CN108388858B - 虹膜防伪方法与装置 - Google Patents
虹膜防伪方法与装置 Download PDFInfo
- Publication number
- CN108388858B CN108388858B CN201810142363.7A CN201810142363A CN108388858B CN 108388858 B CN108388858 B CN 108388858B CN 201810142363 A CN201810142363 A CN 201810142363A CN 108388858 B CN108388858 B CN 108388858B
- Authority
- CN
- China
- Prior art keywords
- iris
- light source
- image
- source lighting
- 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.)
- Active
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
- G06V40/19—Sensors therefor
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开提供一种虹膜防伪方法与装置。虹膜防伪方法包括：分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。本公开提供的虹膜防伪方法可以提高虹膜防伪的准确率。
Description
技术领域
本公开涉及机器学习技术领域，具体而言，涉及一种虹膜防伪方法与装置。
背景技术
作为一种生物特征识别技术，虹膜识别相比人脸、指纹识别具有更高的安全性，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，可以应用在安防、国防、电子商务、金融等多种领域，具有广阔的应用前景。
相关的虹膜防伪技术中，有通过判断不同的红外光照强度下虹膜图像的差异来识别虹膜是否为活体虹膜的技术方案。这种方案将采集到的虹膜图像与预先存储的相同光照强度下的虹膜模板进行比对，得到多个光照强度下的比对分值，通过判断所述多个光照强度下的比对分值的变化是否在预定范围内判断虹膜图像是否为活体虹膜图像。
但是，这种技术方案需要保存每个虹膜在不同光照下的对比模板，存储开销过大，而且对于高清打印虹膜，由于不同光照下的活体与假体图像差异很小，难以做到有效区分。另外，在该技术中，区分活体与假体的特征都是人工指定的，难以反应活体与假体图像之间最本质的差异。
因此，需要一种能提供更准确判断结果的虹膜防伪方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为了解决现有虹膜防伪技术无法解决高度仿真(如高清打印虹膜图像)防伪问题，本发明提出一种多光谱虹膜防伪技术，利用活体虹膜本身特性，即在不同波段的近红外光下明显的成像差异进行防伪。同时，利用深度学习对该差异进行分类，避免人工挑选特征，有更强的鲁棒性和准确率。
根据本公开的一个方面，提供一种虹膜防伪方法，包括：
分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
在本公开的一种示例性实施例中，还包括：
分别在每个光源点亮方案下采集多个活体虹膜图像样本；
分别在每个光源点亮方案下采集多个假体虹膜图像样本；
使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
在本公开的一种示例性实施例中，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
在本公开的一种示例性实施例中，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。
在本公开的一种示例性实施例中，按预设顺序启用所述光源点亮方案，分别在每个光源点亮方案下获取虹膜图像。
在本公开的一种示例性实施例中，在一个光源点亮方案下获取虹膜图像并判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
在本公开的一种示例性实施例中，获取虹膜图像包括：
响应光源点亮信号，按预设周期获取图像；
在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像。
根据本公开的第二方面，提供一种虹膜防伪装置，包括：
图像获取模块，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
分组识别模块，设置为使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
结果输出模块，设置为在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
在本公开的一种示例性实施例中，还包括：
模型训练模块，设置为分别在每个光源点亮方案下采集多个活体虹膜图像样本与多个假体虹膜图像样本，使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
在本公开的一种示例性实施例中，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
在本公开的一种示例性实施例中，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。
在本公开的一种示例性实施例中，所述图像获取模块设置为按预设顺序启用所述光源点亮方案，分别在每个光源点亮方案下获取虹膜图像。
在本公开的一种示例性实施例中，所述图像获取模块设置为在一个光源点亮方案下获取虹膜图像并判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
在本公开的一种示例性实施例中，还包括：
条件触发单元，设置为响应光源点亮信号，按预设周期获取图像；
条件拍摄单元，设置为在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像。
根据本公开的第三方面，提供一种虹膜防伪系统，包括：
相机，镜头周围设置有多个不同波长的光源；
处理器，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光，使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别，在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
根据本公开的第四方面，提供一种电子设备，包括：存储器；以及耦合到所属存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。
根据本公开的第五方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的虹膜防伪方法。
本公开提供的虹膜防伪方法，通过设置多个不同波长的光源，使用对应于每一光源训练的神经网络模型分别识别每一光源下拍摄的虹膜图像，在所有神经网络模型的识别模型满足预设条件时判断被拍摄虹膜为活体虹膜，提高了对虹膜图像的活体测试条件，有助于提高虹膜防伪准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是本公开示例性实施例中虹膜防伪方法的流程图。
图2是本公开示例性实施例中光源设置的示意图。
图3是本公开一个实施例中虹膜防伪方法的流程图。
图4是本公开另一个实施例中虹膜防伪方法的流程图。
图5是本公开一个实施例中训练神经网络模型的流程图。
图6是本公开一个示例性实施例中一种虹膜防伪装置的方框图。
图7是本公开一个示例性实施例中一种虹膜防伪系统的示意图。
图8是本公开一个示例性实施例中一种电子设备的方框图。
图9是本公开一个示例性实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1是本公开示例性实施例中虹膜防伪方法的流程图。参考图1，虹膜防伪方法100可以包括：
步骤S1，分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
步骤S2，使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
步骤S3，在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
本公开利用虹膜本身的生理特性，即在不同波段的近红外光下成像不同的特性，使用深度学习模型对不同波段近红外光下的虹膜成像进行分类，提高了对虹膜图像的活体测试条件，提高了虹膜防伪准确率。
下面，对虹膜防伪方法100的各步骤进行详细说明。
本公开实施例的应用场景例如可以为自动取款机、门禁等需要实时通过验证虹膜是否为活体虹膜而防伪的场景。
在步骤S1，分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光。
图2是本公开一个实施例中一种光源排布的示意图。
在本公开的一种示例性实施例中，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。例如，可以环绕摄像头200排列N个不同波长的LED光源，LED光源与摄像头200的距离本领域技术人员可以自行设置。
在图2所示的实施例中，可以将4颗不同波长的LED灯均匀分布设置于摄像头200周围，其中LED光源201的波长为810nm，其他三个LED光源202、203、204的波长各异且非810nm。
在一些实施例中，可以按顺时针、逆时针或其他顺序单独点亮每个光源。在另一些实施例中，为了在有限数量的光源下获取更多虹膜图像，也可以设置两个或两个以上的光源同时点亮，从而产生更多种波长的光。例如，可以设置红、绿、蓝三原色的光源，通过同时点亮红色光源和绿色光源产生黄色光。在本公开的其他实施例中，光源点亮方案及其启用顺序可以由本领域技术人员自行设置。
可以响应人眼监测触发信号启用虹膜防伪流程。人眼监测触发信号的来源可以有多种。例如，可以为待验证者提供虚拟或实体按钮，检测到按钮被按下时启动虹膜防伪流程；或者，响应传感器的感应信号，在识别到人脸靠近时启动虹膜防伪流程。本领域技术人员可以根据实际应用场景自行设置启动虹膜防伪流程的方法。
在本公开的一个示例性实施例中，步骤S1可以包括：
按预设顺序启用所述光源点亮方案，分别在每个光源点亮方案下获取虹膜图像。
一次性获取虹膜图像可以允许多种虹膜判断条件的存在，在存在拍摄误差时，不会因为极少数虹膜图像的拍摄失误造成整体认证失败。通过一次性获取虹膜图像，也可以提高拍摄效率，减少拍摄时间。
图3是本公开一个实施例的流程图。
参考图3，在一个实施例中，步骤S1可以包括：
步骤S11，响应光源点亮信号，按预设周期获取图像；
步骤S12，在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像；
步骤S13，判断是否还有未启用的光源，若是，按预设顺序启用下一个光源点亮方案，返回步骤S11，若否，进入步骤S2。
示例性而言，可以通过人眼监测算法在光源点亮后识别摄像头获取的图像中是否存在人眼图像，并在判断存在人眼图像时根据人眼图像获取到虹膜图像。
在本公开的另一个实施例中，步骤S1还包括在一个光源点亮方案下获取虹膜图像并判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
图4是本公开示例性实施例中步骤S1获取虹膜图像的子流程图。
参考图4，在一个实施例中，步骤S1还可以包括：
步骤S11，响应光源点亮信号，按预设周期获取图像；
步骤S12，在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像；
步骤S13，判断一个光源点亮方案对应的虹膜图像为活体虹膜图像后，判断是否还有未启用的光源点亮方案，若是，按预设顺序启用下一个光源点亮方案；
步骤S14，若否，判断被检虹膜为活体虹膜。
在图4所示的实施例中，并非一次性获取所有虹膜图像，而是需要判断在先虹膜图像全部为真，才继续获取其他波长的光照下的虹膜图像。这样，提高了虹膜防伪的判断标准，在任一虹膜图像被判断不为真时即返回识别失败信息，在面对非活体虹膜时能够及时反馈识别结果。
结束识别后，可以关闭所有光源。
在步骤S2，使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别。
图5是本公开示例性实施例中训练N个神经网络模型的流程图。
参考图5，在本公开的一种示例性实施例中，训练N个神经网络模型包括：
步骤S51，分别在每个光源点亮方案下采集多个活体虹膜图像样本；
步骤S52，分别在每个光源点亮方案下采集多个假体虹膜图像样本；
步骤S53，使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
采集虹膜图像样本的过程例如可以为按预设顺序启用每个光源点亮方案，在每个光源点亮方案下运行眼睛定位算法，在定位到摄像头的拍摄区域存在眼睛时，将眼睛ROI区域(region of interest，感兴趣区域)保存为图像。
活体虹膜图像的样本采集对象可以为真人，在本公开的一种示例性实施例中，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
由于商用的虹膜识别产品通常采用810nm近红外LED，因此可以通过高清打印的810nm近红外光照下的人脸图像尽可能模拟真实的攻击场景。此外，也可以使用对真人虹膜拍摄的视频来模拟真实的攻击场景。
神经网络模型通常可以包括输入层、隐藏层和输出层，在本公开实施例中，输出层采用softmax损失。在一实施例中，神经网络模型例如可以为卷积神经网络(ConvolutionalNeural Network,CNN)模型。
使用对应于每个光源点亮方案的虹膜图像样本及其标签(是活体还是假体)训练对应于该光源点亮方案的卷积神经网络模型，可以更好地提取活体虹膜特征，提高对每种波长的光照下的虹膜的识别准确度。
以图2所示的采集设备为例，在样本采集前，可以将光源201设置为常亮，运行眼睛定位算法检测摄像头采集到的图像，如果定位到眼睛，则将眼睛的ROI(region ofinterest)区域保存为eyeimg_0。关闭光源201，开启光源202，继续运行眼睛定位算法，定位到眼睛保存图像为eyeimg_1。依次对光源203、204进行同样操作，得到大量的4种波长近红外光下的眼睛图像。以上LED开关过程可以均为程序控制。
模型训练的正样本可以为对活体人眼图像的采集结果。由于商用的虹膜识别产品基本采用810nm近红外LED，因此可以打印810nm近红外光照下的高清人脸图像以尽可能模拟真实的攻击场景，以将对打印高清人脸图像的采集结果作为模型训练的负样本。
接下来，利用采集到的4种波长光照下的眼睛正负样本图像训练4个神经网络模型，具体为：
训练第一神经网络时，神经网络的输入层数据为eyeimg_0的图像及标签(即正样本还是负样本)，训练结束后的模型model_0用来判断光源201光照下的眼睛图像是否活体。
训练第二神经网络时，神经网络的输入层数据为eyeimg_1的图像及标签(即正样本还是负样本)，训练结束后的模型model_1用来判断光源202光照下的眼睛图像是否活体。
训练第三神经网络时，神经网络的输入层数据为eyeimg_2的图像及标签(即正样本还是负样本),训练结束后的模型model_2用来判断光源203光照下的眼睛图像是否活体。
训练第四神经网络时，神经网络的输入层数据为eyeimg_3的图像及标签(即正样本还是负样本)，训练结束后的模型model_3用来判断光源204光照下的眼睛图像是否活体。
在步骤S106，在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
预设条件例如可以为全部神经网络模型的识别结果均为真或预设比例为真。对于前一种情况，可以提高虹膜防伪标准，对于后一种情况，可以允许环境中存在造成较小拍摄误差的元素。
本发明为了解决高清伪造的虹膜防伪问题，利用虹膜在多波段近红外光下的成像差异，采用了卷积神经网络模型对活体与假体虹膜图像进行分类，能够识别出高清打印的虹膜图像，并有较强的鲁棒性。
对应于上述方法实施例，本公开还提供一种虹膜防伪装置，可以用于执行上述方法实施例。
图6是本公开一个示例性实施例中一种虹膜防伪装置的方框图。
参考图6，虹膜防伪装置600可以包括：
图像获取模块61，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
分组识别模块62，设置为使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
结果输出模块63，设置为在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
在本公开的一种示例性实施例中，还包括：
模型训练模块64，设置为分别在每个光源点亮方案下采集多个活体虹膜图像样本与多个假体虹膜图像样本，使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
在本公开的一种示例性实施例中，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
在本公开的一种示例性实施例中，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。
在本公开的一种示例性实施例中，所述图像获取模块61设置为按预设顺序启用所述光源点亮方案，分别在每个光源点亮方案下获取虹膜图像。
在本公开的一种示例性实施例中，所述图像获取模块61设置为在一个光源点亮方案下获取虹膜图像并判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
在本公开的一种示例性实施例中，还包括：
条件触发单元611，设置为响应光源点亮信号，按预设周期获取图像；
条件拍摄单元612，设置为在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像。
由于装置600的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
图7是本公开一种虹膜防伪系统的示意图。参考图7，虹膜防伪系统可以包括：
相机71，镜头周围设置有多个不同波长的光源；
处理器72，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光，使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别，在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S102：分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；步骤S104：使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；步骤S106：在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。
Claims (13)
1.一种虹膜防伪方法，其特征在于，包括：
分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像，
其中，所述分别在N个光源点亮方案下获取N张虹膜图像包括：
在一个光源点亮方案下获取虹膜图像并使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别，判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
2.如权利要求1所述的虹膜防伪方法，其特征在于，还包括：
分别在每个光源点亮方案下采集多个活体虹膜图像样本；
分别在每个光源点亮方案下采集多个假体虹膜图像样本；
使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
3.如权利要求2所述的虹膜防伪方法，其特征在于，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
4.如权利要求1所述的虹膜防伪方法，其特征在于，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。
5.如权利要求1所述的虹膜防伪方法，其特征在于，所述获取虹膜图像包括：
响应光源点亮信号，按预设周期获取图像；
在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像。
6.一种虹膜防伪装置，其特征在于，包括：
图像获取模块，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光；
分组识别模块，设置为使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别；
结果输出模块，设置为在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像，
其中，所述图像获取模块设置为在一个光源点亮方案下获取虹膜图像并判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
7.如权利要求6所述的虹膜防伪装置，其特征在于，还包括：
模型训练模块，设置为分别在每个光源点亮方案下采集多个活体虹膜图像样本与多个假体虹膜图像样本，使用每个光源点亮方案下的活体虹膜图像样本与假体虹膜图像样本分别训练对应所述光源点亮方案的神经网络模型。
8.如权利要求7所述的虹膜防伪装置，其特征在于，所述假体虹膜图像样本包括获取对高清虹膜照片拍摄的图像和/或对高清虹膜视频拍摄的图像。
9.如权利要求6所述的虹膜防伪装置，其特征在于，所述光源点亮方案通过点亮排列在虹膜图像采集设备周围的多个光源实现。
10.如权利要求6所述的虹膜防伪装置，其特征在于，还包括：
条件触发单元，设置为响应光源点亮信号，按预设周期获取图像；
条件拍摄单元，设置为在所述图像中包括满足预设条件的人眼图像时，根据所述人眼图像获取所述虹膜图像。
11.一种虹膜防伪系统，其特征在于，包括：
相机，镜头周围设置有多个不同波长的光源；
处理器，设置为分别在N个光源点亮方案下获取N张虹膜图像，所述N个光源点亮方案分别产生N种不同波长的光，使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别，在所述神经网络模型的识别结果满足预设条件时判定所述虹膜图像为活体虹膜图像，其中，所述分别在N个光源点亮方案下获取N张虹膜图像包括：
在一个光源点亮方案下获取虹膜图像并使用与所述光源点亮方案对应的神经网络模型分别对所述虹膜图像进行识别，判断该虹膜图像为活体虹膜图像后，按预设顺序启用下一个光源点亮方案并获取虹膜图像。
12.一种电子设备，其特征在于，包括：
存储器；以及
耦合到所属存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-5任一项所述的虹膜防伪方法。
13.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如权利要求1-5任一项所述的虹膜防伪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810142363.7A CN108388858B (zh) | 2018-02-11 | 2018-02-11 | 虹膜防伪方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810142363.7A CN108388858B (zh) | 2018-02-11 | 2018-02-11 | 虹膜防伪方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108388858A CN108388858A (zh) | 2018-08-10 |
| CN108388858B true CN108388858B (zh) | 2020-05-01 |
Family
ID=63068805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810142363.7A Active CN108388858B (zh) | 2018-02-11 | 2018-02-11 | 虹膜防伪方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388858B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992578A (zh) * | 2019-12-04 | 2020-04-10 | 华南理工大学 | 一种面向多光源票据综合鉴别的深度学习目标检测方法 |
| CN111339885B (zh) * | 2020-02-19 | 2024-05-28 | 平安科技（深圳）有限公司 | 基于虹膜识别的用户身份确定方法及相关装置 |
| CN111507198B (zh) * | 2020-03-25 | 2023-11-28 | 北京万里红科技有限公司 | 打印虹膜检测模型的训练方法、打印虹膜检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136024A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
| 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 |
| CN103793690A (zh) * | 2014-01-27 | 2014-05-14 | 天津科技大学 | 一种基于皮下血流探测的人体生物活体检测方法及应用 |
| CN105395203A (zh) * | 2014-10-15 | 2016-03-16 | 贵阳科安科技有限公司 | 一种基于rgb-ir成像的虹膜防伪造物活体检测方法 |
| CN105868731A (zh) * | 2016-04-15 | 2016-08-17 | 山西天地科技有限公司 | 双目虹膜特征获取方法及装置、身份验证方法及系统 |
| CN206178887U (zh) * | 2016-11-22 | 2017-05-17 | 南京以太安全技术有限公司 | 便携式虹膜识别装置 |
| CN107480608A (zh) * | 2017-07-29 | 2017-12-15 | 广东欧珀移动通信有限公司 | 防伪处理方法及相关产品 |
| WO2018013200A1 (en) * | 2016-07-14 | 2018-01-18 | Magic Leap, Inc. | Deep neural network for iris identification |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
-
2018
- 2018-02-11 CN CN201810142363.7A patent/CN108388858B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136024A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
| 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 |
| CN103793690A (zh) * | 2014-01-27 | 2014-05-14 | 天津科技大学 | 一种基于皮下血流探测的人体生物活体检测方法及应用 |
| CN105395203A (zh) * | 2014-10-15 | 2016-03-16 | 贵阳科安科技有限公司 | 一种基于rgb-ir成像的虹膜防伪造物活体检测方法 |
| CN105868731A (zh) * | 2016-04-15 | 2016-08-17 | 山西天地科技有限公司 | 双目虹膜特征获取方法及装置、身份验证方法及系统 |
| WO2018013200A1 (en) * | 2016-07-14 | 2018-01-18 | Magic Leap, Inc. | Deep neural network for iris identification |
| CN206178887U (zh) * | 2016-11-22 | 2017-05-17 | 南京以太安全技术有限公司 | 便携式虹膜识别装置 |
| CN107480608A (zh) * | 2017-07-29 | 2017-12-15 | 广东欧珀移动通信有限公司 | 防伪处理方法及相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108388858A (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10685215B2 (en) | Method and apparatus for recognizing face | |
| US8983151B2 (en) | Apparatus for recognizing face based on environment adaptation | |
| KR101286454B1 (ko) | 눈 영상의 특성을 이용한 모조얼굴 식별장치 및 방법 | |
| KR100983346B1 (ko) | Ｉｒ조명을 이용한 얼굴인식 시스템 및 방법 | |
| WO2019127273A1 (zh) | 一种多人脸检测方法、装置、服务器、系统及存储介质 | |
| KR101276345B1 (ko) | 다중 생체 인식 장치 및 방법 | |
| CN105518711A (zh) | 活体检测方法、活体检测系统以及计算机程序产品 | |
| CN108388858B (zh) | 虹膜防伪方法与装置 | |
| CN109661668B (zh) | 用于虹膜识别的图像处理方法和系统 | |
| WO2018072099A1 (zh) | 一种手掌检测方法和设备 | |
| CN112016525A (zh) | 非接触式指纹采集方法和装置 | |
| CN105224906A (zh) | 掌静脉识别智能系统 | |
| CN112232163A (zh) | 指纹采集方法及装置、指纹比对方法及装置、设备 | |
| KR100565959B1 (ko) | 가시광선을 이용한 모조홍채 판별방법 | |
| CN112232157B (zh) | 指纹区域检测方法、装置、设备、存储介质 | |
| CN113435353A (zh) | 基于多模态的活体检测方法、装置、电子设备及存储介质 | |
| CN108875553A (zh) | 人证核验的方法、装置、系统及计算机存储介质 | |
| CN112069880A (zh) | 活体检测方法、装置、电子设备和计算机可读介质 | |
| Steffens et al. | A texture driven approach for visible spectrum fire detection on mobile robots | |
| CN108875472B (zh) | 图像采集装置及基于该图像采集装置的人脸身份验证方法 | |
| TW201303750A (zh) | 主動式的人臉圖像獲取與辨識方法 | |
| Kunik et al. | Raspberry Pi based complete embedded system for iris recognition | |
| CN112232152B (zh) | 非接触式指纹识别方法、装置、终端和存储介质 | |
| JP2018101289A (ja) | 生体認証装置、生体認証システム、生体認証プログラム、及び生体認証方法 | |
| CN113532653A (zh) | 人脸活体检测的方法、系统以及人脸识别系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Beijing Daxing District, Beijing Applicant after: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee before: Jingdong Digital Technology Holding Co.,Ltd. Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |