CN111339885A - 基于虹膜识别的用户身份确定方法及相关装置 - Google Patents
基于虹膜识别的用户身份确定方法及相关装置 Download PDFInfo
- Publication number
- CN111339885A CN111339885A CN202010103183.5A CN202010103183A CN111339885A CN 111339885 A CN111339885 A CN 111339885A CN 202010103183 A CN202010103183 A CN 202010103183A CN 111339885 A CN111339885 A CN 111339885A
- Authority
- CN
- China
- Prior art keywords
- iris
- iris image
- characteristic parameters
- image
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000000554 iris Anatomy 0.000 claims abstract description 357
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000001747 pupil Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001727 in vivo Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明的实施例公开了一种基于虹膜识别的用户身份确定方法及相关装置,涉及生物识别领域,该方法包括:基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数;基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。本发明实施例的技术方案提高了基于虹膜识别的用户身份确定准确性。
Description
技术领域
本发明涉及生物识别领域,特别是涉及基于虹膜识别的用户身份确定方法及相关装置。
背景技术
生物识别技术的广泛使用大大提高了电子政务和电子商务的效率,使公民受益。对于个人身份认证技术,基于生物识别技术的认证技术最为有效有指纹、人脸、虹膜、静脉、掌纹等识别技术;而在上述所有生物识别技术中,虹膜识别技术由于其具有高准确率、高稳定性、高度防伪性、唯一性等优点而被广泛使用。
目前虹膜识别已应用在很多领域,对应的虹膜识别技术公式及产品也越来越多,但是随着虹膜识别技术的广泛应用,虹膜伪造技术也不断涌现,活体检测功能也成为虹膜识别技术的必备功能,现有技术中通常是根据瞳孔缩放功能鉴别是否为活体,但上述活体检测技术较易为他人通过预先录制好的具有瞳孔缩放变化的虹膜图像视频来攻击虹膜识别设备,从而使得上述活体检测技术易被追踪和仿造,从而使得用户身份识别结果可靠性较低,实用性较差。
发明内容
基于此,本发明实施例提供了一种基于虹膜识别的用户身份确定方法及相关装置,以至少解决虹膜识别结果可靠性较低、实用性较差的问题。
根据本发明实施例的第一方面,提供了一种基于虹膜识别的用户身份确定方法,包括:响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;通过预设算法对所述纹理单元进行特征抽取,获取虹膜特征参数;基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数;基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果。
在本发明的一示例性实施例中,在所述获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像之前还包括:获取所述用户端所处的当前亮度环境;基于所述用户端所处的当前亮度环境与预设的当前亮度环境对应第一、第二亮度环境表,确定所述第一亮度环境与所述第二亮度环境。
在本发明的一示例性实施例中,在所述基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜之前还包括:将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值。
在本发明的一示例性实施例中,在所述将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值之前,还包括:获取预先设置的当前环境亮度、第一亮度环境、第二亮度环境构成的样本集合;预先确定所述样本集合中的每一样本对应的阈值;将所述样本输入所述阈值确定模型,由所述阈值确定模型输出阈值,将所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值进行比对,如不一致,则调整所述阈值确定模型的参数,直至所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值一致。
在本发明的一示例性实施例中,所述在基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜还包括:若所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值,在预设的阈值范围内则,确定所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜。
在本发明的一示例性实施例中,所述基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果包括:将所述特相同的虹膜特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数,输入预设的联合贝叶斯模型,获取所述联合贝叶斯模型输出的所述特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数间的的匹配分数;将所述匹配分数中最大的匹配分数对应的虹膜特征向量对应的身份标识确定为所述虹膜图像对应的身份标识。
根据本发明的第二方面,提供了一种基于虹膜识别的用户身份确定装置,包括:获取单元,用于响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;第一提取单元,用于提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;第二提取单元,用于通过预设算法对所述纹理单元进行特征提取,获取特征参数;第一确定单元,用于基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;第二确定单元,用于若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取第一虹膜图像对应的特征参数与第二虹膜图像对应的特征参数间相同的虹膜特征参数;第三确定单元,用于基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果。
根据本发明的第三方面,提供了一种基于虹膜识别的用户身份确定电子设备,包括:存储器,配置为存储可执行指令。处理器,配置为执行所述存储器中存储的可执行指令,以执行以上所述的方法。
根据本发明的第四方面,提供一种计算机可读存储介质,其存储有计算机程序指令,当所述计算机指令被计算机执行时,使计算机执行以上所述的方法。
在本发明实施例所提供的技术方案中,基于预设算法从第一亮度环境与第二亮度环境下的用户的虹膜图像中包含的纹理单元中获取虹膜特征参数,再基于所述第一亮度环境与第二亮度环境下所述特征参数间差值与预设阈值间的关系,确定所述第一虹膜图像与第二虹膜图像是否为活体虹膜,若所述第一虹膜图像与第二虹膜图像的分类为活体虹膜,则确定所述第一虹膜图像与第二虹膜图像对应的虹膜特征参数中相同的虹膜特征参数,再基于所述相同的虹膜特征参数、预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。以这种方式,通过获取不同亮度环境下的第一虹膜图像与第二虹膜图像,通过分别确定是否为活体虹膜后,进行相同的虹膜特征参数的提取确定用户身份,有效提升基于虹膜识别的用户身份确定结果准确性。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
图1示出根据本发明示例实施方式的基于虹膜识别的用户身份确定流程图。
图2示出图1中步骤S100之前的流程图。
图3示出图1中步骤S150的详细流程图。
图4示出根据本发明一示例实施方式的基于虹膜识别的用户身份确定装置。
图5示出根据本发明一示例实施方式的基于虹膜识别的用户身份确定系统架构图。
图6示出根据本发明一示例实施方式的电子设备的框图。
图7示出根据本发明一示例实施方式的计算机可读存储介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出根据本发明一示例实施方式的基于虹膜识别的用户身份确定流程图,可以包括如下步骤:
步骤S100:响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;
步骤S110:提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;
步骤S120:通过预设算法对所述纹理单元进行特征提取,获取虹膜特征参数;
步骤S130:基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;
步骤S140:若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数;
步骤S150:基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。
参照图1,在步骤S100中:响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像。
在本发明的一实施例中,如图2所示在步骤S100之前,还可以包括:
步骤S80:获取所述用户端所处的当前亮度环境;
步骤S90:基于所述用户端所处的当前亮度环境与预设的当前亮度环境对应第一、第二亮度环境表,确定所述第一亮度环境与第二亮度环境。
在本发明的一实施例中,确定所述第一亮度环境与第二亮度环境还可通过将所述当前亮度环境输入预先训练好的亮度环境确定模型,由所述亮度环境确定模型输出所述第一亮度环境与所述第二亮度环境,通过亮度环境确定模型的方式可以避免因预设的当前亮度环境对应第一、第二亮度环境表因人为预设而存在缺陷,导致针对某些当前亮度在所述对应表中无法查找到对应的第一亮度环境与第二亮度环境。
在本发明的一实施例中,所述亮度环境至少包括所处环境对应的亮度值。
继续参照图1,在步骤S110中:提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元。
在本发明的一实施例中,提取所述第一虹膜图像与所述第二虹膜图像中的纹理单元,可通过采用密集采样的sift算法等。
在步骤S120中:通过预设算法对所述纹理单元进行特征提取,获取虹膜特征参数。
在本发明的一实施例中,所述预设算法可以是卷积神经网络算法(如带有softmax交叉熵损失的卷积神经网络、Siamese神经网络、TRIPLET网络),深度信念网络算法等。
在步骤S130中:基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜。
在本发明的一实施例中,若所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值,在预设的阈值范围内则,确定所述第一虹膜图像与第二虹膜图像的分类为活体虹膜。
在本发明的一实施例中,所述预设阈值可以通过如下方式确定:将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值。
其中所述阈值确定模型可通过如下方式进行预先训练:
获取预先设置的当前环境亮度、第一亮度环境、第二亮度环境构成的样本集合;
预先确定所述样本集合中的每一样本对应的阈值;
将所述样本输入所述阈值确定模型,由所述阈值确定模型输出阈值,将所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值进行比对,如不一致,则调整所述阈值确定模型的参数,直至所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值一致。
在本发明的一实施例中,因人眼的瞳孔会随着周围光照亮度变化而变化,故从所述第一虹膜图像与所述第二虹膜图像中获取的对应特征参数也会存在一定的差别,而他人预先通过拍摄好的人眼部图片、建模模型等方式来攻击虹膜识别设备的方式中因预先拍摄好的眼部图片与建模模型等方式中并不存在瞳孔随着光照亮度的变化,故通过获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间差值与所述预设阈值间的关系,若所述差值不在所述预设阈值范围内则可确定所述第一虹膜图像与所述第二虹膜图像的分类并非活体虹膜,若所述差值在预设的阈值范围内则所述第一虹膜与所述第二虹膜图像对应的分类为活体虹膜,从而提高虹膜活体识别的可靠性。
在本发明的一实施例中,当他人通过预先拍摄的人脸视频(包含眼部)对所述虹膜识别设备进行攻击时,虽然预先拍摄的人脸视频中包含有人眼部瞳孔的缩放变化,但因预先拍摄的人脸视频中人眼部瞳孔的缩放变化并非在所述第一亮度环境与所述第二亮度环境下的变化,故所述虹膜识别设备对预先拍摄的人脸视频中包含的虹膜进行识别时,会因得到的所述差值并非所述第一亮度环境与所述第二亮度环境对应的差值,进而确定预先拍摄的人脸视频中包含的虹膜为非活体虹膜,从而提高虹膜活体识别的准确性。
在步骤S140中:若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数。
在本发明的一实施例中,因虹膜自人出生后八个月左右就基本上发育到了足够尺寸,进入了相对稳定的时期,除非极少见的反常状况、身体或精神上大的创伤才可能造成虹膜外观上的改变外,虹膜形貌可以保持数十年没有多少变化,另一方面,虹膜是外部可见的,但同时又属于内部组织,位于角膜后面。要改变虹膜外观,需要非常精细的外科手术,而且要冒着视力损伤的危险,虹膜的高度独特性、稳定性及不可更改的特点。虽然光照亮度会对获取的虹膜图像造成一定的影响,但造成的影响较小,故从所述第一虹膜图像与所述第二虹膜图像中获取的所述特征参数基本相同。
在步骤S150中,基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。
因所述相同的虹膜特征参数为排除亮度环境造成的影响后的特征参数,其本身包含的噪音更少,故基于所述相同的虹膜特征参数对带识别用户进行识别可提高其识别准确率。
在本发明的一实施例中,如图3所示,步骤S150可以包含如下步骤:
S1501:将所述特相同的虹膜特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数,输入预设的联合贝叶斯模型,获取所述联合贝叶斯模型输出的所述特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数间的的匹配分数;
S1502:将所述匹配分数中最大的匹配分数对应的虹膜特征向量对应的身份标识确定为所述虹膜图像对应的身份标识。
在本发明的一实施例中,所述联合贝叶斯模型的计算过程如下:
在联合贝叶斯理论中,每一个特征参数x能够通过以下公式进行计算:
x=μ+ε
其中μ表示类标识别,ε表示类内变化。在高斯分布的假设下,即N(0,Sμ), N(0,Sε)两个变量均为零均值。两个特征(其中一个特征为待识别用户虹膜特征、另一个为数据库中预存的虹膜特征)(x1,x2)的协方差矩阵可写成如下:
cov(x1,x2)=cov(μ1,μ2)+cov(ε1,ε2)
设HI表示类内假设,表明两个观察来自同一个类,以及HE表示extra超类假设。在HI下,由于相同的类别同一性,μ1和μ2是相同的,并且ε1和ε2是独立的。因此,分布式|P(x1,x2)|HI的协方差矩阵可写为:
另一方面,在HE下,μ1和μ2也是独立的,因此|P(x1,x2)|HE的协方差矩阵变为:
对数似然比s(x1,x2)可以通过简单计算得到:
其中,
A=(Sμ+Sε)-(F+G)
共变矩阵Sμ和Sε可以通过期望最大化(EM)算法估计。在此处理过程中,对数似然比s(x1,x2)被认为是两个相应特征(x1,x2)之间的匹配分数。
本发明还提供了一种基于虹膜识别的用户身份确定装置。参考图4所示,所述虹膜识别装置200包括:获取单元210、第一提取单元220、第二提取单元230、第一确定单元240、第二确定单元250、第三确定单元260。其中:
获取单元210,用于响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;
第一提取220,用于提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;
第二提取单元230,用于通过预设算法对所述纹理单元进行特征提取,获取特征参数;
第一确定单元240,用于基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;
第二确定单元250,用于若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数;
第三确定单元260,用于基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果。
在一实施例中,所述获取单元210还可配置为:获取所述用户端所处的当前亮度环境;基于所述用户端所处的当前亮度环境与预设的当前亮度环境对应第一、第二亮度环境表,确定所述第一亮度环境与所述第二亮度环境。
在一实施例中,所述获取单元210还可配置为:将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值。
在一实施例中,虹膜识别装置还包括:机器模型训练单元,所述机器学习模型配置为:获取预先设置的当前环境亮度、第一亮度环境、第二亮度环境构成的样本集合;预先确定所述样本集合中的每一样本对应的阈值;将所述样本输入所述阈值确定模型,由所述阈值确定模型输出阈值,将所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值进行比对,如不一致,则调整所述阈值确定模型的参数,直至所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值一致。
在一实施例中,所述第一确定单元240还可配置为:若所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值,在预设的阈值范围内则,确定所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜。
在一实施例中,所述第三确定单元260还可配置为:将所述特相同的虹膜特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数,输入预设的联合贝叶斯模型,获取所述联合贝叶斯模型输出的所述特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数间的的匹配分数;将所述匹配分数中最大的匹配分数对应的虹膜特征向量对应的身份标识确定为所述虹膜图像对应的身份标识。
上述虹膜识别装置中各单元的具体细节已经在对应的方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照所述特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,所述软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
图5示出根据本发明一示例实施方式的基于虹膜识别的用户身份确定系统架构框图。所述系统架构包括:用户端310、服务器320、数据库330。
在一实施例中,服务器320响应于用户端310发送的虹膜识别请求,获取待识别用户在第一亮度环境的第一虹膜图像与第二亮度环境下的第二虹膜图像,服务器320提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元,并通过内置预设算法从所述纹理单元中获取虹膜特征参数,并确定所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间的差值与预设阈值间的关系,基于所述差值与所述预设阈值间的关系确定所述第一虹膜图像与所述第二虹膜图像是否为活体虹膜的结果,若所述结果为活体虹膜,则确定所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数中相同的特征参数,基于所述相同的特征参数与虹膜数据库330及预设的贝叶斯模型,确定所述待用户对应的身份识别结果。
通过以上对系统架构的描述,本领域的技术人员易于理解,这里描述的系统架构能够实现图4所示的虹膜识别装置中各个单元的功能。
在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备400。图6显示的电子设备400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于:上述至少一个处理单元410、上述至少一个存储单元 420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元 410执行,使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元410可以执行如图1中所示步骤S100:响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;步骤S110:提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;步骤 S120:通过预设算法对所述纹理单元进行特征提取,获取虹膜特征参数;步骤 S130:基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与第二虹膜图像的分类是否为活体虹膜;步骤S140:若所述第一虹膜图像与第二虹膜图像的分类为活体虹膜,则获取第一虹膜图像对应的特征参数与第二虹膜图像对应的特征参数间相同的虹膜特征参数;步骤S150:基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。
存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备400交互的设备通信,和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。还可以包括与输入/输出(I/O)接口450连接的显示单元440,并且,电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器460通过总线430与电子设备400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID 系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++ 等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (9)
1.一种基于虹膜识别的用户身份确定方法,其特征在于,所述方法包括:
响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;
提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;
通过预设算法对所述纹理单元进行特征提取,获取虹膜特征参数;
基于所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;
若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取所述第一虹膜图像对应的特征参数与所述第二虹膜图像对应的特征参数间相同的虹膜特征参数;
基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份识别结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像之前,还包括:
获取所述用户端所处的当前亮度环境;
基于所述用户端所处的当前亮度环境与预设的当前亮度环境对应的第一、第二亮度环境表,确定所述第一亮度环境与所述第二亮度环境。
3.根据权利要求1所述的方法,其特征在于,在所述基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜之前,还包括:
将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值。
4.根据权利要求3所述的方法,其特征在于,在所述将所述当前环境亮度、所述第一亮度环境与所述第二亮度环境输入预设的阈值确定模型,获取由所述阈值确定模型输出的所述预设阈值之前,还包括:
获取预先设置的当前环境亮度、第一亮度环境、第二亮度环境构成的样本集合;
预先确定所述样本集合中的每一样本对应的阈值;
将所述样本输入所述阈值确定模型,由所述阈值确定模型输出阈值,将所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值进行比对,如不一致,则调整所述阈值确定模型的参数,直至所述阈值确定模型输出的阈值与预先确定的所述样本对应的阈值一致。
5.根据权利要求1所述的方法,其特征在于,所述在基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜还包括:
若所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值,在预设的阈值范围内则,确定所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜。
6.根据权利要求1所述的方法,其特征在于,所述基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果包括:
将所述特相同的虹膜特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数,输入预设的联合贝叶斯模型,获取所述联合贝叶斯模型输出的所述特征参数与预存的虹膜数据库中各虹膜数据对应的特征参数间的的匹配分数;
将所述匹配分数中最大的匹配分数对应的虹膜特征向量对应的身份标识确定为所述虹膜图像对应的身份标识。
7.一种基于虹膜识别的用户身份确定装置,其特征在于,包括:
获取单元,用于响应于用户端发送的虹膜识别请求,获取在第一亮度环境下用户的第一虹膜图像与在第二亮度环境下所述用户的第二虹膜图像;
第一提取单元,用于提取所述第一虹膜图像与所述第二虹膜图像中包含的纹理单元;
第二提取单元,用于通过预设算法对所述纹理单元进行特征提取,获取特征参数;
第一确定单元,用于基于所述第一虹膜图像对应的虹膜特征参数与所述第二虹膜图像对应的虹膜特征参数间的差值与预设阈值间的关系,确定所述第一虹膜图像与所述第二虹膜图像的分类是否为活体虹膜;
第二确定单元,用于若所述第一虹膜图像与所述第二虹膜图像的分类为活体虹膜,则获取第一虹膜图像对应的特征参数与第二虹膜图像对应的特征参数间相同的虹膜特征参数;
第三确定单元,用于基于所述相同的虹膜特征参数与预存的虹膜数据库及预设的联合贝叶斯模型,确定所述用户对应的身份结果。
8.一种基于虹膜识别的用户身份确定电子设备,其特征在于,包括:
存储器,配置为存储可执行指令;
处理器,配置为执行存储器中存储的可执行指令,以实现根据权利要求1-6中任一个所述的方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序指令,当所述计算机指令被计算机执行时,使计算机执行根据权利要求1-6中任一个所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103183.5A CN111339885B (zh) | 2020-02-19 | 2020-02-19 | 基于虹膜识别的用户身份确定方法及相关装置 |
PCT/CN2020/117419 WO2021164252A1 (zh) | 2020-02-19 | 2020-09-24 | 基于虹膜识别的用户身份确定方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103183.5A CN111339885B (zh) | 2020-02-19 | 2020-02-19 | 基于虹膜识别的用户身份确定方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339885A true CN111339885A (zh) | 2020-06-26 |
CN111339885B CN111339885B (zh) | 2024-05-28 |
Family
ID=71183494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103183.5A Active CN111339885B (zh) | 2020-02-19 | 2020-02-19 | 基于虹膜识别的用户身份确定方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111339885B (zh) |
WO (1) | WO2021164252A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164252A1 (zh) * | 2020-02-19 | 2021-08-26 | 平安科技(深圳)有限公司 | 基于虹膜识别的用户身份确定方法及相关装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780769B (zh) * | 2022-06-13 | 2022-09-13 | 杭州合众数据技术有限公司 | 基于布隆过滤器的人员核查方法 |
CN117523208B (zh) * | 2024-01-08 | 2024-04-16 | 暨南大学 | 基于图像语义分割与分类的身份识别方法与系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542281A (zh) * | 2010-12-27 | 2012-07-04 | 北京北科慧识科技股份有限公司 | 非接触式生物特征识别方法和系统 |
CN107315985A (zh) * | 2016-04-26 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 一种虹膜识别方法及终端 |
CN108062673A (zh) * | 2017-11-15 | 2018-05-22 | 平安科技(深圳)有限公司 | 支付方法、终端设备及计算机可读存储介质 |
KR20180061819A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 베프스 | 다중 생체 인증 장치 또는 다중 생체 인증 시스템, 그리고 이를 사용한 다중 생체 인증 방법 |
CN108388858A (zh) * | 2018-02-11 | 2018-08-10 | 北京京东金融科技控股有限公司 | 虹膜防伪方法与装置 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110287813A (zh) * | 2019-06-04 | 2019-09-27 | 武汉虹识技术有限公司 | 身份识别方法及系统 |
CN110392041A (zh) * | 2019-06-17 | 2019-10-29 | 平安银行股份有限公司 | 电子授权方法、装置、存储设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320939B (zh) * | 2015-09-28 | 2019-01-25 | 深圳爱酷智能科技有限公司 | 虹膜活体检测的方法和装置 |
CN105354545A (zh) * | 2015-10-28 | 2016-02-24 | 广东欧珀移动通信有限公司 | 虹膜信息的采集方法及采集系统 |
CN107844737B (zh) * | 2016-09-19 | 2020-10-27 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
CN107292285B (zh) * | 2017-07-14 | 2020-01-14 | Oppo广东移动通信有限公司 | 虹膜活体检测方法及相关产品 |
CN111339885B (zh) * | 2020-02-19 | 2024-05-28 | 平安科技(深圳)有限公司 | 基于虹膜识别的用户身份确定方法及相关装置 |
-
2020
- 2020-02-19 CN CN202010103183.5A patent/CN111339885B/zh active Active
- 2020-09-24 WO PCT/CN2020/117419 patent/WO2021164252A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542281A (zh) * | 2010-12-27 | 2012-07-04 | 北京北科慧识科技股份有限公司 | 非接触式生物特征识别方法和系统 |
CN107315985A (zh) * | 2016-04-26 | 2017-11-03 | 腾讯科技(深圳)有限公司 | 一种虹膜识别方法及终端 |
KR20180061819A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 베프스 | 다중 생체 인증 장치 또는 다중 생체 인증 시스템, 그리고 이를 사용한 다중 생체 인증 방법 |
CN108062673A (zh) * | 2017-11-15 | 2018-05-22 | 平安科技(深圳)有限公司 | 支付方法、终端设备及计算机可读存储介质 |
CN108388858A (zh) * | 2018-02-11 | 2018-08-10 | 北京京东金融科技控股有限公司 | 虹膜防伪方法与装置 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110287813A (zh) * | 2019-06-04 | 2019-09-27 | 武汉虹识技术有限公司 | 身份识别方法及系统 |
CN110392041A (zh) * | 2019-06-17 | 2019-10-29 | 平安银行股份有限公司 | 电子授权方法、装置、存储设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
梁艳梅;张舒;: "纹理分析在生物组织光学相干层析图像信息提取和特征识别中的应用", 激光与光电子学进展, no. 01, 31 December 2011 (2011-12-31), pages 1 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164252A1 (zh) * | 2020-02-19 | 2021-08-26 | 平安科技(深圳)有限公司 | 基于虹膜识别的用户身份确定方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111339885B (zh) | 2024-05-28 |
WO2021164252A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Iris matching based on personalized weight map | |
CN111339885B (zh) | 基于虹膜识别的用户身份确定方法及相关装置 | |
JP3903783B2 (ja) | 顔メタデータ生成方法および装置、並びに顔類似度算出方法および装置 | |
CN106557723B (zh) | 一种带交互式活体检测的人脸身份认证系统及其方法 | |
RU2697646C1 (ru) | Способ биометрической аутентификации пользователя и вычислительное устройство, реализующее упомянутый способ | |
EP3680794A1 (en) | Device and method for user authentication on basis of iris recognition | |
Das et al. | A new efficient and adaptive sclera recognition system | |
Ahmed et al. | Appearance-based arabic sign language recognition using hidden markov models | |
JP4375570B2 (ja) | 顔認識方法およびシステム | |
Abdullah et al. | Smart card with iris recognition for high security access environment | |
Ahmed et al. | Eye detection and localization in a facial image based on partial geometric shape of iris and eyelid under practical scenarios | |
Gawande et al. | Biometric-based security system: Issues and challenges | |
KR20200119425A (ko) | 도메인 적응 기반 객체 인식 장치 및 그 방법 | |
Zhang et al. | A study of similarity between genetically identical body vein patterns | |
JP4375571B2 (ja) | 顔類似度算出方法および装置 | |
Wu et al. | NIR-based gaze tracking with fast pupil ellipse fitting for real-time wearable eye trackers | |
Ozkaya et al. | Discriminative common vector based finger knuckle recognition | |
Trokielewicz et al. | Iris recognition under biologically troublesome conditions-effects of aging, diseases and post-mortem changes | |
CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
Hasan et al. | Dual iris matching for biometric identification | |
Quintiliano et al. | Face recognition based on eigeneyes | |
KR20160042646A (ko) | 얼굴 인식 방법 | |
JPH10340342A (ja) | 個体識別装置 | |
Song et al. | Face recognition based on binary template matching | |
Abboud et al. | Quality based approach for adaptive face 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 |