CN110309814B - 一种基于边缘检测的虹膜识别方法及装置 - Google Patents

一种基于边缘检测的虹膜识别方法及装置 Download PDF

Info

Publication number
CN110309814B
CN110309814B CN201910624191.1A CN201910624191A CN110309814B CN 110309814 B CN110309814 B CN 110309814B CN 201910624191 A CN201910624191 A CN 201910624191A CN 110309814 B CN110309814 B CN 110309814B
Authority
CN
China
Prior art keywords
iris
parameters
module
image
outline
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
Application number
CN201910624191.1A
Other languages
English (en)
Other versions
CN110309814A (zh
Inventor
罗强
陈杭
刘朝伟
张占礼
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN201910624191.1A priority Critical patent/CN110309814B/zh
Publication of CN110309814A publication Critical patent/CN110309814A/zh
Application granted granted Critical
Publication of CN110309814B publication Critical patent/CN110309814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于边缘检测的虹膜识别方法及装置，包括：利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强；在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，输出虹膜参数；根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。本申请通过差分梯度方法将边缘像素增强消除了噪声数据，通过预设范围，有效增进虹膜参数的计算速度，具有可操作性强，虹膜轮廓定位效率高等特点。

Description

一种基于边缘检测的虹膜识别方法及装置
技术领域
本申请属于图形图像处理技术领域，具体地讲，涉及一种基于边缘检测的虹膜识别方法及装置。
背景技术
为保证银行对客户身份验证的准确性，出现了多种验证与识别技术，包括传统的密码按键、手写签名、身份证读卡器以及新一代基于生物识别技术的指纹仪、掌静脉、人脸识别和虹膜识别等。虹膜识别一般都经过虹膜检测、图像分割、标准化、特征提取和匹配等过程，图像分割是将虹膜区域从图像中分离出来，去掉图像边缘的毛刺和突点，得到一个环状结构，即感兴趣区域(ROI，region of interest)，ROI检测和定位是影响识别准确率的关键要素。然后采用Hough(霍夫)变换进行虹膜参数(包括虹膜和瞳孔的圆心和轮廓)定位，即将图像中属于某类图形的点集(二维)映射到另一个空间(可以是高维)的某个点(集中点)上，由于不同图形对应的集中点不同，集中点的数量对应着二维平面中的图形数目，这样通过记录影射在集中点的次数并计算其峰值，就可以判断出虹膜和瞳孔的圆心和圆形轮廓区域，从而发现虹膜对应的ROI。然而在实际应用中，对图像的每个像素点运用Hough变换是不现实的，以规格为640x480像素的图像为例，传统算法要执行近30万次计算，消耗大量的存储及运算资源，运算效率极低，只有当遍历目标缩小到图像的边缘点集时，才能有效提高落在圆上的命中概率。同时，人体的虹膜和瞳孔的轮廓并不是完美的圆形结构，除了圆心不重合外，轮廓还受睫毛、眼皮、反光点灯影响，边缘点呈现不规则分布，当不规则图形数量增加时，边缘估计的命中概率呈指数级下降。
发明内容
本申请提供了一种基于边缘检测的虹膜识别方法，以至少解决现有技术中虹膜识别传统算法消耗大量的存储及运算资源并且精度不高的问题。
根据本申请的一个方面，提供了一种基于边缘检测的虹膜识别方法，包括：利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓；在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数；根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
在一实施例中，利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，包括：分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于初始虹膜的最大直径；利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化虹膜图像轮廓的像素点；在虹膜图像轮廓的像素点上设置Sobel算子。
在一实施例中，在虹膜图像轮廓的像素点上设置Sobel算子，包括：分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度。
在一实施例中，在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，包括：设置初始虹膜的最小半径为初始虹膜的最小直径的一半，初始虹膜的最大半径为初始虹膜的最大直径的一半；在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
在一实施例中，在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环，包括：计算虹膜图像矩阵的卷积；记录虹膜图像矩阵的卷积最大值点位置；循环获取与最大值点位置之间的误差小于采样点命中阈值的虹膜图像轮廓的像素点，直至获取的像素点的个数等于预设数量。
在一实施例中，基于边缘检测的虹膜识别方法还包括：当虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，预期输出数不大于虹膜图像轮廓数量。
在一实施例中，基于边缘检测的虹膜识别方法还包括：停止迭代估计循环之后，清除虹膜图像轮廓上的圆上点。
在一实施例中，对校验后缺失的边缘点进行插值处理，包括：分别对虹膜轮廓的内环和外环进行圆心定位；根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程；将内环和外环的直角坐标方程转换为内环和外环的极坐标方程；根据内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；对内环和外环上缺失的点进行插值处理。
在一实施例中，将理想虹膜的特征参数与特征库的特征参数进行比对，包括：
采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
根据本申请的另一个方面，还提供了一种基于边缘检测的虹膜识别装置，包括：
轮廓定位模块，用于利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓；
迭代循环模块，用于在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数；
插值处理模块，用于根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；
比对模块，用于提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
在一实施例中，轮廓定位模块，包括：
矩阵过滤器设置模块，用于分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于初始虹膜的最大直径；
初始化模块，用于利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化虹膜图像轮廓的像素点；
Sobel算子设置模块，用于在虹膜图像轮廓的像素点上设置Sobel算子。
在一实施例中，Sobel算子设置模块，包括：梯度设置模块，用于分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度。
在一实施例中，迭代循环模块，包括：
范围设置模块，用于设置初始虹膜的最小半径为初始虹膜的最小直径的一半，初始虹膜的最大半径为初始虹膜的最大直径的一半；
循环计算模块，用于在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
在一实施例中，循环计算模块，包括：
卷积计算模块，用于计算虹膜图像矩阵的卷积；
最大值点记录模块，用于记录虹膜图像矩阵的卷积最大值点位置；
像素点获取模块，用于循环获取与最大值点位置之间的误差小于采样点命中阈值的虹膜图像轮廓的像素点，直至获取的像素点的个数等于预设数量。
在一实施例中，基于边缘检测的虹膜识别装置还包括：预设输出数模块，用于当虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，预期输出数不大于虹膜图像轮廓数量。
在一实施例中，基于边缘检测的虹膜识别装置还包括：清除模块，用于停止迭代估计循环之后，清除虹膜图像轮廓上的圆上点。
在一实施例中，插值处理模块，包括：
圆心定位模块，用于分别对虹膜轮廓的内环和外环进行圆心定位；
坐标建立模块，用于根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程；
坐标转换模块，用于将内环和外环的直角坐标方程转换为内环和外环的极坐标方程；
参数获取模块，用于根据内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；
缺失处理模块，用于对内环和外环上缺失的点进行插值处理。
在一实施例中，比对模块，包括：
评分计算模块，用于采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
本申请利用基于差分梯度的边缘检测方法，有效消除了虹膜周围的突点、毛刺等噪声数据，并结合了Hough变换算法，有效加速虹膜和瞳孔的精准定位，提高了虹膜识别的整体精度和响应速度。通过预设的采样命中点阈值和半径的范围参数，有效增进虹膜参数的计算速度，具有可操作性强的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本申请中一种用于虹膜识别的整体系统示意图。
图2为本申请中一种基于边缘检测的虹膜识别系统结构框图。
图3为本申请中虹膜定位装置结构框图。
图4为本申请中图像分割装置结构框图。
图5为本申请中一种基于边缘检测的虹膜识别方法流程图。
图6为本申请中一种基于边缘检测的虹膜识别装置的结构框图。
图7为本申请中轮廓定位模块的结构框图。
图8为本申请中迭代循环模块的结构框图。
图9为本申请中循环计算模块的结构框图。
图10为本申请中插值处理模块的结构框图。
图11为本申请中比对模块的结构框图。
图12为本申请中基于边缘检测的虹膜识别方法的一种电子设备的具体实施方式。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，传统的虹膜识别算法要执行近30万次的计算，消耗大量的存储及运算资源，运算效率低，并且只有当遍历目标缩小到图像的边缘点集时，才能有效提高命中概率。同时，由于人体的虹膜和瞳孔的轮廓并不是完美的圆形结构，除了圆心不重合以外，瞳孔和虹膜的轮廓还收到睫毛、眼皮、反光点灯的影响，导致边缘点呈现不规则分布，当不规则图形数量增加时，边缘估计的命中概率呈指数级下降。因此，需要一种既简单高效，识别精度又高的虹膜识别方法，既能够降低边缘检测的干扰因素，有效识别感兴趣区域(ROI)估计的精度，又能够提升ROI估计的运算效率。
基于上述内容，本申请提供了一种用于虹膜识别的整体系统，如图1所示，包含了虹膜采集摄像头1、虹膜识别摄像头2和虹膜识别系统3，虹膜采集摄像头1及虹膜识别摄像头2分别与虹膜识别系统3相连。其中，虹膜采集摄像头1和虹膜识别系统3共同实现虹膜采集处理。虹膜识别摄像头2和虹膜识别系统3共同实现虹膜比对处理。
具体地，当需要采集虹膜时，虹膜采集摄像头1拍摄到人体虹膜，形成用于虹膜采集原始图像(虹膜图像)并上传至虹膜识别系统3，虹膜识别系统3经过对虹膜图像进行定位、图像分割、特征提取处理后，产生虹膜特征数据并进行存储。在虹膜比对时，虹膜识别摄像头2拍摄下人体虹膜，形成用于虹膜比对的原始图像(虹膜图像)，并上传至虹膜识别系统3，虹膜识别系统3经过对虹膜图像进行定位、图像分割及特征提取处理后，产生用于虹膜比对的特征数据，然后与虹膜特征库中记录的特征数据进行1：N(N通常等于3000)比对，返回最高的相似度评分。
如图2所示，为本申请的一种基于边缘检测的虹膜识别系统结构图，包含了虹膜图像数据收发装置30、主控单元装置31、虹膜定位装置32、图像分割装置33、特征提取装置34和特征比对装置35。虹膜数据收发装置30连接主控单元装置31，主控单元装置31与虹膜定位装置32、图像分割装置33、特征提取装置34和特征比对装置35分别相连。
具体地，虹膜数据收发装置30接收和回应用户的虹膜图像信息、数据请求，虹膜数据收发装置30可以是一台应用服务器。主控单元装置31用于流程控制及各装置间数据传输，主控单元装置31向虹膜定位装置32发送虹膜图像数据并接受虹膜的定位参数，然后向图像分割装置33发送虹膜的定位参数，接收图像分割装置33返回的虹膜分割结果，并向特征提取装置34发送虹膜特征数据。主控单元装置31还可以向特征比对装置35发送虹膜特征数据，接收特征比对装置35返回的特征比对处理结果。
虹膜定位装置32用于从虹膜原始图像中发现、校准、定位虹膜，生成虹膜的定位参数，具体地，该装置接收用户原始虹膜图像数据，按照一定边缘检测算法，计算出该张图像的虹膜定位参数。
图像分割装置33用于根据接收的虹膜定位参数，经过降噪处理，把虹膜图片分割出来，投射、转换到矩形区域，这个过程也称为标准化处理。
特征提取装置34用于对图像分割装置33生成的矩形区域数据进行滤波处理，即利用滤波器过滤标准化图像数据，并保留大于阈值的信息，以提取出虹膜特征数据。具体地，滤波器可以为Gabor滤波器。
特征比对装置35用于特征比对，并返回比对的结果。为提升比对速度，可以选取有限的特定像素点，可以采用汉明距离(Hamming Distance)进行特征比较，提供相似度评分(0～1)作为比较结果，评分大于0.7的比对结果表示为“比对成功”。
如图3所示，是本申请中虹膜定位装置32的结构图，包含主控单元320、边缘检测单元321、中心参数定位单元322。由主控单元320控制数据，并调用各处理单元，完成虹膜参数定位和校准。
主控单元320：用于数据传递，调用各处理单元。
边缘检测单元321：用于检测虹膜边缘所在坐标，记录边缘轮廓的位置信息。
中心参数定位单元322，用于定位虹膜和瞳孔的中心点、半径，同时不断迭代，校正中心参数值，获得最优的校正结果参数。
主控单元320调用边缘检测单元321生成虹膜原始边缘点集，再调用中心参数定位单元322生成一组最优的校正结果参数。
如图4所示，是本申请中图像分割装置33的结构图，包含图像分割主控单元330、轮廓检测单元331和数据标准化单元332。图像分割主控单元330分别于轮廓监测单元331和数据标准化单元332连接。
图像分割主控单元330：此单元用于数据传递及各处理单元的调用。
轮廓检测单元331：此单元用于判断虹膜轮廓的合法性，过滤噪点数据，对部分数据进行拟合。
数据标准化单元332：此单元用于将虹膜轮廓投射到一个矩形的数据区域。
具体地，图像分割主控单元330传入虹膜定位参数给轮廓检查单元331处理，轮廓检查单元331根据虹膜轮廓进行合法性校验，过滤噪点数据，对缺失的数据进行拟合得到虹膜轮廓数聚；图像分割主控单元330将虹膜轮廓数据发送给数据标准化单元332处理，数据标准化单元332将虹膜轮廓数据投射到一个矩形数据区域。
如图5所示，为本申请的一种基于边缘检测的虹膜识别方法，如图5所示，包含如下步骤：
S501：利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓。
在一实施例中，利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓，包括：
1、分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于初始虹膜的最大直径。
具体地，分别设置竖直方向矩阵过滤器fv和水平方向矩阵过滤器fh,令其宽度width和长度height均等于maxCircleDia(初始虹膜的最大直径)。
2、利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化虹膜图像轮廓的像素点。
具体地，利用fv和fh初始化像素点(x,y)：
Figure GDA0003109737970000081
Figure GDA0003109737970000082
3、在虹膜图像轮廓的像素点上设置Sobel算子。
Sobel是一个离散的差分算子，可以计算图像函数的一阶梯度之近似值。图像的边缘是图像变化最显著的部分，存在于区域和背景，区域和区域，不同图层之间，是图像分割、纹理特征和形状特征等图像分析的重要基础。图像的边缘有方向和幅度两种属性，沿着边缘方向的像素变化平缓，沿着垂直方向的像素变化剧烈，这种变化可以用一阶和二阶导数来检测。设f(x,y)为图像的阶跃变化函数，函数f(x,y)在(x,y)的梯度表示为一个二元向量：
Figure GDA0003109737970000083
这个向量的值表示为：
Figure GDA0003109737970000084
近似为：
Figure GDA0003109737970000085
梯度方向夹角为：
Figure GDA0003109737970000086
在图像的一点使用Sobel算子，将产生该点对应的梯度矢量或法矢量。Sobel算子包含2组3x3的矩阵，分别表示横向和纵向卷积因子，将之分别与图像作平面卷积，即分别得到横向及纵向的亮度差分似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向的边缘检测模版，其公式如下:
Figure GDA0003109737970000091
梯度的幅值：
Figure GDA0003109737970000092
梯度方向公式：
Figure GDA0003109737970000093
该值等于0，表示检测到图像的纵向边缘，左边比右边暗。
在本申请一实施例中，在虹膜图像轮廓的像素点上设置Sobel算子，包括：分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度，同时，令：
Figure GDA0003109737970000094
在一实施例中，当虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，预期输出数不大于虹膜图像轮廓数量。
S502：在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数。
在一实施例中，在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，包括：
1、设置初始虹膜的最小半径为初始虹膜的最小直径的一半，初始虹膜的最大半径为初始虹膜的最大直径的一半。
具体地，初始虹膜的最小直径和最大直径来自于医学上人体虹膜可能的最小直径和最大直径。
具体地，设初始虹膜的最大直径为maxCircleDia，最小直径为minCircleDia，那么初始虹膜的最小半径为
Figure GDA0003109737970000095
最大半径为
Figure GDA0003109737970000096
2、在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
具体地，根据最小半径和最大半径划定虹膜参数迭代估计循环的范围，在不小于最小半径且不大于最大半径的范围内，执行以下循环处理：
在一实施例中，在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环，包括：
计算虹膜图像矩阵的卷积。
具体地，计算图像矩阵的卷积：
Gn＝Gv·Fv+Gh·Fh
记录虹膜图像矩阵的卷积最大值点位置。
具体地，记录图像矩阵的卷积最大值点位置：
maxloc＝max(gn)
循环获取与最大值点位置之间的误差小于采样点命中阈值的虹膜图像轮廓的像素点，直至获取的像素点的个数等于预设数量。
具体地，验证像素点p与maxloc的误差是否小于采样点命中阈值δ：
|p-maxloc|≤δ
如果满足误差小于采样点命中阈值δ，那么像素点p即为圆上点。如此进行循环验证，直到获取的圆上点的数量达到了预设数量n，n可以为20000，此时，结束该循环，输出所有的圆上点p，并清除圆上点。
S503：根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜。
在一实施例中，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，包括：
1、分别对虹膜轮廓的内环和外环进行圆心定位。
具体地，假设人体虹膜ROI为一个近似圆环形的区域，内环为瞳孔轮廓，外环为虹膜轮廓，对虹膜图像轮廓上边缘点进行合法性校验，剔除掉虹膜轮廓上的突点、毛刺等噪声数据。在实际情况中，内环和外环的中心可能是不重合的，所以在本申请中，要根据获得的n个圆上点p来分别对内环和外环进行中心定位，假设定位获得中心的坐标为(a，b)，同时检测到该圆(内环或外环)的半径为r。
2、根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程。
具体地，已知在直角坐标系下圆的一般方程为：
(x-a)2+(y-b)2＝r2
上式中，(a,b)表示圆的中心点直角坐标，r表示圆的半径。
3、将内环和外环的直角坐标方程转换为内环和外环的极坐标方程。
具体地，将圆的直角坐标系转换为极坐标系参数空间，则有：
x＝a+rcosθ
y＝b+rsinθ
极轴等于：
Figure GDA0003109737970000111
极轴夹角等于：
Figure GDA0003109737970000112
4、根据内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；对内环和外环上缺失的点进行插值处理。
具体地，该圆在直角坐标上的点对应的极坐标的点为(ρ,θ)，通过该极坐标的点的位置就可以获得圆的参数，因此，就可以求得该圆，由此可以得到虹膜图像上缺失的点，对虹膜图像上缺失的点进行插值处理就可以获得理想虹膜。
S504：提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
具体地，可以采用3个Gabor滤波器，对理想虹膜的特征参数进行滤波处理，实现了减少信息失真的效果。
在一实施例中，将理想虹膜的特征参数与特征库的特征参数进行比对，包括：
采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
具体地，将经过滤波处理后的特征参数与特征库中的特征进行1：N比较，N通常情况下为3000，也可以为其他合理数值，采用海明距离算法比较特征文件的相似度，获取虹膜特征相似度评分(0～1)，相似度评分越大越相似，如果相似度评分大于某一设定的阈值(比如为0.7)则虹膜比对结果为“识别成功”，反之为“识别失败”。
本申请中基于边缘检测的虹膜识别方法的基本原理是利用Sobel算子检测出虹膜ROI，生成瞳孔的内环和虹膜外环的边缘点集，然后以边缘点集为基础，估计图像中圆环的数量预期，为循环次数规定一个上限。随后在每次循环中，从边缘点集中取一定数量的点计算Hough变换，并不断优化圆的初始参数。如果落在圆上的点达到一定的(人为设定,经验值范围为0.6～0.8)阈值，则判断已构造的圆真实存在，反之，则表明圆不存在，并随之清除属于该圆的圆上点。随着圆被检测及其边界圆上点被不断清除，可供选取的剩余边缘点不断减少，落在同一个圆盘的采样概率显著增加。为了减少虹膜检测的循环迭代的次数，还分别设置瞳孔和虹膜的最小及最大直径参数，以便过滤明显不符合预期的采样点。
基于同一发明构思，本申请还提供了一种基于边缘检测的虹膜识别装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该识别装置解决问题的原理与识别方法相似，因此基于边缘检测的虹膜识别装置的实施可以参见基于边缘检测的虹膜识别方法的实施，重复之处不再赘述。以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6为本申请实施例的一种基于边缘检测的虹膜识别装置的结构框图，如图6所示，该装置包括：
轮廓定位模块601，用于利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓；
迭代循环模块602，用于在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数；
插值处理模块603，用于根据虹膜参数，采用圆几何方程式校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；
比对模块604，用于提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
在一实施例中，轮廓定位模块601，如图7所示，包括：
矩阵过滤器设置模块601-1，用于分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于初始虹膜的最大直径；
初始化模块601-2，用于利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化虹膜图像轮廓的像素点；
Sobel算子设置模块601-3，用于在虹膜图像轮廓的像素点上设置Sobel算子。
在一实施例中，Sobel算子设置模块601-3，包括：梯度设置模块601-3-1，用于分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度。
在一实施例中，迭代循环模块602，如图8所示，包括：
范围设置模块602-1，用于设置初始虹膜的最小半径为初始虹膜的最小直径的一半，初始虹膜的最大半径为初始虹膜的最大直径的一半；
循环计算模块602-2，用于在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
在一实施例中，循环计算模块602-2，如图9所示，包括：
卷积计算模块602-2-1，用于计算虹膜图像矩阵的卷积；
最大值点记录模块602-2-2，用于记录虹膜图像矩阵的卷积最大值点位置；
像素点获取模块602-2-3，用于循环获取与最大值点位置之间的误差小于采样点命中阈值的虹膜图像轮廓的像素点，直至获取的像素点的个数等于预设数量。
在一实施例中，基于边缘检测的虹膜识别装置还包括：预设输出数模块605，用于当虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，预期输出数不大于虹膜图像轮廓数量。
在一实施例中，基于边缘检测的虹膜识别装置还包括：清除模块606，用于停止迭代估计循环之后，清除虹膜图像轮廓上的圆上点。
在一实施例中，插值处理模块603，如图10所示，包括：
圆心定位模块603-1，用于分别对虹膜轮廓的内环和外环进行圆心定位；
坐标建立模块603-2，用于根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程；
坐标转换模块603-3，用于将内环和外环的直角坐标方程转换为内环和外环的极坐标方程；
参数获取模块603-4，用于根据内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；
缺失处理模块603-5，用于对内环和外环上缺失的点进行插值处理。
在一实施例中，比对模块604，如图11所示，包括：
评分计算模块604-1，用于采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
本申请提出了一种基于边缘检测的虹膜识别方法，该方法充分利用差分算子在边缘检测中的增强作用，有效消除虹膜周围的突点、毛刺等噪声数据，结合改进型的Hough变换算法，有效加速虹膜和瞳孔的精准定位，提高了虹膜识别的整体精度和响应速度。实验表明，新算法在1：N(N＝3000)比对的场景下，首位命中率达到了99.6667％，平均识别速度为8ms/每笔，取得了较好的识别效果。基于边缘检测的虹膜识别方法具备了如下优点：首先，本申请中的识别方法有效消除边缘检测中的突点、毛刺等噪声数据。传统Hough变换方法进行边缘计算时，通常将虹膜和瞳孔近似为同心圆，忽略了虹膜轮廓的不规则性，存在突点、毛刺等噪声干扰，不利于精准测算。本方法通过引入Sobel算子实现轮廓边缘增强处理，有效消除了边缘检测中的突点、毛刺等噪声数据，同时对边缘轮廓点进行拟合处理，使虹膜轮廓的描绘更为细致，为虹膜参数精准测算奠定良好基础。其次，本申请中的识别方法提高了虹膜轮廓的定位速度。传统的虹膜轮廓定位采用全图遍历的方式，资源需求大，时间消耗多，收敛速度慢。通过引入改进的边缘检测方法增加轮廓检查的速度，通过预设判断阈值、半径的最大和最小范围参数，有效增进虹膜参数的收敛速度，具有可操作性强，虹膜轮廓定位效率高等特点。同时，本方法还提高了虹膜识别的精确度。通过引入Sobel算子增强虹膜的边缘像素值，结合Gabor滤波器进行特征值提取，减少信息失真，实验表明，虹膜识别的精确度在1：N的首位命中率达到99.67％，获得较高的识别效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图12，所述电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，所述处理器1201、存储器1202、通信接口1203通过所述总线1204完成相互间的通信；
所述处理器1201用于调用所述存储器1202中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S501利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓。
S502在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数。
S503根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜。
S504提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S501利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓。
S502在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到虹膜图像轮廓的像素点，当虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数。
S503根据虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜。
S504提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (20)

1.一种基于边缘检测的虹膜识别方法，其特征在于，包括：
利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓；
在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到所述虹膜图像轮廓的像素点，当所述虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数；
根据所述虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；
提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
2.根据权利要求1所述的虹膜识别方法，其特征在于，所述利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，包括：
分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于所述初始虹膜的最大直径；
利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化所述虹膜图像轮廓的像素点；
在所述虹膜图像轮廓的像素点上设置Sobel算子。
3.根据权利要求2所述的虹膜识别方法，其特征在于，所述在所述虹膜图像轮廓的像素点上设置Sobel算子，包括：分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度。
4.根据权利要求1所述的虹膜识别方法，其特征在于，所述在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，包括：
设置所述初始虹膜的最小半径为所述初始虹膜的最小直径的一半，所述初始虹膜的最大半径为所述初始虹膜的最大直径的一半；
在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
5.根据权利要求4所述的虹膜识别方法，其特征在于，在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环，包括：
计算虹膜图像矩阵的卷积；
记录虹膜图像矩阵的卷积最大值点位置；
循环获取与最大值点位置之间的误差小于所述采样点命中阈值的所述虹膜图像轮廓的像素点，直至获取的像素点的个数等于所述预设数量。
6.根据权利要求1所述的虹膜识别方法，其特征在于，还包括：当所述虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，所述预期输出数不大于虹膜图像轮廓数量。
7.根据权利要求1所述的虹膜识别方法，其特征在于，还包括：停止迭代估计循环之后，清除虹膜图像轮廓上的圆上点。
8.根据权利要求1所述的虹膜识别方法，其特征在于，对校验后缺失的边缘点进行插值处理，包括：
分别对虹膜轮廓的内环和外环进行圆心定位；
根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程；
将所述内环和外环的直角坐标方程转换为内环和外环的极坐标方程；
根据所述内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；
对内环和外环上缺失的点进行插值处理。
9.根据权利要求1所述的虹膜识别方法，其特征在于，所述将理想虹膜的特征参数与特征库的特征参数进行比对，包括：
采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
10.一种基于边缘检测的虹膜识别装置，其特征在于，包括：
轮廓定位模块，用于利用差分梯度方法对预先获取的虹膜图像进行边缘像素增强，以定位虹膜图像轮廓；
迭代循环模块，用于在预设的采样点命中阈值范围内，基于预设的初始虹膜的最大直径和最小直径进行虹膜参数的迭代估计循环，得到所述虹膜图像轮廓的像素点，当所述虹膜图像轮廓的像素点的数量达到预设数量后，输出虹膜参数；
插值处理模块，用于根据所述虹膜参数，校验虹膜图像轮廓上边缘点的合法性，并对校验后缺失的边缘点进行插值处理，得到理想虹膜；
比对模块，用于提取理想虹膜的特征参数，并将理想虹膜的特征参数与特征库的特征参数进行比对，生成识别结果。
11.根据权利要求10所述的虹膜识别装置，其特征在于，所述轮廓定位模块包括：
矩阵过滤器设置模块，用于分别设置竖直方向及水平方向的矩阵过滤器，并令矩阵过滤器的宽度和长度均等于所述初始虹膜的最大直径；
初始化模块，用于利用竖直方向的矩阵过滤器和水平方向的矩阵过滤器初始化所述虹膜图像轮廓的像素点；
Sobel算子设置模块，用于在所述虹膜图像轮廓的像素点上设置Sobel算子。
12.根据权利要求11所述的虹膜识别装置，其特征在于，所述Sobel算子设置模块包括：梯度设置模块，用于分别设置竖直方向梯度和水平方向梯度，令梯度分别等于X方向的差分梯度和Y方向的差分梯度。
13.根据权利要求10所述的虹膜识别装置，其特征在于，所述迭代循环模块包括：
范围设置模块，用于设置所述初始虹膜的最小半径为所述初始虹膜的最小直径的一半，所述初始虹膜的最大半径为所述初始虹膜的最大直径的一半；
循环计算模块，用于在不小于初始虹膜的最小半径和不大于初始虹膜的最大半径范围内进行虹膜参数的迭代估计循环。
14.根据权利要求13所述的虹膜识别装置，其特征在于，所述循环计算模块包括：
卷积计算模块，用于计算虹膜图像矩阵的卷积；
最大值点记录模块，用于记录虹膜图像矩阵的卷积最大值点位置；
像素点获取模块，用于循环获取与最大值点位置之间的误差小于所述采样点命中阈值的所述虹膜图像轮廓的像素点，直至获取的像素点的个数等于所述预设数量。
15.根据权利要求10所述的虹膜识别装置，其特征在于，还包括：预设输出数模块，用于当所述虹膜图像中存在多个虹膜图像轮廓时，设置虹膜图像轮廓的预期输出数，所述预期输出数不大于虹膜图像轮廓数量。
16.根据权利要求10所述的虹膜识别装置，其特征在于，还包括：清除模块，用于停止迭代估计循环之后，清除虹膜图像轮廓上的圆上点。
17.根据权利要求10所述的虹膜识别装置，其特征在于，所述插值处理模块，包括：
圆心定位模块，用于分别对虹膜轮廓的内环和外环进行圆心定位；
坐标建立模块，用于根据获得的内环和外环的圆心定位建立内环和外环的直角坐标方程；
坐标转换模块，用于将所述内环和外环的直角坐标方程转换为内环和外环的极坐标方程；
参数获取模块，用于根据所述内环和外环的极坐标方程检测极坐标点的位置获得内环和外环的参数；
缺失处理模块，用于对内环和外环上缺失的点进行插值处理。
18.根据权利要求10所述的虹膜识别装置，其特征在于，所述比对模块包括：
评分计算模块，用于采用海明距离算法比较理想虹膜的特征参数与特征库的特征参数之间的相似度，获取虹膜特征相似度评分。
19.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9中任一项所述基于边缘检测的虹膜识别方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9中任一项所述基于边缘检测的虹膜识别方法。
CN201910624191.1A 2019-07-11 2019-07-11 一种基于边缘检测的虹膜识别方法及装置 Active CN110309814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910624191.1A CN110309814B (zh) 2019-07-11 2019-07-11 一种基于边缘检测的虹膜识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910624191.1A CN110309814B (zh) 2019-07-11 2019-07-11 一种基于边缘检测的虹膜识别方法及装置

Publications (2)

Publication Number Publication Date
CN110309814A CN110309814A (zh) 2019-10-08
CN110309814B true CN110309814B (zh) 2022-03-11

Family

ID=68081064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910624191.1A Active CN110309814B (zh) 2019-07-11 2019-07-11 一种基于边缘检测的虹膜识别方法及装置

Country Status (1)

Country Link
CN (1) CN110309814B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210423B (zh) * 2020-01-13 2023-04-07 浙江杜比医疗科技有限公司 Nir图像的乳房轮廓提取方法、系统及装置
CN111582099B (zh) * 2020-04-28 2021-03-09 吉林大学 一种基于虹膜远源特征交运算决策的身份验证方法
CN112906596A (zh) * 2021-03-03 2021-06-04 杭州电子科技大学 基于低分辨率光学摄像头的虹膜中心定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110142297A1 (en) * 2009-12-16 2011-06-16 Eye Controls, Llc Camera Angle Compensation in Iris Identification
CN105160306B (zh) * 2015-08-11 2019-05-07 北京眼神智能科技有限公司 虹膜图像模糊判断的方法和装置
CN105956536A (zh) * 2016-04-26 2016-09-21 北京森科赛德科技有限公司 一种虹膜识别的预处理方法及装置

Also Published As

Publication number Publication date
CN110309814A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
US11715325B2 (en) Fingerprint verification method and apparatus
CN105474234B (zh) 一种掌静脉识别的方法和掌静脉识别装置
CN109165593B (zh) 用于生物认证的特征提取及匹配以及模板更新
Aldoma et al. Multimodal cue integration through hypotheses verification for rgb-d object recognition and 6dof pose estimation
CN110309814B (zh) 一种基于边缘检测的虹膜识别方法及装置
CN106056037B (zh) 用于识别指纹的方法和设备
CN106981077B (zh) 基于dce和lss的红外图像和可见光图像配准方法
Puhan et al. Efficient segmentation technique for noisy frontal view iris images using Fourier spectral density
EP1997060A1 (en) Processing an image of an eye
US10395112B2 (en) Device and method of recognizing iris
US10769407B2 (en) Fingerprint registration method and device
de Mira et al. Biometric-oriented iris identification based on mathematical morphology
Pamplona Segundo et al. Pore-based ridge reconstruction for fingerprint recognition
Chidananda et al. Entropy-cum-Hough-transform-based ear detection using ellipsoid particle swarm optimization
CN109840529B (zh) 一种基于局部敏感置信度评估的图像匹配方法
Chang et al. Effectiveness evaluation of iris segmentation by using geodesic active contour (GAC)
CN111144413A (zh) 虹膜定位方法及计算机可读存储介质
Pankaj et al. A robust estimation technique for 3d point cloud registration
Khalil Reference point detection for camera-based fingerprint image based on wavelet transformation
Ong et al. Retina verification using a combined points and edges approach
CN109815791B (zh) 基于血管的身份识别方法和装置
Gong et al. Human iris localization combined with ant colony and improved hough circle detection
Uma et al. Implementation of iris recognition system using fpga
Kuban et al. A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING.
Kannavara et al. Iris biometric authentication based on local global graphs: An FPGA implementation

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
GR01 Patent grant
GR01 Patent grant