009-03-13 2011-08-03 重庆大学 基于现场可编程门阵列的虹膜识别方法及系统
WO2016010721A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN107251051A (zh) * 2014-12-15 2017-10-13 三星电子株式会社 用于更新生物特征图案的方法及其电子设备
CN205750807U (zh) * 2016-04-26 2016-11-30 北京森科赛德科技有限公司 一种基于虹膜识别的幼儿园安全接送系统
CN106022322A (zh) * 2016-07-25 2016-10-12 武汉虹识技术有限公司 虹膜识别装置及锁具

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高源: "《虹膜纹理的特征提取方法研究》", 28 February 2015, 中国优秀硕士学位论文全文数据库信息科技辑 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107838A (zh) * 2017-12-27 2018-06-01 山东大学 一种基于云知识库和机器学习的数控装备刀具磨损检测方法
CN108648307A (zh) * 2018-05-09 2018-10-12 青岛职业技术学院 一种应用电子密码的门禁系统
CN108830276A (zh) * 2018-07-02 2018-11-16 合肥格泉智能科技有限公司 一种基于x光机图像的智能识别系统
CN109872421A (zh) * 2019-01-08 2019-06-11 博拉网络股份有限公司 一种大数据门禁管理方法及其管理系统
CN111260798A (zh) * 2020-01-09 2020-06-09 中国铁道科学研究院集团有限公司电子计算技术研究所 基于人脸识别的闸机及其控制方法、闸机核验系统
CN111652058A (zh) * 2020-04-27 2020-09-11 青岛百灵信息科技股份有限公司 一种计算机人脸识别装置
CN111652058B (zh) * 2020-04-27 2023-03-28 青岛百灵信息科技股份有限公司 一种计算机人脸识别装置

Also Published As

Publication number Publication date
CN107403488B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN107403488A (zh) 一种虹膜识别系统及其应用方法以及虹膜识别过程中针对不完整图像的特征值提取方法
Okokpujie et al. Design and implementation of a student attendance system using iris biometric recognition
CN104732601B (zh) 一种基于人脸识别技术的高识别率自动考勤装置及方法
CN101499134B (zh) 基于现场可编程门阵列的虹膜识别方法及系统
Khatun et al. Design and implementation of iris recognition based attendance management system
CN107818308A (zh) 一种人脸识别智能比对方法、电子装置及计算机可读存储介质
CN107578519A (zh) 一种智能门禁系统及智能门禁开锁方法
CN106803301A (zh) 一种基于深度学习的人脸识别门禁方法及系统
CN106503687A (zh) 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN108399671A (zh) 一种物联网掌静脉视频门禁集成系统
CN101739742B (zh) 联网式多通道门禁考勤系统
CN106326874A (zh) 一种人眼图像中的虹膜识别方法及其装置
CN107680294A (zh) 房产信息查询方法、系统、终端设备及存储介质
CN105184932A (zh) 一种通过智能门禁机进行人员识别的方法及装置
CN107833306A (zh) 人脸和虹膜特征融合识别的智能课堂考勤系统
CN110276320A (zh) 基于人脸识别的门禁方法、装置、设备和存储介质
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
CN109360305A (zh) 一种基于人脸识别的图示馆管理方法及其系统
Jaikumar et al. Fingerprint based student attendance system with SMS alert to parents
CN106778699A (zh) 人脸识别系统和应用人脸识别系统的门
CN110796770A (zh) 门禁的控制方法及装置、存储介质和电子装置
CN109376746A (zh) 一种图片识别方法及系统
CN212160789U (zh) 一种基于树莓派的人脸识别门禁系统
CN206584372U (zh) 人脸识别系统和应用人脸识别系统的门
CN206639255U (zh) 一种学生户籍识别管理系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant