CN109389105A - 一种基于多任务的虹膜检测和视角分类方法 - Google Patents
一种基于多任务的虹膜检测和视角分类方法 Download PDFInfo
- Publication number
- CN109389105A CN109389105A CN201811562725.4A CN201811562725A CN109389105A CN 109389105 A CN109389105 A CN 109389105A CN 201811562725 A CN201811562725 A CN 201811562725A CN 109389105 A CN109389105 A CN 109389105A
- Authority
- CN
- China
- Prior art keywords
- iris
- net
- candidate frame
- image
- detector
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于多任务的虹膜检测和视角分类方法,包括:S101、获取待检测的虹膜图像;S102、将所述虹膜图像输入至利用神经网络训练的First‑net检测器,得到第一输出结果;S103、将第一输出结果输入至利用神经网络训练的Second‑net检测器,得到第二输出结果;S104、将第二输出结果输入至利用神经网络训练的Ultimate‑net检测器进行处理,使用非极大值抑制算法合并重叠的虹膜候选框后,得到剩余虹膜候选框、剩余虹膜候选框对应的概率、以及剩余虹膜候选框属于不同虹膜视角的概率。本发明的优点在于,本发明利用多任务卷积神经网络对虹膜图像进行检测,以及对虹膜的五个视角进行分类的方法。一方面保证了检测虹膜图像的准确率,另一方面提高了虹膜五个视角分类的准确率。
Description
技术领域
本发明涉及虹膜检测技术领域,具体为一种基于多任务的虹膜检测和视角分类方法。
背景技术
虹膜识别技术是基于生物特征的身份鉴别技术,主要由包括图像几个步骤:图像采集、图像的预处理、图像的模式匹配以及做出决策。其中,图像的模式匹配是虹膜识别技术的关键。
然而,现有的虹膜识别技术一般存在如下问题:一、因无法确定虹膜的朝向或者确定的朝向精度差,导致虹膜识别的结果有误;二、虹膜识别的效率低、精度差。
发明内容
为了解决现有技术中在虹膜图像识别过程中,虹膜识别的精度差、效率低的问题,本发明提供了一种基于多任务的虹膜检测和视角分类方法,实现的目的为基于多任务的虹膜检测和视角分类方法,能够准确定位虹膜区域,并且能够有效识别虹膜的朝向,提高虹膜识别的精度。
为了实现上述目的,本发明提供的技术方案为,本发明提供的一种基于多任务的虹膜检测及视角分类方法,包括如下步骤:
S101、获取待检测的虹膜图像;
S102、将所述虹膜图像输入至利用神经网络训练的First-net检测器,对输入的虹膜图片进行定位,以在所述虹膜图像上生成至少一个虹膜候选框以及与所述虹膜候选框对应的概率,并使用非极大值抑制算法对至少一个虹膜候选框合并重叠的虹膜候选框,得到第一输出结果;
S103、将第一输出结果输入至利用神经网络训练的Second-net检测器,以筛除错误标记的虹膜候选框,使用非极大值抑制算法合并重叠的虹膜候选框,得到第二输出结果;
S104、将第二输出结果输入至利用神经网络训练的Ultimate-net检测器进行处理,使用非极大值抑制算法合并重叠的虹膜候选框后,得到剩余虹膜候选框、剩余虹膜候选框对应的概率、以及剩余虹膜候选框属于不同虹膜视角的概率。
进一步的,所述步骤S102中First-net检测器的训练过程包括如下步骤:
准备虹膜样本图像,虹膜样本图像包括至少包括如下特征:虹膜图像矩形框、虹膜图像的上、下、左、右、正常五个视角;
对虹膜样本图像进行预处理,以增加虹膜样本图像的数量,利用真实的虹膜矩形框,并计算相应的第一交并比;
检测第一交并比符合预设第一交并比条件时,将符合第一交并比条件的虹膜图像数据,作为First-net神经网络全卷积网络的输入,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据训练,以得到First-net检测器;
所述S103步骤中Second-net检测器的训练过程包括如下步骤:
获取First-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第二交并比;
检测第二交并比符合预设第二交并比条件时,作为Second-net神经网络的输入数据,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据进行训练,以得到Second-net检测器;
所述S104步骤中Ultimate-net检测器的训练过程包括如下步骤:
获取Second-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第三交并比;
检测第三交并比符合预设第三交并比条件时,作为Ultimate-net神经网络的输入数据进行训练,最终得到所预测的虹膜矩形框与五个角度的虹膜分类的概率,经过数据训练,以得到Ultimate-net检测器。
进一步的,First-net检测器、Second-net检测器以及Ultimate-net检测器对应的目标函数均为:
其中,
αdet=ω1,αbox=ω2,αangle=ω3,∑iωi=1,为目标函数的权重参数;表示样本标签。
进一步的,First-net检测器、Second-net检测器以及Ultimate-net检测器的训练过程包括训练以下至少一个函数:
lris classification的损失函数为:
其中pi为虹膜对应的概率值,为样本的真实标签,判断是否为虹膜。
Bounding box regression的损失函数为:
为矩形框的坐标值,为所预测的矩形框的坐标值。
lris angle classification的损失函数为:
ak为5个虹膜角度的概率值,为对应的标签。
进一步的,First-net神经网络、Second-net神经网络以及Ultimate-net神经网络的输入数据大小均不同。
综上,本发明采用上述技术方案,具有以下有益效果,本发明利用多任务卷积神经网络对虹膜图像进行检测,以及对虹膜的五个视角进行分类的方法。一方面保证了检测虹膜图像的准确率,另一方面提高了虹膜五个视角分类的准确率。
附图说明
图1是本申请所述多任务的虹膜检测及视角分类方法一个实施例的流程示意图;
图2是本申请中First-net,Second-net,Ultimate-net神经网络中bottleneck操作示意图。
具体实施方式
以下结合具体实施例对本发明作出进一步的说明。
实施例一:如图1所示,本申请提供了一种基于多任务的虹膜检测和视角分类方法,该方法包括:步骤S101至步骤S104。
步骤S101、获取待检测的虹膜图像。
本实施例中,图像识别装置获取待检测的虹膜图像,该虹膜图像可以是图像识别装置采集的,也可以利用手机、PC机、笔记本等电子设备将采集后的虹膜图像发送至图像识别装置。具体地,可以利用虹膜图像采集设备(如虹膜光学成像装置)采集虹膜图像。实际应用时,待检测的虹膜图像还可以是图像识别装置通过预设接口向预设的虹膜图像数据库获取的。
具体地,图像识别装置可以为手机、PC机、笔记本、服务器等电子设备。实际应用时,一般将图像识别装置设为服务器,通过服务器实现对大量虹膜图像的处理。例如,用户手机将待检测到虹膜图像发送至服务器,以便服务器对该虹膜图像进行识别,并将识别结果发送至用户手机,以便用户查看。
实际应用时,待检测的虹膜图像的数量可以为1张,也可以为多张,具体可以根据实际需要进行设定。
对于进行训练的虹膜图片,对其进行图像的金字塔缩放,记录其缩放的尺度,将缩放的不同尺寸的图片进行随机剪裁,不同的虹膜数据(虹膜矩形框、五个视角的虹膜图像)也对其进行相应的缩放,同时作为First-net的输入,由于对图像进行不同尺度的缩放,大大增加了数据的多样性,也使得网络的鲁棒性大大增加,以适应于识别不同尺寸的虹膜图像。
步骤S102、将所述虹膜图像输入至预训练的First-net检测器,对输入的虹膜图片进行定位,以在所述虹膜图像上生成至少一个虹膜候选框以及与所述虹膜候选框对应的概率,并使用非极大值抑制算法对至少一个虹膜候选框合并重叠的虹膜候选框,得到第一输出结果。
步骤S103、将第一输出结果输入至预训练的Second-net检测器,以筛除错误标记的虹膜候选框,并使用非极大值抑制算法合并重叠的虹膜候选框,得到第二输出结果;
本实施例中,假设First-net检测器在虹膜图像上标记有候选框1、候选框2和候选框3,而Second-net检测器对该虹膜图像进行预测,以确定第一图像的虹膜区域,Second-net检测器计算分别与候选框1、候选框2和候选框3对应的区域的交并比,假设第一图像的虹膜区域与候选框1对应区域的交并比低于交并比阈值,则可以确定候选框为误判的候选框,可以加以去除,从而得到第二图像,此时,第二图像中包括候选框2和候选框3。
步骤S104、将第二输出结果输入至预训练的Ultimate-net检测器进行处理,并使用非极大值抑制算法合并重叠的虹膜候选框后,得到剩余虹膜候选框、剩余虹膜候选框对应的概率、以及剩余虹膜候选框属于不同虹膜视角的概率。
本申请实施例中,获取待检测的虹膜图像;依次利用First-net检测器、Second-net和Ultimate-net实现了虹膜区域检测的目的,不仅解决了现有技术中虹膜区域的检测精确度低的问题,又实现了虹膜视角的分类目的,提高了虹膜识别的安全性。
本实施例中,First-net的训练过程包括如下步骤:
准备虹膜样本图像,虹膜样本图像包括至少包括如下特征:虹膜图像矩形框、虹膜图像的上、下、左、右、正常个视角;
对虹膜样本图像进行预处理,以增加虹膜样本图像的数量,利用真实的虹膜矩形框,并计算相应的第一交并比;
检测第一交并比符合预设第一交并比条件时,将符合第一交并比条件的虹膜图像数据,作为First-net神经网络全卷积网络的输入,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据训练,以得到First-net检测器;
Second-net检测器的训练过程包括如下步骤:
获取First-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第二交并比;
检测第二交并比符合预设第二交并比条件时,作为Second-net神经网络的输入数据,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据进行训练,以得到Second-net检测器;
Ultimate-net检测器的训练过程包括如下步骤:
获取Second-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第三交并比;
检测第三交并比符合预设第三交并比条件时,作为Ultimate-net神经网络的输入数据进行训练,最终得到所预测的虹膜矩形框与五个角度的虹膜分类的概率,经过数据训练,以得到Ultimate-net检测器。
具体地,First-net神经网络、Second-net神经网络和Ultimate-net神经网路均可以为CNN卷积神经网络。实际应用时,这三个神经网络可以分别如表1、表2、表3的参数表示。
具体地,虹膜样本图像进行预处理可以包括裁剪、缩放等预处理操作,以便扩充样本图片的数量,增加用于训练的样本图片的多样性,从而增加后续神经网络的鲁棒性,以适应于识别不同尺寸的虹膜图像。
具体地,因虹膜样本图像中预先标记真实的虹膜候选框,因此,可以直接计算First-net神经网络标记大量目标候选框与真实的虹膜候选框的第一交并比(lou)。具体可以通过该设定阈值将样本图片分为三个类别,例如,将lou>0.7的值设定为正样本,将lou<0.3的值设定为负样本,将lou处于0.4-0.7之间的值设定为部分样本。实际应用时,可以将正样本以及负样本统一参照表2所示的网络要求缩放到12*12,以作为First-net神经网络模型全卷积网络的输入。具体地,First-net神经网络模型的函数为:其网络结构可以如表1所示。
表1
其中,conv2d表示二维卷积操作,dwconv2d表示二维深度可分离卷积操作,bottleneck操作结构图如图2所示。
表1中Iris classification损失函数为: 其中,其中pi为虹膜对应的概率值,为样本的真实标签,判断是否为虹膜。Bounding box regression的损失函数为:为矩形框的坐标值,为所预测的矩形框的坐标值。Iris angle classification的损失函数为: ak为5个虹膜角度的概率值,为对应的标签。
本实施例中,神经网络目标函数为:其中,αdet=0.4,αbox=0.4,αangle=0.2,表示样本标签。最终得到的Irisclassification、Bounding box regression分别为虹膜的概率、所预测的矩形框。lris angle classification只作为反向传播时的输入,并不做输出。经过大量数据的训练后可以得到First-net检测器。
本实施例中,Ultimate-net神经网络、Second-net神经网络模型可以与First-net神经网络模型均相同。
实际应用时,Second-net检测器的训练过程与First-net检测器的训练过程相同。Second-net检测器的训练过程与First-net检测器的训练过程的区别仅在于,训练Second-net检测器样本数据为First-net检测器的输出结果,与上一步相同,同样分为三个类别。并将尺寸统一缩放到24*24,同时作为Second-net的输入。具体地,Second-net神经网络中各层可以如表2所示,进行确定。
表2
其中full_connect表示全连接操作。
Second-net的目标函数与first-net的目标函数相同:
在这里αdet=0.4,αbox=0.4,αangle=0.2,表示样本标签。
最终输出Iris classification与Bounding box regression.分别为虹膜概率的得分和所预测的矩形框。与上一网络相同Iris angle classification只作为反向传播时的输入,并不做输出。经过大量数据的训练后可以得到Second-net检测器。
具体地,Ultimate-net检测器的训练过程与Second-net检测器的训练过程相同。Ultimate-net检测器的训练过程与Second-net检测器的训练过程的区别仅在于,训练Ultimate-net检测器样本数据为Second-net检测器的输出结果,与上一步相同,同样分为三个类别。并将尺寸统一缩放到48*48,同时作为Ultimate-net的输入。Ultimate-net神经网络中各层可以如表3所示,进行确定。
Ultimate-net的目标函数与Second-net的目标函数相同:
在这里αdet=0.2,αbox=0.4,αangle=0.4,表示样本标签。
最终得到Bounding box regression与lris angle classification,分别为所预测的虹膜矩形框与五个角度的虹膜分类的概率。经过大量数据的训练,即可得到Ultimate-net检测器。
本实施例中,Second-net检测器能够针对First-net检测器确定的候选框进行识别,判断First-net检测器误标记的候选框。例如,First-net检测器在虹膜图像上标记出四个候选框,分别为候选框1、候选框2、候选框3和候选框4。经过Second-net检测器的处理,判断出候选框1和候选框2为错误的标记,因此,经过Second-net检测器的处理后,虹膜图像上仅标记有候选框3和候选框4。
实际应用时,First-net检测器、Second-net检测器以及Ultimate-net检测器的训练过程均相同,区别仅在于,训练Ultimate-net检测器样本数据为Second-net检测器的输出结果。例如,Second-net检测器输出的虹膜图像中标记有候选框3和候选框4,经过Ultimate-net检测器的识别,确定候选框3对应的区域为预测的虹膜区域。实际应用时,用户可以通过候选框3确定虹膜图像中的虹膜区域。
本实施例中,利用非极大值抑制算法对在对虹膜图像上标记出的大量选定框进行了筛选,从中筛选出候选框以降低后续预测的计算消耗。
实际应用时,非极大值抑制算法的具体过程可以如下:例如,假设虹膜图像上标记有6个矩形框,根据First-net检测器对这6个矩形框的概率做排序,从小到大分别属于虹膜区域概率分别为A、B、C、D、E、F。(1)从最大概率矩形框F开始,分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;(2)假设B、D与F的重叠度超过阈值,那么就扔掉B、D;并标记第一个矩形框F,是我们保留下来的。(3)从剩下的矩形框A、C、E中,选择概率最大的E,然后判断E与A、C的重叠度,重叠度大于一定的阈值,那么就扔掉;并标记E是我们保留下来的第二个矩形框。重复上述步骤,直至找到所有被保留下来的矩形框。
本实施例中,假设Ultimate-net检测器确定候选框3对应的区域为预测的虹膜区域,此时,可以利用Ultimate-net检测器中计算候选框3与不同视角的概率,以便确定该虹膜图像视角方向。具体地,视角包括俯视、仰视、左视、右视和正视。如,若Ultimate-net检测器计算的候选框3与俯视、仰视、左视、右视和正视的概率分布为10%、20%、25%、37%和98%,那么可以确定候选框3对应的视角为正视。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多任务的虹膜检测和视角分类方法,其特征在于,包括如下步骤:
S101、获取待检测的虹膜图像;
S102、将所述虹膜图像输入至利用神经网络训练的First-net检测器,对输入的虹膜图片进行定位,以在所述虹膜图像上生成至少一个虹膜候选框以及与所述虹膜候选框对应的概率,并使用非极大值抑制算法对至少一个虹膜候选框合并重叠的虹膜候选框,得到第一输出结果;
S103、将第一输出结果输入至利用神经网络训练的Second-net检测器,以筛除错误标记的虹膜候选框,使用非极大值抑制算法合并重叠的虹膜候选框,得到第二输出结果;
S104、将第二输出结果输入至利用神经网络训练的UItimate-net检测器进行处理,使用非极大值抑制算法合并重叠的虹膜候选框后,得到剩余虹膜候选框、剩余虹膜候选框对应的概率、以及剩余虹膜候选框属于不同虹膜视角的概率。
2.根据权利要求1所述的基于多任务的虹膜检测和视角分类方法,其特征在于,
所述步骤S102中First-net检测器的训练过程包括如下步骤:
准备虹膜样本图像,虹膜样本图像包括至少包括如下特征:虹膜图像矩形框、虹膜图像的上、下、左、右、正常五个视角;
对虹膜样本图像进行预处理,以增加虹膜样本图像的数量,利用真实的虹膜矩形框,并计算相应的第一交并比;
检测第一交并比符合预设第一交并比条件时,将符合第一交并比条件的虹膜图像数据,作为First-net神经网络全卷积网络的输入,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据训练,以得到First-net检测器;
所述S103步骤中Second-net检测器的训练过程包括如下步骤:
获取First-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第二交并比;
检测第二交并比符合预设第二交并比条件时,作为Second-net神经网络的输入数据,最终得到虹膜概率和所预测的矩形框,虹膜概率只作为反向传播时输入,并不做输出,经过数据进行训练,以得到Second-net检测器;
所述S104步骤中UItimate-net检测器的训练过程包括如下步骤:
获取Second-net检测器针对虹膜样本图像输出的预测的虹膜候选框,并利用真实的虹膜矩形框,并计算相应的第三交并比;
检测第三交并比符合预设第三交并比条件时,作为UItimate-net神经网络的输入数据进行训练,最终得到所预测的虹膜矩形框与五个角度的虹膜分类的概率,经过数据训练,以得到UItimate-net检测器。
3.根据权利要求2所述的基于多任务的虹膜检测和视角分类方法,其特征在于,First-net检测器、Second-net检测器以及UItimate-net检测器对应的目标函数均为:
其中,αdet=ω1,αbox=ω2,αangle=ω3,∑iωi=1,为目标函数的权重参数;
表示样本标签。
4.根据权利要求2所述的基于多任务的虹膜检测和视角分类方法,其特征在于,First-net检测器、Second-net检测器以及UItimate-net检测器的训练过程包括训练以下至少一个函数:
Iris classification的损失函数为:
其中pi为虹膜对应的概率值,为样本真实标签,判断是否为虹膜;
Bounding box regression的损失函数为:
为矩形框的坐标值,为所预测的矩形框的坐标值;
Iris angle classification的损失函数为:
ak为5个虹膜角度的概率值,为对应的标签。
5.根据权利要求1所述的基于多任务的虹膜检测和视角分类方法,其特征在于,First-net神经网络、Second-net神经网络以及UItimate-net神经网络的输入数据大小均不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562725.4A CN109389105B (zh) | 2018-12-20 | 2018-12-20 | 一种基于多任务的虹膜检测和视角分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562725.4A CN109389105B (zh) | 2018-12-20 | 2018-12-20 | 一种基于多任务的虹膜检测和视角分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389105A true CN109389105A (zh) | 2019-02-26 |
CN109389105B CN109389105B (zh) | 2022-02-08 |
Family
ID=65430594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811562725.4A Active CN109389105B (zh) | 2018-12-20 | 2018-12-20 | 一种基于多任务的虹膜检测和视角分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389105B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046588A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种具有盗取攻击应对机制的异质虹膜认证方法 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN111191605A (zh) * | 2019-12-31 | 2020-05-22 | 上海电力大学 | 一种基于级联神经网络的多任务虹膜快速定位方法 |
WO2020252740A1 (zh) * | 2019-06-20 | 2020-12-24 | 深圳市汇顶科技股份有限公司 | 卷积神经网络、人脸防伪方法、处理器芯片及电子设备 |
CN112651328A (zh) * | 2020-12-23 | 2021-04-13 | 浙江中正智能科技有限公司 | 一种基于几何位置关系损失函数的虹膜分割方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
US20150161785A1 (en) * | 2012-08-02 | 2015-06-11 | Singapore Health Services Pte Ltd | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening |
CN105094337A (zh) * | 2015-08-19 | 2015-11-25 | 华南理工大学 | 一种基于虹膜和瞳孔的三维视线估计方法 |
CN106709431A (zh) * | 2016-12-02 | 2017-05-24 | 厦门中控生物识别信息技术有限公司 | 虹膜识别方法及装置 |
CN106874868A (zh) * | 2017-02-14 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于三级卷积神经网络的人脸检测方法及系统 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN107679448A (zh) * | 2017-08-17 | 2018-02-09 | 平安科技(深圳)有限公司 | 眼球动作分析方法、装置及存储介质 |
CN107707751A (zh) * | 2017-09-28 | 2018-02-16 | 努比亚技术有限公司 | 视频播放省电方法及对应的移动终端 |
-
2018
- 2018-12-20 CN CN201811562725.4A patent/CN109389105B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
US20150161785A1 (en) * | 2012-08-02 | 2015-06-11 | Singapore Health Services Pte Ltd | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening |
CN105094337A (zh) * | 2015-08-19 | 2015-11-25 | 华南理工大学 | 一种基于虹膜和瞳孔的三维视线估计方法 |
CN106709431A (zh) * | 2016-12-02 | 2017-05-24 | 厦门中控生物识别信息技术有限公司 | 虹膜识别方法及装置 |
CN106874868A (zh) * | 2017-02-14 | 2017-06-20 | 北京飞搜科技有限公司 | 一种基于三级卷积神经网络的人脸检测方法及系统 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN107679448A (zh) * | 2017-08-17 | 2018-02-09 | 平安科技(深圳)有限公司 | 眼球动作分析方法、装置及存储介质 |
CN107707751A (zh) * | 2017-09-28 | 2018-02-16 | 努比亚技术有限公司 | 视频播放省电方法及对应的移动终端 |
Non-Patent Citations (4)
Title |
---|
ADITYA ABHYANKAR等: "A novel biorthogonal wavelet network system for off-angle iris recognition", 《PATTERN RECOGNITION》 * |
徐颖: "基于特征融合与仿生模式的生物特征识别研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
李涛: "基于视线角度的人眼视线检测研究", 《计算机技术与发展》 * |
苏晓萌: "基于稀疏张量和多视图特征的遥感图像融合算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046588A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种具有盗取攻击应对机制的异质虹膜认证方法 |
CN110046588B (zh) * | 2019-04-22 | 2019-11-01 | 吉林大学 | 一种具有盗取攻击应对机制的异质虹膜认证方法 |
WO2020252740A1 (zh) * | 2019-06-20 | 2020-12-24 | 深圳市汇顶科技股份有限公司 | 卷积神经网络、人脸防伪方法、处理器芯片及电子设备 |
CN112424795A (zh) * | 2019-06-20 | 2021-02-26 | 深圳市汇顶科技股份有限公司 | 卷积神经网络、人脸防伪方法、处理器芯片及电子设备 |
CN112424795B (zh) * | 2019-06-20 | 2024-05-28 | 深圳市汇顶科技股份有限公司 | 人脸防伪方法、处理器芯片及电子设备 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110321844B (zh) * | 2019-07-04 | 2021-09-03 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN111191605A (zh) * | 2019-12-31 | 2020-05-22 | 上海电力大学 | 一种基于级联神经网络的多任务虹膜快速定位方法 |
CN112651328A (zh) * | 2020-12-23 | 2021-04-13 | 浙江中正智能科技有限公司 | 一种基于几何位置关系损失函数的虹膜分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109389105B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389105A (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN108520229A (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
CN110378235A (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN108491794A (zh) | 面部识别的方法和装置 | |
CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN109345553A (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN107958255A (zh) | 一种基于图像的目标检测方法及装置 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN106683073A (zh) | 一种车牌的检测方法及摄像机和服务器 | |
CN109063625A (zh) | 一种基于级联深度网络的人脸关键点检测方法 | |
CN110532880A (zh) | 样本筛选及表情识别方法、神经网络、设备及存储介质 | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
CN110399822A (zh) | 基于深度学习的举手动作识别方法、装置及存储介质 | |
CN110245592A (zh) | 一种用于提升监控场景的行人重识别率的方法 | |
CN110490115A (zh) | 人脸检测模型的训练方法、装置、电子设备及存储介质 | |
CN113065379A (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN112270671B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN106407904A (zh) | 一种确定刘海区域的方法及装置 | |
CN113221721A (zh) | 图像识别方法、装置、设备及介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Applicant after: Beijing wanlihong Technology Co.,Ltd. Address before: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Applicant before: BEIJING SUPERRED TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |