CN110348276A - 电子装置、虹膜辨识方法以及计算机可读介质 - Google Patents
电子装置、虹膜辨识方法以及计算机可读介质 Download PDFInfo
- Publication number
- CN110348276A CN110348276A CN201810385239.3A CN201810385239A CN110348276A CN 110348276 A CN110348276 A CN 110348276A CN 201810385239 A CN201810385239 A CN 201810385239A CN 110348276 A CN110348276 A CN 110348276A
- Authority
- CN
- China
- Prior art keywords
- image
- iris
- iris image
- frame
- processor
- 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
- 238000012850 discrimination method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001479607 Iris hartwegii Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V40/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种电子装置、虹膜辨识方法以及非易失性可读式计算机介质。电子装置中的处理器获得第一及第二虹膜图像，并依据第一及第二虹膜图像以分别计算出非均匀排列的多个第一及第二特征标示框。处理器利用第一特征标示框以从第一及第二虹膜图像分别获得第一及第二图像特征，并将第一及第二图像特征进行比对以获得第一辨识结果。处理器利用第二特征标示框以从第二及第一虹膜图像分别获得第三及第四图像特征，并将第三及第四图像特征进行比对以获得第二辨识结果。处理器依据第一及第二辨识结果判断第一及第二虹膜图像的相似程度。
Description
技术领域
本发明涉及一种虹膜辨识技术，且特别涉及一种可以提升虹膜辨识准确度的电子装置、虹膜辨识方法以及计算机可读介质。
背景技术
目前的消费型电子装置(如，平板计算机、智能手机…等)希望能够通过生物特征识别技术(如，虹膜辨识、指纹辨识)来让特定使用者进行启动，从而保护消费型电子装置中的数据及隐私。在虹膜辨识技术中，提取人眼的虹膜图像十分容易因为环境变化而影响到虹膜图像的质量。举例来说，受到不同角度、强度的阳光投射后可能导致虹膜图像部分纹理的改变、因户外光线过强而导致虹膜图像过曝而让纹理消失、或因图像对比度过强而导致虹膜图像中的细节纹理消失…等情况，从而降低电子装置对虹膜图像的辨识准确度。
因此，如何有效地提升虹膜辨识的准确度，将是本领域技术人员重要的课题之一。
发明内容
本发明提供一种电子装置、虹膜辨识方法以及计算机可读介质，其利用虹膜图像产生对应的特征标示框，并通过预设的虹膜图像及经提取的虹膜图像以双向交叉比对方式以有效地进一步提升虹膜辨识的准确度。
本发明的电子装置包括处理器以及图像提取器。处理器获得第一虹膜图像，依据第一虹膜图像以计算出非均匀排列的多个第一特征标示框，并利用第一特征标示框以从第一虹膜图像获得第一图像特征。图像提取器用以提取第二虹膜图像。处理器通过图像提取器获得第二虹膜图像，利用第一特征标示框以从第二虹膜图像获得第二图像特征，将第一图像特征及第二图像特征进行比对以获得第一辨识结果。处理器依据第二虹膜图像以计算出非均匀排列的多个第二特征标示框，并利用第二特征标示框以从第二虹膜图像获得第三图像特征。处理器利用第二特征标示框以从第一虹膜图像获得第四图像特征，将第三图像特征及第四图像特征进行比对以获得第二辨识结果。并且，处理器依据第一辨识结果及第二辨识结果判断第一虹膜图像及第二虹膜图像的相似程度。
在本发明的虹膜辨识方法包括：获得第一虹膜图像，依据第一虹膜图像以计算出非均匀排列的多个第一特征标示框，并利用第一特征标示框以从第一虹膜图像获得第一图像特征。提取第二虹膜图像。利用第一特征标示框以从第二虹膜图像获得第二图像特征，将第一图像特征及第二图像特征进行比对以获得第一辨识结果。依据第二虹膜图像以计算出非均匀排列的多个第二特征标示框，并利用第二特征标示框以从第二虹膜图像获得第三图像特征，利用第二特征标示框以从第一虹膜图像获得第四图像特征，将第三图像特征及第四图像特征进行比对以获得第二辨识结果。依据第一辨识结果及第二辨识结果判断所第一虹膜图像及第二虹膜图像的相似程度。
本发明的非易失性计算机可读介质用以存储多个程序代码，其中这些程序代码适于载入处理器中，并以执行如上所述的虹膜辨识方法。
基于上述，本发明实施例所述的电子装置通过检测第一虹膜图像(如，注册阶段时输入的虹膜图像)中部分图像区域是否具备较强纹理特征而产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像与第二虹膜图像(如，经提取的虹膜图像)是否相近。并且，本实施例同时通过第二虹膜图像产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像与第二虹膜图像的相似程度。如此一来，处理器可以通过双向交叉比对第一虹膜图像及第二虹膜图像的相似程度的方式，藉以提升虹膜辨识的准确性及容错性。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
附图说明
图1是依照本发明一实施例说明一种电子装置的方块图。
图2是依照本发明一实施例说明一种虹膜辨识方法的流程图。
图3是依照本发明一实施例说明一种第一虹膜图像及第二虹膜图像的双向交叉比对方法的示意图。
图4是依照本发明一实施例说明特征定位单元及交叉比对单元的示意图。
图5是依照本发明另一实施例说明多个第一虹膜图像及第二虹膜图像的双向交叉比对方法的示意图。
图6是依照本发明一实施例说明一种电子装置的错误拒绝率-错误接受率的曲线图。
【符号说明】
100：电子装置
110：图像提取器
120：处理器
130：存储器
140：显示器
410：特征定位单元
411：虹膜图像正规化单元
412：特征标示框分析单元
420：交叉比对单元
421：注册判断单元
422、423：接收单元
424、425：分析单元
426、427：比对单元
428：交叉分析单元
610、620、630：曲线
M1～M3：存储单元
A1、A2：辨识结果
IM1、IM2、IM1x、IM2x、IM1_1～IM1_3IM2_1～IM2_3：虹膜图像
CR：判断结果
IC1～IC4：图像特征
MB1_1～MB1_N、MB2_1～MB2_N：特征标示框
S210～S250：虹膜辨识方法的步骤
具体实施方式
图1是依照本发明一实施例说明一种电子装置100的方块图。电子装置100包括图像提取器110、处理器120、存储器130以及显示器140。在本实施例中，处理器120耦接至图像提取器110，用以获得第一虹膜图像IM1及第二虹膜图像IM2。处理器120获得第一虹膜图像IM1的方式可以是图像提取器110在第一时间点时所提取的第一虹膜图像IM1，或者是使用者预先存储于存储器130的图像数据(如，具有使用者的人眼图像的照片或图像)。处理器120获得第二虹膜图像IM2的方式可以是图像提取器110在第一时间点后的第二时间点时所提取的第二虹膜图像IM2。处理器120更可以用以判断第一虹膜图像IM1及第二虹膜图像IM2的相似程度以提供判断结果CR。
存储器130耦接至图像提取器110及处理器120，用以存储多个第一特征标示框及多个第二特征标示框。显示器140耦接至处理器120，用以接收判断结果CR，并将判断结果CR呈现于显示器140。
在本实施例中，电子装置100可以例如是笔记型计算机、平板计算机、智能手机、个人数字助理(Personal Digital Assistant，PDA)，并不限于此。图像提取器110可以例如是照相机、红外线或可见光摄影机等具有提取或拍摄图像功能的电子装置，并不限于此。使用者可以利用图像提取器110来提取或拍摄自身或他人的人眼图像，以获得人眼图像中的虹膜图像(如，第一虹膜图像IM1或第二虹膜图像IM2)。另一方面，处理器120可以例如是中央处理单元(Central Processing Unit，CPU)，或是其他可编程的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor，DSP)、可编程控制器、特殊应用集成电路(Application Specific Integrated Circuit，ASIC)或其他类似元件或上述元件的组合，但不限于此。存储器130可以例如是可变电阻式存储器(ResistiveRandom-Access Memory，RRAM)、铁电随机存取存储器(Ferroelectric RAM，FeRAM)、磁阻随机存取存储器(MagnetoresistiveRAM，MRAM)、相变式随机存取存储器(Phase changeRAM，PRAM)、导通微信道存储器(Conductive bridge RAM，CBRAM)，但不限于此。显示器140可以例如是液晶显示面板(Liquid-Crystal Display，LCD)或有机发光二极管面板(OrganicLight-Emitting Diode，OLED)等具有显示功能的装置。
在本实施例中，第一虹膜图像IM1及第二虹膜图像IM2分别可以例如是使用者在注册阶段(亦即第一时间点)时输入的虹膜图像(如，注册虹膜图像)及经图像提取器110在第二时间点时所提取的虹膜图像(如，测试虹膜图像)。第一虹膜图像IM1及第二虹膜图像IM2分别可以是灰阶图像或彩色图像，但本发明实施例并不限于此。上述的注册阶段可以例如是当使用者欲启动或解锁电子装置100前，预先在第一时间点时，通过图像提取器110来提取或拍摄自身或他人的人眼图像，或者，使用者也可以预先在第一时间点时，将自身或他人的人眼图像存储至存储器130，以使处理器120可以通过图像提取器110或存储器130来获得人眼图像中的虹膜图像(如，第一虹膜图像IM1)，以供后续启动或解锁电子装置100时的参考样本。
以下请同时参照图1、图2以及图3，图2是依照本发明一实施例说明一种虹膜辨识方法的流程图，图3是依照本发明一实施例说明一种第一虹膜图像及第二虹膜图像的双向交叉比对方法的示意图。在步骤S210中，处理器120可以通过图像提取器110或从使用者预先存储于存储器130的人眼图像来获得第一虹膜图像IM1。处理器120可以依据第一虹膜图像IM1来计算出非均匀排列的多个第一特征标示框MB1_1～MB1_N。接着，处理器120可以利用这些第一特征标示框MB1_1～MB1_N以从第一虹膜图像IM1来获得第一图像特征IC1。
详细来说，在本实施例中，处理器120可以针对第一虹膜图像IM1中的多个图像区域依序地进行检测，以判断各个图像区域是否具备较强纹理特征。举例来说，若处理器120判断第一虹膜图像IM1中所检测的图像区域的特征值大于临界值时，则表示所述图像区域具备较强纹理特征，处理器120可以依据所述图像区域的特征值来计算出所述图像区域的特征标示框，并接续检测下一个图像区域。相对的，若处理器120判断第一虹膜图像IM1中所检测的图像区域的特征值小于临界值时，则表示所述图像区域不具备较强纹理特征，处理器120可以忽略所述图像区域的特征值，并接续检测下一个图像区域。藉此，在第一虹膜图像IM1中，处理器120可以依据特征值大于所述临界值的图像区域来计算出非均匀排列的多个第一特征标示框MB1_1～MB1_N。处理器120可以利用这些第一特征标示框MB1_1～MB1_N以从第一虹膜图像IM1来获得第一图像特征IC1。
在步骤S220中，使用者可以例如是在阳光下或户外环境中，利用图像提取器110来提取第二虹膜图像IM2(如，使用者的人眼图像)，但并不限于此。
在步骤S230中，处理器120可以通过图像提取器110来获得第二虹膜图像IM2(如，使用者在阳光下或户外环境中所拍摄的人眼图像)。值得一提的是，在本实施例中，处理器120可以利用这些第一特征标示框MB1_1～MB1_N以从第二虹膜图像IM2来获得第二图像特征IC2。处理器120可以将上述的第一图像特征IC1及第二图像特征IC2进行比对以获得第一辨识结果A1。其中，在图3中，第一图像特征IC1具有18个由第一虹膜图像IM1获得的虹膜图像特征，第二图像特征IC2中具有18个由第二虹膜图像IM2获得的虹膜图像特征。
具体来说，处理器120可以依序对应的比对第一图像特征IC1中的18个虹膜图像特征及第二图像特征IC2中的18个虹膜图像特征中相似的局部特征，以判断出第一图像特征IC1及第二图像特征IC2中各个对应的虹膜图像特征的相似程度。处理器120可以依据各个对应的虹膜图像特征的相似程度来获得第一辨识结果A1。在第一辨识结果A1中，符号O表示所述直行的第一图像特征IC1中的虹膜图像特征与第二图像特征IC2中的虹膜图像特征实质上相似，符号X表示所述直行的第一图像特征IC1中的虹膜图像特征与第二图像特征IC2中的虹膜图像特征实质上不相似。
在步骤S240中，处理器120可以依据第二虹膜图像IM2来计算出非均匀排列的多个第二特征标示框MB2_1～MB2_N。接着，处理器120可以利用这些第二特征标示框MB2_1～MB2_N以从第二虹膜图像IM2来获得第三图像特征IC3。
详细来说，在本实施例中，处理器120可以针对第二虹膜图像IM2中的多个图像区域依序地进行检测，以判断各个图像区域是否具备较强纹理特征。举例来说，若处理器120判断第二虹膜图像IM2中所检测的图像区域的特征值大于临界值时，则表示所述图像区域具备较强纹理特征，处理器120可以依据所述图像区域的特征值来计算出所述图像区域的特征标示框，并接续检测下一个图像区域。相对的，若处理器120判断第二虹膜图像IM2中所检测的图像区域的特征值小于临界值时，则表示所述图像区域不具备较强纹理特征，处理器120可以忽略所述图像区域的特征值，并接续检测下一个图像区域。藉此，在第二虹膜图像IM2中，处理器120可以依据特征值大于所述临界值的图像区域来计算出非均匀排列的多个第二特征标示框MB2_1～MB2_N。处理器120可以利用这些第二特征标示框MB2_1～MB2_N以从第二虹膜图像IM1来获得第三图像特征IC3。
在本实施例中，处理器120可以利用这些第二特征标示框MB2_1～MB2_N以从第一虹膜图像IM1来获得第四图像特征IC4。处理器120可以将上述的第三图像特征IC3及第四图像特征IC4进行比对以获得第二辨识结果A2。其中，在图3中，第三图像特征IC3具有18个由第二虹膜图像IM2获得的虹膜图像特征，第四图像特征IC4中具有18个由第一虹膜图像IM1获得的虹膜图像特征。
具体来说，处理器120可以依序对应的比对第三图像特征IC3中的18个虹膜图像特征及第四图像特征IC4中的18个虹膜图像特征中相似的局部特征，以判断出第三图像特征IC3及第四图像特征IC4中各个对应的虹膜图像特征的相似程度。处理器120可以依据各个对应的虹膜图像特征的相似程度来获得第二辨识结果A2。在第二辨识结果A2中，符号O表示所述行的第三图像特征IC3中的虹膜图像特征与第四图像特征IC4中的虹膜图像特征实质上相似，符号X表示所述行的第三图像特征IC3中的虹膜图像特征与第四图像特征IC4中的虹膜图像特征实质上不相似。
在步骤S250中，处理器120可以依据所述第一辨识结果A1及第二辨识结果A2来判断出第一虹膜图像IM1及第二虹膜图像IM2的相似程度。处理器120可以将所述第一辨识结果A1及第二辨识结果A2所分别计算出的相似程度进行平均，以获得双向交叉比对后的计算结果。举例来说，若所述双向交叉比对后的计算结果为接近1的数值时，表示第一虹膜图像IM1及第二虹膜图像IM2的图像特征实质上相似。相对的，若所述交叉比对后的计算结果为接近0的数值时，表示第一虹膜图像IM1及第二虹膜图像IM2的图像特征实质上不相似。
在本实施例中，上述的非均匀排列意指处理器120仅依据第一虹膜图像IM1及第二虹膜图像IM2中，特征值大于所述临界值的图像区域(亦即具备高纹理特征的图像区域)来计算出多个第一特征标示框MB1_1～MB1_N及第二特征标示框MB2_1～MB2_N，而处理器120将会忽略掉特征值小于所述临界值的图像区域(亦即不具备高纹理特征的图像区域)。相较于已知技术是通过将虹膜图像中的图像区域平均划分成预设等分后，直接计算出所述虹膜图像的特征标示框的方式，本实施例的非均匀排列的多个第一特征标示框MB1_1～MB1_N及第二特征标示框MB2_1～MB2_N可以使后续的双向交叉比对方法更能够提升虹膜辨识的准确性及容错性。
以下请同时参照图1至图4，图4是依照本发明一实施例说明特征定位单元及交叉比对单元的示意图。在本实施例中，处理器120还包括特征定位单元410及交叉比对单元420。其中，特征定位单元410耦接至交叉比对单元420。特征定位单元410包括虹膜图像正规化单元411以及特征标示框分析单元412。交叉比对单元420包括注册判断单元421、接收单元422、423、分析单元424、425、比对单元426、427、交叉分析单元428、存储单元M1～M3。其中，上述的特征定位单元410及交叉比对单元420可以例如是软件或固件模块所构成，但本发明并不限于此。
在本实施例中，特征定位单元410可以接收第一虹膜图像IM1及第二虹膜图像IM2。特征定位单元410可以利用虹膜图像正规化单元411来将第一虹膜图像IM1及第二虹膜图像IM2进行正规化及比对特征计算。
进一步来说，本实施例的虹膜图像正规化单元411可以藉由微积分运算子(Integrodifferential Operator)或霍夫变换(Hough Transform)运算方法来获得第一虹膜图像IM1及第二虹膜图像IM2中的虹膜区域分割信息，并将所述虹膜区域分割信息经由橡胶板模型(Rubber Sheet Model)变换至极坐标，以获得经正规化后的第一虹膜图像IM1x及第二虹膜图像IM2x，以进一步的排除瞳孔对于虹膜辨识的影响。
虹膜图像正规化单元411可以将第一虹膜图像IM1x及第二虹膜图像IM2x进一步的利用莫莱小波(Gabor Wavelet)、局部二值模式(Local Binary Pattern)或方向梯度直方图(Histogram Of Oriented Gradient)等变换方式，来获得第一虹膜图像IM1x及第二虹膜图像IM2x中较为明显或突出的图像特征(如，第一虹膜图像IM1及第二虹膜图像IM2的边框或细部的纹理)。
在本实施例中，特征标示框分析单元412耦接至虹膜图像正规化单元411，以接收经正规化后的第一虹膜图像IM1x及第二虹膜图像IM2x。特征标示框分析单元412可以将第一虹膜图像IM1x及第二虹膜图像IM2x分别经由边界强化或纹理量化的处理方法来获得多个第一特征标示框MB1_1～MB1_N及多个第二特征标示框MB2_1～MB2_N。
特征标示框分析单元412可以利用索贝尔算子(Sobel Operator)、高斯拉普拉斯(Laplacian Of Gaussian)或纹理能测量量(Texture Energy Measure)等纹理量化的处理方法，来获得第一虹膜图像IM1x及第二虹膜图像IM2x的纹理强弱量化数据。并且，特征标示框分析单元412可以依据所述纹理强弱量化数据来获得多个第一特征标示框MB1_1～MB1_N及多个第二特征标示框MB2_1～MB2_N。
另一方面，交叉比对单元420可以利用注册判断单元421来判断电子装置100是否操作于注册阶段。当注册判断单元421判断电子装置100操作于注册阶段时，虹膜图像正规化单元411可以将第一虹膜图像IM1x存储至存储单元M2，并且特征标示框分析单元412可以将多个第一特征标示框MB1_1～MB1_N存储至存储单元M1。
相对的，当注册判断单元421判断电子装置100未操作于注册阶段时，虹膜图像正规化单元411可以将第二虹膜图像IM2x存储至存储单元M3。在此同时，接收单元422可以接收存储于存储单元M1的多个第一特征标示框MB1_1～MB1_N，并且接收单元423可以接收特征标示框分析单元412所提供的多个第二特征标示框MB2_1～MB2_N。
在本实施例中，分析单元424可以接收多个第一特征标示框MB1_1～MB1_N、第一虹膜图像IM1x以及第二虹膜图像IM2x。值得一提的是，分析单元424可以利用这些第一特征标示框MB1_1～MB1_N以从第一虹膜图像IM1x获得第一图像特征IC1。分析单元424也可以利用这些第一特征标示框MB1_1～MB1_N以从第二虹膜图像IM2x获得第二图像特征IC2。
相对的，在本实施例中，分析单元425可以接收多个第二特征标示框MB2_1～MB2_N、第一虹膜图像IM1x以及第二虹膜图像IM2x。值得一提的是，分析单元425可以利用这些第二特征标示框MB2_1～MB2_N以从第二虹膜图像IM2x获得第三图像特征IC3。分析单元425也可以利用这些第二特征标示框MB2_1～MB2_N以从第一虹膜图像IM1x获得第四图像特征IC4。
在本实施例中，比对单元426可以接收第一图像特征IC1及第二图像特征IC2，比对单元426可以将第一图像特征IC1及第二图像特征IC2进行比对以获得第一辨识结果A1。另一方面，比对单元427可以接收第三图像特征IC3及第四图像特征IC4，比对单元427可以将第三图像特征IC3及第四图像特征IC4进行比对以获得第二辨识结果A2。
交叉分析单元428可以接收第一辨识结果A1及第二辨识结果A2，并且交叉分析单元428可以依据第一辨识结果A1及第二辨识结果A2来判断第一虹膜图像IM1及第二虹膜图像IM2的相似程度，以提供判断结果CR。需注意到的是，在图4中，特征定位单元410及交叉比对单元420中的各个单元的操作方法及比对方法皆相同或相似于图2中的步骤S210～S250，在此则不多赘述。
图5是依照本发明另一实施例说明多个第一虹膜图像及第二虹膜图像的双向交叉比对方法的示意图。在本实施例中，使用者依照自身的需求或使用的状况，来决定图像提取器110提取第一虹膜图像IM1及第二虹膜图像IM2的数量。详细来说，在本实施例中，处理器120可以在第一时间点时，通过图像提取器110或从使用者预先存储于存储器130的人眼图像来获得多个第一虹膜图像IM1_1～IM1_3。相对的，处理器120可以在第二时间点时，通过图像提取器110来获得多个第二虹膜图像IM2_1～IM2_2。藉此，本实施例可以藉由前一实施例的双向交叉比对方法来比对多个第一虹膜图像IM1_1～IM1_3及第二虹膜图像IM2_1～IM2_2的相似程度。但本发明并不限于上述所举例的数量。
图6是依照本发明一实施例说明一种电子装置的错误拒绝率-错误接受率的曲线图。在图6中，横轴表示为电子装置100的错误拒绝率(False Rejection Rate，FRR)，纵轴表示为电子装置100的错误接受率(False Acceptance Rate，FAR)。电子装置100的错误拒绝率-错误接受率的曲线图包括仅通过均匀比对方法来进行虹膜辨识的曲线610、仅通过检测注册虹膜图像的较强纹理特征的比对方法来进行虹膜辨识的曲线620以及本发明所提出的虹膜辨识方法的曲线630。在本实施例中，电子装置100可以利用处理器120来检测第一虹膜图像IM1(如，注册阶段时输入的虹膜图像)中部分图像区域是否具备较强纹理特征而产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像IM1与第二虹膜图像IM2(如，经提取的虹膜图像)是否相近。并且，本实施例同时可以通过第二虹膜图像IM2产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像IM1与第二虹膜图像IM2的相似程度。如此一来，在测试时间区间中，本实施例的虹膜辨识方法可以通过双重交叉比对第一虹膜图像IM1及第二虹膜图像IM2的相似程度的方式，以使曲线630相较于曲线610及曲线620具有较低的错误拒绝率及错误接受率。
在本实施例中，使用者可以通过非易失性可读式计算机介质来执行上述的虹膜辨识方法。此非易失性可读式计算机介质可以是用以存储多个程序代码(如，执行上述相关功能的程序代码，但并不限于此)，并且这些程序代码可以载入至处理器中，以使此处理器执行上述的相关功能。顺带一提的是，此非易失性可读式计算机介质可以例如是光盘、通用串行总线(Universal Serial Bus，USB)以及任何具有非易失性特性的存储器装置，但并不限于此。
综上所述，本发明电子装置可以通过处理器来检测第一虹膜图像(如，注册阶段时输入的虹膜图像)中部分图像区域是否具备较强纹理特征而产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像与第二虹膜图像(如，经提取的虹膜图像)是否相近。并且，本实施例同时可以通过第二虹膜图像产生对应的特征标示框，并利用此特征标示框来判断第一虹膜图像与第二虹膜图像的相似程度。如此一来，处理器可以通过双向交叉比对第一虹膜图像及第二虹膜图像的相似程度的方式，藉以提升虹膜辨识的准确性及容错性，以进一步降低错误拒绝率及错误接受率。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视所附权利要求书界定范围为准。
Claims (13)
1.一种电子装置，其特征在于，包括：
处理器，获得第一虹膜图像，依据所述第一虹膜图像以计算出非均匀排列的多个第一特征标示框，并利用所述第一特征标示框以从所述第一虹膜图像获得第一图像特征；以及
图像提取器，用以提取第二虹膜图像，
其中，所述处理器通过所述图像提取器获得所述第二虹膜图像，利用所述第一特征标示框以从所述第二虹膜图像获得第二图像特征，将所述第一图像特征及所述第二图像特征进行比对以获得第一辨识结果，
所述处理器依据所述第二虹膜图像以计算出非均匀排列的多个第二特征标示框，并利用所述第二特征标示框以从所述第二虹膜图像获得第三图像特征，所述处理器利用所述第二特征标示框以从所述第一虹膜图像获得第四图像特征，将所述第三图像特征及所述第四图像特征进行比对以获得第二辨识结果，并且，
所述处理器依据所述第一辨识结果及所述第二辨识结果判断所述第一虹膜图像及所述第二虹膜图像的相似程度。
2.如权利要求1所述的电子装置，其中所述图像提取器在第一时间点提取所述第一虹膜图像并在所述第一时间点后的第二时间点提取所述第二虹膜图像，以分别提供所述第一虹膜图像及所述第二虹膜图像至所述处理器。
3.如权利要求1所述的电子装置，其中所述处理器将所述第一虹膜图像及所述第二虹膜图像中的多个图像区域依序地进行检测，其中，
若所述第一虹膜图像中所检测的所述图像区域的特征值大于临界值时，所述处理器依据所检测的所述图像区域的特征值计算出所述图像区域的第一特征标示框；以及
若所述第二虹膜图像中所检测的所述图像区域的特征值大于所述临界值时，所述处理器依据所检测的所述图像区域的特征值计算出所述图像区域的第二特征标示框。
4.如权利要求1所述的电子装置，其中所述电子装置还包括：
存储器，耦接至所述图像提取器及所述处理器，用以存储所述多个第一特征标示框及所述多个第二特征标示框。
5.如权利要求1所述的电子装置，其中所述电子装置还包括：
显示器，耦接至所述处理器，用以呈现所述处理器判断所述第一虹膜图像及所述第二虹膜图像的相似程度的判断结果。
6.如权利要求1所述的电子装置，其中所述第一虹膜图像及所述第二虹膜图像为灰阶图像或彩色图像。
7.一种虹膜辨识方法，其特征在于，包括：
获得第一虹膜图像，依据所述第一虹膜图像以计算出非均匀排列的多个第一特征标示框，并利用所述第一特征标示框以从所述第一虹膜图像获得第一图像特征；
提取第二虹膜图像；
利用所述第一特征标示框以从所述第二虹膜图像获得第二图像特征，将所述第一图像特征及所述第二图像特征进行比对以获得第一辨识结果；
依据所述第二虹膜图像以计算出非均匀排列的多个第二特征标示框，并利用所述第二特征标示框以从所述第二虹膜图像获得第三图像特征，利用所述第二特征标示框以从所述第一虹膜图像获得第四图像特征，将所述第三图像特征及所述第四图像特征进行比对以获得第二辨识结果；以及
依据所述第一辨识结果及所述第二辨识结果判断所述第一虹膜图像及所述第二虹膜图像的相似程度。
8.如权利要求7所述的虹膜辨识方法，其中在第一时间点提取所述第一虹膜图像并在所述第一时间点后的第二时间点提取所述第二虹膜图像，以分别提供所述第一虹膜图像及所述第二虹膜图像。
9.如权利要求7所述的虹膜辨识方法，其中依据所述第一虹膜图像以计算出非均匀排列的所述第一特征标示框的步骤包括：
将所述第一虹膜图像及所述第二虹膜图像中的多个图像区域依序地进行检测；
若所述第一虹膜图像中所检测的所述图像区域的特征值大于临界值时，依据所检测的所述图像区域的特征值计算出所述图像区域的第一特征标示框；以及
若所述第二虹膜图像中所检测的所述图像区域的特征值大于所述临界值时，依据所检测的所述图像区域的特征值计算出所述图像区域的第二特征标示框。
10.如权利要求7所述的虹膜辨识方法，其中所述虹膜辨识方法还包括：
存储所述多个第一特征标示框及所述多个第二特征标示框。
11.如权利要求7所述的虹膜辨识方法，其中所述虹膜辨识方法还包括：
呈现判断所述第一虹膜图像及所述第二虹膜图像的相似程度的判断结果。
12.如权利要求7所述的虹膜辨识方法，其中所述第一虹膜图像及所述第二虹膜图像为灰阶图像或彩色图像。
13.一种非易失性可读式计算机介质，用以存储多个程序代码，其中这些程序代码适于载入处理器中，以执行如权利要求7所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107111922A TWI659364B (zh) | 2018-04-03 | 2018-04-03 | 電子裝置、虹膜辨識方法以及電腦可讀式媒體 |
| TW107111922 | 2018-04-03 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110348276A true CN110348276A (zh) | 2019-10-18 |
| CN110348276B CN110348276B (zh) | 2021-06-22 |
Family
ID=67348157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810385239.3A Active CN110348276B (zh) | 2018-04-03 | 2018-04-26 | 电子装置、虹膜辨识方法以及计算机可读介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10474893B2 (zh) |
| CN (1) | CN110348276B (zh) |
| TW (1) | TWI659364B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014755A1 (en) * | 2008-07-21 | 2010-01-21 | Charles Lee Wilson | System and method for grid-based image segmentation and matching |
| WO2010108069A1 (en) * | 2009-03-19 | 2010-09-23 | Indiana University Research & Technology Corporation | System and method for non-cooperative iris recognition |
| TW201606553A (zh) * | 2014-08-13 | 2016-02-16 | Univ Nat Pingtung Sci & Tech | 虹膜特徵辨識方法及其系統 |
| CN107407803A (zh) * | 2015-04-23 | 2017-11-28 | 全球仿生物光学有限公司 | 延伸景深生物识别系统 |
| CN107437049A (zh) * | 2016-05-28 | 2017-12-05 | 深圳富泰宏精密工业有限公司 | 虹膜检测系统、便携式电子装置及虹膜检测方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000189403A (ja) | 1998-12-25 | 2000-07-11 | Oki Electric Ind Co Ltd | 虹彩領域抽出方法及び個体識別装置 |
| JP3695990B2 (ja) * | 1999-05-25 | 2005-09-14 | 三菱電機株式会社 | 顔画像処理装置 |
| US7436986B2 (en) * | 2003-03-25 | 2008-10-14 | Bausch & Lomb Incorporated | Positive patient identification |
| KR100571813B1 (ko) | 2003-07-28 | 2006-04-17 | 삼성전자주식회사 | 로컬 선형변환함수를 이용한 특징벡터 추출방법과 이를이용한 영상인식방법 및 장치 |
| KR100590572B1 (ko) * | 2004-12-15 | 2006-06-19 | 삼성전자주식회사 | 눈 위치 검출 방법 및 장치 |
| KR100745981B1 (ko) | 2006-01-13 | 2007-08-06 | 삼성전자주식회사 | 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치 |
| TWI427544B (zh) | 2010-09-20 | 2014-02-21 | Egis Technology Inc | 具智能學習功能之生物特徵辨識裝置及其方法 |
| US9235782B1 (en) * | 2012-12-24 | 2016-01-12 | Google Inc. | Searching images and identifying images with similar facial features |
| CN104484649B (zh) | 2014-11-27 | 2018-09-11 | 北京天诚盛业科技有限公司 | 虹膜识别的方法和装置 |
| US9696795B2 (en) | 2015-02-13 | 2017-07-04 | Leap Motion, Inc. | Systems and methods of creating a realistic grab experience in virtual reality/augmented reality environments |
| US20160275348A1 (en) | 2015-03-17 | 2016-09-22 | Motorola Mobility Llc | Low-power iris authentication alignment |
| CN107346419B (zh) * | 2017-06-14 | 2021-05-11 | Oppo广东移动通信有限公司 | 虹膜识别方法、电子装置和计算机可读存储介质 |
-
2018
- 2018-04-03 TW TW107111922A patent/TWI659364B/zh active
- 2018-04-24 US US15/960,559 patent/US10474893B2/en active Active
- 2018-04-26 CN CN201810385239.3A patent/CN110348276B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014755A1 (en) * | 2008-07-21 | 2010-01-21 | Charles Lee Wilson | System and method for grid-based image segmentation and matching |
| WO2010108069A1 (en) * | 2009-03-19 | 2010-09-23 | Indiana University Research & Technology Corporation | System and method for non-cooperative iris recognition |
| TW201606553A (zh) * | 2014-08-13 | 2016-02-16 | Univ Nat Pingtung Sci & Tech | 虹膜特徵辨識方法及其系統 |
| CN107407803A (zh) * | 2015-04-23 | 2017-11-28 | 全球仿生物光学有限公司 | 延伸景深生物识别系统 |
| CN107437049A (zh) * | 2016-05-28 | 2017-12-05 | 深圳富泰宏精密工业有限公司 | 虹膜检测系统、便携式电子装置及虹膜检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190303645A1 (en) | 2019-10-03 |
| TW201942792A (zh) | 2019-11-01 |
| US10474893B2 (en) | 2019-11-12 |
| TWI659364B (zh) | 2019-05-11 |
| CN110348276B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9087232B2 (en) | 3D object recognition | |
| Uhl et al. | Weighted adaptive hough and ellipsopolar transforms for real-time iris segmentation | |
| EP3407229A1 (en) | Method, system, device and readable storage medium for realizing insurance claim fraud prevention based on consistency between multiple images | |
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| WO2016150240A1 (zh) | 身份认证方法和装置 | |
| US20090226047A1 (en) | Apparatus and Method of Processing Image and Human Face Detection System using the smae | |
| CN108447061B (zh) | 商品信息处理方法、装置、计算机设备和存储介质 | |
| JP2010140322A (ja) | 情報処理装置、情報処理方法、プログラムおよび情報処理システム | |
| He et al. | A new segmentation approach for iris recognition based on hand-held capture device | |
| US20240169518A1 (en) | Method and apparatus for identifying body constitution in traditional chinese medicine, electronic device, storage medium and program | |
| Bhavani et al. | Image registration for varicose ulcer classification using KNN classifier | |
| CN111241961A (zh) | 人脸检测方法、装置及电子设备 | |
| US10325374B1 (en) | System and method for segmenting ID cards with curved corners | |
| Zhao | Rapid multimodal image registration based on the local edge histogram | |
| US11495049B2 (en) | Biometric feature reconstruction method, storage medium and neural network | |
| Mu et al. | Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm | |
| CN110348276A (zh) | 电子装置、虹膜辨识方法以及计算机可读介质 | |
| Minija et al. | Neural network classifier and multiple hypothesis image segmentation for dietary assessment using calorie calculator | |
| Montassar et al. | Water turbidity estimation in water sampled images | |
| CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| Lee et al. | Octagonal prism LBP representation for face recognition | |
| Chen et al. | Target Matching Recognition for Satellite Images Based on the Improved FREAK Algorithm | |
| Adhiguna et al. | Design of Foreign Currency Recognition Application using Scale Invariant Feature Transform (SIFT) Method based on Android (Case Study: Singapore Dollar) | |
| Jang et al. | Stroke-based semi-automatic region of interest detection algorithm for in-situ painting recognition |
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 |