CN108470170B - 美瞳检测方法 - Google Patents

Abstract

本发明公开了一种美瞳检测方法，其包括以下步骤：a.数据采集模块对已知美瞳和活体虹膜进行采集，并将采集到的已知美瞳作为人工美瞳存储到数据库中；b.美瞳学习模块将数据库中的人工美瞳和活体虹膜作为训练样本，通过机器学习的方法得到美瞳分类模型，并将美瞳分类模型发布到第一检测模块的美瞳分类器中；c.第一检测模块对未知样本进行美瞳检测；d.第一检测模块认定未知样本的检测结果是非美瞳后，第二检测模块对所述未知样本进行二次检测；e.美瞳学习模块根据更新的数据库，通过机器学习的方法优化美瞳分类模型，并重新发布到第一检测模块的美瞳分类器中；f.优化后的美瞳分类模型对数据库中的机器美瞳再次进行判断，剔除机器美瞳中的非美瞳数据。

Description

美瞳检测方法

技术领域

本发明涉及生物识别技术领域，具体涉及一种美瞳检测方法。

背景技术

近年来，随着生活质量的提高，隐形眼镜的佩戴人群逐渐增多，尤其是彩色隐形眼镜即美瞳，一方面可以避免普通镜框眼镜带来的不便，另一方面也可以增加美观度。据行业协会的不完全统计，目前仅我国美瞳的年销量已超过一亿片，可见美瞳的使用，尤其是在女性中，十分普遍。

随着科技的进步，人工智能已经走进了人们的生活。人们对身份的验证早已不局限于身份证、密码等传统形式，越来越多的行业，包括金融、公共服务、安全等其他领域倾向于使用随身携带的生物特征包括人脸、指纹、虹膜等作为身份验证的手段之一。

虹膜识别凭借其非接触性、高准确性以及长期稳定性成为重要的生物识别手段之一。目前，虹膜识别技术及产品正在以前所未有的速度快速的进入市场；然而美瞳的广泛使用给虹膜识别的安全性带来了新的挑战。美瞳的纹理与虹膜纹理叠加使得真假虹膜难辨。如果美瞳数据被注册数据库接受将会污染整个数据库，使数据库安全性降低。不法分子将会利用数据库的缺陷攻击数据库。因此确保美瞳被检测并屏蔽在数据库之外极为重要。

发明内容

本发明所要解决的技术问题是提供一种美瞳检测方法，避免用户佩戴美瞳进行虹膜注册和识别，对身份认证安全性造成的干扰。

为实现上述技术效果，本发明公开了一种美瞳检测方法，其特征在于包括以下步骤：

a. 数据采集模块对已知美瞳和活体虹膜进行采集，并将采集到的已知美瞳作为人工美瞳存储到数据库中，将采集到的活体虹膜作为美瞳负样本存储到数据库中；

b. 美瞳学习模块将数据库中的人工美瞳和活体虹膜作为训练样本，通过机器学习的方法得到美瞳分类模型，并将美瞳分类模型发布到第一检测模块的美瞳分类器中；

c. 第一检测模块的美瞳分类器调用美瞳分类模型对未知样本进行检测，其中，美瞳分类器判断未知样本是美瞳的次数达到第一预设阈值时，第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储到数据库中，从而对数据库进行更新；

d. 第一检测模块认定所述未知样本的检测结果是非美瞳，则第二检测模块对所述未知样本进行二次检测；

e. 美瞳学习模块根据更新的数据库，通过机器学习的方法优化美瞳分类模型，并将优化后的美瞳分类模型发布到第一检测模块的美瞳分类器中；

f. 第一检测模块的美瞳分类器调用优化后的美瞳分类模型对数据库中的机器美瞳再次进行判断，剔除机器美瞳中的非美瞳数据。

本发明美瞳检测方法的改进在于，步骤a进一步包括：

数据采集模块对已知美瞳和活体虹膜进行图像采集，并将采集到的已知美瞳图像和活体虹膜图像存储到数据库中；

虹膜分割模块对采集到的已知美瞳图像和活体虹膜图像进行分割；

虹膜编码模块对完成分割的已知美瞳图像和活体虹膜图像进行编码，形成人工美瞳编码和活体虹膜编码存储到数据库中。

本发明美瞳检测方法的进一步改进在于，步骤b进一步包括：

数据库中存储有人工美瞳和活体虹膜的图像，所述美瞳学习模块将所述人工美瞳和活体虹膜的图像分别作为美瞳正样本和美瞳负样本，并通过机器学习的方式得到美瞳分类模型；

所述美瞳分类模型发布到第一检测模块的美瞳分类器中。

本发明美瞳检测方法的进一步改进在于，所述第一预设阈值为一次，则步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳的次数达到一次，则第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储在数据库中；

本发明美瞳检测方法的进一步改进在于，所述第一预设阈值大于一次，则步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳，则认定成功一次；

认定成功后，重复上述步骤，并累加认定成功的次数；

认定成功的次数达到第一预设阈值，则第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储在数据库中。

本发明美瞳检测方法的进一步改进在于，步骤d进一步包括：

美瞳分类器判断所述未知样本是美瞳的次数达不到第一预设阈值，则第一检测模块认定所述未知样本的检测结果是非美瞳；

虹膜分割模块对未知样本进行分割；

虹膜编码模块将完成分割的未知样本进行编码；

虹膜识别模块将完成编码的未知样本与数据库中的活体虹膜、人工美瞳和机器美瞳进行识别比对，若与活体虹膜比对成功，则识别结束，第二检测模块认定所述未知样本的检测结果是非美瞳；若与人工美瞳比对成功，则识别结束，第二检测模块认定所述未知样本的检测结果是美瞳；若与机器美瞳比对成功，记录比对结果，重复步骤c以及步骤d的上述步骤，统计比对结果相同的次数，当次数达到第二预设阈值，则认定比对成功，识别结束，第二检测模块认定所述未知样本的检测结果是美瞳；

若未知样本与数据库中的活体虹膜、人工美瞳或机器美瞳均比对不成功，则判定识别失败，识别结束，第二检测模块认定所述未知样本的检测结果是非美瞳。

本发明美瞳检测方法的进一步改进在于，比对结果相同的次数是指未知样本与同一机器美瞳比对成功的次数。

本发明美瞳检测方法的进一步改进在于，步骤e进一步包括：

美瞳学习模块将数据库中人工美瞳、活体虹膜以及机器美瞳的信息作为训练样本，并通过机器学习的方式更新美瞳分类模型；

更新后的美瞳分类模型重新发布到第一检测模块的美瞳分类器中。

本发明美瞳检测方法的进一步改进在于，还包括步骤：

采用人工辨别的的方式通过辨别数据库中机器美瞳的图像，对机器美瞳进行再次判断，并将人工确认是美瞳的机器美瞳移动到数据库中的人工美瞳中，将人工确认非美瞳的机器美瞳直接从数据库中剔除。

本发明美瞳检测方法的进一步改进在于，第一检测模块认定所述未知样本是美瞳后，将该未知样本的图像存储在数据库中，作为机器美瞳图像；并将该未知样本的图像经虹膜分割模块进行分割、经虹膜编码模块进行编码，形成编码存储在数据库中，作为机器美瞳编码。

本发明美瞳检测方法，通过人工参与和机器学习的方式，多方面获取美瞳样本，不断扩大数据库，且上述美瞳检测方法通过更新后的数据库再次更新美瞳分类模型，并将更新后的美瞳分类模型重新发布到第一检测模块的美瞳分类器中，而所述第一检测模块的美瞳分类器调用该更新后的美瞳分类模型再次对数据库中的机器美瞳进行判断，剔除美瞳负样本，提高数据库的可靠性。

附图说明

图1为本发明美瞳检测方法的流程图。

图2为本发明美瞳检测方法中对未知样本进行检测的流程图。

具体实施方式

下面结合附图及具体实施方式对本发明作进一步详细的说明。

本发明美瞳检测方法中，将数据库中的美瞳分为人工美瞳和机器美瞳，其中人工美瞳是指人工直接辨别确认的美瞳，机器美瞳是指通过机器学习的方法辨认得到的美瞳，即人工美瞳的准确率是100%，而机器美瞳的准确率则存在误差。数据库包括图像库和编码库，图像库存储有数据采集模块采集到的活体虹膜图像、人工美瞳图像、机器美瞳图像；编码库存储有活体虹膜编码、人工美瞳编码、机器美瞳编码。

如图1和图2所示，本发明美瞳检测方法包括数据采集模块、美瞳学习模块、第一检测模块、第二检测模块以及数据库，其中，第一检测模块和第二检测模块对未知样本进行检测，本发明美瞳检测方法具有以下步骤：

a. 数据采集模块对已知美瞳和活体虹膜进行数据采集，并将采集到的已知美瞳作为人工美瞳存储到数据库中，将采集到的活体虹膜作为美瞳负样本存储到数据库中。

具体地，步骤a进一步包括：

数据采集模块对已知美瞳和活体虹膜分别进行图像采集，并将采集到的已知美瞳图像和活体虹膜图像存储到数据库中，即存储到数据库的图像库中，在本实施例中，将所述已知美瞳称作人工美瞳，从而已知美瞳图像即为人工美瞳图像；

虹膜分割模块对采集到的已知美瞳图像和活体虹膜图像分别进行分割；

虹膜编码模块对完成分割的已知美瞳图像和活体虹膜图像分别进行编码，形成人工美瞳编码和活体虹膜编码存储到数据库中，即存储到数据库的编码库中。

b. 待人工美瞳和活体虹膜的数据存储到数据库后，美瞳学习模块将数据库中的人工美瞳图像和活体虹膜图像作为训练样本，通过机器学习的方法得到美瞳分类模型，并将该美瞳分类模型发布到第一检测模块的美瞳分类器中。

具体地，步骤b进一步包括：

数据库中已经存储有人工美瞳和活体虹膜的图像，所述美瞳学习模块将所述人工美瞳图像作为美瞳正样本，将所述活体虹膜图像作为美瞳负样本，该美瞳正样本和美瞳负样本组成训练样本，即美瞳学习模块以所述人工美瞳图像和活体虹膜图像作为训练样本，通过机器学习的方法训练得到美瞳分类模型；

机器学习得到的美瞳分类模型发布到第一检测模块的美瞳分类器中，进行美瞳检测的作业。

c. 第一检测模块的美瞳分类器调用美瞳分类模型对未知样本进行检测，其中，美瞳分类器判断认定未知样本是美瞳的次数达到第一预设阈值时，第一检测模块才认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储到数据库中，从而实现对数据库进行更新。在本实施例中，未知样本为不确定的未知样本，可以是美瞳、活体虹膜或其他。

在一较佳实施例中，所述第一预设阈值为一次，即美瞳分类器判断所述未知样本是美瞳的次数达到一次，则第一检测模块就认定该未知样本是美瞳，无需美瞳分类器再次进行判断，从而步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本的图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳的次数达到一次，则第一检测模块就认为将该未知样本的检测结果是美瞳。而后第一检测模块将数据采集模块采集到的该未知样本的图像存储到数据库的图像库中，并通过虹膜分割模块对该未知样本的图像进行分割，再通过虹膜编码模块对经过分割的该未知样本的图像进行编码，将得到的未知样本的编码存储到数据库的编码库中。在该实施例中，将经由第一检测模块认定是美瞳的未知样本称作机器美瞳，从而未知样本的图像即为机器美瞳图像，未知样本的编码即为机器美瞳编码。

若美瞳分类器未有一次判断该未知样本是美瞳，则第一检测模块认为该未知样本的检测结果是非美瞳，而后将该被第一检测模块认为是非美瞳的未知样本通过第二检测模块进行二次检测。

在另一较佳实施例中，为了提高机器美瞳认定的准确性，所述第一预设阈值设定大于一次，即美瞳分类器判断所述未知样本是美瞳的次数达到两次或两次以上，第一检测模块才认定该未知样本的检测结果是美瞳，从而步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本的图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳，则认定成功一次；

认定成功后，重复上述步骤，并累加认定成功的次数，即美瞳分类器判断该未知样本是美瞳的次数；

当认定成功的次数达到第一预设阈值，即美瞳分类器判断该未知样本是美瞳的次数达到第一预设阈值，所述第一检测模块才认定该未知样本的检测结果是美瞳。而后第一检测模块将数据采集模块采集到的该未知样本的图像存储到数据库的图像库中，并通过虹膜分割模块对该未知样本的图像进行分割，再通过虹膜编码模块对经过分割的该未知样本的图像进行编码，将得到的未知样本的编码存储到数据库的编码库中。在本实施例中，将经由第一检测模块认定是美瞳的未知样本称作机器美瞳，从而未知样本的图像即为机器美瞳图像，未知样本的编码即为机器美瞳编码。

若美瞳分类器判断该未知样本是美瞳的次数达不到第一预设阈值，则第一检测模块认定该未知样本的检测结果是非美瞳，而后将该被第一检测模块认为是非美瞳的未知样本通过第二检测模块进行二次检测。

较佳地，在本实施例中，第一预设阈值设定为两次，即美瞳分类器判断所述未知样本是美瞳的次数达到两次，则第一检测模块就认定该未知样本的检测结果是美瞳。

d. 第一检测模块认定所述未知样本的检测结果是非美瞳后，第二检测模块再对所述未知样本进行二次检测；

步骤d进一步包括：

美瞳分类器判断所述未知样本的次数未达到第一预设阈值，即第一检测模块认定所述未知样本的检测结果是非美瞳后；

虹膜分割模块对数据采集模块采集到的未知样本图像进行分割；

虹膜编码模块将完成分割的未知样本进行编码；

第二检测模块将未知样本的编码与数据库中的活体虹膜编码、人工美瞳编码和机器美瞳编码分别进行识别比对，若未知样本的编码与活体虹膜的编码比对成功，则识别结束，第二检测模块认定该未知样本的检测结果是非美瞳；若未知样本的编码与人工美瞳的编码比对成功，则识别结束，第二检测模块认定该未知样本的检测结果是美瞳；若未知样本的编码与机器美瞳的编码比对成功，则记录比对结果，数据采集模块重新对该未知样本进行图像采集，并重复第一检测模块的检测方法和第二检测模块的检测方法，统计未知样本的编码与同一机器美瞳的编码比对成功的次数，当未知样本的编码与同一机器美瞳的编码比对成功的次数达到第二预设阈值，则识别结束，第二检测模块认定该未知样本的检测结果是美瞳。在本实施例中，未知样本的编码与同一机器美瞳的编码连续两次比对成功，第二检测模块即认定该未知样本的检测结果是美瞳，在其他实施例中，可根据需求进行对第二预设阈值或未知样本编码与机器美瞳编码的比对方法进行相应的设定。

若未知样本的编码与数据库中活体虹膜的编码、人工美瞳的编码或机器美瞳的编码均比对不成功，则判定识别失败，第二检测模块认定所述未知样本的检测结果是非美瞳。

e. 美瞳学习模块根据更新后的数据库，通过机器学习的方法优化美瞳分类模型，并将优化后的美瞳分类模型发布到第一检测模块的美瞳分类器中。

具体地，步骤e进一步包括：

数据库更新后，即数据库中加入新的活体虹膜、人工美瞳或机器美瞳的图像和编码后，美瞳学习模块将该更新后的数据库中的人工美瞳、活体虹膜以及机器美瞳的图像作为训练样本，其中人工美瞳图像和机器美瞳图像为美瞳正样本，活体虹膜图像为美瞳负样本，通过机器学习的方式更新美瞳分类模型，即优化美瞳分类模型。较佳地，可定期，或根据数据库的更新量来确定美瞳分类模型的更新时间。

更新后的美瞳分类模型重新发布到第一检测模块的美瞳分类器中。

f. 第一检测模块的美瞳分类器调用更新后的美瞳分类模型对数据库中的机器美瞳再次进行判断，剔除机器美瞳中的非美瞳数据。较佳地，美瞳分类器判断机器美瞳是美瞳的次数未达到第一预设阈值，第一检测模块即认定该机器美瞳是非美瞳，并将该机器美瞳的图像和编码从数据库中剔除。

进一步地，在本实施例中，还采用人工辨别的方式来辨别数据库中机器美瞳的图像，从而判断机器美瞳是否为美瞳，并将人工确认是美瞳的机器美瞳移动到数据库中的人工美瞳中，将人工确认为非美瞳的机器美瞳直接从数据库中剔除。

本发明美瞳检测方法通常在用户进行虹膜注册或虹膜识别时予以辅助，故用户在通过该美瞳检测方法进行美瞳检测时，其眼睛即为未知样本。本发明中，第一检测模块是对图像进行判断检测，即美瞳分类器调用美瞳分类模型对未知样本图像进行判断检测，从而根据判断结果得出未知样本是否为美瞳；而第二检测模块是对编码进行识别检测，即第二检测模块是将未知样本编码与活体虹膜编码、人工美瞳编码、机器美瞳编码进行识别比对，从而根据比对结果得出未知样本是否为美瞳。

本发明美瞳检测方法中，为了提高机器美瞳判断的准确率，设定美瞳分类器多次判断为美瞳，才能认定为美瞳；由于数据库中的机器美瞳存在误差，故为了提高美瞳检测的正确率，本发明在未知样本与机器美瞳的比对中，设定需与同一机器美瞳多次比对成功，才认定未知样本与机器美瞳比对成功。本发明还对数据库设置动态更新，即数据库更新后，通过更新的数据库更新美瞳分类模型，再通过第一检测模块的美瞳分类器调用更新后的美瞳分类模型剔除数据库中机器美瞳的负样本，由此实现数据库的动态更新。

以上结合附图及实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (10)

1.一种美瞳检测方法，其特征在于包括以下步骤：

a. 数据采集模块对已知美瞳和活体虹膜进行采集，并将采集到的已知美瞳作为人工美瞳和采集到的活体虹膜一起存储到数据库中；

b. 美瞳学习模块将数据库中的人工美瞳和活体虹膜作为训练样本，其中人工美瞳作为美瞳正样本，活体虹膜作为美瞳负样本，通过机器学习的方法得到美瞳分类模型，并将美瞳分类模型发布到第一检测模块的美瞳分类器中；

c. 第一检测模块的美瞳分类器调用美瞳分类模型对未知样本进行检测，其中，美瞳分类器判断未知样本是美瞳的次数达到第一预设阈值时，第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储到数据库中，从而对数据库进行更新；

d. 第一检测模块认定所述未知样本的检测结果是非美瞳，则第二检测模块将未知样本的编码与数据库中存储的人工美瞳编码、机器美瞳编码以及活体虹膜编码进行比对，以此对所述未知样本进行二次检测；

e. 美瞳学习模块根据更新的数据库，通过机器学习的方法优化美瞳分类模型，并将优化后的美瞳分类模型发布到第一检测模块的美瞳分类器中；

f. 第一检测模块的美瞳分类器调用优化后的美瞳分类模型对数据库中的机器美瞳再次进行判断，剔除机器美瞳中的非美瞳数据。

2.根据权利要求1所述的美瞳检测方法，其特征在于，步骤a进一步包括：

数据采集模块对已知美瞳和活体虹膜进行图像采集，并将采集到的已知美瞳图像和活体虹膜图像存储到数据库中；

虹膜分割模块对采集到的已知美瞳图像和活体虹膜图像进行分割；

虹膜编码模块对完成分割的已知美瞳图像和活体虹膜图像进行编码，形成人工美瞳编码和活体虹膜编码存储到数据库中。

3.根据权利要求1所述的美瞳检测方法，其特征在于，步骤b进一步包括：

数据库中存储有人工美瞳和活体虹膜的图像，所述美瞳学习模块将所述人工美瞳和活体虹膜的图像分别作为美瞳正样本和美瞳负样本，并通过机器学习的方式得到美瞳分类模型；

将所述美瞳分类模型发布到第一检测模块的美瞳分类器中。

4.根据权利要求1所述的美瞳检测方法，其特征在于，所述第一预设阈值为一次，则步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳的次数达到一次，则第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储在数据库中。

5.根据权利要求1所述的美瞳检测方法，其特征在于，所述第一预设阈值大于一次，则步骤c进一步包括：

数据采集模块对未知样本进行图像采集；

第一检测模块的美瞳分类器调用美瞳分类模型通过数据采集模块采集到的未知样本图像对未知样本进行分类判断，若美瞳分类器判断该未知样本是美瞳，则认定成功一次；

认定成功后，重复上述步骤，并累加认定成功的次数；

认定成功的次数达到第一预设阈值，则第一检测模块认定该未知样本的检测结果是美瞳，并将该未知样本作为机器美瞳存储在数据库中。

6.根据权利要求1所述的美瞳检测方法，其特征在于，步骤d进一步包括：

美瞳分类器判断所述未知样本是美瞳的次数达不到第一预设阈值，则第一检测模块认定所述未知样本的检测结果是非美瞳；

虹膜分割模块对未知样本进行分割；

虹膜编码模块将完成分割的未知样本进行编码；

第二检测模块将完成编码的未知样本与数据库中的活体虹膜、人工美瞳和机器美瞳进行识别比对，若与活体虹膜比对成功，则识别结束，第二检测模块认定所述未知样本的检测结果是非美瞳；若与人工美瞳比对成功，则识别结束，第二检测模块认定所述未知样本的检测结果是美瞳，若与机器美瞳比对成功，记录比对结果，重复步骤c以及步骤d的上述步骤，统计比对结果相同的次数，当次数达到第二预设阈值，则识别结束，第二检测模块认定所述未知样本的检测结果是美瞳；

若未知样本与数据库中的活体虹膜、人工美瞳或机器美瞳均比对不成功，则判定识别失败，第二检测模块认定所述未知样本的检测结果是非美瞳。

7.根据权利要求6所述的美瞳检测方法，其特征在于：比对结果相同的次数是指未知样本与同一机器美瞳比对成功的次数。

8.根据权利要求1所述的美瞳检测方法，其特征在于，步骤e进一步包括：

美瞳学习模块将数据库中人工美瞳、活体虹膜以及机器美瞳的信息作为训练样本，并通过机器学习的方式更新美瞳分类模型；

更新后的美瞳分类模型重新发布到第一检测模块的美瞳分类器中。

9.根据权利要求1所述的美瞳检测方法，其特征在于，还包括步骤：

采用人工辨别的的方式通过辨别数据库中机器美瞳的图像，对机器美瞳进行再次判断，并将人工确认是美瞳的机器美瞳移动到数据库中的人工美瞳中，将人工确认是非美瞳的机器美瞳直接从数据库中剔除。

10.根据权利要求1所述的美瞳检测方法，其特征在于：第一检测模块认定所述未知样本是美瞳后，将该未知样本的图像存储在数据库中，作为机器美瞳图像；并将该未知样本的图像经虹膜分割模块进行分割、经虹膜编码模块进行编码，形成编码存储在数据库中，作为机器美瞳编码。