CN108009503A - 基于眼周区域的身份识别方法 - Google Patents

基于眼周区域的身份识别方法 Download PDF

Info

Publication number
CN108009503A
CN108009503A CN201711257250.3A CN201711257250A CN108009503A CN 108009503 A CN108009503 A CN 108009503A CN 201711257250 A CN201711257250 A CN 201711257250A CN 108009503 A CN108009503 A CN 108009503A
Authority
CN
China
Prior art keywords
feature
eye circumference
image
eye
circumference
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
CN201711257250.3A
Other languages
English (en)
Inventor
李星光
张慧
刘京
何召锋
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 CN201711257250.3A priority Critical patent/CN108009503A/zh
Publication of CN108009503A publication Critical patent/CN108009503A/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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种基于眼周区域的身份识别方法，所述方法包括眼周区域特征训练过程和眼周区域特征比对过程，具体的，训练过程包括对训练样本库中的图像进行预处理和特征提取，得到眼周底层特征，采用聚类方法，将训练样本库中所有图像的眼周底层特征训练成眼周特征表达基元词典；特征比对过程包括对测试图像进行预处理和特征提取，得到眼周底层特征，将眼周底层特征映射到训练所得眼周特征表达基元词典构成的特征空间，得到眼周特征向量，计算测试图像眼周特征向量之间的相似度，与阈值进行比较输出特征比对结果。本发明与传统的虹膜识别技术相比，充分利用了虹膜特征以及眼周特征，并且放宽了对光照条件的容忍度，有效的扩展了识别距离范围。

Description

基于眼周区域的身份识别方法
技术领域
本发明涉及身份识别技术领域，具体的涉及基于眼周区域的身份识别方法。
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，但是经常会出现将伪造的虹膜贴在眼睛上，以此达到欺骗的目的，因此，在采用虹膜进行身份识别时，需要检测虹膜是否为活体。
传统的虹膜身份识别，通常是利用人眼虹膜特征进行身份识别，造成虹膜周边例如眼皮区域的信息得不到充分利用，并且对光照条件的要求很高，识别距离的范围较窄，不利于自然场景身份识别的顺利进行。
发明内容
本发明在传统的虹膜识别基础上，将感兴趣区域扩展到眼周区域，利用眼周图像进行身份识别，提供一种基于眼周区域的身份识别方法。
本发明的技术方案：一种基于眼周区域的身份识别方法，所述方法包括眼周区域特征训练过程S1和眼周区域特征比对过程S2，
其中所述眼周区域特征训练过程S1包括子步骤：
S11.构建训练样本库，对训练样本库中的图像进行预处理，包括人眼检测、虹膜外圆定位、归一化处理，得到归一化的眼周图像；
S12.提取归一化图像的纹理特征，作为眼周底层特征；
S13.采用k-means聚类方法，将训练样本库中所有图像的眼周底层特征训练成眼周特征表达基元词典G，如下式：
G(x)＝{αk(x)}，1≤k≤K
式中，x表示眼周区域的底层特征，αk(x)表示第k个眼周特征表达基元，K表示训练所得的眼周特征表达基元词典G含有眼周特征表达基元α的数量；
其中所述眼周区域特征比对过程S2包括子步骤：
S21.按照训练过程步骤S11中对单幅训练图像的预处理方法，对参与比对的两幅测试图像进行预处理，包括人眼检测、虹膜外圆定位、归一化处理，得到归一化的眼周图像；
S22.按照步骤S12的方法提取归一化图像的纹理特征，作为眼周底层特征；
S23.将S22提取的眼周底层特征映射到训练所得眼周特征表达基元词典构成的特征空间，得到眼周特征向量F，映射关系如下：
F～G
式中，G表示训练所得眼周特征表达基元词典；
参与比对的两幅测试图像的眼周特征向量分别记为F1、F2；
S24.计算参与比对的两个眼周特征向量F1、F2之间的相似度dist，与阈值比较判断是否比对成功，相似度计算公式表示为：
dist＝sim(F1，F2)
S25.输出特征比对结果。
优选的，所述步骤S11和步骤S21记载的人眼检测、虹膜外圆定位、归一化处理方法的具体步骤如下：
1)对训练样本库中的图像进行人眼检测，检测出人眼区域位置；
2)在人眼区域中进行虹膜外圆定位，检测虹膜外圆的中心坐标与半径，记为(IrisX,IrisY,IrisR)；
3)以虹膜外圆定位(IrisX,IrisY)为中心，以Horg＝ratio1*IrisR、Worg＝ratio2*IrisR为矩形的长宽，定位眼周区域，并归一化到指定尺寸H*W；
所述训练样本库包括人脸图像、眼部图像，如果未检测到人眼，则放弃当前图像，对训练样本库中的下一幅图像进行预处理。
优选的，所述步骤S12记载的特征提取方法的具体步骤如下：
将归一化图像分成若干像素块，每个像素块再分成若干小块，在每个小块上计算指定方向上的灰度梯度直方图，形成局部算子描述符，将所有像素块的局部算子描述符连接，构成高维的眼周底层特征向量。
优选的，所述步骤S13记载的眼周特征表达基元词典G，对于眼周的特征提取将把底层特征映射到该基元词典构成的特征空间，得到眼周低秩特征表达用于比对。
优选的，所述步骤S23记载的映射的计算方法为：
1)每一个眼周底层特征映射到眼周特征表达基元词典上，即对应词典中每一个基元的一个响应值，响应值的计算按照最优化目标函数选取不同的计算方法，例如最近邻投票(Hard Voting)、k近邻投票(Soft Voting)、不同优化函数的系数编码等方法；
2)将眼周图像采用空间金字塔的方法进行特征直方图统计以得到最终的眼周特征向量F。空间金字塔设置为n层，在每一层对眼周底层特征图像进行分块处理，各层的块数为1、2*2、3*3、4*4等，记总共N个块区域；对每一块中每个基元的所有响应进行统计，选取最大响应或平均响应作为该基元对应维度的特征值，得到该块的特征向量fi，最后将所有块的特征向量串联得到F＝(μ1f1,μ2f2,…,μNfN)，其中μi为可调整参数。
优选的所述眼周图像指的是虹膜区域及其周围的上下眼皮区域的图像。
本发明的有益效果:本发明的基于眼周区域的身份识别方法与传统的虹膜识别相比，其优势在于，能够在红外光或可见光两种照明条件下均取得理想的识别效果，放宽了对光照条件的限制；并且识别距离得以有效的延伸，扩展了身份认证设备的使用范围；可以与虹膜识别算法相结合，形成虹膜与眼周相结合的多模态生物特征识别方法，增强识别的准确性。
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眼周区域的身份识别方法流程图；
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外圆定位示意图；
图2c的示意性示出本发明归一化的眼周区域示意图；
图2d示意性示出本发明提取眼周底层特征示意图；
图3为三层空间金字塔特征提取方法示例。
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所示为本发明基于眼周区域的身份识别方法流程图，如图1所示包括眼周区域特征训练过程S1和眼周区域特征比对过程S2。
其中所述眼周区域特征训练过程S1包括以下具体步骤：
步骤S11为对训练样本库中的图像进行预处理，得到归一化的眼周图像，具体包括人眼检测、虹膜外圆定位、归一化处理等过程。
图2a所示为本发明人眼检测示意图，首先对训练样本库中的图像进行人眼检测，如图2a所示，定位出人眼区域，如图2a矩形框所示，对人眼区域进行定位。如果未检测到人眼，则放弃当前图像，继续进行训练样本库中下一幅图像的人眼检测。
图2b所示为本发明虹膜外圆定位示意图，根据人眼检测结果在人眼区域内进行虹膜外圆定位，如图2b所示，圆圈标记虹膜外圆边界，虹膜外圆的中心坐标与半径记为(IrisX,IrisY,IrisR)。
图2c所示为本发明归一化的眼周区域示意图，其中所述归一化方法为以虹膜外圆定位(IrisX,IrisY)为中心，以Horg＝ratio1*IrisR、Worg＝ratio2*IrisR为矩形的长宽，定位眼周区域，如图2c所示，矩形框内为眼周区域，并归一化到指定尺寸H*W。
步骤S12为在归一化的图像上，提取眼周图像的纹理特征，作为眼周底层特征。
其中步骤S12所述特征提取方法为，将归一化图像分成若干像素块，图2d中矩形框内的点标记出各分块位置，每个像素块再分成若干小块，在每个小块上计算指定方向上的灰度梯度直方图，形成局部算子描述符，将所有像素块的局部算子描述符连接，构成高维的眼周底层特征向量。
步骤S13为采用k-means聚类方法，将训练样本库中所有图像的眼周底层特征训练成眼周特征表达基元词典G，如下式：
G(x)＝{αk(x)}，1≤k≤K
式中，x表示眼周区域的底层特征，αk(x)表示第k个眼周特征表达基元，K表示训练所得的眼周特征表达基元词典G含有眼周特征表达基元α的数量。
其中所述眼周区域特征比对过程S2包括下列步骤：
步骤S21为按照训练过程步骤S11中对单幅训练图像的预处理方法，对参与比对的两幅测试图像进行预处理，包括人眼检测、虹膜外圆定位、归一化处理，得到归一化的眼周图像。
图2a所示为本发明人眼检测示意图，首先对测试图像进行人眼检测，如图2a所示，定位出人眼区域，如图2a矩形框所示，对人眼区域进行定位。如果未检测到人眼，则放弃当前图像，继续进行下一幅测试图像的人眼检测。
图2b所示为本发明虹膜外圆定位示意图，根据人眼检测结果在人眼区域内进行虹膜外圆定位，如图2b所示，圆圈标记虹膜外圆边界，虹膜外圆的中心坐标与半径记为(IrisX,IrisY,IrisR)。
图2c所示为本发明归一化的眼周区域示意图，其中所述归一化方法为以虹膜外圆定位(IrisX,IrisY)为中心，以Horg＝ratio1*IrisR、Worg＝ratio2*IrisR为矩形的长宽，定位眼周区域，如图2c所示，矩形框内为眼周区域，并归一化到指定尺寸H*W。
步骤S22为按照步骤S12的方法提取归一化图像的纹理特征，作为眼周底层特征。
所述特征提取方法为，将归一化图像分成若干像素块，图2d中方框内的点标记出各分块位置，每个像素块再分成若干小块，在每个小块上计算指定方向上的灰度梯度直方图，形成局部算子描述符，将所有像素块的局部算子描述符连接，构成高维的眼周底层特征向量。
步骤S23为将S22提取的眼周底层特征映射到训练所得眼周特征表达基元词典构成的特征空间，得到眼周特征向量F，映射关系如下：
F～G
式中，G表示训练所得眼周特征表达基元词典。
参与比对的两幅测试图像的眼周特征向量分别记为F1、F2。
所述映射的计算方法为：
1)每一个眼周底层特征映射到眼周特征表达基元词典上，即对应词典中每一个基元的一个响应值，响应值的计算按照最优化目标函数选取不同的计算方法，例如最近邻投票(Hard Voting)、k近邻投票(Soft Voting)、不同优化函数的系数编码等方法；
2)将眼周图像采用空间金字塔的方法进行特征直方图统计以得到最终的眼周特征向量F。空间金字塔设置为n层，在每一层对眼周底层特征图像进行分块处理，各层的块数为1、2*2、3*3、4*4等，记总共N个块区域。对每一块中每个基元的所有响应进行统计，选取最大响应或平均响应作为该基元对应维度的特征值，得到该块的特征向量fi，最后将所有块的特征向量串联得到F＝(μ1f1,μ2f2,…,μNfN)，其中μi为可调整参数。
图3为三层空间金字塔特征提取方法示例，1)将每一个眼周底层特征映射到眼周特征表达基元词典上，采用最近邻投票方法，计算与词典中每一个基元对应的响应值，采用圆点、菱形、十字表示；
2)空间金字塔设置为3层，level0、level1、level2的块数分别为1、2*2、4*4，对每一块中每个基元的所有响应进行统计，选取最大响应或平均响应作为该基元对应维度的特征值，得到该块的特征向量；
3)将所有块的特征向量串联起来，赋给level0、level1、level2中各个块的特征向量的相应串联参数为{W0}、{W1}、{W2}。
步骤S24为计算参与比对的两个眼周特征向量F1、F2之间的相似度dist，与预设阈值相比较，如果相似度大于阈值，则比对成功；否则比对失败，相似度计算公式表示为：
dist＝sim(F1，F2)
步骤S25为输出特征比对结果。
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 (6)

1.一种基于眼周区域的身份识别方法，所述方法包括眼周区域特征训练过程S1和眼周区域特征比对过程S2，
其中所述眼周区域特征训练过程S1包括子步骤：
S11.构建训练样本库，对训练样本库中的图像进行预处理，包括人眼检测、虹膜外圆定位、归一化处理，得到归一化的眼周图像；
S12.提取归一化图像的纹理特征，作为眼周底层特征；
S13.采用聚类方法，将训练样本库中所有图像的眼周底层特征训练成眼周特征表达基元词典G，如下式：
G(x)＝{αk(x)}，1≤k≤K
式中，x表示眼周区域的底层特征，αk(x)表示第k个眼周特征表达基元，K表示训练所得的眼周特征表达基元词典G含有眼周特征表达基元α的数量；
其中所述眼周区域特征比对过程S2包括子步骤：
S21.按照训练过程步骤S11中对单幅训练图像的预处理方法，对参与比对的两幅测试图像进行预处理，包括人眼检测、虹膜外圆定位、归一化处理，得到归一化的眼周图像；
S22.按照步骤S12的方法提取归一化图像的纹理特征，作为眼周底层特征；
S23.将S22提取的眼周底层特征映射到训练所得眼周特征表达基元词典构成的特征空间，得到眼周特征向量F，映射关系如下：
F～G
式中，G表示训练所得眼周特征表达基元词典；
参与比对的两幅测试图像的眼周特征向量分别记为F1、F2；
S24.计算参与比对的两个眼周特征向量F1、F2之间的相似度dist，与阈值比较判断是否比对成功，相似度计算公式表示为：
dist＝sim(F1，F2)
S25.输出特征比对结果。
2.根据权利要求1所述的身份识别方法，其特征在于，所述步骤S11和步骤S21记载的人眼检测、虹膜外圆定位、归一化处理的具体步骤为：
1)对训练样本库中的图像进行人眼检测，检测出人眼区域位置；
2)在人眼区域中进行虹膜外圆定位，检测虹膜外圆的中心坐标与半径，记为(IrisX,IrisY,IrisR)；
3)以虹膜外圆定位(IrisX,IrisY)为中心，以Horg＝ratio1*IrisR、Worg＝ratio2*IrisR为矩形的长宽，定位眼周区域，并归一化到指定尺寸H*W。
3.根据根据权利要求1所述的身份识别方法，其特征在于，所述步骤S12和步骤S22记载的特征提取方法的具体步骤为：
将归一化图像分成若干像素块，每个像素块再分成若干小块，在每个小块上计算指定方向上的灰度梯度直方图，形成局部算子描述符，将所有像素块的局部算子描述符连接，构成高维的眼周底层特征向量。
4.根据权利要求1所述的身份识别方法，其特征在于，所述步骤S13记载的眼周特征表达基元词典G，对于眼周的特征提取将把底层特征映射到该基元词典构成的特征空间，得到眼周低秩特征表达用于比对。
5.根据权利要求1所述的身份识别方法，其特征在于，所述步骤S23记载的映射方法为：
1)每一个眼周底层特征映射到眼周特征表达基元词典上，即对应词典中每一个基元的一个响应值，响应值的计算按照最优化目标函数选取不同的计算方法；
2)将眼周图像采用空间金字塔的方法进行特征直方图统计以得到最终的眼周特征向量F，其中空间金字塔设置为n层，在每一层对眼周底层特征图像进行分块处理，对每一块中每个基元的所有响应进行统计，得到该块的特征向量fi，将所有块的特征向量串联得到F＝(μ1f1,μ2f2,…,μNfN)，其中μi为可调整参数，N表示总共的块数。
6.根据权利要求1所述的身份识别方法，其特征在于，所述眼周图像指的是虹膜区域及其周围的上下眼皮区域的图像。
CN201711257250.3A 2017-12-04 2017-12-04 基于眼周区域的身份识别方法 Pending CN108009503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711257250.3A CN108009503A (zh) 2017-12-04 2017-12-04 基于眼周区域的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711257250.3A CN108009503A (zh) 2017-12-04 2017-12-04 基于眼周区域的身份识别方法

Publications (1)

Publication Number Publication Date
CN108009503A true CN108009503A (zh) 2018-05-08

Family

ID=62056201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711257250.3A Pending CN108009503A (zh) 2017-12-04 2017-12-04 基于眼周区域的身份识别方法

Country Status (1)

Country Link
CN (1) CN108009503A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846441A (zh) * 2018-06-21 2018-11-20 厦门集微科技有限公司 一种图像相似检测方法和装置、计算机可读存储介质
CN108985174A (zh) * 2018-06-19 2018-12-11 杭州创匠信息科技有限公司 会员认证方法和装置
CN109508695A (zh) * 2018-12-13 2019-03-22 北京中科虹霸科技有限公司 眼部多模态生物特征识别方法
CN116503933A (zh) * 2023-05-24 2023-07-28 北京万里红科技有限公司 一种眼周特征提取方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
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
CN101923640A (zh) * 2010-08-04 2010-12-22 中国科学院自动化研究所 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法
WO2012142756A1 (zh) * 2011-04-20 2012-10-26 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
CN103164704A (zh) * 2013-04-12 2013-06-19 山东师范大学 一种基于混合高斯模型的虹膜图像分割算法
US20140063236A1 (en) * 2012-08-29 2014-03-06 Xerox Corporation Method and system for automatically recognizing facial expressions via algorithmic periocular localization
CN104933344A (zh) * 2015-07-06 2015-09-23 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
CN101154265A (zh) * 2006-09-29 2008-04-02 中国科学院自动化研究所 基于局部二值模式特征和图匹配的虹膜识别方法
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
CN101923640A (zh) * 2010-08-04 2010-12-22 中国科学院自动化研究所 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法
WO2012142756A1 (zh) * 2011-04-20 2012-10-26 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
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
US20140063236A1 (en) * 2012-08-29 2014-03-06 Xerox Corporation Method and system for automatically recognizing facial expressions via algorithmic periocular localization
CN103164704A (zh) * 2013-04-12 2013-06-19 山东师范大学 一种基于混合高斯模型的虹膜图像分割算法
CN104933344A (zh) * 2015-07-06 2015-09-23 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHUN-WEI TAN 等: "Human identification from at-a-distance images by simultaneously exploiting iris and periocular features", 《PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 *
HUI ZHANG 等: "Ethnic Classification Based on Iris Images", 《CCBR 2011: BIOMETRIC RECOGNITION》 *
JIANCHAO YANG 等: "Linear spatial pyramid matching using sparse coding for image classification", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
ZHENAN SUN 等: "Iris Image Classification Based on Hierarchical Visual Codebook", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985174A (zh) * 2018-06-19 2018-12-11 杭州创匠信息科技有限公司 会员认证方法和装置
CN108846441A (zh) * 2018-06-21 2018-11-20 厦门集微科技有限公司 一种图像相似检测方法和装置、计算机可读存储介质
CN108846441B (zh) * 2018-06-21 2020-11-10 厦门集微科技有限公司 一种图像相似检测方法和装置、计算机可读存储介质
CN109508695A (zh) * 2018-12-13 2019-03-22 北京中科虹霸科技有限公司 眼部多模态生物特征识别方法
CN116503933A (zh) * 2023-05-24 2023-07-28 北京万里红科技有限公司 一种眼周特征提取方法、装置、电子设备及存储介质
CN116503933B (zh) * 2023-05-24 2023-12-12 北京万里红科技有限公司 一种眼周特征提取方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Ma et al. Local intensity variation analysis for iris recognition
Sheela et al. Iris recognition methods-survey
Sung et al. Iris recognition using collarette boundary localization
CN108009503A (zh) 基于眼周区域的身份识别方法
CN1209073C (zh) 基于活体虹膜的身份识别方法
CN105956578A (zh) 一种基于身份证件信息的人脸验证方法
WO2013087026A1 (zh) 一种虹膜定位方法和定位装置
Poursaberi et al. A novel iris recognition system using morphological edge detector and wavelet phase features
Choudhary et al. A survey: Feature extraction methods for iris recognition
CN108133187B (zh) 尺度变化稳定特征与多算法表决的一对一虹膜识别方法
Shamsi et al. Fast algorithm for iris localization using Daugman circular integro differential operator
CN102332098A (zh) 一种虹膜图像预处理方法
El-Naggar et al. Which dataset is this iris image from?
Alvarez-Betancourt et al. A fast iris location based on aggregating gradient approximation using QMA-OWA operator
CN109508695A (zh) 眼部多模态生物特征识别方法
Radouane et al. Fusion of Gabor filter and steerable pyramid to improve iris recognition system
Das et al. Enhancing face matching in a suitable binary environment
Xu et al. Joint iris and facial recognition based on feature fusion and biomimetic pattern recognition
Shamsi et al. A novel approach for iris segmentation and normalization
De et al. Human Iris Recognition for clean Electoral process in India by creating a fraud free voter registration list
Subbarayudu et al. A novel iris recognition system
Pirasteh et al. Iris Recognition Using Localized Zernike's Feature and SVM.
Triantafyllou et al. Iris authentication utilizing co-occurrence matrices and textile features
Tsai et al. A new matching approach for local feature based iris recognition systems
Shamsi et al. Iris segmentation and normalization approach

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

Application publication date: 20180508

RJ01 Rejection of invention patent application after publication