CN111950403A - 一种虹膜分类方法及系统、电子设备和存储介质 - Google Patents
一种虹膜分类方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111950403A CN111950403A CN202010740198.2A CN202010740198A CN111950403A CN 111950403 A CN111950403 A CN 111950403A CN 202010740198 A CN202010740198 A CN 202010740198A CN 111950403 A CN111950403 A CN 111950403A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- sub
- feature vector
- image sequence
- 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.)
- Pending
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
- G06V40/197—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
- G06V40/10—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
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)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种虹膜分类方法及系统、电子设备和存储介质,其中,虹膜分类方法,包括:对虹膜图像进行背景划分处理,得到第一虹膜图像;对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;根据所述子图像序列的特征向量,得到最终的特征向量;将所述最终的特征向量输入分类器中,输出虹膜图像的类别。通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,能够适用于大规模的虹膜数据库特征匹配,缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别,提高虹膜识别的效率与准确率。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种虹膜分类方法及系统、电子设备和存储介质。
背景技术
科技的迅猛发展,不仅给人们的生活带来很多的便捷,也增加了各种安全隐患,人们对身份验证的可靠性、安全性的要求也在不断提高。虹膜识别技术因其唯一性、稳定性、可靠性及其极高的准确性,在近几年的自动身份识别与验证系统中越来越受到人们的欢迎,虹膜识别技术的应用场景也越来越广泛,被誉为最有发展前景的生物识别技术之一。
虹膜识别的过程主要包括虹膜图像采集、虹膜图像预处理、虹膜图像分割、虹膜特征提取、虹膜特征匹配这五个关键步骤。其中,虹膜特征匹配是虹膜识别的最后一步,也是关键的一步,特征匹配的耗时越短,虹膜识别过程的效率就越高。
目前的虹膜特征匹配算法主要是将处理后得到的待识别虹膜特征模板依次和虹膜数据库中的特征模板作比对,然后根据最大的比对结果返回身份识别认证的结果。
然而,在实际的应用中,随着虹膜识别的应用场景逐渐广泛,虹膜数据库中特征模板的规模也逐渐增大,虹膜特征匹配过程的耗时将逐渐增长,将会慢慢影响到虹膜识别算法的性能以及相关用户的使用体验。
因此,如何提供一种虹膜分类方法及系统、电子设备和存储介质,缩短虹膜特征匹配过程的耗时,使其能够适用于大规模的虹膜数据库,实现海量虹膜数据的快速识别,提高虹膜识别的效率与准确率,成为亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种虹膜分类方法及系统、电子设备和存储介质。
第一方面,本发明实施例提供一种虹膜分类方法,包括:
对虹膜图像进行背景划分处理,得到第一虹膜图像;
对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
根据所述子图像序列的特征向量,得到最终的特征向量;
将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
可选的,在所述虹膜分类方法中,
所述对虹膜图像进行背景划分处理,得到第一虹膜图像,具体包括:
将定位于巩膜-虹膜外圆和虹膜-瞳孔内圆间的虹膜环形区域展开成一个固定大小的矩形图像;
对所述矩形图像中检测到的被遮挡的部分进行特定处理,得到第一虹膜图像;所述特定处理为将矩形图像中被遮挡的部分标记为背景区域。
可选的,在所述虹膜分类方法中,
所述分割第二虹膜图像,得到子图像序列,具体包括:
将所述第二虹膜图像沿水平方向分割成两部分,选择其中背景区域较小的部分作为待分割图像;
将所述待分割图像沿竖直方向分割成K部分,得到子图像序列;所述K大于等于2,且K为正整数。
可选的,在所述虹膜分类方法中,
所述子图像序列的特征向量包括:梯度直方图特征向量和统计特征向量;
对应的,所述根据所述子图像序列得到子图像序列的特征向量,具体包括:
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
计算子图像序列的标准差特征分布,得到统计特征向量。
可选的,在所述虹膜分类方法中,
所述计算子图像序列的梯度直方图特征,得到梯度直方图特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
以及,所述计算子图像序列的标准差特征分布,得到统计特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的标准差特征,得到统计特征向量。
可选的,在所述虹膜分类方法中,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到最终的特征向量。
可选的,在所述虹膜分类方法中,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到归一化处理后的特征向量;
对所述归一化处理后的特征向量进行降维,得到最终的特征向量。
可选的,在所述虹膜分类方法中,
所述分类器由多个二值分类器组成。
第二方面,本发明实施例提供一种虹膜分类系统,包括:
背景划分单元,用于对虹膜图像进行背景划分处理,得到第一虹膜图像;
图像增强单元,用于对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
图像分割单元,用于分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
特征处理单元,用于根据所述子图像序列的特征向量,得到最终的特征向量;
虹膜分类单元,用于将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述虹膜分类方法的各个步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述虹膜分类方法的各个步骤。
本发明实施例提供一种虹膜分类方法及系统、电子设备和存储介质,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别,提高虹膜识别的效率与准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的虹膜分类方法流程图;
图2为本发明实施例提供的人眼图像;
图3为本发明实施例提供的第一虹膜图像;
图4为本发明实施例提供的虹膜分类类别示意图;
图5为本发明实施例提供的虹膜分类系统结构示意图;
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的虹膜分类方法流程图,如图1所示,该方法包括:
步骤S1,对虹膜图像进行背景划分处理,得到第一虹膜图像;
步骤S2,对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
步骤S3,分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
步骤S4,根据所述子图像序列的特征向量,得到最终的特征向量;
步骤S5,将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
具体的,在步骤S1中,由于虹膜图像存在被上下眼睑和睫毛遮挡的部分,为了只提取虹膜图像中真实有效的虹膜区域纹理特征,去掉其他的噪声干扰,对获取的虹膜图像进行背景划分处理,检测虹膜图像中被遮挡的部分,并将被遮挡的部分标记为背景区域,得到第一虹膜图像。
在步骤S2中,对第一虹膜图像进行图像增强处理,进行亮度、对比度和平滑度等处理,提升虹膜纹理细节,同时让图像从曝光强度的线性响应变得更接近人眼感受的响应,也即将相机曝光或曝光不足的图片,进行矫正,得到第二虹膜图像,提高图像中虹膜信息的识别率。
需要说明的是,可使用gamma变换、直方图均衡化、拉普拉斯、 Log变换以及Retinex算法等图像增强处理算法对第一虹膜图像进行图像增强处理,本实施例对此不作限定。
在步骤S3中,分割第二虹膜图像,得到子图像序列,并根据子图像序列得到子图像序列的特征向量。将虹膜图像进行分割并提取特征,有助于体现不同类别的虹膜图像的差异。
在步骤S4中,对获得的子图像序列的特征向量进行处理,得到最终的特征向量。
需要说明的是,获得的子图像序列的特征向量可以是使用HOG 特征提取算法、LBP特征提取算法、SIFT特征提取算法和Haar-like特征提取算法等算法提取的特征向量的一种或多种,本实施例对此不作限定。
在步骤S5中,将所述最终的特征向量输入分类器中,输出虹膜图像的类别。所述分类器是通过大量不同类别的真实虹膜样本经过上述步骤1至步骤4处理得到的最终的特征向量集进行训练获得的。
本发明实施例提供一种虹膜分类方法,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别,提高虹膜识别的效率与准确率。
基于上述实施例,可选的,在所述虹膜分类方法中,
所述对虹膜图像进行背景划分处理,得到第一虹膜图像,具体包括:
将定位于巩膜-虹膜外圆和虹膜-瞳孔内圆间的虹膜环形区域展开成一个固定大小的矩形图像;
对所述矩形图像中检测到的被遮挡的部分进行特定处理,得到第一虹膜图像;所述特定处理为将矩形图像中被遮挡的部分标记为背景区域。
具体的,图2为本发明实施例提供的人眼图像,图3为本发明实施例提供的第一虹膜图像,如图2和图3所示,对获取的人眼图像进行归一化处理,定位虹膜内外边界,将定位于巩膜-虹膜外圆和虹膜-瞳孔内圆间的虹膜环形区域展开,使得人眼虹膜部分由直角坐标系下的尺寸不定的环形区域转变为极坐标下具有固定尺寸的M*N矩形图像I。
例如,矩形图像I的宽大小M可以设为512、高大小N可以设为128,或M设置为256、N设置为64等。需要说明的是,矩形图像的大小可以根据实际需要进行调整,本实施例对此不作限定。
另外,在虹膜区域图像展开的过程中,检测上下眼睑和睫毛,对矩形图像I中检测到存在被上下眼睑和睫毛遮挡的区域进行特定处理,将其标记为背景区域。
例如,将矩形图像I中检测到存在被上下眼睑和睫毛遮挡的区域的像素值转换为255(标记为白色),去掉图像中存在遮挡部分的噪声干扰,只提取虹膜图像中真实有效的虹膜区域纹理特征。需要说明的是,背景区域的标记方法除了将像素值转换为255外,还可使用其他方法,本实施例对此不作限定。
本发明实施例提供一种虹膜分类方法,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别,通过对虹膜图像中遮挡部分噪声的滤除,减少了遮挡部分对虹膜特征的提取的干扰,提高虹膜识别的效率与准确率。
基于上述实施例,可选的,在所述虹膜分类方法中,
所述分割第二虹膜图像,得到子图像序列,具体包括:
将所述第二虹膜图像沿水平方向分割成两部分,选择其中背景区域较小的部分作为待分割图像;
将所述待分割图像沿竖直方向分割成K部分,得到子图像序列;所述K大于等于2,且K为正整数。
具体的,中得到的图像J沿着水平x方向平均分割成两部分JL和 JR,其中JL背景区域面积较小,选择JL作为待分割图像G。
将待分割图像G沿着竖直y方向分成K块,得到子图像序列 {Gi},i=1,2,…,K,K为预先设定的正整数,且K大于等于2,如一般可以取K=4。不同类别的虹膜图像不仅体现在纹理上的差异,同时在竖直y方向上不同区域间的分布也存在很大的差异,进行分割能够提高不同虹膜图像之间的差异性。
需要说明的是,在将待分割图像G沿着竖直y方向分成K块前,还包括,去掉待分割图像G上下边缘的d行像素,其中,d是预先设定的正整数,如一般可以取d=5。去掉待分割图像G上下边缘的d行像素主要是为了去掉在虹膜内外圆定位过程中产生的内外边界干扰,提高特征提取的准确性。
需要说明的是,在本发明实施例中,K和d的取值可根据实际需要进行选择,本实施例对其具体的数值表现形式不做限定。
本发明实施例提供一种虹膜分类方法,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别。能够通过对虹膜图像中遮挡部分噪声的滤除,以及去掉在虹膜内外圆定位过程中产生的内外边界的干扰,减少了遮挡部分对虹膜特征的提取的干扰,通过对虹膜图像竖直方向的分割,提高不同虹膜图像之间的差异性,进一步提高虹膜识别的效率与准确率。
基于上述实施例,可选的,在所述虹膜分类方法中,
所述子图像序列的特征向量包括:梯度直方图特征向量和统计特征向量;
对应的,所述根据所述子图像序列得到子图像序列的特征向量,具体包括:
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
计算子图像序列的标准差特征分布,得到统计特征向量。
具体的,依次计算每一个子图像序列{Gi},i=1,2,…,K中每个序列图像上的方向梯度直方图(Histogramof Oriented Gradient,简称为 HOG)分布特征,其中,每个点的梯度根据sobel算子计算得到,这里计算的梯度只有幅值大小而没有方向。级联K个子图像的梯度直方图分布特征得到梯度直方图特征向量feature_hog,例如32维的直方图特征。
需要说明的是,在得到梯度直方图特征向量feature_hog之前,由于低维度的特征向量更能够体现个体之间的差异,为了体现不同虹膜类别之间的差异性,将直方图特征进行压缩降维。例如,将256维的直方图分布映射为32维的分布特征。
依次计算每一个子图像序列{Gi},i=1,2,…,K中每个序列图像上的每一行的标准差特征分布,即对图像序列中的每个图像每行像素值计算行其标准差:其中n为行像素个数,p为该点的像素值,mean为该行的像素均值。级联K个子图像的统计特征得到统计特征向量feature_static。其中,每个序列图像的统计特征为h维的分布特征,其中,h为沿竖直y方向分块后的子图像序列中图像块的高度,h为正整数。
需要说明的是,梯度直方图特征向量以及统计特征向量的维度可根据实际情况进行选取,本实施例对此不做限定。
基于上述实施例,可选的,在所述虹膜分类方法中,
所述计算子图像序列的梯度直方图特征,得到梯度直方图特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
以及,所述计算子图像序列的标准差特征分布,得到统计特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的标准差特征,得到统计特征向量。
具体的,在进行子图像序列的梯度直方图特征和标准差特征分布时,滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点,计算子图像序列的梯度直方图特征和标准差特征,得到梯度直方图特征向量和统计特征向量。由于特征分布式根据均值计算得到的,滤除的像素点不影响虹膜特征的提取。
例如,将每个子图像背景区域中的像素点及其3*3邻域内的像素点进行滤除不进行特征计算,之后对剩余部分进行特征计算,得到梯度直方图特征向量和统计特征向量。
需要说明的是,需要滤除的背景区域之间的距离在预设值内的像素点,该距离的预设值,可以根据实际情况进行调整,本实施例对此不作限定。
本发明实施例提供一种虹膜分类方法,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别。能够通过对虹膜图像中遮挡部分噪声的滤除、去掉在虹膜内外圆定位过程中产生的内外边界的干扰,以及特征计算时去掉背景区域以及其预设距离内的邻域,在不影响特征提取的前提下,减少了遮挡部分对虹膜特征的提取的干扰,通过对虹膜图像竖直方向的分割,提高不同虹膜图像之间的差异性,进一步提高虹膜识别的效率与准确率。
基于上述实施例,可选的,在所述虹膜分类方法中,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到最终的特征向量。
具体的,根据提取到的梯度直方图特征向量feature_hog和提取到的统计特征向量feature_static得到总特征向量feature_total。例如,梯度直方图特征向量feature_hog为K*32维(K为沿y方向分块的大小),统计特征向量feature_static为K*h维(h为沿竖直y方向分块后的子图像序列中图像块的高度),总特征向量feature_total为 (K*59+K*h)维。
对所述总特征向量feature_total进行归一化处理,利用公式:将总特征向量feature_total的每个维度的特征值都归一化到0~1之间,得到最终的特征向量feature。公式中, i为向量维度,max和min为预先对数据库中大量的虹膜数据样本进行步骤1至步骤4处理提取特征后得到的每一维特征的最大值和最小值。
基于上述实施例,可选的,在所述虹膜分类方法中,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到归一化处理后的特征向量;
对所述归一化处理后的特征向量进行降维,得到最终的特征向量。
具体的,在对总特征向量feature_total的每个维度的特征值都归一化到0~1之间得到归一化处理后的特征向量后,还可以进行对所述归一化处理后的特征向量进行降维,进一步将降维后得到的特征向量作为最终的特征向量。
例如,使用PCA(Principal Component Analysis),即主成分分析方法对归一化处理后的特征向量进行降维。其中,进行PCA降维的特征向量矩阵eignvectors是通过大量不同类别的虹膜图像样本经过步骤1 至步骤4处理得到的特征向量训练计算得到的,将归一化处理后的特征向量与特征向量矩阵eignvectors计算得到最终的特征向量feature。最终的特征向量feature的维度与特征向量矩阵eignvectors有关,可根据实际情况进行调整,本实施例对此不做限定。
需要说明的是,本实施例介绍的PCA主成分分析方法仅作为降维方法的一个示例,除此之外,还可使用其他降维方法,本实施例对此不作限定。
本发明实施例提供一种虹膜分类方法,通过将特征向量进行降维以使用较少的数据维度,保留住较多的原数据点的特征,进一步体现虹膜类别之间的差异性。并通过数据降维,减少特征匹配时计算的复杂度,缩短匹配时间,进一步提高虹膜识别的效率与准确率,提升客户体验。
基于上述实施例,可选的,在所述虹膜分类方法中,
所述分类器由多个二值分类器组成。
具体的,分类包括直接法和间接法,其中,直接法是直接在目标函数上进行修改,将多个分类面的参数求解合并到一个最优化问题中,通过求解该最优化问题“一次性”实现多类分类。间接法为将多类问题分解为一系列可直接求解的二值分类问题,再根据一系列二值分类器求解结果得到最终判别结果。
考虑到直接法计算复杂度比较高,实现起来比较困难,并且本发明实施例中,虹膜分类的样本不均衡,使用直接法效果较差。
故使用间接法,分类器Classifier为包含n-1个小svm分类器的“分类器”序列{svmi},其中,n为要分类的虹膜分类类别,“分类器”序列{svmi}为通过大量不同类别的真实虹膜样本经过上述步骤1至步骤 4处理过程得到的特征向量集进行训练保存得到的模型序列,其中每一个svm分类器都是一个单独的二分类的分类模型。
例如,图4为本发明实施例提供的虹膜分类类别示意图,如图4 所示,取n=4,即把数据库中的虹膜图像分成A、B、C、D四类,输入最终的特征向量feature,然后使用分类器Classfier进行分类。
则svm1为以A类型的虹膜图像为正样本,B、C、D类型的虹膜图像为负样本训练得到的分类模型;svm2为以B类型的虹膜图像为正样本,C、D类型的虹膜图像为负样本训练得到的分类模型;svm3为以C 类型的虹膜图像为正样本,D类型的虹膜图像为负样本训练得到的分类模型。
对应的,Classfier分类的逻辑为:输入一个虹膜样本,先用svm1分类,若为正,则输出虹膜类型为A;若为负,则继续用svm2分类,若为正,则输出虹膜类型为B;若为负,则继续用svm3分类,若为正,则输出样本类型为C,若为负,则输出样本类型为D。此外,每个svm模型的参数都是经过折叠交叉验证得到的。
需要说明的是,在本发明实施例中,虹膜分类的类别选取为4类,仅作为一个具体的例子进行说明,在实际使用时,虹膜图像分类的类别可根据实际情况进行调整,本实施例对此不作限定。
在进行虹膜识别时,首先利用虹膜分类算法将未知样本的虹膜图像划分为某一类型,然后在该类型对应的虹膜样本中进行虹膜特征匹配,能够有效地减少虹膜特征匹配的复杂程度,提高虹膜识别的效率与准确率,提高用户体验。
本发明实施例提供一种虹膜分类方法,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别。能够通过对虹膜图像中遮挡部分噪声的滤除、去掉在虹膜内外圆定位过程中产生的内外边界的干扰,以及特征计算时去掉背景区域以及其预设距离内的邻域,在不影响特征提取的前提下,减少了遮挡部分对虹膜特征的提取的干扰,通过对虹膜图像竖直方向的分割,提高不同虹膜图像之间的差异性,进一步提高虹膜识别的效率与准确率。
图5为本发明实施例提供的虹膜分类系统结构示意图,如图5所示,虹膜分类系统,包括:
背景划分单元510,用于对虹膜图像进行背景划分处理,得到第一虹膜图像;
图像增强单元520,用于对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
图像分割单元530,用于分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
特征处理单元540,用于根据所述子图像序列的特征向量,得到最终的特征向量;
虹膜分类单元550,用于将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
具体的,由于虹膜图像存在被上下眼睑和睫毛遮挡的部分,为了只提取虹膜图像中真实有效的虹膜区域纹理特征,去掉其他的噪声干扰,背景划分单元510对获取的虹膜图像进行背景划分处理,检测虹膜图像中被遮挡的部分,并将被遮挡的部分标记为背景区域,得到第一虹膜图像。
图像增强单元520,用于对第一虹膜图像进行图像增强处理,进行亮度、对比度和平滑度等处理,提升虹膜纹理细节,同时让图像从曝光强度的线性响应变得更接近人眼感受的响应,也即将相机曝光或曝光不足的图片,进行矫正,得到第二虹膜图像,提高图像中虹膜信息的识别率。
需要说明的是,可使用gamma变换、直方图均衡化、拉普拉斯、 Log变换以及Retinex算法等图像增强处理算法对第一虹膜图像进行图像增强处理,本实施例对此不作限定。
图像分割单元530,用于分割第二虹膜图像,得到子图像序列,并根据子图像序列得到子图像序列的特征向量。将虹膜图像进行分割并提取特征,有助于体现不同类别的虹膜图像的差异。
特征处理单元540,用于对获得的子图像序列的特征向量进行处理,得到最终的特征向量。
需要说明的是,获得的子图像序列的特征向量可以是使用HOG 特征提取算法、LBP特征提取算法、SIFT特征提取算法、Haar-like特征提取算法等算法提取的特征向量的一种或多种,本实施例对此不作限定。
虹膜分类单元550,用于将所述最终的特征向量输入分类器中,输出虹膜图像的类别。所述分类器是通过大量不同类别的真实虹膜样本经过上述步骤1至步骤4处理得到的最终的特征向量集进行训练获得的。
本发明实施例提供一种虹膜分类系统,通过根据虹膜图像纹理特征间的差异对虹膜进行预先分类,获得不同的虹膜图像类别,进行虹膜识别时便可先进行虹膜分类,再只需与类别内的虹膜图像进行特征匹配。该方法能够适用于大规模的虹膜数据库特征匹配,有效缩短虹膜特征匹配过程的耗时,实现海量虹膜数据的快速识别,提高虹膜识别的效率与准确率。
本发明实施例提供的虹膜分类系统用于执行上述虹膜分类方法,其具体的实施方式与方法实施方式一致,在此不再赘述。
图6为本发明实施例提供的电子设备的实体结构示意图,如图6 所示,所述电子设备可以包括:处理器(processor)610、通信接口 (CommunicationsInterface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行上述虹膜分类方法的各个步骤。例如包括:对虹膜图像进行背景划分处理,得到第一虹膜图像;对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;根据所述子图像序列的特征向量,得到最终的特征向量;将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行,用以实现执行上述各实施例提供的虹膜分类方法。例如包括:对虹膜图像进行背景划分处理,得到第一虹膜图像;对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;根据所述子图像序列的特征向量,得到最终的特征向量;将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种虹膜分类方法,其特征在于,包括:
对虹膜图像进行背景划分处理,得到第一虹膜图像;
对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
根据所述子图像序列的特征向量,得到最终的特征向量;
将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
2.根据权利要求1所述的虹膜分类方法,其特征在于,
所述对虹膜图像进行背景划分处理,得到第一虹膜图像,具体包括:
将定位于巩膜-虹膜外圆和虹膜-瞳孔内圆间的虹膜环形区域展开成一个固定大小的矩形图像;
对所述矩形图像中检测到的被遮挡的部分进行特定处理,得到第一虹膜图像;所述特定处理为将矩形图像中被遮挡的部分标记为背景区域。
3.根据权利要求2所述的虹膜分类方法,其特征在于,
所述分割第二虹膜图像,得到子图像序列,具体包括:
将所述第二虹膜图像沿水平方向分割成两部分,选择其中背景区域较小的部分作为待分割图像;
将所述待分割图像沿竖直方向分割成K部分,得到子图像序列;所述K大于等于2,且K为正整数。
4.根据权利要求3所述的虹膜分类方法,其特征在于,
所述子图像序列的特征向量包括:梯度直方图特征向量和统计特征向量;
对应的,所述根据所述子图像序列得到子图像序列的特征向量,具体包括:
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
计算子图像序列的标准差特征分布,得到统计特征向量。
5.根据权利要求4所述的虹膜分类方法,其特征在于,
所述计算子图像序列的梯度直方图特征,得到梯度直方图特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的梯度直方图特征,得到梯度直方图特征向量;
以及,所述计算子图像序列的标准差特征分布,得到统计特征向量,具体包括:
滤除子图像序列中标记为背景区域的像素点以及与所述背景区域之间的距离在预设值内的像素点;
计算子图像序列的标准差特征,得到统计特征向量。
6.根据权利要求4或5所述的虹膜分类方法,其特征在于,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到最终的特征向量。
7.根据权利要求4或5所述的虹膜分类方法,其特征在于,
根据所述子图像序列的特征向量,得到最终的特征向量,具体包括:
根据梯度直方图特征向量和统计特征向量得到总特征向量;
对所述总特征向量进行归一化处理,得到归一化处理后的特征向量;
对所述归一化处理后的特征向量进行降维,得到最终的特征向量。
8.根据权利要求1所述的虹膜分类方法,其特征在于,
所述分类器由多个二值分类器组成。
9.一种虹膜分类系统,其特征在于,包括:
背景划分单元,用于对虹膜图像进行背景划分处理,得到第一虹膜图像;
图像增强单元,用于对所述第一虹膜图像进行图像增强处理,得到第二虹膜图像;
图像分割单元,用于分割第二虹膜图像,得到子图像序列,并根据所述子图像序列得到子图像序列的特征向量;
特征处理单元,用于根据所述子图像序列的特征向量,得到最终的特征向量;
虹膜分类单元,用于将所述最终的特征向量输入分类器中,输出虹膜图像的类别。
10.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的虹膜分类方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至8任一所述的虹膜分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740198.2A CN111950403A (zh) | 2020-07-28 | 2020-07-28 | 一种虹膜分类方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740198.2A CN111950403A (zh) | 2020-07-28 | 2020-07-28 | 一种虹膜分类方法及系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950403A true CN111950403A (zh) | 2020-11-17 |
Family
ID=73338740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010740198.2A Pending CN111950403A (zh) | 2020-07-28 | 2020-07-28 | 一种虹膜分类方法及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559997A (zh) * | 2020-11-30 | 2021-03-26 | 安徽澄小光智能科技有限公司 | 基于虹膜或人脸识别的智能穿戴设备 |
CN112905816A (zh) * | 2021-03-19 | 2021-06-04 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1599913A (zh) * | 2001-12-03 | 2005-03-23 | 株式会社斯耐克斯技术 | 虹膜识别系统和方法以及具有其程序的存储介质 |
CN101540000A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于纹理基元统计特性分析的虹膜分类方法 |
CN101576951A (zh) * | 2009-05-20 | 2009-11-11 | 电子科技大学 | 一种基于灰度梯度和分类器的虹膜外边界定位方法 |
US20100014755A1 (en) * | 2008-07-21 | 2010-01-21 | Charles Lee Wilson | System and method for grid-based image segmentation and matching |
US20150078629A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Template update for biometric authentication |
CN110119695A (zh) * | 2019-04-25 | 2019-08-13 | 江苏大学 | 一种基于特征融合和机器学习的虹膜活性检测方法 |
CN110516661A (zh) * | 2019-10-21 | 2019-11-29 | 武汉虹识技术有限公司 | 应用于虹膜识别的美瞳检测方法及装置 |
-
2020
- 2020-07-28 CN CN202010740198.2A patent/CN111950403A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1599913A (zh) * | 2001-12-03 | 2005-03-23 | 株式会社斯耐克斯技术 | 虹膜识别系统和方法以及具有其程序的存储介质 |
CN101540000A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于纹理基元统计特性分析的虹膜分类方法 |
US20100014755A1 (en) * | 2008-07-21 | 2010-01-21 | Charles Lee Wilson | System and method for grid-based image segmentation and matching |
CN101576951A (zh) * | 2009-05-20 | 2009-11-11 | 电子科技大学 | 一种基于灰度梯度和分类器的虹膜外边界定位方法 |
US20150078629A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Template update for biometric authentication |
CN105917353A (zh) * | 2013-09-16 | 2016-08-31 | 眼验股份有限公司 | 用于生物认证的特征提取及匹配以及模板更新 |
CN110119695A (zh) * | 2019-04-25 | 2019-08-13 | 江苏大学 | 一种基于特征融合和机器学习的虹膜活性检测方法 |
CN110516661A (zh) * | 2019-10-21 | 2019-11-29 | 武汉虹识技术有限公司 | 应用于虹膜识别的美瞳检测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559997A (zh) * | 2020-11-30 | 2021-03-26 | 安徽澄小光智能科技有限公司 | 基于虹膜或人脸识别的智能穿戴设备 |
CN112905816A (zh) * | 2021-03-19 | 2021-06-04 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
CN112905816B (zh) * | 2021-03-19 | 2024-05-17 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6778247B2 (ja) | 眼球血管および顔認識のための画像および特徴品質、画像強化および特徴抽出、ならびにバイオメトリックシステムのための眼球血管と顔領域および/またはサブ顔領域との融合 | |
CN107229932B (zh) | 一种图像文本的识别方法和装置 | |
WO2020000908A1 (zh) | 一种人脸活体检测方法及装置 | |
CN109389074B (zh) | 一种基于人脸特征点提取的表情识别方法 | |
CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
KR20210100602A (ko) | 안면 이미지 기반의 리스크 인식 방법, 장치, 컴퓨터 디바이스 및 저장 매체 | |
US8401250B2 (en) | Detecting objects of interest in still images | |
CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
Bharati et al. | Demography-based facial retouching detection using subclass supervised sparse autoencoder | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN110516661B (zh) | 应用于虹膜识别的美瞳检测方法及装置 | |
CN111950403A (zh) | 一种虹膜分类方法及系统、电子设备和存储介质 | |
CN113239839A (zh) | 基于dca人脸特征融合的表情识别方法 | |
Kohlakala et al. | Ear-based biometric authentication through the detection of prominent contours | |
Forczmański et al. | An algorithm of face recognition under difficult lighting conditions | |
Biglari et al. | Illumination invariant face recognition using SQI and weighted LBP histogram | |
CN112434731B (zh) | 图像识别方法、装置及可读存储介质 | |
Chanklan et al. | Fingerprint recognition with edge detection and dimensionality reduction techniques | |
US10438061B2 (en) | Adaptive quantization method for iris image encoding | |
Nguyen et al. | Enhanced age estimation by considering the areas of non-skin and the non-uniform illumination of visible light camera sensor | |
Wang et al. | Face recognition with local contourlet combined patterns | |
Amelia | Age Estimation on Human Face Image Using Support Vector Regression and Texture-Based Features | |
Zhilali et al. | Face Recognition Using Local Binary Pattern (LBP) and Local Enhancement (LE) Methods At Night Period | |
CN111832460B (zh) | 一种基于多特征融合的人脸图像提取方法及系统 | |
Smiatacz | Face recognition: shape versus texture |
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 |