CN111507996B - 虹膜图像评价方法及装置、虹膜识别方法及装置 - Google Patents

虹膜图像评价方法及装置、虹膜识别方法及装置 Download PDF

Info

Publication number
CN111507996B
CN111507996B CN202010214038.4A CN202010214038A CN111507996B CN 111507996 B CN111507996 B CN 111507996B CN 202010214038 A CN202010214038 A CN 202010214038A CN 111507996 B CN111507996 B CN 111507996B
Authority
CN
China
Prior art keywords
iris
value
image
iris image
gradient
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
CN202010214038.4A
Other languages
English (en)
Other versions
CN111507996A (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 CN202010214038.4A priority Critical patent/CN111507996B/zh
Publication of CN111507996A publication Critical patent/CN111507996A/zh
Application granted granted Critical
Publication of CN111507996B publication Critical patent/CN111507996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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

Landscapes

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

Abstract

本公开是关于一种虹膜图像评价方法、虹膜图像评价装置、虹膜识别方法、虹膜识别装置、电子设备及计算机可读存储介质。其中虹膜图像评价方法包括：获取虹膜图像；对虹膜图像进行分块，得到多个子图像；对虹膜图像进行分割，得到虹膜区域；基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值；判断清晰度值是否大于预设阈值；若清晰度值大于预设阈值，则虹膜图像为清晰图像；若清晰度值小于或等于预设阈值，则虹膜图像为模糊图像。通过本公开提供的虹膜图像评价方法，能够准确、高效的确定虹膜图像的清晰程度，从而判断图像是否清晰，是否可以用于虹膜识别，从而保证了虹膜识别的可靠程度。

Description

虹膜图像评价方法及装置、虹膜识别方法及装置
技术领域
本公开涉及数据信息处理和分析方法技术领域，尤其涉及虹膜图像评价方法、虹膜图像评价装置、虹膜识别方法、虹膜识别装置、电子设备及计算机可读存储介质。
背景技术
随着互联网和通讯技术的进步，信息安全问题已经显现出来。传统的身份识别方法主要使用身份证等进行识别。随着信息社会的发展，用户证件丢失等情况会导致严重的信息泄露的问题，危害个人信用和财产安全。因此，依靠传统身份识别的方法已满足不了信息化社会的安全需求，便捷安全的生物特征识别应用越来越广泛。与其他生物识别相比，虹膜识别因其在防伪性、唯一性、永久性等特点受到更多的关注，应用前景十分广阔。
虹膜图像质量评价是虹膜识别中的重要一环，对识别的精度有很大影响。虹膜质量评价是对采集到的虹膜图像的清晰度、有效区域面积等进行质量评价，经过质量评价后输出能够保证识别精度要求的虹膜图像，提供高质量的虹膜图片进入到后续识别过程中，提升系统的准确程度。
在虹膜图像质量评价中清晰度是其中的重要组成部分。虹膜图像的清晰度会直接影响到虹膜纹理的特征提取，直接影响识别结果。虹膜图像包含大量的噪声，主要有眼皮、睫毛、光斑等，这些噪声会严重地影响清晰度评价结果，从而影响后续的识别精度。
本发明针对现有技术的不足，提供了一种虹膜图像的清晰度评价方法，与人眼主观感受一致，具有良好的鲁棒性，并有效提升了虹膜图像清晰度评价的准确性。
发明内容
为克服相关技术中存在的问题，本公开提供一种虹膜图像评价方法、虹膜图像评价装置、虹膜识别方法、虹膜识别装置、电子设备及计算机可读存储介质。
根据本公开实施例的第一方面，提供一种虹膜图像评价方法，包括：获取虹膜图像；对虹膜图像进行分块，得到多个子图像；对虹膜图像进行分割，得到虹膜区域；基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值；判断清晰度值是否大于预设阈值；若清晰度值大于预设阈值，则虹膜图像为清晰图像；若清晰度值小于或等于预设阈值，则虹膜图像为模糊图像。
在一实施例中，对虹膜图像进行分块，得到多个子图像，包括：基于虹膜图像尺寸，将虹膜图像分为预设数量的矩形的子图像；或，基于预设尺寸，将虹膜图像分为多个预设尺寸的矩形的子图像。
在一实施例中，对虹膜图像进行分割，得到虹膜区域，包括：通过卷积神经网络，对虹膜图像进行语义分割，得到虹膜区域。
在一实施例中，基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值，包括：基于每个子图像的梯度，确定第一值和第二值；基于虹膜区域的梯度，确定第三值；基于第一值、第二值对第三值进行归一化，得到虹膜图像的清晰度值。
在一实施例中，基于每个子图像的梯度，确定第一值和第二值，包括：基于每个子图像，对应得到第一梯度图像；确定每个第一梯度图像的梯度值的第一均方差值；将全部子图像对应的第一均方差值的最大值作为第一值，将全部子图像对应的第一均方差值的最小值作为第二值。
在一实施例中，基于虹膜区域的梯度，确定第三值，包括：将虹膜区域的边缘区域去除，得到特征区域；基于特征区域，对应得到第二梯度图像；确定第二梯度图像的梯度值的第二均方差值；将第二均方差值作为第三值。
在一实施例中，将虹膜区域的边缘区域去除，得到特征区域，包括：通过滤波器，得到虹膜区域的边缘；将邻接边缘内沿和外沿的像素删除，得到特征区域。
在一实施例中，基于第一值、第二值对第三值进行归一化，得到虹膜图像的清晰度值，通过以下公式得到：
其中，Score为清晰度值，M为第一值，N为第二值，S为第三值。
根据本公开实施例的第二方面，提供一种虹膜识别方法，包括：获取虹膜图像；通过如第一方面的虹膜图像评价方法对虹膜图像进行评价；若虹膜图像为清晰图像，则对虹膜图像进行识别。
在一实施例中，虹膜识别方法还包括：若虹膜图像为模糊图像，则重新执行获取虹膜图像的步骤。
根据本公开实施例的第三方面，提供一种虹膜图像评价装置，包括：获取单元，用于获取虹膜图像；分块单元，用于对虹膜图像进行分块，得到多个子图像；分割单元，用于对虹膜图像进行分割，得到虹膜区域；清晰度确定单元，用于基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值；判断单元，用于判断清晰度值是否大于预设阈值；若清晰度值大于预设阈值，则虹膜图像为清晰图像；若清晰度值小于或等于预设阈值，则虹膜图像为模糊图像。
在一实施例中，分块单元用于：基于虹膜图像尺寸，将虹膜图像分为预设数量的矩形的子图像；或，基于预设尺寸，将虹膜图像分为多个预设尺寸的矩形的子图像。
在一实施例中，分割单元用于：通过卷积神经网络，对虹膜图像进行语义分割，得到虹膜区域。
在一实施例中，清晰度确定单元还包括：第一确定单元，用于基于每个子图像的梯度，确定第一值和第二值；第二确定单元，用于基于虹膜区域的梯度，确定第三值；归一化单元，用于基于第一值、第二值对第三值进行归一化，得到虹膜图像的清晰度值。
在一实施例中，第一确定单元用于：基于每个子图像，对应得到第一梯度图像；确定每个第一梯度图像的梯度值的第一均方差值；将全部子图像对应的第一均方差值的最大值作为第一值，将全部子图像对应的第一均方差值的最小值作为第二值。
在一实施例中，第二确定单元用于：将虹膜区域的边缘区域去除，得到特征区域；基于特征区域，对应得到第二梯度图像；确定第二梯度图像的梯度值的第二均方差值；将第二均方差值作为第三值。
在一实施例中，第二确定单元还用于：通过滤波器，得到虹膜区域的边缘；将邻接边缘内沿和外沿的像素删除，得到特征区域。
在一实施例中，归一化单元通过以下公式得到虹膜图像的清晰度值：
其中，Score为清晰度值，M为第一值，N为第二值，S为第三值。
根据本公开实施例的第四方面，提供一种虹膜识别装置，包括：采集单元，用于获取虹膜图像；评价单元，用于通过如第一方面的虹膜图像评价方法对虹膜图像进行评价；识别单元，用于当虹膜图像为清晰图像时，对虹膜图像进行识别。
在一实施例中，采集单元还用于：当虹膜图像为模糊图像时，重新获取虹膜图像。
根据本公开实施例的第五方面，提供一种电子设备，包括：存储器，用于存储指令；以及处理器，用于调用存储器存储的指令执行第一方面的虹膜图像评价方法或第二方面的虹膜识别方法。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，存储有指令，指令被处理器执行时，执行第一方面的虹膜图像评价方法或第二方面的虹膜识别方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过本公开提供的虹膜图像评价方法，能够准确、高效的确定虹膜图像的清晰程度，从而判断图像是否清晰，是否可以用于虹膜识别，从而保证了虹膜识别的可靠程度。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种虹膜图像评价方法的流程示意图。
图2是根据一示例性实施例示出的另一种虹膜图像评价方法的流程示意图。
图3是根据一示例性实施例示出的另一种虹膜图像评价方法的流程示意图。
图4是根据一示例性实施例示出的另一种虹膜图像评价方法的流程示意图。
图5是根据一示例性实施例示出的一种虹膜识别方法的流程示意图。
图6是根据一示例性实施例示出的另一种虹膜识别方法的流程示意图。
图7是根据一示例性实施例示出的一种虹膜图像评价装置的示意框图。
图8是根据一示例性实施例示出的另一种虹膜图像评价装置的示意框图。
图9是根据一示例性实施例示出的一种虹膜识别装置的示意框图。
图10是根据一示例性实施例示出的一种装置的示意框图。
图11是根据一示例性实施例示出的一种电子装置的示意框图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供一种虹膜图像评价方法10，可以用于终端设备，也可以用于云端服务器，在一些虹膜识别场景中，可以用于虹膜识别设备中，对采集的虹膜图像进行评价，再根据评价结果进行虹膜识别如图1所示，虹膜图像评价方法10包括步骤S11-步骤S15：
步骤S11，获取虹膜图像。
在一些虹膜识别的场景中，可以通过图像采集设备实施采集虹膜图像，在另一些场景中，也可以从本地或云端服务器获取虹膜图像进行评价。
步骤S12，对虹膜图像进行分块，得到多个子图像。
对虹膜图像分成多个子图像，子图像的形状可以预设确定，多个子图像之间的大小可以相同也可以不同。
在一实施例中，步骤S12可以包括：基于虹膜图像尺寸，将虹膜图像分为预设数量的矩形的子图像。本实施例中，获取的虹膜图像可以是矩形的，可以预设数量，将虹膜图像按照预设数量进行等分，如预设数量可以为9个，则将虹膜图像按照3×3的方式分为九个矩形的子图像。在另一些实施例中，步骤S12也可以包括：基于预设尺寸，将虹膜图像分为多个预设尺寸的矩形的子图像。本实施例中，可以设置预设尺寸，将虹膜图像分成与预设尺寸相等的多个子图像，子图像覆盖为虹膜图像中心区域。
步骤S13，对虹膜图像进行分割，得到虹膜区域。
虹膜图像中包括了眼睛及眼睛周边区域，而进行虹膜识别的部分仅为虹膜区域，因此虹膜区域是判断虹膜图像清晰度的关键因素之一。
在一实施例中，步骤S13可以包括：通过卷积神经网络(CNN)，对虹膜图像进行语义分割，得到虹膜区域。本实施例中，可以通过如U-Net等用于图像语义分割的卷积神经网络，对虹膜图像进行语义分割，得到虹膜区域和非虹膜区域。通过此方式能够高效并准确的获取虹膜区域。
步骤S14，基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值。
梯度能够体现图像的清晰度，但如果单纯考虑虹膜区域的梯度，则使得判断不够全面和准确。因此，基于每个子图像和虹膜区域的梯度判断虹膜图像的清晰度，能够更加准确和可靠。
在一实施例中，如图2所示，步骤S14可以包括：步骤S141，基于每个子图像的梯度，确定第一值和第二值；步骤S142，基于虹膜区域的梯度，确定第三值；步骤S143，基于第一值、第二值对第三值进行归一化，得到虹膜图像的清晰度值。本实施例中，通过归一化的方式，能够更加准确和客观的对虹膜图像的清晰度进行判断。
在又一实施例中，如图3所示，步骤S141可以包括：步骤S1411，基于每个子图像，对应得到第一梯度图像；步骤S1412，确定每个第一梯度图像的梯度值的第一均方差值；步骤S1413，将全部子图像对应的第一均方差值的最大值作为第一值，将全部子图像对应的第一均方差值的最小值作为第二值。本实施例中，均方差值可以体现图像的梯度分布，均方差值越大，则说明梯度分布分散，图像纹理更清晰，均方差值越小，则说明梯度分布集中，图像纹理可能会模糊。当然，在一些情况下，图像平坦区域多可能造成均方差值小，不过由于本公开采用了，第一值、第二值以及第三值共同考虑判断清晰度，从而避免了一些局部图像数据带来的偏差。其中，可以通过高斯-拉普拉斯算子，得到子图像的第一梯度图像，高斯-拉普拉斯算子是对高斯核函数求取二阶导数得到的，具体表现为先对图像进行高斯滤波，然后再进行拉普拉斯变换。高斯-拉普拉斯算子公式：
其中，(x,y)代表像素坐标，σx，σy代表高斯函数方差。
在一实施例中，如图4所示，步骤S142可以包括：步骤S1421，将虹膜区域的边缘区域去除，得到特征区域；步骤S1422，基于特征区域，对应得到第二梯度图像；步骤S1423，确定第二梯度图像的梯度值的第二均方差值；步骤S1424，将第二均方差值作为第三值。本实施例中，由于虹膜区域经过语义分割得到，其边缘梯度值很高，会导致判断产生一定偏差，因此，可以先通过边缘区域去除，在一实施例中，步骤S1421可以包括：通过滤波器，得到虹膜区域的边缘；将邻接边缘内沿和外沿的像素删除，得到特征区域。其中，可以通过gabor滤波器进行滤波，计算图像边缘，再将图像边缘邻接的像素删除。其中，gabor小波公式如下：
其中，(x0,y0)为滤波器的中心，本文采样点设为滤波器的中心位置，因此取值(0,0)；α、β分别为滤波器高斯窗函数的有效宽度和高度；ω为滤波器的中心频率；σ为高斯函数沿x和y轴的标准方差；θ为复平面波相对于x轴的角度。
先选取若干个θ，其他参数通过网格搜索，计算滤波后得到边缘图像的能量，选取能量值最大的几组参数作为最终的滤波器组参数。
在获取到特征区域后，同样进行梯度计算，得到特征区域的均方差值，其能够体现特征区域的纹理清晰程度，作为第三值。
在一实施例中，步骤S143可以通过以下公式得到：
其中，Score为清晰度值，M为第一值，N为第二值，S为第三值。本实施例中，通过公式可见，第三值的值越大，则清晰度值越高，同时通过该归一化的方式，能够避免图像中的一些偏差对清晰度评价结果带来的不利影响，从而能够得到更加准确可靠的清晰度。
步骤S15，判断清晰度值是否大于预设阈值；若清晰度值大于预设阈值，则虹膜图像为清晰图像；若清晰度值小于或等于预设阈值，则虹膜图像为模糊图像。
预先设置有预设阈值，清晰度值与之进行比较，从而得到最终结论。如果通过上述任一方式获取的清晰度值大于预设阈值，则虹膜图像为清晰图像，可以用于如虹膜识别等后续操作，否则，可以删除或进行其他操作。
通过上述任一实施例的虹膜图像评价方法，能够高效、准确、客观的评价一个虹膜图像的纹理清晰度，从而为虹膜识别的操作奠定基础。
基于同一发明构思，本公开实施例还提供一种虹膜识别方法20，如图5所示，虹膜识别方法20，包括：步骤S21，获取虹膜图像；步骤S22，通过如前述任一实施例的虹膜图像评价方法10对虹膜图像进行评价；步骤S23，若虹膜图像为清晰图像，则对虹膜图像进行识别。通过实时采集或其他方式获取虹膜图像，在识别之前，先通过虹膜图像评价方法10对虹膜图像进行评价，若虹膜图像为清晰图像，则对虹膜图像进行识别，从而保证了识别结果的准确性和可靠性。
在一实施例中，如图6所示，虹膜识别方法20还可以包括步骤S24，若虹膜图像为模糊图像，则重新执行步骤S21。在通过虹膜图像评价方法10对虹膜图像进行评价的结论为模糊图像时，说明当前获取的虹膜图像不适合进行识别，如果进行识别，则结果的准确性不能得到保证。因此，可以返回重新执行步骤S21，重新获取虹膜图像。尤其在实时进行虹膜图像采集和识别的场景中，可以通过本实施例保证识别的准确性。
基于同一个发明构思，图7示出了一种虹膜图像评价装置100，包括：获取单元110，用于获取虹膜图像；分块单元120，用于对虹膜图像进行分块，得到多个子图像；分割单元130，用于对虹膜图像进行分割，得到虹膜区域；清晰度确定单元140，用于基于每个子图像以及虹膜区域的梯度，确定虹膜图像的清晰度值；判断单元150，用于判断清晰度值是否大于预设阈值；若清晰度值大于预设阈值，则虹膜图像为清晰图像；若清晰度值小于或等于预设阈值，则虹膜图像为模糊图像。
在一实施例中，分块单元120用于：基于虹膜图像尺寸，将虹膜图像分为预设数量的矩形的子图像；或，基于预设尺寸，将虹膜图像分为多个预设尺寸的矩形的子图像。
在一实施例中，分割单元130用于：通过卷积神经网络，对虹膜图像进行语义分割，得到虹膜区域。
在一实施例中，如图8所示，清晰度确定单元140还包括：第一确定单元141，用于基于每个子图像的梯度，确定第一值和第二值；第二确定单元142，用于基于虹膜区域的梯度，确定第三值；归一化单元143，用于基于第一值、第二值对第三值进行归一化，得到虹膜图像的清晰度值。
在一实施例中，第一确定单元141用于：基于每个子图像，对应得到第一梯度图像；确定每个第一梯度图像的梯度值的第一均方差值；将全部子图像对应的第一均方差值的最大值作为第一值，将全部子图像对应的第一均方差值的最小值作为第二值。
在一实施例中，第二确定单元142用于：将虹膜区域的边缘区域去除，得到特征区域；基于特征区域，对应得到第二梯度图像；确定第二梯度图像的梯度值的第二均方差值；将第二均方差值作为第三值。
在一实施例中，第二确定单元142还用于：通过滤波器，得到虹膜区域的边缘；将邻接边缘内沿和外沿的像素删除，得到特征区域。
在一实施例中，归一化单元143通过以下公式得到虹膜图像的清晰度值：
其中，Score为清晰度值，M为第一值，N为第二值，S为第三值。
关于上述实施例中的虹膜图像评价装置100，其中各个模块执行操作的具体方式已经在有关虹膜图像评价方法10的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一个发明构思，图9示出了一种虹膜识别装置200，包括：采集单元210，用于获取虹膜图像；评价单元220，用于通过如第一方面的虹膜图像评价方法10对虹膜图像进行评价；识别单元230，用于当虹膜图像为清晰图像时，对虹膜图像进行识别。
在一实施例中，采集单元210还用于：当虹膜图像为模糊图像时，重新获取虹膜图像。
关于上述实施例中的虹膜识别装置200，其中各个模块执行操作的具体方式已经在有关虹膜识别方法20的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的前述任一实施例装置的示意框图。例如，装置300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图10，装置300可以包括以下一个或多个组件：处理组件302，存储器304，电源组件306，多媒体组件308，音频组件310，输入/输出(I/O)的接口312，传感器组件314，以及通信组件316。
处理组件302通常控制装置300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件306为装置300的各种组件提供电力。电源组件306可以包括电源管理系统，一个或多个电源，及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当装置300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器，用于为装置300提供各个方面的状态评估。例如，传感器组件314可以检测到装置300的打开/关闭状态，组件的相对定位，例如所述组件为装置300的显示器和小键盘，传感器组件314还可以检测装置300或装置300一个组件的位置改变，用户与装置300接触的存在或不存在，装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器304，上述指令可由装置300的处理器320执行以完成上述方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图11是根据一示例性实施例示出的一种电子装置400的框图。例如，装置400可以被提供为一服务器。参照图11，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器442所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器442中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述方法。
装置400还可以包括一个电源组件426被配置为执行装置300的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器442的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
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它实施方案。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公开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下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (14)

1.一种虹膜图像评价方法，其特征在于，所述方法包括：
获取虹膜图像；
对所述虹膜图像进行分块，得到多个子图像；
对所述虹膜图像进行分割，得到虹膜区域；
基于每个所述子图像以及所述虹膜区域的梯度，确定所述虹膜图像的清晰度值；
判断所述清晰度值是否大于预设阈值；
若所述清晰度值大于预设阈值，则所述虹膜图像为清晰图像；
若所述清晰度值小于或等于所述预设阈值，则所述虹膜图像为模糊图像；
所述对所述虹膜图像进行分割，得到虹膜区域，包括：
通过卷积神经网络，对所述虹膜图像进行语义分割，得到所述虹膜区域；
所述基于每个所述子图像以及所述虹膜区域的梯度，确定所述虹膜图像的清晰度值，包括：
基于每个所述子图像的梯度，确定第一值和第二值；
基于所述虹膜区域的梯度，确定第三值；
基于所述第一值、所述第二值对所述第三值进行归一化，得到所述虹膜图像的所述清晰度值；
所述基于每个所述子图像的梯度，确定第一值和第二值，包括：
基于每个所述子图像，对应得到第一梯度图像；
确定每个所述第一梯度图像的梯度值的第一均方差值；
将全部所述子图像对应的所述第一均方差值的最大值作为所述第一值，将全部所述子图像对应的所述第一均方差值的最小值作为所述第二值；
所述基于所述虹膜区域的梯度，确定第三值，包括：
将所述虹膜区域的边缘区域去除，得到特征区域；
基于所述特征区域，对应得到第二梯度图像；
确定所述第二梯度图像的梯度值的第二均方差值；
将所述第二均方差值作为所述第三值。
2.根据权利要求1所述的虹膜图像评价方法，其特征在于，所述对所述虹膜图像进行分块，得到多个子图像，包括：
基于所述虹膜图像尺寸，将所述虹膜图像分为预设数量的矩形的所述子图像；或，
基于预设尺寸，将所述虹膜图像分为多个所述预设尺寸的矩形的所述子图像。
3.根据权利要求1所述的虹膜图像评价方法，其特征在于，所述将所述虹膜区域的边缘区域去除，得到特征区域，包括：
通过滤波器，得到所述虹膜区域的边缘；
将邻接所述边缘内沿和外沿的像素删除，得到所述特征区域。
4.根据权利要求1-3任一项所述的虹膜图像评价方法，其特征在于，所述基于所述第一值、所述第二值对所述第三值进行归一化，得到所述虹膜图像的所述清晰度值，通过以下公式得到：
其中，Score为所述清晰度值，M为所述第一值，N为所述第二值，S为所述第三值。
5.一种虹膜识别方法，其特征在于，所述虹膜识别方法包括：
获取虹膜图像；
通过如权利要求1-4任一项所述的虹膜图像评价方法对所述虹膜图像进行评价；
若所述虹膜图像为清晰图像，则对所述虹膜图像进行识别。
6.根据权利要求5所述的虹膜识别方法，其特征在于，所述虹膜识别方法还包括：
若所述虹膜图像为模糊图像，则重新执行所述获取虹膜图像的步骤。
7.一种虹膜图像评价装置，其特征在于，所述装置包括：
获取单元，用于获取虹膜图像；
分块单元，用于对所述虹膜图像进行分块，得到多个子图像；
分割单元，用于对所述虹膜图像进行分割，得到虹膜区域；
清晰度确定单元，用于基于每个所述子图像以及所述虹膜区域的梯度，确定所述虹膜图像的清晰度值；
判断单元，用于判断所述清晰度值是否大于预设阈值；
若所述清晰度值大于预设阈值，则所述虹膜图像为清晰图像；
若所述清晰度值小于或等于所述预设阈值，则所述虹膜图像为模糊图像；
所述分割单元用于：
通过卷积神经网络，对所述虹膜图像进行语义分割，得到所述虹膜区域；
所述清晰度确定单元还包括：
第一确定单元，用于基于每个所述子图像的梯度，确定第一值和第二值；
第二确定单元，用于基于所述虹膜区域的梯度，确定第三值；
归一化单元，用于基于所述第一值、所述第二值对所述第三值进行归一化，得到所述虹膜图像的所述清晰度值；
所述第一确定单元用于：
基于每个所述子图像，对应得到第一梯度图像；
确定每个所述第一梯度图像的梯度值的第一均方差值；
将全部所述子图像对应的所述第一均方差值的最大值作为所述第一值，将全部所述子图像对应的所述第一均方差值的最小值作为所述第二值；
所述第二确定单元用于：
将所述虹膜区域的边缘区域去除，得到特征区域；
基于所述特征区域，对应得到第二梯度图像；
确定所述第二梯度图像的梯度值的第二均方差值；
将所述第二均方差值作为所述第三值。
8.根据权利要求7所述的虹膜图像评价装置，其特征在于，所述分块单元用于：
基于所述虹膜图像尺寸，将所述虹膜图像分为预设数量的矩形的所述子图像；或，
基于预设尺寸，将所述虹膜图像分为多个所述预设尺寸的矩形的所述子图像。
9.根据权利要求7所述的虹膜图像评价装置，其特征在于，所述第二确定单元还用于：
通过滤波器，得到所述虹膜区域的边缘；
将邻接所述边缘内沿和外沿的像素删除，得到所述特征区域。
10.根据权利要求7-9任一项所述的虹膜图像评价装置，其特征在于，所述归一化单元通过以下公式得到所述虹膜图像的所述清晰度值：
其中，Score为所述清晰度值，M为所述第一值，N为所述第二值，S为所述第三值。
11.一种虹膜识别装置，其特征在于，所述虹膜识别装置包括：
采集单元，用于获取虹膜图像；
评价单元，用于通过如权利要求1-4任一项所述的虹膜图像评价方法对所述虹膜图像进行评价；
识别单元，用于当所述虹膜图像为清晰图像时，对所述虹膜图像进行识别。
12.根据权利要求11所述的虹膜识别装置，其特征在于，采集单元还用于：
当所述虹膜图像为模糊图像时，重新获取虹膜图像。
13.一种电子设备，其特征在于，包括：
存储器，用于存储指令；以及
处理器，用于调用所述存储器存储的指令执行如权利要求1-4中任一项所述的虹膜图像评价方法、或如权利要求5-6任一项所述的虹膜识别方法。
14.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1-4中任一项所述的虹膜图像评价方法、或如权利要求5-6任一项所述的虹膜识别方法。
CN202010214038.4A 2020-03-24 2020-03-24 虹膜图像评价方法及装置、虹膜识别方法及装置 Active CN111507996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214038.4A CN111507996B (zh) 2020-03-24 2020-03-24 虹膜图像评价方法及装置、虹膜识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214038.4A CN111507996B (zh) 2020-03-24 2020-03-24 虹膜图像评价方法及装置、虹膜识别方法及装置

Publications (2)

Publication Number Publication Date
CN111507996A CN111507996A (zh) 2020-08-07
CN111507996B true CN111507996B (zh) 2023-12-01

Family

ID=71870728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214038.4A Active CN111507996B (zh) 2020-03-24 2020-03-24 虹膜图像评价方法及装置、虹膜识别方法及装置

Country Status (1)

Country Link
CN (1) CN111507996B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945091A (zh) * 2014-04-22 2014-07-23 苏州大学 一种基于fpga进化学习的数字图像滤波电路设计方法
CN105160306A (zh) * 2015-08-11 2015-12-16 北京天诚盛业科技有限公司 虹膜图像模糊判断的方法和装置
US9830708B1 (en) * 2015-10-15 2017-11-28 Snap Inc. Image segmentation of a video stream
CN107506754A (zh) * 2017-09-19 2017-12-22 厦门中控智慧信息技术有限公司 虹膜识别方法、装置及终端设备
CN108288053A (zh) * 2018-03-01 2018-07-17 武汉轻工大学 一种虹膜图像的处理的方法、装置及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945091A (zh) * 2014-04-22 2014-07-23 苏州大学 一种基于fpga进化学习的数字图像滤波电路设计方法
CN105160306A (zh) * 2015-08-11 2015-12-16 北京天诚盛业科技有限公司 虹膜图像模糊判断的方法和装置
US9830708B1 (en) * 2015-10-15 2017-11-28 Snap Inc. Image segmentation of a video stream
CN107506754A (zh) * 2017-09-19 2017-12-22 厦门中控智慧信息技术有限公司 虹膜识别方法、装置及终端设备
CN108288053A (zh) * 2018-03-01 2018-07-17 武汉轻工大学 一种虹膜图像的处理的方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘素华，等.煤矿人证系统的研究与应用.《中国煤炭》.2019,第45卷(第12期),48-52. *

Also Published As

Publication number Publication date
CN111507996A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
US11532180B2 (en) Image processing method and device and storage medium
EP2977956B1 (en) Method, apparatus and device for segmenting an image
EP3200125B1 (en) Fingerprint template input method and device
US11321575B2 (en) Method, apparatus and system for liveness detection, electronic device, and storage medium
US10007841B2 (en) Human face recognition method, apparatus and terminal
CN106228556B (zh) 图像质量分析方法和装置
CN107480665B (zh) 文字检测方法、装置及计算机可读存储介质
CN110287671B (zh) 验证方法及装置、电子设备和存储介质
CN111476808B (zh) 虹膜图像的清晰度评价方法及装置
US20210012091A1 (en) Method and apparatus for image processing, electronic device, and storage medium
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN106557759B (zh) 一种标志牌信息获取方法及装置
CN109784164B (zh) 前景识别方法、装置、电子设备及存储介质
CN109034150B (zh) 图像处理方法及装置
CN113409342A (zh) 图像风格迁移模型的训练方法、装置及电子设备
CN112200040A (zh) 遮挡图像检测方法、装置及介质
CN112927122A (zh) 水印去除方法、装置及存储介质
CN113888543B (zh) 肤色分割方法、装置、电子设备及存储介质
CN113656627B (zh) 肤色分割方法、装置、电子设备及存储介质
CN109145878B (zh) 图像提取方法及装置
CN111062401A (zh) 堆叠物体的识别方法及装置、电子设备和存储介质
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN107292901B (zh) 边缘检测方法及装置
CN111416936B (zh) 图像处理方法、装置、电子设备及存储介质
CN112381091A (zh) 视频内容识别方法、装置、电子设备及存储介质

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
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.

GR01 Patent grant
GR01 Patent grant