CN107408195A - 一种虹膜识别方法及装置 - Google Patents

一种虹膜识别方法及装置 Download PDF

Info

Publication number
CN107408195A
CN107408195A CN201580001421.9A CN201580001421A CN107408195A CN 107408195 A CN107408195 A CN 107408195A CN 201580001421 A CN201580001421 A CN 201580001421A CN 107408195 A CN107408195 A CN 107408195A
Authority
CN
China
Prior art keywords
image
iris
key point
group
iris 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
Application number
CN201580001421.9A
Other languages
English (en)
Other versions
CN107408195B (zh
Inventor
车全宏
陈书楷
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.)
Xiamen Entropy Technology Co., Ltd
Original Assignee
Xiamen Zkteco Biometric Identification Technology Co ltd
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 Xiamen Zkteco Biometric Identification Technology Co ltd filed Critical Xiamen Zkteco Biometric Identification Technology Co ltd
Publication of CN107408195A publication Critical patent/CN107408195A/zh
Application granted granted Critical
Publication of CN107408195B publication Critical patent/CN107408195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

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

Abstract

本发明实施例公开了一种虹膜识别方法及装置，用于提高虹膜识别率。本发明实施例方法包括：获取被识别者的初始虹膜图像；确定所述初始虹膜图像中的感兴趣区域ROI；对所述ROI进行预处理，得到预处理虹膜图像；采用2D‑Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；计算所述第1组特征数据与预存储特征数据的第一海明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离；计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。

Description

一种虹膜识别方法及装置 技术领域
本发明涉及人体生物识别技术邻域，具体涉及一种虹膜识别方法及装置。
背景技术
虹膜是眼睛构造的一部分，和手指指纹一样是独一无二的，能够用于确认身份。虽然虹膜本身具有很强的防伪特征，但是虹膜识别技术本身只是一种简单拍照和特征对比的技术。在虹膜识别技术中，通过传感器对被识别者的虹膜进行拍照获取的，被识别者可能使用高清图像、伪造的虹膜图像甚至是3D假眼球代替拍照的照片等方式来欺骗传感器，使得不法分子通过虹膜识别技术获取真实用户的重要信息，造成信息或者财产的损失。
为了提高虹膜识别技术的安全性，虹膜识别技术在不断地改进，以降低不法分子伪造虹膜的风险。
发明内容
本发明实施例提供了一种虹膜识别方法及装置，用于提高虹膜识别的正确率，以解决现有技术中虹膜识别技术安全性不高的问题。
本发明第一方面提供了一种虹膜识别方法，可包括：
获取被识别者的初始虹膜图像；
确定上述初始虹膜图像中的感兴趣区域ROI；
对上述ROI进行预处理，得到预处理虹膜图像；
采用2D-Gabor滤波器处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征数据；
采用局部二值模式LBP算法处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征向量；
计算上述第1组特征数据与预存储特征数据的第一海明距离，以及计算上述第1组特征向量与预存特征向量的第一向量距离，上述预存储特征数据为事先根据上述被识别者的虹膜计算得到，上述特征向量为事先根据上述被识别者的虹膜计算得到；
计算上述第一海明距离与上述第一向量距离的加权值，根据上述加权值对 上述被识别者进行身份识别。
可以看出，本发明实施例中先从初始虹膜图像中确定出ROI，然后对ROI进行预处理，得到预处理虹膜图像，并利用两种不同方式来获取预处理虹膜图像中的特征数据，一种是采用2D-Gabor滤波器获取预处理虹膜图像的特征数据，一种是采用LBP算法获取预处理虹膜图像的特征向量，然后计算特征数据与预存储特征数据的海明距离，计算特征向量与预存特征向量的向量距离，预存储特征数据和预存特征向量都是从该被识别者的真实虹膜图像中获取得到，所谓真实虹膜图像是指通过近红外传感器直接从被识别者的眼睛获取到的虹膜图像，而不是通过高清打印的图像或者3D假眼球获得的伪造虹膜图像。然后计算海明距离与向量距离的加权值，通过加权值能够准确地识别出被识别者，二层特征数据的联合，能够提高识别率，降低不法分子伪造虹膜的风险。
在本发明一些实施例中，上述获取被识别者的初始虹膜图像包括：通过近红外线传感器，获取上述被识别者的初始虹膜图像。
在本发明一些实施例中，上述确定上述初始虹膜图像中的感兴趣区域ROI包括：在上述初始虹膜图像中确定若干关键点，根据上述若干关键点确定上述初始虹膜图像中的ROI。
可选地，上述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；上述若干关键点还包括分布在上述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；其中，上述第1个关键点、第4个关键点和第9个关键点在一条直线上，上述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，上述第3个关键点、第6个关键点和第8个关键点在一条直线上。
在本发明一些实施例中，上述对上述ROI进行预处理，得到预处理虹膜图像包括：对上述ROI进行极坐标变换，得到矩形虹膜图像；对上述矩形虹膜图像进行归一化处理，得到上述预处理虹膜图像。
在本发明一些实施例中，上述采用2D-Gabor滤波器处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征数据包括：将上述预处理虹膜图像划分成M个图像区域；上述M为大于或等于2的正整数；采用2D-Gabor 滤波器对上述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；对上述响应幅值进行编码，组合上述M个图像区域对应的编码得到上述第1组特征数据。
进一步地，上述采用2D-Gabor滤波器对上述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值包括：采用K个频率L个方向2D-Gabor滤波器，对上述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；
同时，上述对上述响应幅值进行编码，组合上述M个图像区域对应的编码得到上述特征数据包括：对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；组合M个图像区域对应的编码得到上述第1组特征数据，上述第1组特征数据包括M×K×2个编码。
更进一步地，上述对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码包括：当上述L个响应幅值的第n个响应幅值不大于第n+1个响应幅值，将上述第n个响应幅值对应二值化编码为1，当上述第n个响应幅值大于上述第n+1个响应幅值时，将上述第n个响应幅值对应二值化编码为0，其中，上述n为大于或等于1的正整数；组合上述L个响应幅值对应的编码，得到L个二值化编码；根据上述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
在本发明一些实施例中，上述采用局部二值模式LBP算法处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征向量包括：将上述预处理虹膜图像划分成N个图像区域，上述N为大于或等于2的正整数；获取上述N个图像区域中每一个图像区域对应的LBP特征，组合上述N个图像区域对应的LBP特征，得到上述第1组特征向量。
进一步地，上述获取上述N个图像区域中每一个图像区域对应的LBP特征，组合上述N个图像区域对应的LBP特征，得到上述第1组特征向量包括：对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值 化编码；根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；组合上述N个图像区域对应的直方图，得到上述第1组特征向量。
更进一步地，上述对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码包括：获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
在本发明一些实施例中，上述计算上述第1组特征向量与预存特征向量的向量距离之前包括：对上述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量；进而，上述计算上述特征向量与预存特征向量的向量距离包括：计算上述归一化特征向量与上述预存特征序列的向量距离。
在本发明一些实施例中，在上述计算上述第一海明距离与上述第一向量距离的加权值之前包括：将上述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对上述H个图像区域进行处理，得到第2组数据特征；计算上述第2组数据特征与上述预存储特征数据的第二海明距离；进而，上述计算上述海明距离与上述向量距离的加权值包括：计算上述第一海明距离、上述第二海明距离和上述第一向量特征的加权值。
本发明第二方面提供了一种虹膜识别装置，可包括：
获取模块，用于获取被识别者的初始虹膜图像；
确定模块，用于确定上述初始虹膜图像中的感兴趣区域ROI；
预处理模块，用于对上述ROI进行预处理，得到预处理虹膜图像；
特征获取模块，用于采用2D-Gabor滤波器处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征数据；采用局部二值模式LBP算法处理上述预处理虹膜图像，得到上述预处理虹膜图像的第1组特征向量；
识别模块，用于计算上述第1组特征数据与预存储特征数据的第一海明距离，以及计算上述第1组特征向量与预存特征向量的第一向量距离，上述预存 储特征数据为事先根据上述被识别者的虹膜计算得到，上述特征向量为事先根据上述被识别者的虹膜计算得到；计算上述第一海明距离与上述第一向量距离的加权值，根据上述加权值对上述被识别者进行身份识别。
在本发明一些实施例中，上述获取模块具体用于，通过近红外线传感器，获取上述被识别者的初始虹膜图像。
在本发明一些实施例中，上述确定模块具体用于，在上述初始虹膜图像中确定若干关键点，根据上述若干关键点确定上述初始虹膜图像中的ROI。
可选地，上述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；上述若干关键点还包括分布在上述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；其中，上述第1个关键点、第4个关键点和第9个关键点在一条直线上，上述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，上述第3个关键点、第6个关键点和第8个关键点在一条直线上。
在本发明一些实施例中，上述预处理模块具体用于，对上述ROI进行极坐标变换，得到矩形虹膜图像；对上述矩形虹膜图像进行归一化处理，得到上述预处理虹膜图像。
在本发明一些实施例中，上述特征获取模块进一步具体用于，将上述预处理虹膜图像划分成M个图像区域；上述M为大于或等于2的正整数；采用2D-Gabor滤波器对上述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；对上述响应幅值进行编码，组合上述M个图像区域对应的编码得到上述第1组特征数据。
在本发明一些实施例中，上述特征获取模块更进一步具体用于，采用K个频率L个方向2D-Gabor滤波器，对上述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；组合M个图像区域对应的编码得到上述第1组特征数据，上述第1组特征数据包括M×K×2个编码。
在本发明一些实施例中，上述特征获取模块进一步具体用于，当上述L个响应幅值的第n个响应幅值不大于第n+1个响应幅值，将上述第n个响应幅值对应二值化编码为1，当上述第n个响应幅值大于上述第n+1个响应幅值时，将上述第n个响应幅值对应二值化编码为0，其中，上述n为大于或等于1的正整数；组合上述L个响应幅值对应的编码，得到L个二值化编码；根据上述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
在本发明一些实施例中，上述特征获取模块还具体用于，将上述预处理虹膜图像划分成N个图像区域，上述N为大于或等于2的正整数；获取上述N个图像区域中每一个图像区域对应的LBP特征，组合上述N个图像区域对应的LBP特征，得到上述第1组特征向量。
在本发明一些实施例中，上述特征获取模块进一步具体用于，对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码；根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；组合上述N个图像区域对应的直方图，得到上述第1组特征向量。
在本发明一些实施例中，上述特征获取模块进一步具体用于，获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
在本发明一些实施例中，上述识别模块具体用于，对上述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量；计算上述归一化特征向量与上述预存特征序列的向量距离。
在本发明一些实施例中，上述特征获取模块还用于，将上述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对上述H个图像区域进行处理，得到第2组数据特征；进而，上述识别模块具体用于，计算上述第2组数据特征与上述预存储特征数据的第二海明距离；计算上述第一海明距离、上述第二海明距离和上述第一向量特征的加权值。
本发明第三方面提供了一种虹膜识别装置，可包括：
处理器以及存储器；
所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，使得所述虹膜识别装置执行第一方面提供的虹膜识别方法。
本发明第四方面提供了一种存储一个或多个程序的存储介质，所述一个或多个程序包括指令，所述指令当被包括一个或多个处理器的第三方面的虹膜识别装置执行时，使所述虹膜识别装置执行第一方面提供的虹膜识别方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的虹膜识别方法的流程示意图；
图2a为本发明实施例提供的关键点的示意图；
图2b为本发明实施例提供的ROI区域的示意图；
图2c为本发明实施例提供的矩形ROI示意图；
图2d为本发明实施例提供的预处理虹膜图像的示意图；
图2e为本发明实施例中不同参数配置下Gabor滤波器核函数的效果图；
图2f为本发明实施例提供的像素点与8个邻域像素点的关系图；
图3为本发明实施例提供的虹膜识别装置的结构示意图；
图4为本发明实施例提供的虹膜识别装置的另一结构示意图。
具体实施方式
下面将结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本邻域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种虹膜识别方法，用于提高虹膜识别率，降低不法分子伪造虹膜的风险。本发明实施例还提供了一种虹膜识别方法对应的装置。
虹膜是眼睛构造的一部分，虹膜中心有一圆形开口，称为通孔。因每个人 的虹膜都是不同的，所以虹膜可以用于身份识别。虹膜因人种不一样，其颜色也不一样，主要有蓝色和褐色，其它颜色都是混合而成。其中，白种人的虹膜多为蓝色，而黄种人的虹膜多为褐色，蓝色虹膜在可见光下比较清晰，但是褐色虹膜在可见光下就不太清楚，而褐色虹膜在近红外线下反而能够清晰可见。因此，针对黄种人的褐色虹膜，在本发明实施例中采用近红外传感器照射，以获得清晰的虹膜图像。
在通过虹膜识别身份时，主要是通过分析虹膜图像。而虹膜图像可以是直接从被识别者眼睛拍照得到，同样也有非法分子通过伪造虹膜图像，去假冒被识别者。伪造的虹膜图像可以是通过高清技术打印出来的虹膜图像，或者是拍照3D假眼球得到的虹膜图像。伪造的虹膜图像与真实的虹膜图像有着很大的相似性，虹膜识别系统容易将这些伪造虹膜图像当成真实虹膜图像。
但是，由于通过使用喷墨打印机打印的高清彩色虹膜图像，由于各种颜色的打印墨水对近红外光谱的吸收率是一样的，因此在近红外光感应的摄像头下，则难以拍摄出眼睛中的虹膜图像。而采用硅胶或者其它材料制作出来的3D假眼睛，制作材料与真实眼睛存在很大区别，具体体现在一些特征的细微差别上，因此，在进行虹膜识别时可以加强对特征数据地处理，以提高虹膜识别的准确率，减少被伪造的风险。
基于上述论述，请参阅图1，图1为本发明实施例提供的虹膜识别方法的流程示意图；如图1所示，一种虹膜识别方法可包括：
101、获取被识别者的初始虹膜图像；
本发明实施例可以优选用于识别黄种人的身份，因此，重要针对的是褐色的虹膜，为了能够获得更加清晰的虹膜图像，在本发明实施例中，采集虹膜图像的设备可以为近红外传感器，通过近红外传感器拍照以获得被识别者的初始虹膜图像。
102、确定上述初始虹膜图像中的感兴趣区域(Region of Interest，简称ROI)；
先确定初始虹膜图像中的ROI，根据ROI中的特征来进行身份识别，能够提高识别的准确率。
在本发明一些实施例中，可以先在初始虹膜图像中确定出若干关键点，这 些关键点可以在眼睛的瞳孔与虹膜分界线上以及在虹膜与眼白的分界线上。请参阅图2a，图2a为本发明实施例提供的关键点的示意图，在图2a中，初始虹膜图像中共确定出10个关键点，其中，6个关键点在瞳孔与虹膜的分界线处获取，这6个关键点分别分布在瞳孔与虹膜的分界线处，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点。另外4个关键点在虹膜与眼白的分界线处，分别为7个关键点、第8个关键点、第9个关键点和第10个关键点。在图2a中可以看出，其中，上述第1个关键点、第4个关键点和第9个关键点在一条直线上，上述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，上述第3个关键点、第6个关键点和第8个关键点在一条直线上。
根据上述10个关键点，确定出一个ROI区域，具体如图2b所示，确定出来的ROI也就是瞳孔与眼白之间的虹膜区域，具体如图2b中的白色区域所示，可以看出，从初始虹膜图像确定出来的ROI是一个环形区域。
103、对所述ROI进行预处理，得到预处理虹膜图像；
对ROI的预处理，可以包括对ROI的极坐标变换。可以理解，虹膜围绕在瞳孔四周，确定出来的ROI也是一个环形区域，在预处理时，需要将环形的ROI变换成矩形的ROI。具体地，可以在环形ROI以一直径将环形切断，然后进行非线性拉伸，使得环形的ROI变换称为矩形的ROI，如图2c所示，将ROI拉伸得到一个矩形区域。
进一步地，对矩形的ROI进行归一化处理，使得矩形ROI变换成为固定大小的矩形ROI，并且对归一化大小后的矩形ROI进行局部灰度对比度进行归一化，如图2d所示，最后得到预处理虹膜图像。
104、采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；
需要说明，加伯转换(Gabor)滤波器能够较好的提取出人类视觉系统敏感的图像频率和方向特征，因此，在本发明实施例中采用Gabor滤波器对ROI进行滤波可以得到更好的效果。
在本发明实施例中，通过采样若干虹膜图像，将虹膜图像划分成多个虹膜子模块，然后对虹膜子模块进行处理，从而得到一个2D Gabor滤波器。
该2D Gabor滤波器的计算公式如下：
u＝x cosθ+y sinθ
v＝y cosθ-x sinθ
其中，θ是滤波器的方向，δu是高斯包络在平行于θ方向上的标准差，δv是高斯包括在垂直于θ方向上的标准差，在这里可以取值为1，ω为复正弦函数的频率。请参阅图2e，图2e为本发明实施例中不同参数配置下Gabor滤波器核函数的效果图。
如图2e所示，图(a)为θ＝0时Gabor滤波器核函数的图像；图(b)为时Gabor滤波器核函数的图像；图(c)为时Gabor滤波器核函数的图像；图(d)为时Gabor滤波器核函数的图像；图(e)为θ＝π时Gabor滤波器核函数的图像；图(f)为π＝0.1时Gabor滤波器核函数的图像；图(g)为π＝0.3时Gabor滤波器核函数的图像；图(h)为θ＝0时Gabor滤波器核函数的图像。
研究发现，Gabor滤波器十分适合纹理表达和分离。在空间域中，一个2DGabor滤波器是一个由正弦平面波调制的高斯核函数。对ROI进行滤波处理后可以得到该ROI对应的特征数据，其中，对ROI进行滤波处理的一种具体方式可以是通过卷积运算来获取特征数据。
在本发明实施例中先通过2D Gabor滤波器获取响应幅值，然后对响应幅值进行编码，以获得特征数据。
经过多次试验证明，当一组Gabor滤波器复正弦函数的频率为ω1＝4.0，另一组Gabor滤波器复正弦函数的频率为ω2＝4.5时，可以取得较好的效果，特征数据的识别性更强。其中，这里的图像区域可以是相邻两个图像区域具有部分重叠的图像区域。
举例来说，根据上述对2D Gabor滤波器的介绍，采用2个频率16个方向的2D Gabor滤波器对每个区域图像进行处理。首先，可以先计算出两个频率，每个频率16个方向的Gabor滤波器所得到的两组数据。假设使用出两个频率，每个频率16个方向的Gabor滤波器进行滤波后，取有效部分为10×6大小的卷积窗口，然后把这些数据按照频率不同分为两组，分别为：
对预处理图像进行滤波。从左上角开始取一个同卷积窗口大小一致的图像块与每组卷积窗口进行卷积，且卷积窗口大小为10×6，由此将得到两组16个响应幅度值对响应幅度值进行二值化编码获得二值化编码。对响应幅度值进行二值化编码获取一个16位的0-1编码
其中，1()表示括号内表达式为“真”时，取值为1，否则取值为0。上式中的整数其实是小于216的。因此都可以表达为2个字节的特征数据，这样的话，一个图像块就表示为4个字节的特征数据。
之后，将16位0-1二值化编码按照二进制排列方式组成两个字节数据，即两个二值化编码，那么两个频率下能够得到2×2个二值化编码，也就是4个字节的特征数据，若M为10×6个相互重叠或者不重叠的图像区域，那么将会得到60×4＝240字节的特征数据，也就是第1组特征数据。
105、采用局部二值模式(Local Binary Patterns，简称LBP)算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；
可以理解，LBP是一种有效的纹理描述算子，度量和提取图像局部的纹理信息，对光照具有不变性。二值化(Unified)LBP占据了图像中所有模式的绝大多数，不同采样半径和周围像素点个数会不同，因此，Unified LBP在局部纹理描述上取得了较好的描述效果。
基于Unified LBP的优势，在本发明实施例中采用Unified LBP对预处理虹膜图像进行处理，以获得特征向量。
举例来说，将预处理虹膜图像划分成7×3个图像区域，这些图像区域可以是相邻两个区域之间不具有重叠部分的图像区域。
在每一个图像区域中，如图2f所示，对于每一个像素点(如图2f中的0)，处于其8个邻域像素点(分别为图2f中的1～8)的中间。依次比较该像素点0 的灰度值与其8个邻域像素点(1～8)的灰度值的大小，可以顺时间依次比较或者逆时针依次比较，当该像素点的灰度值比邻域像素点的灰度值大时，对应二值化编码为1，反之，在该像素点的灰度值小于或等于邻域像素点的灰度值时，对应二值化编码为0，依次类推，将得到该像素点对应的1个8位字节的二值化编码。比如，图2f中按照顺指针顺序进行比较，像素点0的灰度值大于像素点1的灰度值，对应编码一个1；像素点0的灰度值大于像素点2的灰度值，对应编码一个1；像素点0的灰度值不大于像素点3的灰度值，对应编码一个0；像素点0的灰度值不大于像素点4的灰度值，对应编码一个0；像素点0的灰度值不大于像素点5的灰度值，对应编码一个0；像素点0的灰度值大于像素点6的灰度值，对应编码一个1；像素点0的灰度值不大于像素点7的灰度值，对应编码一个0；像素点0的灰度值大于像素点8的灰度值，对应编码一个1，那么像素点将得到对应的一个8字节的二值化编码为：11000101。
对每一个图像区域中的所有像素点进行二值化编码后，根据所有像素点的二值化编码得到一个直方图，串联所有图像区域的直方图，得到一个特征向量。
根据上述划分为7×3个图像区域，可以得到21×58＝1218字节的特征向量，然后对1218字节的特征向量进行降维处理，得到20维的特征向量，然后将其归一化到0～255之间。
106、计算所述第1组特征数据与预存储特征数据的第一海明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离，所述预存储特征数据为事先根据所述被识别者的虹膜计算得到，所述特征向量为事先根据所述被识别者的虹膜计算得到；
当然，在数据库中保存了被识别者的特征数据，在识别被识别者身份时，通过计算上述特征数据与预存储特征数据的海明距离，具体方式如下：
采用如下公式计算特征数据与预存储特征数据的相似度：
其中，x1为上述特征数据，x2为数据库中存储的预存储特征数据，S(x1,x2)为上述特征数据与预存储特征数据的相似度，H(x1,x2)为x1与x2的海明距离， F与B分别表示两个常数。
在信息编码中，两个合法代码对应位上编码不同的位数称为码距，又称海明距离。在一个有效编码集中，任意两个码字的海明距离的最小值称为该编码集的海明距离。举例如下：10101和00110从第一位开始依次有第一位、第四、第五位不同，则海明距离为3。
F与B分别表示两个常数，可以通过实验来确认这两个常数，具体测定的方法可以是通过仿真计算F和B的值。
另外，在数据库中还保存了被识别者的特征向量。那么可以通过计算上述特征向量与预存特征向量的向量距离来判断其相似度。
107、计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。
为了提高其识别效率，而且采用2D Gabor获取特征数据的侧重点与采用Unified LBP获取特征向量的侧重点不同，因此，采用2D Gabor获取到的特征数据与采用Unified LBP获取到的特征向量也会不同。在本发明实施例中，进一步对两种方式下获取到的特征数据和特征向量进行加权处理，得到一个加权值，然后利用该加权值来识别被识别者的身份。
比如，海明距离为50，向量距离也为50，加权值的计算公式如下：
50×2/2＝50
可以看出，本发明实施例中先从初始虹膜图像中确定出ROI，然后对ROI进行预处理，得到预处理虹膜图像，并利用两种不同方式来获取预处理虹膜图像中的特征数据，一种是采用2D-Gabor滤波器获取预处理虹膜图像的第1组特征数据，一种是采用LBP算法获取预处理虹膜图像的第1组特征向量，然后计算第1组特征数据与预存储特征数据的海明距离，计算第1组特征向量与预存特征向量的向量距离，预存储特征数据和预存特征向量都是从该被识别者的真实虹膜图像中获取得到，所谓真实虹膜图像是指通过近红外传感器直接从被识别者的眼睛获取到的虹膜图像，而不是通过高清打印的图像或者3D假眼球获得的伪造虹膜图像。然后计算海明距离与向量距离的加权值，通过加权值能够准确地识别出被识别者，二层特征数据的联合，能够提高识别率，降低不法分子伪造虹膜的风险。
另外说明，上述实施例中是通过海明距离与向量距离的加权值来识别被识别者的身份，为了加权值更加正确地反映出初始虹膜图像的特征，在本发明实施例中，还可以进一步地将预处理虹膜图像按照13×5划分成不具有重叠部分的13×5个图像区域，然后采用2D Gabor对13×5个图像区域中的每一个图像区域进行处理，处理过程可以参阅上述步骤104中的具体介绍，从而得到65×4＝260字节的第2组特征数据。
那么在步骤106中还需要计算65×4＝260字节的第2组特征数据与预存储特征数据的海明距离，在此将这一个海明距离称为海明距离B，而上述实施例中获取得到的海明距离称为海明距离A。进而在步骤中计算海明距离A、海明距离B和向量距离的加权值。由于增加了一个权数，因此，计算得到的加权值能够更加准确地体现初始虹膜图像的特征，从而提高识别准确率。
更进一步地，在本发明实施例中，还可以将预处理虹膜图像多次划分成不同数量的图像区域，多次划分方式中可以有部分重叠的，也有不重叠的，然后分别利用上述2D Gabor进行处理，以获得多组特征数据，从而得到对应数量的海明距离。同样，再将预处理虹膜图像重新多次划分成不同数量的图像区域，然后采用Unified LBP对每次划分的图像区域进行处理，得到多个特征向量，进而得到对应数量的向量距离。最后，对多个海明距离和多个向量距离进行加权，从而得到一个加权值。
可以看出，在加权时，权数越多得到的加权值更加精确，也就是需要采用2D Gabor或者Unified LBP多次对预处理虹膜图像进行处理。
请参阅图3，图3为本发明实施例提供的虹膜识别装置的结构示意图；如图3所示，一种虹膜识别装置可包括：
获取模块310，用于获取被识别者的初始虹膜图像；
确定模块320，用于确定所述初始虹膜图像中的感兴趣区域ROI；
预处理模块330，用于对所述ROI进行预处理，得到预处理虹膜图像；
特征获取模块340，用于采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；
识别模块350，用于计算所述第1组特征数据与预存储特征数据的第一海 明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离，所述预存储特征数据为事先根据所述被识别者的虹膜计算得到，所述特征向量为事先根据所述被识别者的虹膜计算得到；计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。
可以看出，在本发明实施例中，通过获取模块310获取到被识别者的初始虹膜图像，然后确定模块320从获取模块310获取的初始虹膜图像中获取到ROI，预处理模块330先对ROI进行预处理，得到预处理虹膜图像，然后由特征获取模块340采用2D-Gabor滤波器获取到第1组特征数据，和采用LBP算法获取到第1组特征向量，识别模块350通过计算第1组特征数据与预存储特征数据的海明距离和第1组特征向量和预存特征向量的向量距离，并进一步加权海明距离和向量距离，得到一个加权值，通过加权值来识别被识别者的身份。
在本发明一些实施例中，上述获取模块310具体用于，通过近红外线传感器，获取所述被识别者的初始虹膜图像。
在本发明一些实施例中，上述确定模块320具体用于，在所述初始虹膜图像中确定若干关键点，根据所述若干关键点确定所述初始虹膜图像中的ROI。
可选地，上述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；上述若干关键点还包括分布在上述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；其中，上述第1个关键点、第4个关键点和第9个关键点在一条直线上，上述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，上述第3个关键点、第6个关键点和第8个关键点在一条直线上。
在本发明一些实施例中，上述预处理模块330具体用于，对上述ROI进行极坐标变换，得到矩形虹膜图像；对上述矩形虹膜图像进行归一化处理，得到上述预处理虹膜图像。
在本发明一些实施例中，上述特征获取模块340进一步具体用于，将上述预处理虹膜图像划分成M个图像区域；上述M为大于或等于2的正整数；采用2D-Gabor滤波器对上述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；对上述响应幅值进行编码，组合上述M个图像区域对应的 编码得到上述第1组特征数据。
在本发明一些实施例中，上述特征获取模块340更进一步具体用于，采用K个频率L个方向2D-Gabor滤波器，对上述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；组合M个图像区域对应的编码得到上述第1组特征数据，上述第1组特征数据包括M×K×2个编码。
在本发明一些实施例中，上述特征获取模块340进一步具体用于，当上述L个响应幅值的第n个响应幅值不大于第n+1个响应幅值，将上述第n个响应幅值对应二值化编码为1，当上述第n个响应幅值大于上述第n+1个响应幅值时，将上述第n个响应幅值对应二值化编码为0，其中，上述n为大于或等于1的正整数；组合上述L个响应幅值对应的编码，得到L个二值化编码；根据上述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
在本发明一些实施例中，上述特征获取模块340还具体用于，将上述预处理虹膜图像划分成N个图像区域，上述N为大于或等于2的正整数；获取上述N个图像区域中每一个图像区域对应的LBP特征，组合上述N个图像区域对应的LBP特征，得到上述第1组特征向量。
在本发明一些实施例中，上述特征获取模块340进一步具体用于，对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码；根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；组合上述N个图像区域对应的直方图，得到上述第1组特征向量。
在本发明一些实施例中，上述特征获取模块340进一步具体用于，获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
在本发明一些实施例中，上述识别模块350具体用于，对上述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量；计算上述归一化特征向量与上述预存特征序列的向量距离。
在本发明一些实施例中，上述特征获取模块340还用于，将上述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对上述H个图像区域进行处理，得到第2组数据特征；进而，上述识别模块350具体用于，计算上述第2组数据特征与上述预存储特征数据的第二海明距离；计算上述第一海明距离、上述第二海明距离和上述第一向量特征的加权值。
图4为本发明实施例提供的虹膜识别装置另一结构示意图，其中，可包括至少一个处理器401(例如CPU，Central Processing Unit)，至少一个网络接口或者其它通信接口，存储器402，和至少一个通信总线，用于实现这些装置之间的连接通信。所述处理器401用于执行存储器中存储的可执行模块，例如计算机程序。所述存储器402可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个网络接口(可以是有线或者无线)实现该系统网关与至少一个其它网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
如图4所示，在一些实施方式中，所述存储器402中存储了程序指令，程序指令可以被处理器401执行，所述处理器401具体执行以下步骤：获取被识别者的初始虹膜图像；确定所述初始虹膜图像中的感兴趣区域ROI；对所述ROI进行预处理，得到预处理虹膜图像；采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；计算所述第1组特征数据与预存储特征数据的第一海明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离，所述预存储特征数据为事先根据所述被识别者的虹膜计算得到，所述特征向量为事先根据所述被识别者的虹膜计算得到；计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。
在一些实施方式中，所述处理器401还可以执行以下步骤：通过近红外线 传感器，获取所述被识别者的初始虹膜图像。
在一些实施方式中，所述处理器401还可以执行以下步骤：在所述初始虹膜图像中确定若干关键点，根据所述若干关键点确定所述初始虹膜图像中的ROI。
在一些实施方式中，所述处理器401还可以执行以下步骤：对所述ROI进行极坐标变换，得到矩形虹膜图像；对所述矩形虹膜图像进行归一化处理，得到所述预处理虹膜图像。
在一些实施方式中，所述处理器401还可以执行以下步骤：将所述预处理虹膜图像划分成M个图像区域；所述M为大于或等于2的正整数；采用2D-Gabor滤波器对所述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；对所述响应幅值进行编码，组合所述M个图像区域对应的编码得到所述第1组特征数据。
在一些实施方式中，所述处理器401还可以执行以下步骤：采用K个频率L个方向2D-Gabor滤波器，对所述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；所述对所述响应幅值进行编码，组合所述M个图像区域对应的编码得到所述特征数据包括：对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；组合M个图像区域对应的编码得到所述第1组特征数据，所述第1组特征数据包括M×K×2个编码。
在一些实施方式中，所述处理器401还可以执行以下步骤：当所述L个响应幅值的第n个响应幅值不大于第n+1个响应幅值，将所述第n个响应幅值对应二值化编码为1，当所述第n个响应幅值大于所述第n+1个响应幅值时，将所述第n个响应幅值对应二值化编码为0，其中，所述n为大于或等于1的正整数；组合所述L个响应幅值对应的编码，得到L个二值化编码；根据所述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
在一些实施方式中，所述处理器401还可以执行以下步骤：将所述预处理虹膜图像划分成N个图像区域，所述N为大于或等于2的正整数；获取所述 N个图像区域中每一个图像区域对应的LBP特征，组合所述N个图像区域对应的LBP特征，得到所述第1组特征向量。
在一些实施方式中，所述处理器401还可以执行以下步骤：对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码；根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；组合所述N个图像区域对应的直方图，得到所述第1组特征向量。
在一些实施方式中，所述处理器401还可以执行以下步骤：获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
在一些实施方式中，所述处理器401还可以执行以下步骤：对所述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量。
在一些实施方式中，所述处理器401还可以执行以下步骤：计算所述归一化特征向量与所述预存特征序列的向量距离。
在一些实施方式中，所述处理器401还可以执行以下步骤：将所述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对所述H个图像区域进行处理，得到第2组数据特征；计算所述第2组数据特征与所述预存储特征数据的第二海明距离；所述计算所述海明距离与所述向量距离的加权值包括：计算所述第一海明距离、所述第二海明距离和所述第一向量特征的加权值。
可选地，在一些实施方式中，所述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；所述若干关键点还包括分布在所述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；其中，所述第1个关键点、第4个关键点和第9个关键点在一条直线上，所述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，所述第3个关键点、第6个关键点和第8个关键 点在一条直线上。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属邻域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，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，所揭露的系统，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信连接可以是通过一些接口，装置或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。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)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-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。
以上对本发明所提供的一种虹膜识别方法及装置进行了详细介绍，对于本邻域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (28)

  1. 一种虹膜识别方法，其特征在于，包括：
    获取被识别者的初始虹膜图像；
    确定所述初始虹膜图像中的感兴趣区域ROI；
    对所述ROI进行预处理，得到预处理虹膜图像；
    采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；
    采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；
    计算所述第1组特征数据与预存储特征数据的第一海明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离，所述预存储特征数据为事先根据所述被识别者的虹膜计算得到，所述特征向量为事先根据所述被识别者的虹膜计算得到；
    计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。
  2. 根据权利要求1所述的方法，其特征在于，所述获取被识别者的初始虹膜图像包括：
    通过近红外线传感器，获取所述被识别者的初始虹膜图像。
  3. 根据权利要求1或2所述的方法，其特征在于，所述确定所述初始虹膜图像中的感兴趣区域ROI包括：
    在所述初始虹膜图像中确定若干关键点，根据所述若干关键点确定所述初始虹膜图像中的ROI。
  4. 根据权利要求3所述的方法，其特征在于，
    所述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；
    所述若干关键点还包括分布在所述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；
    其中，所述第1个关键点、第4个关键点和第9个关键点在一条直线上， 所述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，所述第3个关键点、第6个关键点和第8个关键点在一条直线上。
  5. 根据权利要求1～4任一项所述的方法，其特征在于，所述对所述ROI进行预处理，得到预处理虹膜图像包括：
    对所述ROI进行极坐标变换，得到矩形虹膜图像；
    对所述矩形虹膜图像进行归一化处理，得到所述预处理虹膜图像。
  6. 根据权利要求1所述的方法，其特征在于，所述采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据包括：
    将所述预处理虹膜图像划分成M个图像区域；所述M为大于或等于2的正整数；
    采用2D-Gabor滤波器对所述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；
    对所述响应幅值进行编码，组合所述M个图像区域对应的编码得到所述第1组特征数据。
  7. 根据权利要求6所述的方法，其特征在于，所述采用2D-Gabor滤波器对所述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值，包括：
    采用K个频率L个方向2D-Gabor滤波器，对所述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；
    所述对所述响应幅值进行编码，组合所述M个图像区域对应的编码得到所述特征数据包括：
    对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；
    组合M个图像区域对应的编码得到所述第1组特征数据，所述第1组特征数据包括M×K×2个编码。
  8. 根据权利要求7所述的方法，其特征在于，所述对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码包括：
    当所述L个响应幅值的第n个响应幅值不大于第n+1个响应幅值，将所述第n个响应幅值对应二值化编码为1，当所述第n个响应幅值大于所述第n+1个响应幅值时，将所述第n个响应幅值对应二值化编码为0，其中，所述n为大于或等于1的正整数；
    组合所述L个响应幅值对应的编码，得到L个二值化编码；
    根据所述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
  9. 根据权利要求1所述的方法，其特征在于，所述采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量包括：
    将所述预处理虹膜图像划分成N个图像区域，所述N为大于或等于2的正整数；
    获取所述N个图像区域中每一个图像区域对应的LBP特征，组合所述N个图像区域对应的LBP特征，得到所述第1组特征向量。
  10. 根据权利要求9所述的方法，其特征在于，所述获取所述N个图像区域中每一个图像区域对应的LBP特征，组合所述N个图像区域对应的LBP特征，得到所述第1组特征向量包括：
    对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码；
    根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；
    组合所述N个图像区域对应的直方图，得到所述第1组特征向量。
  11. 根据权利要求10所述的方法，其特征在于，所述对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码包括：
    获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；
    当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
  12. 根据权利要求1或9或10或11所述的方法，其特征在于，所述计算所述第1组特征向量与预存特征向量的向量距离之前包括：
    对所述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量；
    所述计算所述特征向量与预存特征向量的向量距离包括：
    计算所述归一化特征向量与所述预存特征序列的向量距离。
  13. 根据权利要求1所述的方法，其特征在于，所述计算所述第一海明距离与所述第一向量距离的加权值之前包括：
    将所述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对所述H个图像区域进行处理，得到第2组数据特征；
    计算所述第2组数据特征与所述预存储特征数据的第二海明距离；
    所述计算所述海明距离与所述向量距离的加权值包括：
    计算所述第一海明距离、所述第二海明距离和所述第一向量特征的加权值。
  14. 一种虹膜识别装置，其特征在于，包括：
    获取模块，用于获取被识别者的初始虹膜图像；
    确定模块，用于确定所述初始虹膜图像中的感兴趣区域ROI；
    预处理模块，用于对所述ROI进行预处理，得到预处理虹膜图像；
    特征获取模块，用于采用2D-Gabor滤波器处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征数据；采用局部二值模式LBP算法处理所述预处理虹膜图像，得到所述预处理虹膜图像的第1组特征向量；
    识别模块，用于计算所述第1组特征数据与预存储特征数据的第一海明距离，以及计算所述第1组特征向量与预存特征向量的第一向量距离，所述预存储特征数据为事先根据所述被识别者的虹膜计算得到，所述特征向量为事先根据所述被识别者的虹膜计算得到；计算所述第一海明距离与所述第一向量距离的加权值，根据所述加权值对所述被识别者进行身份识别。
  15. 根据权利要求14所述的虹膜识别装置，其特征在于，
    所述获取模块具体用于，通过近红外线传感器，获取所述被识别者的初始虹膜图像。
  16. 根据权利要求14或15所述的虹膜识别装置，其特征在于，
    所述确定模块具体用于，在所述初始虹膜图像中确定若干关键点，根据所述若干关键点确定所述初始虹膜图像中的ROI。
  17. 根据权利要求16所述的虹膜识别装置，其特征在于，
    所述若干关键点包括均匀分布在虹膜与瞳孔分界线上的六个关键点，分别为第1关键点、第2关键点、第3关键点、第4关键点、第5关键点和第6关键点；所述若干关键点还包括分布在所述虹膜与眼白分界线上的四个关键点，分别为第7个关键点、第8个关键点、第9个关键点和第10个关键点；其中，所述第1个关键点、第4个关键点和第9个关键点在一条直线上，所述第2个关键点、第5个关键点、第7个关键点和第10个关键点在一条直线上，所述第3个关键点、第6个关键点和第8个关键点在一条直线上。
  18. 根据权利要求14～17任一项所述的虹膜识别装置，其特征在于，
    所述预处理模块具体用于，对所述ROI进行极坐标变换，得到矩形虹膜图像；对所述矩形虹膜图像进行归一化处理，得到所述预处理虹膜图像。
  19. 根据权利要求14所述的虹膜识别装置，其特征在于，
    所述特征获取模块具体用于，将所述预处理虹膜图像划分成M个图像区域；所述M为大于或等于2的正整数；采用2D-Gabor滤波器对所述M个图像区域中的每一个图像区域进行卷积，得到对应的响应幅值；对所述响应幅值进行编码，组合所述M个图像区域对应的编码得到所述第1组特征数据。
  20. 根据权利要求19所述的虹膜识别装置，其特征在于，
    所述特征获取模块进一步具体用于，采用K个频率L个方向2D-Gabor滤波器，对所述M个图像区域中的每一个图像区域进行卷积，得到每一个图像区域对应的K×L个响应幅值；对每一个图像区域中的每一个频率下的L个响应幅值进行二值化编码，得到每一个图像区域的每一个频率对应的两个编码，组合每一个图像区域中的K个频率得到每一个图像区域对应的K×2个编码；组合M个图像区域对应的编码得到所述第1组特征数据，所述第1组特征数据包括M×K×2个编码。
  21. 根据权利要求20所述的虹膜识别装置，其特征在于，
    所述特征获取模块进一步具体用于，当所述L个响应幅值的第n个响应幅 值不大于第n+1个响应幅值，将所述第n个响应幅值对应二值化编码为1，当所述第n个响应幅值大于所述第n+1个响应幅值时，将所述第n个响应幅值对应二值化编码为0，其中，所述n为大于或等于1的正整数；组合所述L个响应幅值对应的编码，得到L个二值化编码；根据所述L个二值化编码得到2个编码，组合每一个图像区域中的K个频率的编码得到K×2个编码。
  22. 根据权利要求14所述的虹膜识别装置，其特征在于，
    所述特征获取模块还具体用于，将所述预处理虹膜图像划分成N个图像区域，所述N为大于或等于2的正整数；获取所述N个图像区域中每一个图像区域对应的LBP特征，组合所述N个图像区域对应的LBP特征，得到所述第1组特征向量。
  23. 根据权利要求22所述的虹膜识别装置，其特征在于，
    所述特征获取模块进一步具体用于，对每一个图像区域中每一个像素进行二值化编码，得到每一个像素对应的二值化编码；根据每一个图像区域中所有像素对应的二值化编码，得到每一个图像区域对应的直方图；组合所述N个图像区域对应的直方图，得到所述第1组特征向量。
  24. 根据权利要求23所述的虹膜识别装置，其特征在于，
    所述特征获取模块进一步具体用于，获取每一个图像区域中的每一个像素点的灰度值，依次比较每一个像素点的灰度值与8个邻域像素点的灰度值；
    当像素点的灰度值大于邻域像素点的灰度值时，对应二值化编码为1；当像素点的灰度值小于或等于8个邻域像素点的灰度值时，对应二值化编码为0，得到每一个像素点对应的8位字节的二值化编码。
  25. 根据权利要求14或22或23或24所述的虹膜识别装置，其特征在于，
    所述识别模块具体用于，对所述特征向量进行降维处理，并对降维后的特征向量进行归一化处理，得到归一化特征向量；计算所述归一化特征向量与所述预存特征序列的向量距离。
  26. 根据权利要求14所述的虹膜识别装置，其特征在于，
    所述特征获取模块还用于，将所述预处理虹膜图像划分成H个图像区域，采用I个频率J个方向的2D-Gabor对所述H个图像区域进行处理，得到第2组数据特征；
    所述识别模块具体用于，计算所述第2组数据特征与所述预存储特征数据的第二海明距离；计算所述第一海明距离、所述第二海明距离和所述第一向量特征的加权值。
  27. 一种虹膜识别装置，其特征在于，包括：
    处理器以及存储器；
    所述存储器用于存储程序；
    所述处理器用于执行所述存储器中的程序，使得所述虹膜识别装置执行如权利要求1至13任一项所述的虹膜识别方法。
  28. 一种存储一个或多个程序的存储介质，所述一个或多个程序包括指令，所述指令当被包括一个或多个处理器的所述虹膜识别装置执行时，使所述虹膜识别装置执行如权利要求1至13任一项所述的虹膜识别方法。
CN201580001421.9A 2015-12-29 2015-12-29 一种虹膜识别方法及装置 Active CN107408195B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2015/099341 WO2017113083A1 (zh) 2015-12-29 2015-12-29 一种虹膜识别方法及装置

Publications (2)

Publication Number Publication Date
CN107408195A true CN107408195A (zh) 2017-11-28
CN107408195B CN107408195B (zh) 2020-06-23

Family

ID=59224268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580001421.9A Active CN107408195B (zh) 2015-12-29 2015-12-29 一种虹膜识别方法及装置

Country Status (2)

Country Link
CN (1) CN107408195B (zh)
WO (1) WO2017113083A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409387A (zh) * 2018-11-06 2019-03-01 深圳增强现实技术有限公司 图像采集设备的采集方向确定方法、装置及电子设备
CN111241951A (zh) * 2020-01-03 2020-06-05 中山市奥珀金属制品有限公司 一种虹膜图像的处理方法及装置
CN113033296A (zh) * 2021-02-07 2021-06-25 广东奥珀智慧家居股份有限公司 一种虹膜快速识别方法及系统
CN113553908A (zh) * 2021-06-23 2021-10-26 中国科学院自动化研究所 基于设备独有性感知的异质虹膜识别方法
CN116994325A (zh) * 2023-07-27 2023-11-03 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516088B (zh) * 2017-09-02 2020-05-22 宜宾学院 一种多手指节纹路识别方法
CN108509865B (zh) * 2018-03-09 2021-02-26 贵州人和致远数据服务有限责任公司 一种工伤信息录入方法及装置
CN111353526A (zh) * 2020-02-19 2020-06-30 上海小萌科技有限公司 一种图像匹配方法、装置以及相关设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020044674A1 (en) * 1999-09-03 2002-04-18 Ioannis Pavlidis Near-infrared disguise detection
CN1760887A (zh) * 2004-10-11 2006-04-19 中国科学院自动化研究所 虹膜图像的鲁棒特征抽取与识别方法
CN101266704A (zh) * 2008-04-24 2008-09-17 张宏志 基于人脸识别的atm安全认证与预警方法
CN101404060A (zh) * 2008-11-10 2009-04-08 北京航空航天大学 一种基于可见光与近红外Gabor信息融合的人脸识别方法
CN101894256A (zh) * 2010-07-02 2010-11-24 西安理工大学 基于奇对称2D Log-Gabor滤波器的虹膜识别方法
CN102456137A (zh) * 2010-10-20 2012-05-16 上海青研信息技术有限公司 基于近红外反射点特性的视线跟踪预处理方法
CN102622588A (zh) * 2012-03-08 2012-08-01 无锡数字奥森科技有限公司 双验证人脸防伪方法及装置
CN103106401A (zh) * 2013-02-06 2013-05-15 北京中科虹霸科技有限公司 具有人机交互机制的移动终端虹膜识别装置和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011119117A1 (en) * 2010-03-26 2011-09-29 Agency For Science, Technology And Research Facial gender recognition
EP2551788A1 (de) * 2011-07-29 2013-01-30 Fachhochschule St. Pölten GmbH Verfahren zur biometrischen gesichtserkennung
CN103679151B (zh) * 2013-12-19 2016-08-17 成都品果科技有限公司 一种融合LBP、Gabor特征的人脸聚类方法
CN104933344B (zh) * 2015-07-06 2019-01-04 北京中科虹霸科技有限公司 基于多生物特征模态的移动终端用户身份认证装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020044674A1 (en) * 1999-09-03 2002-04-18 Ioannis Pavlidis Near-infrared disguise detection
CN1760887A (zh) * 2004-10-11 2006-04-19 中国科学院自动化研究所 虹膜图像的鲁棒特征抽取与识别方法
CN101266704A (zh) * 2008-04-24 2008-09-17 张宏志 基于人脸识别的atm安全认证与预警方法
CN101404060A (zh) * 2008-11-10 2009-04-08 北京航空航天大学 一种基于可见光与近红外Gabor信息融合的人脸识别方法
CN101894256A (zh) * 2010-07-02 2010-11-24 西安理工大学 基于奇对称2D Log-Gabor滤波器的虹膜识别方法
CN102456137A (zh) * 2010-10-20 2012-05-16 上海青研信息技术有限公司 基于近红外反射点特性的视线跟踪预处理方法
CN102622588A (zh) * 2012-03-08 2012-08-01 无锡数字奥森科技有限公司 双验证人脸防伪方法及装置
CN103106401A (zh) * 2013-02-06 2013-05-15 北京中科虹霸科技有限公司 具有人机交互机制的移动终端虹膜识别装置和方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409387A (zh) * 2018-11-06 2019-03-01 深圳增强现实技术有限公司 图像采集设备的采集方向确定方法、装置及电子设备
CN109409387B (zh) * 2018-11-06 2022-03-15 深圳增强现实技术有限公司 图像采集设备的采集方向确定方法、装置及电子设备
CN111241951A (zh) * 2020-01-03 2020-06-05 中山市奥珀金属制品有限公司 一种虹膜图像的处理方法及装置
CN111241951B (zh) * 2020-01-03 2023-10-31 张杰辉 一种虹膜图像的处理方法及装置
CN113033296A (zh) * 2021-02-07 2021-06-25 广东奥珀智慧家居股份有限公司 一种虹膜快速识别方法及系统
CN113553908A (zh) * 2021-06-23 2021-10-26 中国科学院自动化研究所 基于设备独有性感知的异质虹膜识别方法
CN113553908B (zh) * 2021-06-23 2022-01-11 中国科学院自动化研究所 基于设备独有性感知的异质虹膜识别方法
CN116994325A (zh) * 2023-07-27 2023-11-03 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端
CN116994325B (zh) * 2023-07-27 2024-02-20 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端

Also Published As

Publication number Publication date
CN107408195B (zh) 2020-06-23
WO2017113083A1 (zh) 2017-07-06

Similar Documents

Publication Publication Date Title
CN107408195B (zh) 一种虹膜识别方法及装置
AU2019204639B2 (en) Image and feature quality, image enhancement and feature extraction for ocular-vascular and facial recognition, and fusing ocular-vascular with facial and/or sub-facial information for biometric systems
Dua et al. Biometric iris recognition using radial basis function neural network
CN105917353B (zh) 用于生物认证的特征提取及匹配以及模板更新
EP2883190B1 (en) Texture features for biometric authentication
WO2017106996A1 (zh) 一种人脸识别的方法以及人脸识别装置
CN102844766A (zh) 基于人眼图像的多特征融合身份识别方法
CN104951940A (zh) 一种基于掌纹识别的移动支付验证方法
Choudhary et al. A survey: Feature extraction methods for iris recognition
Vega et al. Biometric personal identification system based on patterns created by finger veins
CN113673460A (zh) 用于虹膜识别的方法及装置、终端设备、存储介质
CN110909601B (zh) 一种基于深度学习的美瞳识别方法及系统
CN109697347B (zh) 基于指静脉和指形特征的用户特征认证方法及其装置
CN111144413A (zh) 虹膜定位方法及计算机可读存储介质
Kaudki et al. A robust iris recognition approach using fuzzy edge processing technique
CN107958242A (zh) 一种掌纹识别系统
Mohammed et al. Conceptual analysis of Iris Recognition Systems
Jan et al. Robust iris biometric system for visible wavelength data
Kumar et al. Iris based biometric identification system
Parra Fingerprint minutiae extraction and matching for identification procedure
CN107368811A (zh) 红外与非红外光照下基于lbp的人脸特征提取方法
Emerich et al. Biometrics Recognition based on Image Local Features Ordinal Encoding
CN118070259A (zh) 基于人眼识别的身份登录认证方法及系统、设备、介质
Shanthi et al. Iris Based Authentication System
KR20120042101A (ko) 얼굴 특징 추출 장치 및 그 방법

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
CP03 Change of name, title or address

Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province

Patentee after: Xiamen Entropy Technology Co., Ltd

Address before: 361008 room 8, 2001 North Avenue, Xiamen Software Park, Fujian, three

Patentee before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address