CN107862305A - 基于虹膜图像分类的虹膜身份识别比对加速方法 - Google Patents

基于虹膜图像分类的虹膜身份识别比对加速方法 Download PDF

Info

Publication number
CN107862305A
CN107862305A CN201711260025.5A CN201711260025A CN107862305A CN 107862305 A CN107862305 A CN 107862305A CN 201711260025 A CN201711260025 A CN 201711260025A CN 107862305 A CN107862305 A CN 107862305A
Authority
CN
China
Prior art keywords
mrow
iris
mtd
msub
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711260025.5A
Other languages
English (en)
Inventor
张慧
何召锋
刘京
李星光
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.)
ZHONGKEHONGBA TECH Co Ltd BEIJING
Original Assignee
ZHONGKEHONGBA TECH Co Ltd BEIJING
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 ZHONGKEHONGBA TECH Co Ltd BEIJING filed Critical ZHONGKEHONGBA TECH Co Ltd BEIJING
Priority to CN201711260025.5A priority Critical patent/CN107862305A/zh
Publication of CN107862305A publication Critical patent/CN107862305A/zh
Pending legal-status Critical Current

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
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明公开了一种基于虹膜图像分类的虹膜身份识别比对加速方法，所述方法包括虹膜图像聚类与分类器训练过程S1和虹膜图像分类及加速识别比对过程S2，本发明通过超大尺度定序测量特征和定序测量游程统计特征，通过基于不同特征的两次分类结果互补，分类和库比对，提高待识别虹膜被分到包含同一虹膜的类别子库中的概率，与单次分类和比对相比比对次数增加，通过总体表征、全局、局部特征的互补提高识别准确率。

Description

基于虹膜图像分类的虹膜身份识别比对加速方法
技术领域
本发明涉及身份识别技术领域，具体的涉及基于虹膜图像分类的虹膜身份识别比对加速方法。
背景技术
虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分，在胎儿发育阶段形成，对于每个人来说，虹膜的结构都是各不相同并且在一生中几乎不发生变化，因此，虹膜被广泛应用于各种环境下的身份识别。在大规模、非控制、应用场景逐渐广泛的虹膜识别应用背景下，虹膜图像分类技术的作用逐渐凸显。虹膜图像分类的重要作用在于通过快速的粗分类，减少虹膜识别时进行的图像比对次数。
发明内容
本发明在传统的虹膜识别基础上，为了满足虹膜分类要求的快速性和同一虹膜落在同一类别的概率，提出了超大尺度定序测量特征(very large scale OM feature，VLSOM)和定序测量游程统计特征(histogram statistics of OM Run-Length Coding，HOMRLC)，这是两种基于定序测量特征(Ordinal Measure，OM)的变化特征，通过基于不同特征的两次分类结果互补，通过两次分类和两个库比对提高待识别虹膜被分到包含同一虹膜的类别子库中的概率，与单次分类和比对相比比对次数增加，但采用简单的分类方法并提高分类命中率，从总体上减少全库比对次数和计算时间，提高系统效率。通过总体表征、全局、局部特征的互补提高识别准确率。
本发明的技术方案：一种基于虹膜图像分类的虹膜身份识别比对加速方法，所述方法包括虹膜图像聚类与分类器训练过程S1和虹膜图像分类及加速识别比对过程S2。
其中所述虹膜图像聚类及分类器训练过程S1包括子步骤：
S11.构建训练样本库，对训练图像进行预处理，得到虹膜区域归一化图像；
S12.对归一化虹膜图像进行超大尺度定序测量特征提取，作为一种虹膜分类特征，采用阈值法进行虹膜图像的快速分类；
S13.对归一化虹膜图像进行定序测量游程统计特征提取，作为一种虹膜分类特征，将训练图像聚为几类并训练虹膜图像分类器；
S14.对所有注册虹膜图像进行识别算法定序测量特征，形成注册模板中心数据库ET；
其中所述虹膜图像分类及加速识别比对过程S2包括子步骤：
S21.对测试图像进行预处理，得到虹膜区域归一化图像；
S22.对归一化虹膜图像进行超大尺度定序测量特征提取，采用阈值法将待识别虹膜图像分到一个虹膜图像类别Li,∈{1,2,…,M}；
S23.对归一化虹膜图像进行定序测量游程统计特征提取，采用步骤S13训练的虹膜图像分类器将待识别虹膜图像分到一个虹膜图像类别Hj,∈{1,2,…,N}；
S24.对待识别虹膜图像进行识别算法定序测量特征，分别与两种分类方法的分类索引数据库中对应类别中的注册模板进行比对：
1)与Li中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR1，并与阈值进行比较；
2)与Hj中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR2，并与阈值进行比较；
S25.对两组特征比对结果CR1和CR2进行综合分析。
优选的，所述步骤S12中记载的超大尺度定序测量特征及分类方法包括以下步骤：
1)归一化虹膜图像分为左右两部分，分别计算其灰度平均值为AGL和AGR，计算特征V1：
2)归一化虹膜图像分为上下两部分，分别计算其灰度平均值为AGU和AGB，计算特征V2和V3：
3)根据超大尺度定序测量特征的结果采用阈值法进行快速分类，如根据特征V1、V2和V3按照以下规则分为4个虹膜图像类别；
if V1＝1,thenLable＝4；
if V1＝0∩V2＝1,thenLable＝3；
if V1＝0∩V2＝0∩V3＝1,thenLable＝2；
ifV1＝0∩V2＝0∩V3＝0，thenLable＝1；
其中，训练过程中通过实验确定th1和th2，保证用于训练的注册虹膜图像较平均的分为几类，即属于每一类的虹膜图像数量基本相当。
优选的，所述步骤S13中记载的定序测量游程统计特征的提取方法包括以下步骤：
1)首先计算选定参数的虹膜图像定序测量特征图；
2)对定序测量特征图的每一行计算游程特征，对特征值进行直方图统计，直方图的条对应游程值1-6，将每一行的游程直方图特征串联形成最终的定序测量游程统计特征；
3)采用K-means方法把所有注册虹膜图像聚类为几类，然后训练支持向量机虹膜图像分类器；
优选的，所述步骤S14中记载的注册模板中心数据库ET包括对应S12步骤的分类结果，形成有分类索引数据库ET1＝L1∪L2∪…∪LM，其中M为类别数；对应S13步骤的聚类分类结果，形成有分类索引数据库ET2＝H1∪H2∪…∪HN，其中N为类别数。
优选的，所述步骤S22中采用的特征提取方法和阈值法与步骤S12一致。
优选的，所述步骤S23中采用的特征提取方法与步骤S13一致，所述步骤S13中训练的虹膜图像分类器为SVM分类器。
优选的，所述步骤S11和步骤S21记载的预处理方法依次包括人眼检测、虹膜内外圆定位、归一化处理。
优选的，所述步骤S12和步骤S22记载的虹膜图像超大尺度定序测量特征提取，其中所述特征包括类似的多种形式超大尺度定序测量特征计算方法。
本发明的有益效果：本发明的基于虹膜图像分类的虹膜身份识别比对加速方法与传统的虹膜识别相比，其优势在于，通过快速的粗分类，减少虹膜识别时进行的图像比对次数；通过基于不同特征的两次分类互补提高待识别虹膜被分到同一对应虹膜类别中的概率，虽然增加一次分类和进行了两个子库的比对，但与单次分类但命中率较低需要全库比对相比，总体上可减少全库比对次数，提高系统效率；分类与识别采用了相同的定序测量特征为基础，通过改变尺度、统计等方式获得总体表征、全局统计特征，与识别采用的局部特征的互补提高识别准确率。
应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：
图1示意性示出本发明基于虹膜图像分类的虹膜身份识别比对加速方法流程图；
图2a示意性示出本发明人眼检测示意图；
图2b示意性示出本发明虹膜内外圆定位示意图；
图2c的示意性示出本发明左眼虹膜归一化图像示意图；
图2d的示意性示出本发明右眼虹膜归一化图像示意图；
图3示意性示出本发明提取定序测量游程统计特征；
图4示意性示出本发明提取的简单定序测量特征图示例；
图5示意性示出本发明眼定序测量游程计算方法；
图6所示为本发明与其他虹膜分类方法的识别准确率对比结果图。
具体实施方式
通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
图1所示为本发明基于虹膜图像分类的虹膜身份识别比对加速方法流程图，如图1所示，一种基于虹膜图像分类的虹膜身份识别比对加速方法，所述方法包括虹膜图像聚类与分类器训练过程S1和虹膜图像分类及加速识别比对过程S2。
其中所述虹膜图像聚类及分类器训练过程S1包括子步骤：
S11.构建训练样本库，对训练图像进行预处理，得到虹膜区域归一化图像；
S12.对步骤S11所述的归一化虹膜图像进行超大尺度定序测量特征提取，作为一种虹膜分类特征，采用阈值法进行虹膜图像的快速分类；
S13.对步骤S11所述的归一化虹膜图像进行定序测量游程统计特征提取，作为一种虹膜分类特征，将训练图像聚为几类并训练虹膜图像分类器；
S14.对所有注册虹膜图像进行识别算法定序测量特征，形成注册模板中心数据库ET。
其中所述虹膜图像分类及加速识别比对过程S2包括子步骤：
S21.对测试图像进行预处理，得到虹膜区域归一化图像；
S22.对步骤S21所述的归一化虹膜图像进行超大尺度定序测量特征提取，其中所述特征提取方法与S12一致，并采用与S12一致的阈值法将待识别虹膜图像分到一个虹膜图像类别Li,∈{1,2,…,M}；
S23.对步骤S21所述的归一化虹膜图像进行定序测量游程统计特征提取，其中所述特征提取方法与S13一致，采用S13训练的虹膜图像分类器将待识别虹膜图像分到一个虹膜图像类别Hj,∈{1,2,…,N}；
S24.对待识别虹膜图像进行识别算法定序测量特征，分别与步骤S22和步骤S23记载的两种分类方法的分类索引数据库中对应类别中的注册模板进行比对：
1)与Li中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR1，并与阈值进行比较；
2)与Hj中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR2，并与阈值进行比较；
S25.对两组特征比对结果CR1和CR2进行综合分析。
其中，步骤S25中综合分析具体步骤包括：从两组比对结果中分别选取一个最近邻，如果两个比对分数均符合同一虹膜阈值要求，判断两个最近邻是否为同一虹膜注册模板，是则说明识别结果可信度高，不是则说明发生误识；如果两个比对分数只有一个符合同一虹膜阈值要求，说明其中一种分类方法未能将待测虹膜正确的分类到包含对应注册虹膜的类别，此时采用两种分类方法互补的方式有效降低了一次分类错误造成的需要中心数据库全部比对概率，提高系统整体效率；如果两个比对分数均不满足阈值要求，可认为库中不存在该虹膜或者两次分类均错误，可能需要中心数据库所有其他模板进行比对。根据系统应用场景及方式，可以给出可信识别结果，可以继续进行与中心数据库中未比对模板的比对。
其中，所述步骤S12中记载的超大尺度定序测量特征及分类方法包括以下步骤：
1)归一化虹膜图像分为左右两部分，分别计算其灰度平均值为AGL和AGR，计算特征V1：
2)归一化虹膜图像分为上下两部分，分别计算其灰度平均值为AGU和AGB，计算特征V2和V3：
3)根据超大尺度定序测量特征的结果采用阈值法进行快速分类，如根据特征V1、V2和V3按照以下规则分为4个虹膜图像类别；
if V1＝1,thenLable＝4；
if V1＝0∩V2＝1,thenLable＝3；
if V1＝0∩V2＝0∩V3＝1,thenLable＝2；
ifV1＝0∩V2＝0∩V3＝0，thenLable＝1；
其中，训练过程中通过实验确定th1和th2，保证用于训练的注册虹膜图像较平均的分为几类，即属于每一类的虹膜图像数量基本相当。
其中，所述步骤S13中记载的定序测量游程统计特征的提取方法包括以下步骤：
1)首先计算选定参数的虹膜图像定序测量特征图；
2)对定序测量特征图的每一行计算游程特征，对特征值进行直方图统计，直方图的条对应游程值1-6，将每一行的游程直方图特征串联形成最终的定序测量游程统计特征；
3)采用K-means方法把所有注册虹膜图像聚类为几类，然后训练支持向量机虹膜图像分类器；
其中，所述步骤S14中记载的注册模板中心数据库ET包括对应S12步骤的分类结果，形成有分类索引数据库ET1＝L1∪L2∪…∪LM，其中M为类别数；对应S13步骤的聚类分类结果，形成有分类索引数据库ET2＝H1∪H2∪…∪HN，其中N为类别数。值的注意的是ET1＝ET2＝ET，写法区分是为了明确对应不同的分类方法。
所述步骤S13中训练的虹膜图像分类器为SVM分类器。
实施例1
其中，步骤S11和步骤S21记载的预处理方法依次包括人眼检测、虹膜内外圆定位、归一化处理。
其中，图2a所示为本发明人眼检测示意图；图2b所示为本发明虹膜内外圆定位示意图；图2c所示为本发明左眼虹膜归一化图像示意图；图2d所示为本发明右眼虹膜归一化图像示意图。
图3所示为本发明提取定序测量游程统计特征的方法，其中定序测量游程统计特征的方法包括以下步骤：
1)首先计算选定参数的虹膜图像定序测量特征图，如图4所示，为本发明提取的简单定序测量特征图示例。
2)对所述定序测量特征图的每一行计算游程特征，对特征值进行直方图统计，直方图的条对应游程值1-6，将每一行的游程直方图特征串联形成最终的定序测量游程统计特征，如图5所示为本发明眼定序测量游程计算方法。
3)采用K-means方法把所有注册虹膜图像聚类为几类，然后训练支持向量机虹膜图像分类器SVM。
图6所示为本发明与其他虹膜分类方法的识别准确率对比结果图。从图6中可以看出本发明的方法(VLSOM+HOMRLC+OM)与其他方法相比，获得了最低的错误率。
结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (8)

1.一种基于虹膜图像分类的虹膜身份识别比对加速方法，所述方法包括虹膜图像聚类与分类器训练过程S1和虹膜图像分类及加速识别比对过程S2，
其中所述虹膜图像聚类及分类器训练过程S1包括子步骤：
S11.构建训练样本库，对训练图像进行预处理，得到虹膜区域归一化图像；
S12.对归一化虹膜图像进行超大尺度定序测量特征提取，作为一种虹膜分类特征，采用阈值法进行虹膜图像的快速分类；
S13.对归一化虹膜图像进行定序测量游程统计特征提取，作为一种虹膜分类特征，将训练图像聚为几类并训练虹膜图像分类器；
S14.对所有注册虹膜图像进行识别算法定序测量特征，形成注册模板中心数据库ET；
其中所述虹膜图像分类及加速识别比对过程S2包括子步骤：
S21.对测试图像进行预处理，得到虹膜区域归一化图像；
S22.对归一化虹膜图像进行超大尺度定序测量特征提取，采用阈值法将待识别虹膜图像分到一个虹膜图像类别Li,i∈{1,2,…,M}；
S23.对归一化虹膜图像进行定序测量游程统计特征提取，采用步骤S13训练的虹膜图像分类器将待识别虹膜图像分到一个虹膜图像类别Hj,j∈{1,2,…,N}；
S24.对待识别虹膜图像进行识别算法定序测量特征，分别与两种分类方法的分类索引数据库中对应类别中的注册模板进行比对：
1)与Li中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR1，并与阈值进行比较；
2)与Hj中的所有注册模板比对，得到虹膜特征向量之间的相似度集合CR2，并与阈值进行比较；
S25.对两组特征比对结果CR1和CR2进行综合分析。
2.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S12中记载的超大尺度定序测量特征及分类方法包括以下步骤：
1)归一化虹膜图像分为左右两部分，分别计算其灰度平均值为AGL和AGR，计算特征V1：
<mrow> <msub> <mi>V</mi> <mn>1</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>AG</mi> <mi>L</mi> </msub> <mo>-</mo> <msub> <mi>AG</mi> <mi>R</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>AG</mi> <mi>L</mi> </msub> <mo>+</mo> <msub> <mi>AG</mi> <mi>R</mi> </msub> <mo>)</mo> <mo>/</mo> <mn>2</mn> </mrow> </mfrac> <mo>&amp;GreaterEqual;</mo> <msub> <mi>th</mi> <mn>1</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
2)归一化虹膜图像分为上下两部分，分别计算其灰度平均值为AGU和AGB，计算特征V2和V3：
<mrow> <msub> <mi>V</mi> <mn>2</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>AG</mi> <mi>U</mi> </msub> <mo>-</mo> <msub> <mi>AG</mi> <mi>B</mi> </msub> </mrow> <mo>|</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>AG</mi> <mi>U</mi> </msub> <mo>+</mo> <msub> <mi>AG</mi> <mi>B</mi> </msub> <mo>)</mo> <mo>/</mo> <mn>2</mn> </mrow> </mfrac> <mo>&amp;GreaterEqual;</mo> <msub> <mi>th</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mrow> <msub> <mi>V</mi> <mn>3</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>AG</mi> <mi>U</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>AG</mi> <mi>B</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
3)根据超大尺度定序测量特征的结果采用阈值法进行快速分类，如根据特征V1、V2和V3按照以下规则分为4个虹膜图像类别；
ifV1＝1,thenLable＝4；
ifV1＝0∩V2＝1,thenLable＝3；
ifV1＝0∩V2＝0∩V3＝1,thenLable＝2；
ifV1＝0∩V2＝0∩V3＝0，thenLable＝1；
其中，训练过程中通过实验确定th1和th2，保证用于训练的注册虹膜图像较平均的分为几类，即属于每一类的虹膜图像数量基本相当。
3.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S13中记载的定序测量游程统计特征的提取方法包括以下步骤：
1)首先计算选定参数的虹膜图像定序测量特征图；
2)对定序测量特征图的每一行计算游程特征，对特征值进行直方图统计，直方图的条对应游程值1-6，将每一行的游程直方图特征串联形成最终的定序测量游程统计特征；
3)采用K-means方法把所有注册虹膜图像聚类为几类，然后训练支持向量机虹膜图像分类器。
4.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S14中记载的注册模板中心数据库ET包括对应S12步骤的分类结果，形成有分类索引数据库ET1＝L1∪L2∪…∪LM，其中M为类别数；对应S13步骤的聚类分类结果，形成有分类索引数据库ET2＝H1∪H2∪…∪HN，其中N为类别数。
5.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S22中采用的特征提取方法和阈值法与步骤S12一致。
6.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S23中采用的特征提取方法与步骤S13一致，所述步骤S13中训练的虹膜图像分类器为SVM分类器。
7.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S11和步骤S21记载的预处理方法依次包括人眼检测、虹膜内外圆定位、归一化处理。
8.根据权利要求1所述的虹膜身份识别比对加速方法，其特征在于，所述步骤S12和步骤S22记载的虹膜图像超大尺度定序测量特征提取，其中所述特征包括类似的多种形式超大尺度定序测量特征计算方法。
CN201711260025.5A 2017-12-04 2017-12-04 基于虹膜图像分类的虹膜身份识别比对加速方法 Pending CN107862305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711260025.5A CN107862305A (zh) 2017-12-04 2017-12-04 基于虹膜图像分类的虹膜身份识别比对加速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711260025.5A CN107862305A (zh) 2017-12-04 2017-12-04 基于虹膜图像分类的虹膜身份识别比对加速方法

Publications (1)

Publication Number Publication Date
CN107862305A true CN107862305A (zh) 2018-03-30

Family

ID=61704971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711260025.5A Pending CN107862305A (zh) 2017-12-04 2017-12-04 基于虹膜图像分类的虹膜身份识别比对加速方法

Country Status (1)

Country Link
CN (1) CN107862305A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036894A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 利用虹膜特征及动作特征进行身份确认的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030026484A1 (en) * 2001-04-27 2003-02-06 O'neill Mark Automated image identification system
CN101539990A (zh) * 2008-03-20 2009-09-23 中国科学院自动化研究所 一种虹膜图像鲁棒特征选择和快速比对的方法
CN102844766A (zh) * 2011-04-20 2012-12-26 中国科学院自动化研究所 基于人眼图像的多特征融合身份识别方法
CN102902980A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 一种基于线性规划模型的生物特征图像分析与识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030026484A1 (en) * 2001-04-27 2003-02-06 O'neill Mark Automated image identification system
CN101539990A (zh) * 2008-03-20 2009-09-23 中国科学院自动化研究所 一种虹膜图像鲁棒特征选择和快速比对的方法
CN102844766A (zh) * 2011-04-20 2012-12-26 中国科学院自动化研究所 基于人眼图像的多特征融合身份识别方法
CN102902980A (zh) * 2012-09-13 2013-01-30 中国科学院自动化研究所 一种基于线性规划模型的生物特征图像分析与识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG HUI ET AL.: "Coarse-to-Fine Iris Recognition Based on Multi-variant Ordinal Measures Feature Complementarity", 《CHINESE CONFERENCE ON BIOMETRIC RECOGNITION CCBR 2017: BIOMETRIC RECOGNITION》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036894A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 利用虹膜特征及动作特征进行身份确认的方法及系统
CN112036894B (zh) * 2020-09-01 2023-08-18 中国银行股份有限公司 利用虹膜特征及动作特征进行身份确认的方法及系统

Similar Documents

Publication Publication Date Title
Gupta et al. Breast cancer histopathological image classification: is magnification important?
CN106845421B (zh) 基于多区域特征与度量学习的人脸特征识别方法及系统
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
US20100014755A1 (en) System and method for grid-based image segmentation and matching
US8666122B2 (en) Assessing biometric sample quality using wavelets and a boosted classifier
CN109635643B (zh) 一种基于深度学习的快速人脸识别方法
CN111126482A (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN101739555A (zh) 假脸检测方法及系统、假脸模型训练方法及系统
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN110717554A (zh) 图像识别方法、电子设备及存储介质
CN109635708A (zh) 一种基于三数据集交叉迁移学习的无监督行人再识别方法
CN106599864A (zh) 一种基于极值理论的深度人脸识别方法
CN109325507A (zh) 一种结合超像素显著性特征与hog特征的图像分类算法和系统
US7233692B2 (en) Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system
CN107895171A (zh) 一种基于k均值与深度置信网络的入侵检测方法
CN109614866A (zh) 基于级联深度卷积神经网络的人脸检测方法
CN111598004A (zh) 一种渐进增强自学习的无监督跨领域行人再识别方法
CN107220598A (zh) 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法
CN106250913B (zh) 一种基于局部典型相关分析的分类器集成车牌识别方法
CN103631753A (zh) 递减子空间集成学习算法
CN103164710A (zh) 一种基于压缩感知的选择集成人脸识别方法
CN105608443A (zh) 一种多特征描述及局部决策加权的人脸识别方法
CN100412884C (zh) 基于局部描述子的人脸快速检测方法
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
CN113781483A (zh) 工业产品外观缺陷检测方法和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180330