CN110728251A - 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 - Google Patents
一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 Download PDFInfo
- Publication number
- CN110728251A CN110728251A CN201911005205.8A CN201911005205A CN110728251A CN 110728251 A CN110728251 A CN 110728251A CN 201911005205 A CN201911005205 A CN 201911005205A CN 110728251 A CN110728251 A CN 110728251A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- value
- gray
- point
- 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
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本发明公开了一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其方法为:步骤一、采集模板虹膜灰度图像两张;步骤二、分别处理两张模板虹膜灰度图像;步骤三、将模板特征标签存储到IC卡中;步骤四、通过虹膜采集仪采集测试虹膜灰度图像一张;步骤五、处理测试虹膜灰度图像;步骤六、提取180×30维度测试虹膜处理图像的特征标签;步骤七、通过读卡器读取IC卡中存储的模板特征标签,利用模板虹膜灰度图像的特征标签与测试虹膜灰度图像的特征标签实现身份验证。有益效果:有利于虹膜识别系统的推广;有效提高了不同虹膜类别特征的区分度,进而提高了虹膜验证的准确率。
Description
本发明涉及一种基于虹膜识别的身份验证方法,特别涉及一种基于强化泛用型虹膜特征标签的轻量级身份验证方法。
背景技术
目前,随着社会信息化的发展,以人脸、虹膜、指纹为首的生物识别技术已经开始大规模运用在实际的生产生活中。而虹膜作为一种不容易被复制的人体特征,更受到那些高机密、高警备的场所,如军事基地、金库等方面的青睐。
比起人脸身份验证,当前虹膜身份验证的使用场所更多是在高机密、高警备、需要验证的人员数量少的场所,因此更注重轻量级身份验证。但当前的轻量级身份验证存在一些问题:一方面虹膜采集设备相较于人脸设备更需要专用化设计,另一方面,虹膜特征的选取目前没有完全统一的标准,这些都导致虹膜采集设备泛用性较差,很难直接使用现有的低成本设备进行操作,提高了虹膜身份验证的成本,影响了虹膜识别技术的推广。
为了提高选取特征的区分度,当前轻量级虹膜身份验证模型训练方式上更多的是采用的是基于统计学习的训练方式,通过同一设备拍摄上千甚至上万以上的虹膜图像,并针对不同的情况进行分类,形成较好的训练图像集后,根据特征提取后的数据的分布状态,找到区分度大,准确度高的部分形成特征标签。这是当前研究最广泛,也是最常见的训练方式,但这种方式需要大批量的虹膜图像作为基础,确保身份验证采集的图像即使与模板采集时的状态发生变化也能够保证识别的准确性。但是在很多情况下,图像的采集只有当场采集的几张图像,在这种情况下,统计学习的泛用性大大降低,识别效果下降。
因此,在轻量级虹膜身份验证中,就需要一种可以在少数量虹膜图像上提取特征标签进行模型训练的基础上,使验证模型适用于当前现有常用的低成本IC读卡设备以及虹膜采集设备,强化虹膜特征以及对设备要求的泛用性、通用性的身份验证方法。
发明内容
本发明的主要目的是为了解决现有的基于虹膜特征的轻量级身份验证方法中所存在的一些问题;
本发明的另一个目的是为了在轻量级虹膜条件下设计一种准确性高,区分度大,特征表述简单的虹膜特征标签;
本发明的再一个目的是为了强化泛用性,一方面使虹膜特征标签具有设备无关性,能采用现有的各种型号的摄像头采集,并能存储到现有的任意一款IC存储卡中,通过现有的任意一款IC卡读卡器都能读取IC卡的存储信息,实现特征以及设备的泛用性;
本发明为了解决上述问题达到上述目的而提供的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法。
本发明提供的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其方法如下所述:
步骤一、任意使用市面常见虹膜采集仪,采集模板虹膜灰度图像两张;
步骤二、分别处理两张模板虹膜灰度图像,得到两张180×30维度模板虹膜处理图像;
步骤三、基于两张180×30维度模板虹膜处理图像得到模板特征标签,并将模板特征标签存储到IC卡中;
步骤四、通过虹膜采集仪采集测试虹膜灰度图像一张;
步骤五、处理测试虹膜灰度图像,得到180×30维度测试虹膜处理图像;
步骤六、提取180×30维度测试虹膜处理图像的特征标签;
步骤七、通过读卡器读取IC卡中存储的模板特征标签,利用模板虹膜灰度图像的特征标签与测试虹膜灰度图像的特征标签实现身份验证。
上述步骤二、步骤五中处理虹膜灰度图像的具体过程如下:
第一步、通过非线性函数对虹膜图像进行处理,其中e代表指数函数中的底数,f(x,y)代表虹膜图像中坐标为(x,y)的点的灰度值,取结果值T的范围在[e-0.5,1]的灰度点,并通过开运算去除图像噪声干扰,得到具有瞳孔部分的灰度图;
第二步、对具有瞳孔部分的灰度图通过函数进行处理,其中,z代表具有瞳孔部分的灰度图中所有灰度值不为0或者255的点的平均值,f1(x,y)代表图像中坐标为(x,y)的点的灰度值在经过函数处理后的结果值,min代表具有瞳孔部分的灰度图中所有灰度值不为0或者255的点的最小值,将f1(x,y)的值小于等于0的点(x,y)的灰度值全部设为0,其余点的灰度值设为255,得到瞳孔的二值化图像;
第三步、通过对瞳孔的二值化图像canny边缘检测操作以及Hough圆检测操作,找到瞳孔以及虹膜边界的所在位置,确定瞳孔圆心和半径;
第四步、通过Daugman橡皮筋法,以第三步中确定的瞳孔圆心为极坐标的极点,以2倍半径长度为极轴,将虹膜灰度图像转化为256×32维度的归一图像;
第五步、设定归一图像中灰度值不为0或者255的点为特征点,根据公式1,公式2得到图像模糊度;
公式1:
Ki=|F(xi,yi+1)-F(xi,yi)|+|F(xi,yi-1)-F(xi,yi)|+|F(xi+1,yi)-F(xi,yi)|+|F(xi-1,yi)-F(xi,yi)| (1)
其中:
F(xi,yi)代表归一图像中坐标为(xi,yi)的第i特征点的灰度值;
F(xi,yi+1)代表归一图像中坐标为(xi,yi+1)的特征点上侧相邻点的灰度值;
F(xi,yi-1)代表归一图像中坐标为(xi,yi-1)的特征点下侧相邻点的灰度值;
F(xi+1,yi)代表归一图像中坐标为(xi+1,yi)的特征点右侧相邻点的灰度值;
F(xi-1,yi)代表归一图像中坐标为(xi-1,yi)的特征点左侧相邻点的灰度值;
Ki代表归一图像中坐标为(xi,yi)的第i特征点与上侧、下侧、左侧、右侧共计4个相邻点灰度值之间的灰度值变化差值的绝对值的和;
公式2:
其中:
D代表归一图像模糊度;
s代表归一图像中特征点的个数;
根据不同采集器的规格,设定清晰阈值p,D大于或者等于p时,代表该采集器下采集到的图像清晰,可以继续进行虹膜图像处理;D小于p时,代表该采集器下采集到的图像模糊,不可以继续进行虹膜图像处理;
第六步、设定第三步中初步找到的瞳孔圆心为中心点,将虹膜灰度图像中与该中心点距离大于5倍半径长度以及小于1倍半径长度的点的灰度值设为255,其余点的灰度值不变,之后根据公式组所得到的四个参数计算图像的直视度,设定虹膜灰度图像的维度为M×N,其中M代表长度,N代表宽度;
公式组:
其中:
f2(M,y1i)代表最右侧边界上的坐标为(M,y1i)的第i个点的灰度值;
G1代表图像最右侧边界上灰度值不等于255的点的数量的总和与维度N的比值;
f3(0,y2i)代表最左侧边界上的坐标为(0,y2i)的第i个点的灰度值;
G2代表图像最左侧边界上灰度值不等于255的点的数量的总和与维度N的比值;
f4(x1i,N)代表最下侧边界上的坐标为(x1i,N)的第i个点的灰度值;
G3代表图像最下侧边界上灰度值不等于255的点的数量的总和与维度M的比值;
f5(x2i,0)代表最上侧边界上的坐标为(x2i,0)的第i个点的灰度值;
G4代表图像最上侧边界上灰度值不等于255的点的数量的总和与维度M的比值;
sgn为符号函数,代表返回参数的正负;
根据公式3判断图像直视度,公式3:
Zs=sgn((sgn(G1-q)+sgn(G2-q)+sgn(G3-q)+sgn(G4-q))+3) (3)
其中:
q代表判别阈值,根据不同的采集器的规格进行设置;
Zs代表图像直视度,如果Zs=-1,则认定图像直视程度不可以继续进行虹膜图像处理,如果Zs=1,则认定图像直视程度可以继续进行虹膜图像处理;
第七步、通过Daugman橡皮筋法,以第三步中确定的瞳孔圆心为极坐标的极点,以2倍半径长度为极轴,将虹膜灰度图像转化为180×30维度的虹膜处理图像。
上述步骤三中,提取模板虹膜处理图像的特征标签的具体过程如下:
第一步、以梯度Laplacian卷积核分别对两张模板虹膜处理图像进行卷积操作,得到两张卷积图像,比较每张卷积图像中某个点的值与虹膜处理图像相同位置上的点的值,如果卷积图像的值大于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值保持不变,如果卷积图像的值小于或者等于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值设置为0,得到两张卷积处理图像;
梯度Laplacian卷积核:
1 | 1 | 1 |
1 | -8 | 1 |
1 | 1 | 1 |
第二步、将两张180×30维度卷积处理图像分别通过6×3维度池化核进行最大值池化,得到两张维度为30×10池化图像,将每张池化图像按照5×5维度大小平均分割成12个子图像,去掉最左侧两个子图像以及最右侧两个子图像,分别读取两张模板虹膜图像中8个子图像的灰度值,设置两个长度为8的数组,分别A1和A2,按照从上到下,从左到右的顺序记录两个模板虹膜图像中8个子图像的灰度值;
第三步、设置8位二进制编码B1和7位二进制编码B2,从A1和A2的第1个点开始,比较数值变化规律,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势相同,即:同为上升或者同为下降,则设定B1中对应的第i个值与第i+1个值都为1,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势同为上升,则设定B2中对应的第i个值的二进制数设定为1,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势同为下降,则设定B2中对应的第i个值的二进制数设定为0;
将B1和B2从二进制转化为十进制,形成两个十进制模板虹膜特征标签。
上述步骤六中,提取测试虹膜处理图像的特征标签的具体过程如下:
第一步、以梯度Laplacian卷积核对测试虹膜处理图像进行卷积操作,得到卷积图像,比较卷积图像中某个点的值与虹膜处理图像相同位置上的点的值,如果卷积图像的值大于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值保持不变,如果卷积图像的值小于或者等于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值设置为0,得到卷积处理图像;
第二步、将180×30维度卷积处理图像通过6×3维度池化核进行最大值池化,池化图像维度为30×10,将池化图像按照5×5维度大小平均分割成12个子图像,去掉最左侧两个子图像以及最右侧两个子图像,读取测试虹膜图像中8个子图像的灰度值,设置长度为8的数组C1,按照从上到下,从左到右的顺序记录测试虹膜图像中8个子图像的灰度值;
第三步、设置7位二进制编码D1,从C1的第1个点开始,比较数值变化规律,如果C1的第i个值与第i+1个值之间的变化趋势为上升,则设定D1中对应的第i个值的二进制数设定为1,如果C1的第i个值与第i+1个值之间的变化趋势为下降,则设定D1中对应的第i个值的二进制数设定为0;
以D1作为测试虹膜特征标签。
上述步骤七中,利用模板虹膜灰度图像的特征标签与测试虹膜灰度图像的特征标签实现轻量级身份验证的具体过程如下:
第一步、读取IC卡中存储的模板虹膜特征标签,将十进制数转化为两个二进制数组,分别为8位二进制编码B1和7位二进制编码B2;
第二步、以测试虹膜特征标签D1与模板虹膜特征标签B1与B2进行身份验证,如果B1中第i个位置的数值为1,则设定为满足条件R1;
在满足条件R1的情况下,D1的二进制数与B1中第i个位置所对应的B2的二进制数相同,则设定为满足条件R2;
满足条件R2的情况占满足条件R1的情况的50%及以上,得到结论:测试虹膜与IC卡存储虹膜是同一个人;
满足条件R2的情况占满足条件R1的情况的50%以下,得到结论:测试虹膜与IC卡存储虹膜不是同一个人。
本发明的有益效果:
本发明提供的针对识别人数少的轻量级身份验证场所的基于强化泛用型虹膜特征标签的方法,具有以下几种有益效果;
第一,这种方法提供了一种强化泛用型的虹膜特征标签提取流程,当前市面上常见的任意一块采集设备都可以使用同一套流程方式进行特征标签的提取,同时将模板的虹膜特征转化为两个十进制数字,总字节不超过8字节,可以适用于当前市面上常见的IC卡存储虹膜信息并通过市面常见的读卡器进行读卡操作,最大限度的强化了虹膜特征的泛用性,降低了虹膜系统的成本,有利于虹膜识别系统的推广;
第二、这种方法提供了一种不需要统计学习的标签设定方式,通过虹膜特征的变化规律设定虹膜特征标签,有效抑制了外部环境以及采集人行为状态的变化所引发的虹膜呈现状态变化的干扰,使身份验证方式更具备实用性,同时在轻量级的类别范围内,有效提高了不同虹膜类别特征的区分度,进而提高了虹膜验证的准确率。
附图说明
图1为本发明所述方法整体运作过程示意图。
图2为本发明所述方法中虹膜灰度图像处理过程示意图。
图3为本发明所述方法中提取模板虹膜灰度图像特征标签的过程示意图。
图4为本发明所述方法中提取测试虹膜灰度图像特征标签的过程示意图。
具体实施方式
请参阅图1、图2、图3、图4所示:
实施例1:
在权利要求1的框架下对某一个人(命名A,之前没有制作过A的信息IC卡,且测试虹膜灰度图像与模板虹膜灰度图像是在同设备,同采集状态下进行)进行的操作全过程:
1)计算机首先通过虹膜采集仪采集A的模板虹膜灰度图像两张。
2)A的两张模板虹膜灰度图像分别进行处理,得到两张180×30维度模板虹膜处理图像。
3)基于两张180×30维度模板虹膜处理图像得到模板特征标签,并将模板特征标签存储到IC卡中。
4)计算机通过相同的虹膜采集仪采集A的测试虹膜灰度图像一张。
5)处理A的测试虹膜灰度图像,得到一张180×30维度测试虹膜处理图像。
6)提取A的测试虹膜处理图像的特征标签,通过读卡器读取IC卡中存储的A的模板特征标签,利用A的模板虹膜灰度图像的特征标签与A的测试虹膜灰度图像的特征标签进行身份验证,计算机得到验证结果为:满足条件R2的情况占满足条件R1的情况的85%,因此得到结论:IC卡中存储的信息与虹膜采集人是同一人,都是A。
实施例2:
在权利要求1的框架下对某一个人(命名B,之前没有制作过B的信息IC卡,且测试虹膜灰度图像与模板虹膜灰度图像是在不同设备,不同采集状态进行)进行的操作全过程:
1)计算机首先通过虹膜采集仪采集B的模板虹膜灰度图像两张。
2)B的两张模板虹膜灰度图像分别进行处理,得到两张180×30维度模板虹膜处理图像。
3)基于两张180×30维度模板虹膜处理图像得到模板特征标签,并将模板特征标签存储到IC卡中。
4)计算机通过不同的虹膜采集仪采集B的测试虹膜灰度图像一张。
5)处理B的测试虹膜灰度图像,得到一张180×30维度测试虹膜处理图像。
6)提取B的测试虹膜处理图像的特征标签,通过读卡器读取IC卡中存储的B的模板特征标签,利用B的模板虹膜灰度图像的特征标签与B的测试虹膜灰度图像的特征标签进行身份验证,计算机得到验证结果为:满足条件R2的情况占满足条件R1的情况的73%,因此得到结论:IC卡中存储的信息与虹膜采集人是同一人,都是B。
实施例3:
在权利要求1的框架下对某两个人(命名C,D,之前没有制作过C,D的信息IC卡,且测试虹膜灰度图像与模板虹膜灰度图像是在同设备,同采集状态进行)进行的操作全过程:
1)计算机首先通过虹膜采集仪采集C的模板虹膜灰度图像两张。
2)C的两张模板虹膜灰度图像分别进行处理,得到两张180×30维度模板虹膜处理图像。
3)基于两张C的180×30维度模板虹膜处理图像得到模板特征标签,并将模板特征标签存储到IC卡中。
4)计算机通过相同的虹膜采集仪采集D的测试虹膜灰度图像一张。
5)处理D的测试虹膜灰度图像,得到一张180×30维度测试虹膜处理图像。
6)提取D的测试虹膜处理图像的特征标签,通过读卡器读取IC卡中存储的C的模板特征标签,利用C的模板虹膜灰度图像的特征标签与D的测试虹膜灰度图像的特征标签进行身份验证,计算机得到验证结果为:满足条件R2的情况占满足条件R1的情况的13%,因此得到结论:IC卡中存储的信息与虹膜采集人不是同一人。
实施例4:
在权利要求1的框架下对某两个人(命名E,F,之前有制作过E,F的信息IC卡,且测试虹膜灰度图像与模板虹膜灰度图像是在不同设备,不同采集状态进行)进行的操作全过程:
1)计算机通过虹膜采集仪采集E的测试虹膜灰度图像一张。
2)处理E的测试虹膜灰度图像,得到一张180×30维度测试虹膜处理图像。
3)提取E的测试虹膜处理图像的特征标签,通过读卡器读取IC卡中存储的F的模板特征标签,利用F的模板虹膜灰度图像的特征标签与E的测试虹膜灰度图像的特征标签进行身份验证,计算机得到验证结果为:满足条件R2的情况占满足条件R1的情况的5%,因此得到结论:IC卡中存储的信息与虹膜采集人不是同一人。
Claims (5)
1.一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其特征在于:其方法如下所述:
步骤一、使用市面常见虹膜采集仪,采集模板虹膜灰度图像两张;
步骤二、分别处理两张模板虹膜灰度图像,得到两张180×30维度模板虹膜处理图像;
步骤三、基于两张180×30维度模板虹膜处理图像得到模板特征标签,并将模板特征标签存储到IC卡中;
步骤四、通过虹膜采集仪采集测试虹膜灰度图像一张;
步骤五、处理测试虹膜灰度图像,得到180×30维度测试虹膜处理图像;
步骤六、提取180×30维度测试虹膜处理图像的特征标签;
步骤七、通过读卡器读取IC卡中存储的模板特征标签,利用模板虹膜灰度图像的特征标签与测试虹膜灰度图像的特征标签实现身份验证。
2.根据权利要求1所述的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其特征在于:所述的步骤二、步骤五中处理虹膜灰度图像的具体过程如下:
第一步、通过非线性函数对虹膜图像进行处理,其中e代表指数函数中的底数,f(x,y)代表虹膜图像中坐标为(x,y)的点的灰度值,取结果值T的范围在[e-0.5,1]的灰度点,并通过开运算去除图像噪声干扰,得到具有瞳孔部分的灰度图;
第二步、对具有瞳孔部分的灰度图通过函数进行处理,其中,z代表具有瞳孔部分的灰度图中所有灰度值不为0或者255的点的平均值,f1(x,y)代表图像中坐标为(x,y)的点的灰度值在经过函数处理后的结果值,min代表具有瞳孔部分的灰度图中所有灰度值不为0或者255的点的最小值,将f1(x,y)的值小于等于0的点(x,y)的灰度值全部设为0,其余点的灰度值设为255,得到瞳孔的二值化图像;
第三步、通过对瞳孔的二值化图像canny边缘检测操作以及Hough圆检测操作,找到瞳孔以及虹膜边界的所在位置,确定瞳孔圆心和半径;
第四步、通过Daugman橡皮筋法,以第三步中确定的瞳孔圆心为极坐标的极点,以2倍半径长度为极轴,将虹膜灰度图像转化为256×32维度的归一图像;
第五步、设定归一图像中灰度值不为0或者255的点为特征点,根据公式1,公式2得到图像模糊度;
公式1:
Ki=|F(xi,yi+1)-F(xi,yi)|+|F(xi,yi-1)-F(xi,yi)|+|F(xi+1,yi)-F(xi,yi)|+|F(xi-1,yi)-F(xi,yi)|(1)
其中:
F(xi,yi)代表归一图像中坐标为(xi,yi)的第i特征点的灰度值;
F(xi,yi+1)代表归一图像中坐标为(xi,yi+1)的特征点上侧相邻点的灰度值;
F(xi,yi-1)代表归一图像中坐标为(xi,yi-1)的特征点下侧相邻点的灰度值;
F(xi+1,yi)代表归一图像中坐标为(xi+1,yi)的特征点右侧相邻点的灰度值;
F(xi-1,yi)代表归一图像中坐标为(xi-1,yi)的特征点左侧相邻点的灰度值;
Ki代表归一图像中坐标为(xi,yi)的第i特征点与上侧、下侧、左侧、右侧共计4个相邻点灰度值之间的灰度值变化差值的绝对值的和;
公式2:
其中:
D代表归一图像模糊度;
s代表归一图像中特征点的个数;
根据不同采集器的规格,设定清晰阈值p,D大于或者等于p时,代表该采集器下采集到的图像清晰,可以继续进行虹膜图像处理;D小于p时,代表该采集器下采集到的图像模糊,不可以继续进行虹膜图像处理;
第六步、设定第三步中初步找到的瞳孔圆心为中心点,将虹膜灰度图像中与该中心点距离大于5倍半径长度以及小于1倍半径长度的点的灰度值设为255,其余点的灰度值不变,之后根据公式组所得到的四个参数计算图像的直视度,设定虹膜灰度图像的维度为M×N,其中M代表长度,N代表宽度;
公式组:
其中:
f2(M,y1i)代表最右侧边界上的坐标为(M,y1i)的第i个点的灰度值;
G1代表图像最右侧边界上灰度值不等于255的点的数量的总和与维度N的比值;
f3(0,y2i)代表最左侧边界上的坐标为(0,y2i)的第i个点的灰度值;
G2代表图像最左侧边界上灰度值不等于255的点的数量的总和与维度N的比值;
f4(x1i,N)代表最下侧边界上的坐标为(x1i,N)的第i个点的灰度值;
G3代表图像最下侧边界上灰度值不等于255的点的数量的总和与维度M的比值;
f5(x2i,0)代表最上侧边界上的坐标为(x2i,0)的第i个点的灰度值;
G4代表图像最上侧边界上灰度值不等于255的点的数量的总和与维度M的比值;
sgn为符号函数,代表返回参数的正负;
根据公式3判断图像直视度,公式3:
Zs=sgn((sgn(G1-q)+sgn(G2-q)+sgn(G3-q)+sgn(G4-q))+3) (3)
其中:
q代表判别阈值,根据不同的采集器的规格进行设置;
Zs代表图像直视度,如果Zs=-1,则认定图像直视程度不可以继续进行虹膜图像处理,如果Zs=1,则认定图像直视程度可以继续进行虹膜图像处理;
第七步、通过Daugman橡皮筋法,以第三步中确定的瞳孔圆心为极坐标的极点,以2倍半径长度为极轴,将虹膜灰度图像转化为180×30维度的虹膜处理图像。
3.根据权利要求1所述的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其特征在于:所述的步骤三中提取模板虹膜处理图像的特征标签的具体过程如下:
第一步、以梯度Laplacian卷积核分别对两张模板虹膜处理图像进行卷积操作,得到两张卷积图像,比较每张卷积图像中某个点的值与虹膜处理图像相同位置上的点的值,如果卷积图像的值大于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值保持不变,如果卷积图像的值小于或者等于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值设置为0,得到两张卷积处理图像;
梯度Laplacian卷积核:
第二步、将两张180×30维度卷积处理图像分别通过6×3维度池化核进行最大值池化,得到两张维度为30×10池化图像,将每张池化图像按照5×5维度大小平均分割成12个子图像,去掉最左侧两个子图像以及最右侧两个子图像,分别读取两张模板虹膜图像中8个子图像的灰度值,设置两个长度为8的数组,分别A1和A2,按照从上到下,从左到右的顺序记录两个模板虹膜图像中8个子图像的灰度值;
第三步、设置8位二进制编码B1和7位二进制编码B2,从A1和A2的第1个点开始,比较数值变化规律,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势相同,即:同为上升或者同为下降,则设定B1中对应的第i个值与第i+1个值都为1,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势同为上升,则设定B2中对应的第i个值的二进制数设定为1,如果A1的第i个值与第i+1个值之间的变化趋势与A2的第i个值与第i+1个值之间的变化趋势同为下降,则设定B2中对应的第i个值的二进制数设定为0;
将B1和B2从二进制转化为十进制,形成两个十进制模板虹膜特征标签。
4.根据权利要求1所述的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其特征在于:所述的步骤六中提取测试虹膜处理图像的特征标签的具体过程如下:
第一步、以梯度Laplacian卷积核对测试虹膜处理图像进行卷积操作,得到卷积图像,比较卷积图像中某个点的值与虹膜处理图像相同位置上的点的值,如果卷积图像的值大于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值保持不变,如果卷积图像的值小于或者等于虹膜处理图像相同位置上的点的值的一半,则虹膜处理图像上该点的灰度值设置为0,得到卷积处理图像;
第二步、将180×30维度卷积处理图像通过6×3维度池化核进行最大值池化,池化图像维度为30×10,将池化图像按照5×5维度大小平均分割成12个子图像,去掉最左侧两个子图像以及最右侧两个子图像,读取测试虹膜图像中8个子图像的灰度值,设置长度为8的数组C1,按照从上到下,从左到右的顺序记录测试虹膜图像中8个子图像的灰度值;
第三步、设置7位二进制编码D1,从C1的第1个点开始,比较数值变化规律,如果C1的第i个值与第i+1个值之间的变化趋势为上升,则设定D1中对应的第i个值的二进制数设定为1,如果C1的第i个值与第i+1个值之间的变化趋势为下降,则设定D1中对应的第i个值的二进制数设定为0;
以D1作为测试虹膜特征标签。
5.根据权利要求1所述的一种基于强化泛用型虹膜特征标签的轻量级身份验证方法,其特征在于:所述的步骤七中利用模板虹膜灰度图像的特征标签与测试虹膜灰度图像的特征标签实现轻量级身份验证的具体过程如下:
第一步、读取IC卡中存储的模板虹膜特征标签,将十进制数转化为两个二进制数组,分别为8位二进制编码B1和7位二进制编码B2;
第二步、以测试虹膜特征标签D1与模板虹膜特征标签B1与B2进行身份验证,如果B1中第i个位置的数值为1,则设定为满足条件R1;
在满足条件R1的情况下,D1的二进制数与B1中第i个位置所对应的B2的二进制数相同,则设定为满足条件R2;
满足条件R2的情况占满足条件R1的情况的50%及以上,得到结论:测试虹膜与IC卡存储虹膜是同一个人;
满足条件R2的情况占满足条件R1的情况的50%以下,得到结论:测试虹膜与IC卡存储虹膜不是同一个人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911005205.8A CN110728251B (zh) | 2019-10-22 | 2019-10-22 | 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911005205.8A CN110728251B (zh) | 2019-10-22 | 2019-10-22 | 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728251A true CN110728251A (zh) | 2020-01-24 |
CN110728251B CN110728251B (zh) | 2020-05-12 |
Family
ID=69220616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911005205.8A Active CN110728251B (zh) | 2019-10-22 | 2019-10-22 | 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728251B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582099A (zh) * | 2020-04-28 | 2020-08-25 | 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 |
CN111832540A (zh) * | 2020-07-28 | 2020-10-27 | 吉林大学 | 一种基于非稳态虹膜视频流仿生神经网络的身份验证方法 |
CN112364840A (zh) * | 2020-12-09 | 2021-02-12 | 吉林大学 | 一种基于整体端到端非稳态虹膜认知识别的身份确认方法 |
CN113435416A (zh) * | 2021-08-25 | 2021-09-24 | 北京万里红科技股份有限公司 | 一种虹膜搜索方法及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030244A (zh) * | 2006-03-03 | 2007-09-05 | 中国科学院自动化研究所 | 基于人体生理图像中排序测度特征的自动身份识别方法 |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN105706108A (zh) * | 2013-09-09 | 2016-06-22 | 达美生物识别科技有限公司 | 用于基于虹膜的生物特征识别的装置和方法 |
CN106250810A (zh) * | 2015-06-15 | 2016-12-21 | 摩福公司 | 通过虹膜辨识对个体进行识别和/或认证的方法 |
-
2019
- 2019-10-22 CN CN201911005205.8A patent/CN110728251B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030244A (zh) * | 2006-03-03 | 2007-09-05 | 中国科学院自动化研究所 | 基于人体生理图像中排序测度特征的自动身份识别方法 |
CN103077386A (zh) * | 2013-02-06 | 2013-05-01 | 北京中科虹霸科技有限公司 | 一种级联的视频流虹膜图像质量检测方法 |
CN105706108A (zh) * | 2013-09-09 | 2016-06-22 | 达美生物识别科技有限公司 | 用于基于虹膜的生物特征识别的装置和方法 |
CN106250810A (zh) * | 2015-06-15 | 2016-12-21 | 摩福公司 | 通过虹膜辨识对个体进行识别和/或认证的方法 |
Non-Patent Citations (4)
Title |
---|
LIU SHUAI等: "Statistical Cognitive Learning and Security Output Protocol for Multi-State Iris Recognition", 《IEEE》 * |
YAOSONG CHENG等: "A Multiclassification Method for Iris Data Based on the Hadamard Error Correction Output Code and a Convolutional Network", 《IEEE》 * |
刘帅等: "基于形态学与灰度分布的序列虹膜质量评价算法", 《吉林大学学报(理学版)》 * |
胡文军等: "生物特征识别技术在金融卡行业中的应用", 《电子技术应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582099A (zh) * | 2020-04-28 | 2020-08-25 | 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 |
CN111832540A (zh) * | 2020-07-28 | 2020-10-27 | 吉林大学 | 一种基于非稳态虹膜视频流仿生神经网络的身份验证方法 |
CN111832540B (zh) * | 2020-07-28 | 2021-01-15 | 吉林大学 | 一种基于非稳态虹膜视频流仿生神经网络的身份验证方法 |
CN112364840A (zh) * | 2020-12-09 | 2021-02-12 | 吉林大学 | 一种基于整体端到端非稳态虹膜认知识别的身份确认方法 |
CN112364840B (zh) * | 2020-12-09 | 2022-03-29 | 吉林大学 | 一种基于整体端到端非稳态虹膜认知识别的身份确认方法 |
CN113435416A (zh) * | 2021-08-25 | 2021-09-24 | 北京万里红科技股份有限公司 | 一种虹膜搜索方法及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110728251B (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728251B (zh) | 一种基于强化泛用型虹膜特征标签的轻量级身份验证方法 | |
CN110659589B (zh) | 基于姿态和注意力机制的行人再识别方法、系统、装置 | |
CN114359998B (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
CN109325507A (zh) | 一种结合超像素显著性特征与hog特征的图像分类算法和系统 | |
Kalaiselvi et al. | Face recognition system under varying lighting conditions | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
El-Naggar et al. | Which dataset is this iris image from? | |
CN107103289B (zh) | 利用笔迹轮廓特征来进行笔迹鉴别的方法及系统 | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及系统 | |
Harb et al. | Palm print recognition | |
Bairagi et al. | A real-time face recognition smart attendance system with haar cascade classifiers | |
CN111160121A (zh) | 一种基于深度学习的人像识别系统、方法及装置 | |
CN112766082B (zh) | 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质 | |
CN113361666B (zh) | 一种手写字符识别方法、系统及介质 | |
CN111582099B (zh) | 一种基于虹膜远源特征交运算决策的身份验证方法 | |
CN114783005A (zh) | 一种基于深度学习的掌纹识别的设备和方法 | |
CN110991223B (zh) | 一种基于迁移学习的美瞳识别方法及系统 | |
Soni et al. | Extracting text regions from scene images using Weighted Median Filter and MSER | |
CN112395919B (zh) | 一种基于多特征度量学习的离线签名鉴伪方法和系统 | |
CN111428670A (zh) | 人脸检测方法、装置、存储介质及设备 | |
Palanikumar et al. | Advanced palmprint recognition using unsharp masking and histogram equalization | |
Zhou et al. | Eye localization based on face alignment | |
Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm | |
CN111428679B (zh) | 影像识别方法、装置和设备 | |
CN113139533B (zh) | 一种快速识别手写矢量的方法及装置、介质和设备 |
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 |