CN107844735B - 生物特征的认证方法和装置 - Google Patents

生物特征的认证方法和装置 Download PDF

Info

Publication number
CN107844735B
CN107844735B CN201610833215.0A CN201610833215A CN107844735B CN 107844735 B CN107844735 B CN 107844735B CN 201610833215 A CN201610833215 A CN 201610833215A CN 107844735 B CN107844735 B CN 107844735B
Authority
CN
China
Prior art keywords
covariance matrix
preset
feature
matrix
authenticated
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.)
Active
Application number
CN201610833215.0A
Other languages
English (en)
Other versions
CN107844735A (zh
Inventor
蔡振林
王琪
张祥德
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.)
Beijing Eyecool Technology Co Ltd
Original Assignee
Beijing Eyecool 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 Beijing Eyecool Technology Co Ltd filed Critical Beijing Eyecool Technology Co Ltd
Priority to CN201610833215.0A priority Critical patent/CN107844735B/zh
Publication of CN107844735A publication Critical patent/CN107844735A/zh
Application granted granted Critical
Publication of CN107844735B publication Critical patent/CN107844735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种生物特征的认证方法和装置。其中，该方法包括：获取待认证的生物特征的图像；对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码；利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度；如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功。本发明解决了采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的技术问题。

Description

生物特征的认证方法和装置
技术领域
本发明涉及图像处理领域，具体而言，涉及一种生物特征的认证方法和装置。
背景技术
生物特征识别有着非常广泛的应用前景，例如，虹膜识别是高精度的生物特征识别方式之一，因为其自身特殊的优点，在许多场合如边防进出口控制，银行保险柜等有着重要应用。现有的生物特征识别方法主要是启发于Daugman博士的理论框架，通过分割生物特征区域，归一化生物特征区域，用Gabor滤波器等特征提取方式提取生物特征编码，比对编码之间的Hamming距离来完成生物特征识别任务。
但随着生物特征识别技术日益完善以及终端设备的普及，生物特征识别相关产品将更多地出现在日常生活中。迎来机遇的同时，与之伴随的是，生物特征图像由于环境光强等因素影响导致背景会越来越复杂，图像采集过程中用户会受到越来越少的限制，拍摄距离拍摄角度都不是最佳成像点，综合导致了图像质量低下，现有的生物特征识别技术在如此低质量的图像上应用效果较差。
针对采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的问题，目前尚未提出有效的解决方案。
发明内容
本发明提供了一种生物特征的认证方法和装置，以至少解决采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的技术问题。
根据本发明实施例的一个方面，提供了一种生物特征的认证方法，包括：获取待认证的生物特征的图像；对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码；利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度；如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功。
根据本发明实施例的另一方面，还提供了一种生物特征的认证装置，包括：第一获取模块，用于获取待认证的生物特征的图像；编码模块，用于对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码；计算模块，用于利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度；确定模块，用于如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功。
在本发明中，可以获取待认证的生物特征的图像，对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码，并利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度，如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功，从而实现生物特征认证。容易注意到的是，在得到待认证的生物特征的特征编码之后，不同于现有的直接比对特征编码之间的距离完成认证，而是通过联合特征分布，从概率的角度判断两类特征编码是否属于同一对象，不再受生物特征的图像的影响，从而解决了采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的技术问题。因此，通过本发明，可以提高生物特征认证的认证精度，扩大生物特征认证的应用范围。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种生物特征的认证方法的流程图；
图2是根据本发明实施例的一种可选的脸部图像的示意图；
图3a是根据本发明实施例的一种可选的左眼眼部区域图像的示意图；
图3b是根据本发明实施例的一种可选的右眼眼部区域图像的示意图；
图4是根据本发明实施例的一种可选的眼部图像进行虹膜定位分割的示意图；
图5是根据本发明实施例的一种可选的归一化的虹膜图像的示意图；
图6是根据本发明实施例的一种可选的噪声归一化的虹膜图像的示意图；
图7是根据本发明实施例的一种可选的对虹膜图像进行编码的示意图；以及
图8是根据本发明实施例的一种生物特征的认证装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种生物特征的认证方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种生物特征的认证方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待认证的生物特征的图像。
具体的，上述的生物特征可以是虹膜特征、指纹特征、声音特征等，本发明实施例以虹膜特征为例，进行说明。
步骤S104，对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码。
在一种可选的方案中，当需要进行虹膜认证时，可以采集待认证的虹膜特征的图像，得到虹膜图像，在获取到虹膜图像之后，可以通过不同参数、尺寸的滤波器，例如，Gabor滤波器，对待认证的虹膜图像进行特征提取，提取虹膜特征的特征编码，得到虹膜特征编码。
步骤S106，利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度。
具体的，上述的预设特征编码可以是预先存储的虹膜特征编码，通过将待认证的虹膜特征编码与预先存储的虹膜特征编码进行比较，可以实现虹膜认证。
在一种可选的方案中，在进行虹膜特征认证之前，需要采集用户的虹膜图像，对采集到的虹膜图像进行特征提取，提取虹膜特征编码，并进行存储，得到预先存储的虹膜特征编码。还需要根据已知的多个虹膜特征编码，训练联合特征分布。当需要进行认证时，可以在得到待认证的虹膜特征编码之后，利用提前训练的联合特征分布，计算待认证的虹膜特征编码和预先存储的虹膜特征编码的相似度，例如，可以计算待认证的虹膜特征编码和预先存储的虹膜特征编码的对数似然比。
步骤S108，如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功。
具体的，上述的预设相似度可以是根据认证需求设定的相似度阈值，如果认证精度要求较高，则设定较高的相似度阈值；如果认证精度较低，则设定较低的相似度阈值。
在一种可选的方案中，在计算得到待认证的虹膜特征编码和预先存储的虹膜特征编码的相似度之后，可以进一步判断计算得到的相似度是否大于等于相似度阈值，如果计算得到的相似度大于等于相似度阈值，则确定待认证的虹膜与预先存储的虹膜为同类虹膜，即两个虹膜为同一用户的虹膜，从而待认证的虹膜认证成功；如果计算得到的相似度小于相似度阈值，则确定待认证的虹膜与预先存储的虹膜为异类虹膜，即两个虹膜不是同一用户的虹膜，从而待认证的虹膜认证失败。
通过本发明上述实施例，可以获取待认证的生物特征的图像，对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码，并利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度，如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功，从而实现生物特征认证。容易注意到的是，在得到待认证的生物特征的特征编码之后，不同于现有的直接比对特征编码之间的距离完成认证，而是通过联合特征分布，从概率的角度判断两类特征编码是否属于同一对象，不再受生物特征的图像的影响，从而解决了采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的技术问题。因此，通过本发明上述实施例，可以提高生物特征认证的认证精度，扩大生物特征认证的应用范围。
可选的，在本发明上述实施例中，在步骤S106，利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度之前，上述方法还包括：
步骤S112，获取生物特征样本集合，其中，生物特征样本集合包括：多个生物特征的特征编码。
具体的，上述的生物特征样本集合可以是在虹膜特征认证之前，预先获取的多个已知虹膜特征编码样本，作为训练联合特征分布的训练集。
步骤S114，根据生物特征样本集合进行协方差处理，得到第一协方差矩阵和第二协方差矩阵。
步骤S116，判断第一协方差矩阵和第二协方差矩阵是否满足预设条件。
步骤S118，如果第一协方差矩阵和第二协方差矩阵满足预设条件，则根据第一协方差矩阵和第二协方差矩阵，得到联合特征分布。
在一种可选的方案中，为了能够对虹膜特征进行认证，首先需要训练联合特征分布，获取虹膜特征样本集合中的m个虹膜特征编码xj作为训练集，其中，j＝1,2,…,m。可以根据m个虹膜特征编码xj进行协方差处理，得到第一协方差矩阵Sμ和第二协方差矩阵Sε，即上述的第一协方差矩阵和第二协方差矩阵，并判断第一协方差矩阵Sμ和第二协方差矩阵Sε是否满足预设条件，如果第一协方差矩阵Sμ和第二协方差矩阵Sε均满足预设条件，即第一协方差矩阵和第二协方差矩阵满足预设条件，则根据第一协方差矩阵Sμ和第二协方差矩阵Sε，得到联合特征分布矩阵。
可选的，在本发明上述实施例中，步骤S114，根据生物特征样本集合，得到第一协方差矩阵和第二协方差矩阵，包括：
步骤S1142，获取第一预设协方差矩阵和第二预设协方差矩阵。
具体的，第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′可以是之前存储的协方差矩阵，其中，Sμ′可以为未受环境光强等影响的标准虹膜特征的协方差矩阵，Sε′可以为受环境光强等影响的虹膜特征的协方差矩阵。在首次计算联合特征分布时，由于不存在第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′，因此可以采用随机初始化的方式，得到第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′，其中，第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′的尺寸与虹膜特征编码的尺寸相同。
步骤S1144，根据第一预设协方差矩阵，第二预设协方差矩阵以及多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量。
步骤S1146，根据第一潜在变量和第二潜在变量进行协方差处理，得到第一协方差矩阵和第二协方差矩阵。
在一种可选的方案中，在获取到第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′之后，可以根据第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′，计算得到潜在变量μi和εij的数学期望，即上述的第一潜在变量和第二潜在变量，可以按照如下公式，计算第一协方差矩阵Sμ和第二协方差矩阵Sε：
Figure BDA0001116677800000051
其中，i＝1,2,…,m，
Figure BDA0001116677800000052
表示μi的转置，
Figure BDA0001116677800000053
表示εij的转置。
可选的，在本发明上述实施例中，上述方法还包括：
如果第一协方差矩阵和第二协方差矩阵不满足预设条件，则将第一协方差矩阵作为第一预设协方差矩阵，将第二协方差矩阵作为第二预设协方差矩阵，并循环执行步骤S1142至步骤S1146，直至第一协方差矩阵和第二协方差矩阵满足预设条件。
在一种可选的方案中，在计算得到第一协方差矩阵Sμ和第二协方差矩阵Sε之后，判断第一协方差矩阵Sμ和第二协方差矩阵Sε是否满足预设条件，如果第一协方差矩阵Sμ和第二协方差矩阵Sε中任意一个不满足预设条件，则确定第一协方差矩阵和第二协方差矩阵不满足预设条件，将第一协方差矩阵Sμ和第二协方差矩阵Sε作为下一次循环的第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′，继续迭代，再次对第一协方差矩阵Sμ和第二协方差矩阵Sε进行更新。
可选的，在本发明上述实施例中，步骤S1144，根据第一预设协方差矩阵，第二预设协方差矩阵以及多个生物特征的特征编码进行数学期望处理，计算得到第一变量和第二变量，包括：
步骤S11442，根据第一预设协方差矩阵进行矩阵逆处理，得到第一预设分布矩阵，并根据第一预设协方差矩阵和第二预设协方差矩阵进行求和矩阵逆求积处理，得到第一预设分布矩阵和第二预设分布矩阵。
步骤S11444，根据第一预设分布矩阵，第二预设分布矩阵以及多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量。
在一种可选的方案中，可以根据第一预设协方差矩阵Sμ′和第二预设协方差矩阵Sε′，通过如下公式计算第一预设分布矩阵F′和第二预设分布矩阵G′：
Figure BDA0001116677800000061
G′＝-(mSμ′+Sε′)-1Sμ′Sε′，并在得到第一预设分布矩阵F′和第二预设分布矩阵G′之后，通过如下公式计算第一潜在变量μi和第二潜在变量εij：
Figure BDA0001116677800000062
Figure BDA0001116677800000063
可选的，在本发明上述实施例中，步骤S116，判断第一协方差矩阵和第二协方差矩阵是否满足预设条件，包括：
步骤S1162，计算第一协方差矩阵和第一预设协方差矩阵的差值，得到第一差值。
步骤S1164，计算第二协方差矩阵和第二预设协方差矩阵的差值，得到第二差值。
步骤S1166，判断第一差值是否小于等于预设阈值，且第二差值是否小于等于预设阈值，其中，如果第一差值小于等于预设阈值，且第二差值小于等于预设阈值，则第一协方差矩阵和第二协方差矩阵满足预设条件。
在一种可选的方案中，可以判断第一协方差矩阵Sμ和第二协方差矩阵Sε在更新前后的差值，即判断第一协方差矩阵Sμ和第一预设协方差矩阵Sμ′的第一差值，以及第二协方差矩阵Sε和第二预设协方差矩阵Sε′的第二差值，是否小于预设阈值，如果第一差和第二差值均小于等于预设阈值，则结束迭代，不再更新第一协方差矩阵Sμ和第二协方差矩阵Sε。
可选的，在本发明上述实施例中，步骤S118，根据第一协方差矩阵和第二协方差矩阵，得到联合特征分布，包括：
步骤S1182，根据第一协方差矩阵进行矩阵逆处理，得到第一分布矩阵，并根据第一协方差矩阵和第二协方差矩阵进行求和矩阵逆求积处理，计算得到第二分布矩阵。
步骤S1184，根据第一协方差矩阵，第二协方差矩阵，第一分布矩阵和第二分布矩阵进行求和矩阵逆求差处理，得到第三分布矩阵，其中，所联合特征分布至少包括：第二分布矩阵和第三分布矩阵。
在一种可选的方案中，再迭代结束之后，可以根据最终更新后的第一协方差矩阵Sμ和第二协方差矩阵Sε，通过公式
Figure BDA0001116677800000071
计算得到第一分布矩阵F和第二分布矩阵G，即上述的第一分布矩阵和第二分布矩阵，进一步通过如下公式计算得到第三分布矩阵A，即上述的第三分布矩阵：A＝(Sμ+Sε)-1-(F+G)，从而得到联合特征分布(A，G)。
可选的，在本发明上述实施例中，步骤S106，利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度，包括：
步骤S1062，利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的对数似然比，得到待认证的生物特征的特征编码与预设特征编码的相似度。
在一种可选的方案中，对于待认证的虹膜特征编码x1和预先存储的虹膜特征编码x2，通过如下公式计算两个虹膜特征编码x1和x2的对数似然比r(x1,x2)：
Figure BDA0001116677800000072
其中，HI表示x1和x2来自相同的虹膜特征样本，P(x1,x2|HI)表示x1和x2来自相同的虹膜特征样本的概率，HE表示x1和x2来自不同的虹膜特征样本，P(x1,x2|HE)表示x1和x2来自不同的虹膜特征样本的概率，并使用该对数似然比衡量虹膜特征编码之间的相似度。由于在实际计算过程中，P(x1,x2|HI)和P(x1,x2|HE)无法计算得到，因此可以利用联合特征分布，通过如下公式等效计算两个虹膜特征编码x1和x2的对数似然比：
Figure BDA0001116677800000081
从而从概率角度构造分类模型进行虹膜特征认证。
可选的，在本发明上述实施例中，步骤S102，获取待认证的生物特征的图像包括：
步骤S1022，采集目标对象图像。
具体的，上述目标对象可以是用户，为了对用户的虹膜进行认证，首先采集用户的脸部图像。
步骤S1024，从目标对象图像中提取包含待认证的生物特征的区域图像。
具体的，上述的区域图像可以是包含虹膜特征的眼部区域图像。
在一种可选的方案中，在采集到用户的脸部图像之后，如图2所示，可以采用一个检测器，从脸部图像中截取包含虹膜纹理的眼部区域图像(如图2中的两个方框所示)，截取到的两个眼部区域图像，如图3a和图3b所示，其中，检测器可以是基于图像特征的图像处理方法，例如，利用灰度投影、梯度信息、光斑位置快速定位等，或者是利用AdaBoost算法训练特征检测器，可以检测到眼部区域。
步骤S1026，对区域图像进行分割，得到分割后的区域图像；
在一种可选的方案中，可以利用分割装置对眼部区域图像进行虹膜定位分割，如图4所示，得到虹膜图像，其中，可以使用微积分检测算子检测瞳孔边界和虹膜边界，利用眼皮梯度信息确定上下眼皮位置。
步骤S1028，利用预设模型，对分割后的区域图像进行归一化处理，得到待认证的生物特征的图像。
具体的，上述的预设模型可以是rubber sheet模型。
在一种可选的方案中，在得到分割结果之后，可以基于分割的虹膜图像，利用rubber sheet模型得到归一化的虹膜图像，如图5所示，归一化的虹膜图像可以改善旋转、瞳孔缩放等干扰因素对虹膜特征认证带来的影响。
此处需要说明的是，还可以对归一化后的虹膜图像进行噪声归一化处理，处理后的虹膜图像如图6所示。
可选的，在本发明上述实施例中，步骤S104，对待认证的生物特征的图像进行编码操作，得到待认证的生物特征的特征编码，包括：
步骤S1042，利用预设滤波器对待认证的生物特征的图像进行编码操作，得到待认证的生物特征的特征编码。
具体的，上述预设滤波器可以是具有特征提取功能的滤波器，例如，Gabor滤波器。可以采用不同参数、不同尺寸的滤波器对虹膜图像进行编码操作，如图7所示，可以得到一组虹膜特征编码，图7中左边为待认证的虹膜图像，即上述的归一化后的虹膜图像，采用滤波器1，可以得到虹膜特征编码1，采用滤波器2，可以得到虹膜特征编码2，采用滤波器n-1，可以得到虹膜特征编码n-1，采用滤波器n，可以得到虹膜特征编码n。
实施例2
根据本发明实施例，提供了一种生物特征的认证装置的装置实施例。
图8是根据本发明实施例的一种生物特征的认证装置的示意图，如图8所示，该装置包括：
第一获取模块81，用于获取待认证的生物特征的图像。
具体的，上述的生物特征可以是虹膜特征、指纹特征、声音特征等，本发明以虹膜特征为例，进行说明。
编码模块83，用于对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码。
在一种可选的方案中，当需要进行虹膜认证时，可以采集待认证的虹膜特征的图像，得到虹膜图像，在获取到虹膜图像之后，可以通过不同参数、尺寸的滤波器，例如，Gabor滤波器，对待认证的虹膜图像进行特征提取，提取虹膜特征的特征编码，得到虹膜特征编码。
计算模块85，用于利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度。
具体的，上述的预设特征编码可以是预先存储的虹膜特征编码，通过将待认证的虹膜特征编码与预先存储的虹膜特征编码进行比较，可以实现虹膜认证。
在一种可选的方案中，在进行虹膜特征认证之前，需要采集用户的虹膜图像，对采集到的虹膜图像进行特征提取，提取虹膜特征编码，并进行存储，得到预先存储的虹膜特征编码。还需要根据已知的多个虹膜特征编码，训练联合特征分布。当需要进行认证时，可以在得到待认证的虹膜特征编码之后，利用提前训练的联合特征分布，计算待认证的虹膜特征编码和预先存储的虹膜特征编码的相似度，例如，可以计算待认证的虹膜特征编码和预先存储的虹膜特征编码的对数似然比。
确定模块87，用于如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功。
具体的，上述的预设相似度可以是根据认证需求设定的相似度阈值，如果认证精度要求较高，则设定较高的相似度阈值；如果认证精度较低，则设定较低的相似度阈值。
在一种可选的方案中，在计算得到待认证的虹膜特征编码和预先存储的虹膜特征编码的相似度之后，可以进一步判断计算得到的相似度是否大于等于相似度阈值，如果计算得到的相似度大于等于相似度阈值，则确定待认证的虹膜与预先存储的虹膜为同类虹膜，即两个虹膜为同一用户的虹膜，从而待认证的虹膜认证成功；如果计算得到的相似度小于相似度阈值，则确定待认证的虹膜与预先存储的虹膜为异类虹膜，即两个虹膜不是同一用户的虹膜，从而待认证的虹膜认证失败。
通过本发明上述实施例，可以获取待认证的生物特征的图像，对待认证的生物特征的图像进行编码，得到待认证的生物特征的特征编码，并利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的相似度，如果相似度大于等于预设相似度，则确定待认证的生物特征认证成功，从而实现生物特征认证。容易注意到的是，在得到待认证的生物特征的特征编码之后，不同于现有的直接比对特征编码之间的距离完成认证，而是通过联合特征分布，从概率的角度判断两类特征编码是否属于同一对象，不再受生物特征的图像的影响，从而解决了采用现有的生物特征的认证方法对低质量图像中的生物特征进行认证，认证精度低的技术问题。因此，通过本发明上述实施例，可以提高生物特征认证的认证精度，扩大生物特征认证的应用范围。
可选的，在本发明上述实施例中，上述装置还包括：
第二获取模块，用于获取生物特征样本集合，其中，生物特征样本集合包括：多个生物特征的特征编码。
第一处理模块，用于根据生物特征样本集合进行协方差处理，得到第一协方差矩阵和第二协方差矩阵。
判断模块，用于判断第一协方差矩阵和第二协方差矩阵是否满足预设条件。
第二处理模块，用于如果第一协方差矩阵和第二协方差矩阵满足预设条件，则根据第一协方差矩阵和第二协方差矩阵，得到联合特征分布。
可选的，在本发明上述实施例中，上述第一处理模块包括：
获取子模块，用于获取第一协方差矩阵和第二协方差矩阵。
处理子模块，用于根据第一协方差矩阵，第二协方差矩阵以及多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量。
更新子模块，用于根据第一潜在变量和第二潜在变量进行协方差处理，得到第一协方差矩阵和第二协方差矩阵。
可选的，在本发明上述实施例中，上述装置还包括：循环子模块，用于如果第一协方差矩阵和第二协方差矩阵不满足预设条件，则将第一协方差矩阵作为第一预设协方差矩阵，将第二协方差矩阵作为第二预设协方差矩阵，并循环执行获取子模块，处理子模块和更新子模块的功能。
可选的，在本发明上述实施例中，处理子模块包括：
第一处理重子模块，用于根据第一预设协方差矩阵进行矩阵逆处理，得到第一预设分布矩阵，并根据第一预设协方差矩阵和第二预设协方差矩阵进行求和矩阵逆求积处理，得到第一预设分布矩阵和第二预设分布矩阵。
第二处理重子模块，用于根据第一预设分布矩阵，第二预设分布矩阵以及多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量。
可选的，在本发明上述实施例中，上述判断模块包括：
第一计算子模块，用于计算第一协方差矩阵和第一预设协方差矩阵的差值，得到第一差值。
第二计算子模块，用于计算第二协方差矩阵和第二预设协方差矩阵的差值，得到第二差值。
判断子模块，用于判断第一差值是否小于等于预设阈值，且第二差值是否小于等于预设阈值，其中，如果第一差值小于等于预设阈值，且第二差值小于等于预设阈值，则第一协方差矩阵和第二协方差矩阵满足预设条件。
可选的，在本发明上述实施例中，上述第二处理模块包括：
第三计算子模块，用于根据第一协方差矩阵进行矩阵逆处理，得到第一预设分布矩阵，并根据第一预设协方差矩阵和第二协方差矩阵进行求和矩阵逆求积处理，计算得到第二分布矩阵。
第四计算子模块，用于根据第一协方差矩阵，第二协方差矩阵，第一分布矩阵和第二分布矩阵进行求和矩阵逆求差处理，得到第三分布矩阵，其中，所联合特征分布至少包括：第二分布矩阵和第三分布矩阵。
可选的，在本发明上述实施例中，上述计算模块包括：
第五计算子模块，用于利用联合特征分布，计算待认证的生物特征的特征编码与预设特征编码的对数似然比，得到待认证的生物特征的特征编码与预设特征编码的相似度。
可选的，在本发明上述实施例中，上述第一获取模块包括：
采集子模块，用于采集目标对象图像。
提取子模块，用于从目标对象图像中提取包含待认证的生物特征的区域图像。
分割子模块，用于对区域图像进行分割，得到分割后的区域图像；
归一化子模块，用于利用预设模型，对分割后的区域图像进行归一化处理，得到待认证的生物特征的图像。
可选的，在本发明上述实施例中，上述编码模块包括：
编码子模块，用于利用预设滤波器对待认证的生物特征的图像进行编码操作，得到待认证的生物特征的特征编码。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种生物特征的认证方法，其特征在于，包括：
获取待认证的生物特征的图像；
对所述待认证的生物特征的图像进行编码，得到所述待认证的生物特征的特征编码；
利用联合特征分布，计算所述待认证的生物特征的特征编码与预设特征编码的相似度；
如果所述相似度大于等于预设相似度，则确定所述待认证的生物特征认证成功；
其中，在利用联合特征分布，计算所述待认证的生物特征的特征编码与预设特征编码的相似度之前，所述方法还包括：
获取生物特征样本集合，其中，所述生物特征样本集合包括：多个生物特征的特征编码；
根据所述生物特征样本集合进行协方差处理，得到第一协方差矩阵和第二协方差矩阵；
判断所述第一协方差矩阵和所述第二协方差矩阵是否满足预设条件；
如果所述第一协方差矩阵和所述第二协方差矩阵满足所述预设条件，则根据所述第一协方差矩阵和所述第二协方差矩阵，得到所述联合特征分布；
其中，根据所述生物特征样本集合进行协方差处理，得到第一协方差矩阵和第二协方差矩阵，包括：
步骤A1，获取第一预设协方差矩阵和第二预设协方差矩阵，其中，第一预设协方差矩阵为未受环境光强影响的标准虹膜特征的协方差矩阵，第二预设矩阵为受环境光强影响的虹膜特征的协方差矩阵；
步骤A2，根据所述第一预设协方差矩阵，所述第二预设协方差矩阵以及所述多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量；
步骤A3，根据所述第一潜在变量和所述第二潜在变量进行协方差处理，得到所述第一协方差矩阵和所述第二协方差矩阵；
其中，所述方法还包括：
如果所述第一协方差矩阵和所述第二协方差矩阵不满足所述预设条件，则将所述第一协方差矩阵作为所述第一预设协方差矩阵，将所述第二协方差矩阵作为所述第二预设协方差矩阵，并循环执行步骤A1至步骤A3，直至所述第一协方差矩阵和所述第二协方差矩阵满足所述预设条件；
其中，根据所述第一预设协方差矩阵，所述第二预设协方差矩阵以及所述多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量，包括：
根据所述第一预设协方差矩阵进行矩阵逆处理，得到第一预设分布矩阵，并根据所述第一预设协方差矩阵和所述第二预设协方差矩阵进行求和矩阵逆求积处理，得到第二预设分布矩阵；
根据所述第一预设分布矩阵，所述第二预设分布矩阵以及所述多个生物特征的特征编码进行数学期望处理，得到所述第一潜在变量和所述第二潜在变量。
2.根据权利要求1所述的方法，其特征在于，判断所述第一协方差矩阵和所述第二协方差矩阵是否满足预设条件，包括：
计算所述第一协方差矩阵和所述第一预设协方差矩阵的差值，得到第一差值；
计算所述第二协方差矩阵和所述第二预设协方差矩阵的差值，得到第二差值；
判断所述第一差值是否小于等于预设阈值，且所述第二差值是否小于等于所述预设阈值，其中，如果所述第一差值小于等于所述预设阈值，且所述第二差值小于等于所述预设阈值，则所述第一协方差矩阵和所述第二协方差矩阵满足所述预设条件。
3.根据权利要求1所述的方法，其特征在于，根据所述第一协方差矩阵和所述第二协方差矩阵，得到所述联合特征分布，包括：
根据所述第一协方差矩阵进行矩阵逆处理，得到第一分布矩阵，并根据所述第一协方差矩阵和所述第二协方差矩阵进行求和矩阵逆求积处理，得到第二分布矩阵；
根据所述第一协方差矩阵，所述第二协方差矩阵，所述第一分布矩阵和所述第二分布矩阵进行求和矩阵逆求差处理，得到第三分布矩阵，其中，所联合特征分布至少包括：所述第二分布矩阵和所述第三分布矩阵。
4.根据权利要求1所述的方法，其特征在于，利用联合特征分布，计算所述待认证的生物特征的特征编码与预设特征编码的相似度，包括：
利用所述联合特征分布，计算所述待认证的生物特征的特征编码与所述预设特征编码的对数似然比，得到所述待认证的生物特征的特征编码与预设特征编码的相似度。
5.一种生物特征的认证装置，其特征在于，包括：
第一获取模块，用于获取待认证的生物特征的图像；
编码模块，用于对所述待认证的生物特征的图像进行编码，得到所述待认证的生物特征的特征编码；
计算模块，用于利用联合特征分布，计算所述待认证的生物特征的特征编码与预设特征编码的相似度；
确定模块，用于如果所述相似度大于等于预设相似度，则确定所述待认证的生物特征认证成功；
其中，所述装置还包括：
第二获取模块，用于获取生物特征样本集合，其中，所述生物特征样本集合包括：多个生物特征的特征编码；
第一处理模块，用于根据所述生物特征样本集合，得到第一协方差矩阵和第二协方差矩阵；
判断模块，用于判断所述第一协方差矩阵和所述第二协方差矩阵是否满足预设条件；
第二处理模块，用于如果所述第一协方差矩阵和所述第二协方差矩阵满足所述预设条件，则根据所述第一协方差矩阵和所述第二协方差矩阵，得到所述联合特征分布；
其中，所述第一处理模块，包括：
获取子模块，用于获取第一预设协方差矩阵和第二预设协方差矩阵，其中，第一预设协方差矩阵为未受环境光强影响的标准虹膜特征的协方差矩阵，第二预设矩阵为受环境光强影响的虹膜特征的协方差矩阵；
处理子模块，用于根据所述第一预设协方差矩阵，所述第二预设协方差矩阵以及所述多个生物特征的特征编码进行数学期望处理，得到第一潜在变量和第二潜在变量；
更新子模块，用于根据所述第一潜在变量和所述第二潜在变量进行协方差处理，得到所述第一协方差矩阵和所述第二协方差矩阵；
其中，所述装置还包括：
循环子模块，用于如果所述第一协方差矩阵和所述第二协方差矩阵不满足所述预设条件，则将所述第一协方差矩阵作为所述第一预设协方差矩阵，将所述第二协方差矩阵作为所述第二预设协方差矩阵，并循环执行步骤A1至步骤A3，直至所述第一协方差矩阵和所述第二协方差矩阵满足所述预设条件；
其中，所述处理子模块包括：
第一处理重子模块，用于根据所述第一预设协方差矩阵进行矩阵逆处理，得到第一预设分布矩阵，并根据所述第一预设协方差矩阵和所述第二预设协方差矩阵进行求和矩阵逆求积处理，得到第二预设分布矩阵；
第二处理重子模块，用于根据所述第一预设分布矩阵，所述第二预设分布矩阵以及所述多个生物特征的特征编码进行数学期望处理，得到所述第一潜在变量和所述第二潜在变量。
CN201610833215.0A 2016-09-19 2016-09-19 生物特征的认证方法和装置 Active CN107844735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610833215.0A CN107844735B (zh) 2016-09-19 2016-09-19 生物特征的认证方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610833215.0A CN107844735B (zh) 2016-09-19 2016-09-19 生物特征的认证方法和装置

Publications (2)

Publication Number Publication Date
CN107844735A CN107844735A (zh) 2018-03-27
CN107844735B true CN107844735B (zh) 2020-10-27

Family

ID=61657313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610833215.0A Active CN107844735B (zh) 2016-09-19 2016-09-19 生物特征的认证方法和装置

Country Status (1)

Country Link
CN (1) CN107844735B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192271B (zh) * 2018-11-14 2023-08-22 银河水滴科技（北京）有限公司 一种图像分割方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542281A (zh) * 2010-12-27 2012-07-04 北京北科慧识科技股份有限公司 非接触式生物特征识别方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100423020C (zh) * 2006-12-15 2008-10-01 中山大学 一种基于结构主元分析的人脸识别方法
CN101251889B (zh) * 2007-12-25 2010-10-13 哈尔滨工业大学 基于手掌静脉与掌纹的近红外成像设备与身份识别方法
FR2979727B1 (fr) * 2011-09-06 2013-08-30 Morpho Identification par reconnaissance d'iris
JP5919944B2 (ja) * 2012-03-27 2016-05-18 富士通株式会社 非接触生体認証装置
CN104182734A (zh) * 2014-08-18 2014-12-03 桂林电子科技大学 基于lrc和协同表示的两阶段人脸识别方法
CN104166848B (zh) * 2014-08-28 2017-08-29 武汉虹识技术有限公司 一种应用于虹膜识别的匹配方法及系统
CN104376307B (zh) * 2014-11-24 2017-08-04 西南交通大学 一种指纹图像信息编码方法
CN105335726B (zh) * 2015-11-06 2018-11-27 广州视源电子科技股份有限公司 人脸识别置信度获取方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542281A (zh) * 2010-12-27 2012-07-04 北京北科慧识科技股份有限公司 非接触式生物特征识别方法和系统

Also Published As

Publication number Publication date
CN107844735A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
US10789465B2 (en) Feature extraction and matching for biometric authentication
AU2016319775B2 (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
CN104036254A (zh) 一种人脸识别方法
KR100950776B1 (ko) 얼굴 인식 방법
Doublet et al. Robust grayscale distribution estimation for contactless palmprint recognition
Kumar et al. Automatic ear detection for online biometric applications
WO2013181695A1 (en) Biometric verification
Abidin et al. Iris segmentation analysis using integro-differential and hough transform in biometric system
El-Abed et al. Quality assessment of image-based biometric information
Eid et al. Development of Iris Security System Using Adaptive Quality-Based Template Fusion
CN113128427A (zh) 人脸识别方法、装置、计算机可读存储介质及终端设备
CN107844735B (zh) 生物特征的认证方法和装置
KR101037759B1 (ko) 활성형상모델과 가버 특징 벡터를 이용한 얼굴 인식 방법
Aravinth et al. A novel feature extraction techniques for multimodal score fusion using density based gaussian mixture model approach
Hsu et al. Fast fingerprint feature extraction based on modified haar-like patterns using support vector machine
CN111079551A (zh) 基于奇异值分解的手指静脉识别方法、装置和存储介质
Rossant et al. A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures
Vivek et al. Feature extraction for multimodal biometric and study of fusion using Gaussian mixture model
Kuban et al. A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING.
Nestorovic et al. Extracting unique personal identification number from iris
Radu et al. On combining information from both eyes to cope with motion blur in iris recognition
Pavithra et al. Scale Invariant Feature Transform Based Face Recognition from a Single Sample per Person
CN114399802A (zh) 人脸比对方法及装置
Bouraoui et al. Does independent component analysis perform well for iris recognition?
Kumar et al. Improving the IRIS Recognition Under Different Illumination Using RETINEX Algorithms

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Biometric authentication method and device

Effective date of registration: 20220228

Granted publication date: 20201027

Pledgee: China Construction Bank Corporation Xiongxian sub branch

Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000113

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 071800 Beijing Tianjin talent home (Xincheng community), West District, Xiongxian Economic Development Zone, Baoding City, Hebei Province

Patentee after: BEIJING EYECOOL TECHNOLOGY Co.,Ltd.

Address before: 100085 20 / F, building 4, yard 1, shangdishi street, Haidian District, Beijing 2013

Patentee before: BEIJING EYECOOL TECHNOLOGY Co.,Ltd.