CN111507201B - 人眼图像处理方法、人眼识别方法、装置及存储介质 - Google Patents

人眼图像处理方法、人眼识别方法、装置及存储介质 Download PDF

Info

Publication number
CN111507201B
CN111507201B CN202010227767.3A CN202010227767A CN111507201B CN 111507201 B CN111507201 B CN 111507201B CN 202010227767 A CN202010227767 A CN 202010227767A CN 111507201 B CN111507201 B CN 111507201B
Authority
CN
China
Prior art keywords
eye image
human eye
processed
image processing
inverted
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
CN202010227767.3A
Other languages
English (en)
Other versions
CN111507201A (zh
Inventor
张小亮
请求不公布姓名
王秀贞
戚纪纲
杨占金
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.)
Beijing Superred Technology Co Ltd
Original Assignee
Beijing Superred Technology Co Ltd
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 Beijing Superred Technology Co Ltd filed Critical Beijing Superred Technology Co Ltd
Priority to CN202010227767.3A priority Critical patent/CN111507201B/zh
Publication of CN111507201A publication Critical patent/CN111507201A/zh
Application granted granted Critical
Publication of CN111507201B publication Critical patent/CN111507201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于人眼图像处理方法、人眼识别方法、装置及存储介质，人眼图像处理方法，包括：获取待处理人眼图像；将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置；确定待处理人眼图像的检测结果。根据本公开的实施例，通过将获取到的待处理人眼图像输入人眼图像检测器，以确定待处理人眼图像为正置或倒置，为后续对人眼的虹膜图像处理提供基础，保证了人眼状态分类的准确率，提高了人眼识别的速度，从而提高虹膜识别的精度。

Description

人眼图像处理方法、人眼识别方法、装置及存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及人眼图像处理方法、人眼识别方法、装置及存储介质。
背景技术
现代社会中，身份识别在人们的工作和生活中很多涉及涉密信息、敏感信息或个人隐私数据的场合下十分重要。身份识别的手段有很多，其中，生物特征识别技术使用人体本身固有的生理特征或行为特征，在生物特征识别技术中，基于虹膜的身份识别技术识别精度高，并且具有防伪性、唯一性和稳定性等特点越来越多地受到广泛关注。
利用虹膜识别时，首先需要采集到符合要求的人眼虹膜图像，虹膜图像的质量关系到识别的速度与精度。虹膜采集过程中，虹膜采集设备倒置会导致采集到的虹膜图像也是倒置的，在后续利用采集到的倒置的虹膜图像进行识别时，会导致识别精度降低，甚至引起虹膜识别失败，给人们的使用带来不便。
发明内容
为克服相关技术中存在的问题，本公开提供人眼图像处理方法、人眼图像处理装置、人眼识别方法、人眼识别装置及存储介质。
根据本公开实施例的一方面，提供人眼图像处理方法，人眼图像处理方法包括：获取待处理人眼图像；将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置；确定待处理人眼图像的检测结果。
在一实施例中，人眼图像检测器通过以下方式训练得到：利用训练集训练神经网络，得到人眼图像检测器，其中，训练集包括待处理人眼图像的正置图像和倒置图像，正置图像和倒置图像具有标示。
在一实施例中，方法还包括：对训练集进行预处理，预处理包括：对人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
在一实施例中，获取待处理人眼图像，包括：对待处理人眼图像进行归一化处理；获取归一化处理后的待处理人眼图像。
在一实施例中，确定待处理人眼图像的检测结果，包括：利用人眼图像检测器计算待处理人眼图像的状态是正置的概率及倒置的概率；当正置的概率大于倒置的概率时，确定待处理人眼图像为正置；当倒置的概率大于正置的概率时，确定待处理人眼图像为倒置。
在一实施例中，方法还包括：当确定待处理人眼图像为倒置时，对待处理人眼图像调整至正置。
在一实施例中，方法还包括：将正置的待处理人眼图像发送至服务器，在服务器处对待处理人眼图像进行分类，得到待处理人眼图像的分类结果。
根据本公开实施例的又一方面，提供人眼识别方法，人眼识别方法包括：通过如前任一所述的人眼图像处理方法对待处理人眼图像进行检测；基于检测结果，对待处理人眼图像进行识别，得到待处理人眼图像的分类结果。
根据本公开实施例的一方面，提供人眼图像处理装置，人眼图像处理装置包括：获取模块，用于获取待处理人眼图像；输入模块，用于将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置；确定模块，用于确定待处理人眼图像的检测结果。
在一实施例中，人眼图像检测器通过以下方式训练得到：利用训练集训练神经网络，得到人眼图像检测器，其中，训练集包括待处理人眼图像的正置图像和倒置图像，正置图像和倒置图像具有标示。
在一实施例中，人眼图像处理装置还包括：预处理模块，用于对人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
在一实施例中，获取待处理人眼图像时，获取模块用于：对待处理人眼图像进行归一化处理；获取归一化处理后的待处理人眼图像。
在一实施例中，确定待处理人眼图像的检测结果时，确定模块用于：利用人眼图像检测器计算待处理人眼图像的状态是正置的概率及倒置的概率；当正置的概率大于倒置的概率时，确定待处理人眼图像为正置；当倒置的概率大于正置的概率时，确定待处理人眼图像为倒置。
在一实施例中，人眼图像处理装置还包括：调整模块，用于当确定待处理人眼图像为倒置时，对待处理人眼图像调整至正置。
在一实施例中，人眼图像处理装置还包括：发送模块，用于将正置的待处理人眼图像发送至服务器，在服务器处对待处理人眼图像进行分类，得到待处理人眼图像的分类结果。
根据本公开实施例的又一方面，提供人眼识别装置，人眼识别装置包括：检测模块，用于通过如前所述的人眼图像处理方法对待处理人眼图像进行检测；识别模块，用于基于检测结果，对待处理人眼图像进行识别，得到待处理人眼图像的分类结果。
根据本公开实施例的又一方面，提供人眼图像处理装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为：执行前述任意一项的人眼图像处理方法。
根据本公开实施例的又一方面，提供人眼识别装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为：执行前述任意一项的人眼识别方法。
根据本公开实施例的又一个方面，提供非临时性计算机可读存储介质，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述一项所述的人眼图像处理方法以及人眼识别方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过将获取到的待处理人眼图像输入人眼图像检测器，以确定待处理人眼图像为正置或倒置，为后续对人眼的虹膜图像处理提供基础，保证了人眼状态分类的准确率，提高了人眼识别的速度，从而提高虹膜识别的精度。
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和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据本公开一示例性实施例示出的一种人眼图像处理方法的流程图。
图2是根据本公开一示例性实施例示出的多层卷积神经网络构建的人眼图像检测器结构示意图。
图3是根据本公开一示例性实施例示出深度卷积神经网络结构示意图。
图4是根据本公开又一示例性实施例示出的一种人眼图像处理方法的流程图。
图5是根据本公开又一示例性实施例示出的一种人眼图像处理方法的流程图。
图6是根据本公开又一示例性实施例示出的一种人眼图像处理方法的流程图。
图7是根据本公开一示例性实施例示出的一种人眼图像处理装置的框图。
图8是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图。
图9是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图。
图10是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图。
图11是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图。
图12是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据本公开一示例性实施例示出的一种人眼图像处理方法的流程图，如图1所示，人眼图像处理方法包括以下步骤。
在步骤S101中，获取待处理人眼图像。
待处理人眼图像可以是图像采集设备采集的，也可以利用手机、PC机、笔记本等具备拍摄功能的电子设备等进行采集的。待处理人眼图像的数量可以为1个，也可以是多个。
在步骤S102中，将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置。
在步骤S103中，确定待处理人眼图像的检测结果。
待处理人眼图像的检测结果可以是人眼图像为正置或者倒置。
本公开提供的一种人眼图像处理方法，通过将获取到的待处理人眼图像输入人眼图像检测器，以确定待处理人眼图像为正置或倒置，为后续对人眼的虹膜图像处理提供基础，保证了人眼状态分类的准确率，提高了人眼识别的速度，从而提高虹膜识别的精度。
在一实施例中，人眼图像检测器通过以下方式训练得到：利用训练集训练神经网络，得到人眼图像检测器，其中，训练集包括待处理人眼图像的正置图像和倒置图像，正置图像和倒置图像具有标示。
神经网络可以是卷积神经网络，通过训练集的训练后获得人眼图像检测器，人眼图像检测器，例如，可以是EyePosure_Net检测器。训练集包括待处理人眼图像的正置图像和倒置图像，正置图像和倒置图像具有标示，使得通过训练后的神经网络可以用于确定待处理人眼图像为正置人眼图像或倒置人眼图像。
图2是根据本公开一示例性实施例示出的多层卷积神经网络构建的人眼图像检测器结构示意图。
如图2所示，人眼图像检测器的构成为：由3层卷积核及3次最大值池化转换后再通过全链接操作转换为全链接层，该全链接层再次通过全链接操作的深度卷积神经网络结构；其具体实现过程为：输入240×240大小的待处理人眼图像，通过32个5×5卷积核和3×3，步幅＝2的最大值池化后转换为32个60×60特征图；再通过64个3×3卷积核和3×3，步幅＝2的最大值池化后转换为64个30×30特征图；最后经过128个3×3的卷积核和3×3，步幅＝2的最大值池化后转换为128个15×15特征图；得到的128个15×15特征图通过全链接操作转换为128大小的全链接层。
图3是根据本公开一示例性实施例示出深度卷积神经网络结构示意图，如图3所示，深度卷积神经网络结构包括输入层，经过1×1的卷积核、3×3卷积核和5×5卷积核进行卷积，经过滤波器级联，将图按照深度进行级联，得到输出结果。
神经网络的目标函数为：min∑iL(yi，f(xi；ω))+λΩ(ω)，其中∑iL(yi，f(xi；ω))为损失函数的累加，损失函数为了衡量模型对样本的预测值和真实值之间的误差。为了使训练的模型尽可能的拟合训练样本，损失函数的累加值越小，即模型尽量拟合训练数据。式中，yi为图像的类型标签，是通过预测函数得到的概率预测值，xi为输入图像，ω为神经网络的参数。
使用交叉熵作为人眼状态分类的损失函数，具体形式为：
Figure BDA0002428272190000051
要保证训练误差最小，同时要求保证模型测试误差小，利用正则函数，约束模型尽量简单。Ω(ω)作为正则参数，使用L2正则函数，L2正则函数用于模型中的过拟合，提高模型的适用能力。λ作为超参数，通常设为接近于0的极小的数值。
经过训练集大量数据的训练，即可得到ω，即神经网络的参数，最终得到人眼图像检测器。在完成多层卷积神经网络的人眼图像检测器的训练后，人眼图像检测器可用来待处理人眼图像进行正置或倒置的判断。
训练集对输入的人眼图像进行了数据增强，增加了数据的多样性，使得神经网络的鲁棒性大大增加，以适应于识别不同尺寸的人眼图像。
在一实施例中，对训练集进行预处理，预处理包括对人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
通常待处理人眼图像为彩色，彩色图像的每个像素占用了3个字节，每个字节分别表示RGB三个颜色中的一种，在RGB模型中，如果R＝G＝B，则颜色显示一种灰度颜色，这时R、G、B的值就是灰度值。灰度化处理是图像处理的第一步，经过灰度化处理的图像只包含亮度信息，不包含色彩信息，灰度图像便于存储，也能提高处理效率。
图像金字塔缩放处理，例如，可以是高斯金字塔或者拉普拉斯金字塔，图像金字塔处理是图像多尺度化的一种方式，通过将图像分辨率逐渐降低，形成一组类似金字塔形状的图像集合，金字塔层级越高，图像越小，分辨率越低。通过设置缩放比率，缩放个数，可以提取待处理人眼图像的不同尺度特征，以训练集的训练效果。
对待处理人眼图像亮度调整，可以是提高或者降低图像亮度，在待处理人眼图像中加入噪声，对待处理人眼图像进行模糊处理，以提高训练效果，通过训练集的训练后获得人眼图像检测器的数据适应性强，人眼图像检测器的鲁棒性增加。
对待处理人眼图像进行尺寸调整，以使其满足了后续进行多层卷积神经网络进行卷积运算的要求。在本公实施例中，缩放的不同尺寸的待处理人眼图像统一缩放到240×240，可以理解地，也可以是48×48或者其他尺寸，本公开实施例对调整后的图像尺寸不作限定。
在一实施例中，对待处理人眼图像进行归一化处理，获取归一化处理后的待处理人眼图像。
图像归一化是指对待处理人眼图像进行了一系列标准的处理变换，使之变换为一固定标准形式，即适用于人眼图像检测器的图像，可以理解地，归一化处理后的图像为待处理图像的归一化图像。对待处理人眼图像进行归一化处理，获取归一化处理后的待处理人眼图像，可以提升人眼图像检测器的检测精度，使得检测结果更加准确。
在一实施例中，确定待处理人眼图像的检测结果，包括利用人眼图像检测器计算待处理人眼图像的状态是正置的概率及倒置的概率；当正置的概率大于倒置的概率时，确定待处理人眼图像为正置；当倒置的概率大于正置的概率时，确定待处理人眼图像为倒置。
将待处理人眼图像输入人眼图像检测器，利用人眼图像检测器计算待处理人眼图像的状态是正置的概率，以及待处理人眼图像的状态是倒置的概率。通过比较人眼图像的状态是正置的概率及倒置的概率的大小，确定待处理人眼图像的状态为正置或是倒置，提高了分类的准确率。
图4是根据本公开一示例性实施例示出的一种人眼图像处理方法的流程图，如图4所示，人眼图像处理方法包括以下步骤。
在步骤S201中，获取待处理人眼图像。
在步骤S202中，将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置。
在步骤S203中，确定待处理人眼图像的检测结果。
在步骤S204中，当确定待处理人眼图像为倒置时，对待处理人眼图像调整至正置。
为了提高人眼分类的准确性，将确定为倒置的待处理人眼图像调整至正置，以避免在后续利用采集到的倒置的虹膜图像进行识别时，会导致识别精度降低，甚至引起虹膜识别失败。
可以理解地，在一实施例中，也可以是将确定为正置的待处理人眼图像调整至倒置，将调整后的一致为倒置的人眼图像进行人眼识别。对方向一致的待处理人眼图像进行分类，得到准确的分类结果。
图5是根据本公开一示例性实施例示出的一种人眼图像处理方法的流程图，如图5所示，人眼图像处理方法包括以下步骤。
在步骤S301中，获取待处理人眼图像。
在步骤S302中，将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置。
在步骤S303中，确定待处理人眼图像的检测结果。
在步骤S304中，当确定待处理人眼图像为倒置时，对待处理人眼图像调整至正置。
在步骤S305中，将正置的待处理人眼图像发送至服务器，在服务器处对待处理人眼图像进行分类，得到待处理人眼图像的分类结果。
利用人眼图像检测器计算，确定待处理人眼图像的检测结果，可以通过移动终端、移动平板、PC机、笔记本、服务器等电子设备完成。
将正置的待处理人眼图像发送至服务器，在服务器处对待处理人眼图像进行分类，得到待处理人眼图像的分类结果。例如，在终端处将正置的待处理人眼图像发送至服务器。服务器对待处理人眼图像进行分类，并将分类的结果发送至终端处，以便用户查看或供其它程序调用。在服务器处对待处理人眼图像进行分类，可以在待处理人眼图像数据量大时，提高处理速度。
图6是根据本公开一示例性实施例示出的一种人眼识别方法的流程图，如图6所示，人眼识别方法包括以下步骤。
在步骤S401中，通过如前任一所述的人眼图像处理方法对待处理人眼图像进行检测。
在步骤S402中，基于检测结果，对待处理人眼图像进行识别，得到待处理人眼图像的分类结果。
图7是根据本公开一示例性实施例示出的一种人眼图像处理装置的框图，如图7所示，人眼图像处理装置500包括：获取模块510、输入模块520和确定模块530。
获取模块510，用于获取待处理人眼图像。
输入模块520，用于将待处理人眼图像输入人眼图像检测器，人眼图像检测器用于确定人眼图像为正置或倒置。
确定模块530，用于确定待处理人眼图像的检测结果。
在一实施例中，人眼图像检测器通过以下方式训练得到：利用训练集训练神经网络，得到人眼图像检测器，其中，训练集包括待处理人眼图像的正置图像和倒置图像，正置图像和倒置图像具有标示。
图8是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图，如图8所示，人眼图像处理装置500还包括：预处理模块540。
预处理模块540，用于对人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
在一实施例中，获取待处理人眼图像时，获取模块510用于：对待处理人眼图像进行归一化处理；获取归一化处理后的待处理人眼图像。
在一实施例中，确定待处理人眼图像的检测结果时，确定模块530用于：利用人眼图像检测器计算待处理人眼图像的状态是正置的概率及倒置的概率；当正置的概率大于倒置的概率时，确定待处理人眼图像为正置；当倒置的概率大于正置的概率时，确定待处理人眼图像为倒置。
图9是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图，如图9所示，人眼图像处理装置500还包括：调整模块550。
调整模块550，用于当确定待处理人眼图像为倒置时，对待处理人眼图像调整至正置。
图10是根据本公开又一示例性实施例示出的一种人眼图像处理装置的框图，如图10所示，人眼图像处理装置500还包括：发送模块560。
发送模块560，用于将正置的待处理人眼图像发送至服务器，在服务器处对待处理人眼图像进行分类，得到待处理人眼图像的分类结果。
图11是根据本公开又一示例性实施例示出的一种人眼识别装置的框图，如图11所示，人眼识别装置600包括：检测模块610和识别模块620。
检测模块610，用于通过如前所述的人眼图像处理方法对待处理人眼图像进行检测。
识别模块620，用于基于检测结果，对待处理人眼图像进行识别，得到待处理人眼图像的分类结果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种电子设备30。其中，该电子设备30包括存储器310、处理器320、输入/输出(Input/Output，I/O)接口330。其中，存储器310，用于存储指令。处理器320，用于调用存储器310存储的指令执行本发明实施例的人眼图像处理方法和人眼识别方法。其中，处理器320分别与存储器310、I/O接口330连接，例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器310可用于存储程序和数据，包括本发明实施例中涉及的人眼图像处理方法和人眼识别方法的程序，处理器320通过运行存储在存储器310的程序从而执行电子设备30的各种功能应用以及数据处理。
本发明实施例中处理器320可以采用数字信号处理器(Digital SignalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现，所述处理器320可以是中央处理单元(Central Processing Unit，CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
本发明实施例中的存储器310可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory，RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-OnlyMemory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等。
本发明实施例中，I/O接口330可用于接收输入的指令(例如数字或字符信息，以及产生与电子设备30的用户设置以及功能控制有关的键信号输入等)，也可向外部输出各种信息(例如，图像或声音等)。本发明实施例中I/O接口330可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
在一些实施方式中，本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在由处理器执行时，执行上文所述的任何方法。
尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本发明的方法和装置能够利用标准编程技术来完成，利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是，此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
出于示例和描述的目的，已经给出了本发明实施的前述说明。前述说明并非是穷举性的也并非要将本发明限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本发明的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本发明的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本发明。

Claims (19)

1.一种人眼图像处理方法，其特征在于，所述方法包括：
获取待处理人眼图像；
将所述待处理人眼图像输入人眼图像检测器，所述人眼图像检测器用于确定人眼图像为正置或倒置；
确定所述待处理人眼图像的检测结果。
2.根据权利要求1所述的人眼图像处理方法，其特征在于，所述人眼图像检测器通过以下方式训练得到：
利用训练集训练神经网络，得到所述人眼图像检测器，其中，所述训练集包括所述待处理人眼图像的正置图像和倒置图像，所述正置图像和倒置图像具有标示。
3.根据权利要求2所述的人眼图像处理方法，其特征在于，所述方法还包括：
对所述训练集进行预处理，所述预处理包括：对所述人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
4.根据权利要求1或2所述的人眼图像处理方法，其特征在于，获取待处理人眼图像，包括：
对所述待处理人眼图像进行归一化处理；
获取归一化处理后的所述待处理人眼图像。
5.根据权利要求4所述的人眼图像处理方法，其特征在于，确定所述待处理人眼图像的检测结果，包括：
利用所述人眼图像检测器计算所述待处理人眼图像的状态是正置的概率及倒置的概率；
当所述正置的概率大于所述倒置的概率时，确定所述待处理人眼图像为正置；
当所述倒置的概率大于所述正置的概率时，确定所述待处理人眼图像为倒置。
6.根据权利要求5所述的人眼图像处理方法，其特征在于，所述方法还包括：
当确定所述待处理人眼图像为倒置时，对所述待处理人眼图像调整至正置。
7.根据权利要求6所述的人眼图像处理方法，其特征在于，所述方法还包括：
将正置的所述待处理人眼图像发送至服务器，在所述服务器处对所述待处理人眼图像进行分类，得到所述待处理人眼图像的分类结果。
8.一种人眼识别方法，其特征在于，所述方法包括：
通过如权利要求1-7中所述的人眼图像处理方法对待处理人眼图像进行检测；
基于所述检测结果，对所述待处理人眼图像进行识别，得到所述待处理人眼图像的分类结果。
9.一种人眼图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理人眼图像；
输入模块，用于将所述待处理人眼图像输入人眼图像检测器，所述人眼图像检测器用于确定人眼图像为正置或倒置；
确定模块，用于确定所述待处理人眼图像的检测结果。
10.根据权利要求9所述的人眼图像处理装置，其特征在于，所述人眼图像检测器通过以下方式训练得到：
利用训练集训练神经网络，得到所述人眼图像检测器，其中，所述训练集包括所述待处理人眼图像的正置图像和倒置图像，所述正置图像和倒置图像具有标示。
11.根据权利要求10所述的人眼图像处理装置，其特征在于，所述装置还包括：
预处理模块，用于对所述人眼图像进行灰度化处理、金字塔缩放、亮度调整、加入噪声、模糊处理、尺寸调整及归一化中的至少一项。
12.根据权利要求9或10所述的人眼图像处理装置，其特征在于，获取待处理人眼图像时，所述获取模块用于：
对所述待处理人眼图像进行归一化处理；
获取归一化处理后的所述待处理人眼图像。
13.根据权利要求12所述的人眼图像处理装置，其特征在于，确定所述待处理人眼图像的检测结果时，所述确定模块用于：
利用所述人眼图像检测器计算所述待处理人眼图像的状态是正置的概率及倒置的概率；
当所述正置的概率大于所述倒置的概率时，确定所述待处理人眼图像为正置；
当所述倒置的概率大于所述正置的概率时，确定所述待处理人眼图像为倒置。
14.根据权利要求13所述的人眼图像处理装置，其特征在于，所述装置还包括：
调整模块，用于当确定所述待处理人眼图像为倒置时，对所述待处理人眼图像调整至正置。
15.根据权利要求14所述的人眼图像处理装置，其特征在于，所述装置还包括：
发送模块，用于将正置的所述待处理人眼图像发送至服务器，在所述服务器处对所述待处理人眼图像进行分类，得到所述待处理人眼图像的分类结果。
16.一种人眼识别装置，其特征在于，所述装置包括：
检测模块，用于通过如权利要求1-7中所述的人眼图像处理方法对待处理人眼图像进行检测；
识别模块，用于基于所述检测结果，对所述待处理人眼图像进行识别，得到所述待处理人眼图像的分类结果。
17.一种人眼图像处理装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的人眼图像处理方法。
18.一种人眼识别装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求8所述的人眼识别方法。
19.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行权利要求1至7中任意一项所述的人眼图像处理方法或权利要求8所述的人眼识别方法。
CN202010227767.3A 2020-03-27 2020-03-27 人眼图像处理方法、人眼识别方法、装置及存储介质 Active CN111507201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010227767.3A CN111507201B (zh) 2020-03-27 2020-03-27 人眼图像处理方法、人眼识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010227767.3A CN111507201B (zh) 2020-03-27 2020-03-27 人眼图像处理方法、人眼识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111507201A CN111507201A (zh) 2020-08-07
CN111507201B true CN111507201B (zh) 2023-04-18

Family

ID=71874313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010227767.3A Active CN111507201B (zh) 2020-03-27 2020-03-27 人眼图像处理方法、人眼识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111507201B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423699A (zh) * 2017-07-14 2017-12-01 广东欧珀移动通信有限公司 活体检测方法及相关产品
CN108073889A (zh) * 2016-11-11 2018-05-25 三星电子株式会社 虹膜区域提取的方法和设备
CN109033928A (zh) * 2017-06-09 2018-12-18 北京小米移动软件有限公司 防止信息泄露的图像处理方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9239957B2 (en) * 2014-04-04 2016-01-19 Fotonation Limited Image processing method and apparatus

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073889A (zh) * 2016-11-11 2018-05-25 三星电子株式会社 虹膜区域提取的方法和设备
CN109033928A (zh) * 2017-06-09 2018-12-18 北京小米移动软件有限公司 防止信息泄露的图像处理方法和装置
CN107423699A (zh) * 2017-07-14 2017-12-01 广东欧珀移动通信有限公司 活体检测方法及相关产品

Also Published As

Publication number Publication date
CN111507201A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
Sharma et al. Hand gesture recognition using image processing and feature extraction techniques
CN112329619B (zh) 一种人脸识别方法、装置、电子设备及可读存储介质
CN109784153B (zh) 情绪识别方法、装置、计算机设备及存储介质
CN109657582B (zh) 人脸情绪的识别方法、装置、计算机设备及存储介质
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
US20200134382A1 (en) Neural network training utilizing specialized loss functions
CN109002766A (zh) 一种表情识别方法及装置
CN111476268A (zh) 翻拍识别模型训练、图像识别方法、装置、设备及介质
US10248848B2 (en) Method and apparatus for improved facial recognition
CN110956080B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN109522925A (zh) 一种图像识别方法、装置和存储介质
WO2021208373A1 (zh) 图像识别方法、装置、电子设备及计算机可读存储介质
CN109472209A (zh) 一种图像识别方法、装置和存储介质
CN110738222B (zh) 图像匹配方法、装置、计算机设备和存储介质
US11715288B2 (en) Optical character recognition using specialized confidence functions
CN109993221A (zh) 一种图像分类方法及装置
CN112560710B (zh) 一种用于构建指静脉识别系统的方法及指静脉识别系统
Kancharla et al. Handwritten signature recognition: a convolutional neural network approach
CN112818774A (zh) 一种活体检测方法及装置
CN107886093B (zh) 一种字符检测方法、系统、设备及计算机存储介质
CN112784836A (zh) 一种文本图形偏移角度预测及其校正方法
CN111507201B (zh) 人眼图像处理方法、人眼识别方法、装置及存储介质
Nandhini et al. Sign language recognition using convolutional neural network
CN116258906A (zh) 一种对象识别方法、特征提取模型的训练方法及装置
CN115223002B (zh) 模型训练方法、开门动作检测方法、装置以及计算机设备

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
CB02 Change of applicant information

Address after: 100081 room 701, floor 7, Fuhai international port, Haidian District, Beijing

Applicant after: Beijing wanlihong Technology Co.,Ltd.

Address before: 100081 1504, floor 15, Fuhai international port, Daliushu Road, Haidian District, Beijing

Applicant before: BEIJING SUPERRED TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant