CN112101199A - 一种基于深度学习的长距离虹膜识别方法 - Google Patents
一种基于深度学习的长距离虹膜识别方法 Download PDFInfo
- Publication number
- CN112101199A CN112101199A CN202010964063.4A CN202010964063A CN112101199A CN 112101199 A CN112101199 A CN 112101199A CN 202010964063 A CN202010964063 A CN 202010964063A CN 112101199 A CN112101199 A CN 112101199A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- pupil
- radius
- identification
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 210000000744 eyelid Anatomy 0.000 claims abstract description 7
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 210000000554 iris Anatomy 0.000 claims description 188
- 210000001747 pupil Anatomy 0.000 claims description 55
- 238000000605 extraction Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 24
- 230000036760 body temperature Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 3
- 240000000015 Iris germanica Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/19—Sensors therefor
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的长距离虹膜识别方法,通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来。本发明通过改变现有短距离、定距离识别,达到一定范围长距离识别,提高识别使用率,识别更方便快捷高效,节约识别时间、节约识别空间,为未来更长距离识别打下可借鉴、可突破的虹膜识别行业技术发展基础,为我国的虹膜识别技术提供长距离借鉴平台和参考。
Description
技术领域
本发明涉及虹膜识别技术领域,具体为一种基于深度学习的长距离虹膜识别方法。
背景技术
目前市场常见的虹膜识别仪器采用的识别方法,大多只能识别在25—40厘米内的定点距离,比如说:有在25厘米规定下识别,有在30/35/40(虹膜识别仪器和人眼之间的识别距离)、厘米,以25厘米识别距离为例,距离远于25厘米,虹膜识别仪器会提醒用户,请靠近一点,识别距离小于25厘米的,虹膜识别仪器会提醒用户,请靠近一点,如此反复,很不方便,只有在25厘米的距离,才会识别通过,这给使用者带来很多不便,识别距离受到限制、识别时间长、被识别人因身高因素也影响识别速度,也不利于该技术和设备的大力推广,给市场应用及发展带来阻力。
发明内容
本发明的目的在于提供一种基于深度学习的长距离虹膜识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的长距离虹膜识别方法,其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度。
优选的,所述计算在半径方向r的梯度变化,对于每一个候选圆心,以半径r为变量,搜索梯度变化最大处对应的半径,梯度变化最大处对应的候选圆心和半径即为所求瞳孔圆心和半径,在已知瞳孔圆心和半径的基础上,利用经验确定一个较小的虹膜圆心点集,并用于瞳孔半径搜寻相同的方式确定虹膜外边界的圆心和半径。
优选的,所述通过对局部相位信息值进行计算,得到一个复数;
如果这个复数的实部大于等于0,则表示该特征码为1,否则为0;
如果这个复数的虚部大于等于0,则表示该特征码为1,否则为0。
优选的,所述在人员到达虹膜识别区域之时,红外测温仪自动启动工作程序,测量来人体温温度,该设备会通过语音与屏幕数字显示等两种方式显示来人姓名、工牌号、体温温度,超过设置体温温度,系统会自动报警,与之关联的门禁系统会拒绝来人进入,以达到控制隔离区或者治疗区域的人员控制,防止未经授权、不具备条件的人员出入。
与现有技术相比,本发明的有益效果如下:
1、本发明通过改变现有短距离、定距离识别,达到一定范围长距离识别,提高识别使用率,识别更方便快捷高效,节约识别时间、节约识别空间,为未来更长距离识别打下可借鉴、可突破的虹膜识别行业技术发展基础,为我国的虹膜识别技术提供长距离借鉴平台和参考;在该虹膜识别仪面前,从30—70厘米范围内,都可以轻松识别,不需要人为的找定焦识别点,识别范围大、识别精准、时间短(一秒钟之内)、识别快捷方便,市场应用便捷,推广力度巨大。
附图说明
图1为本发明流程图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1,一种基于深度学习的长距离虹膜识别方法,其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度。
实施例一:
一种基于深度学习的长距离虹膜识别方法,其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分,然后再计算在半径方向r的梯度变化,对于每一个候选圆心,以半径r为变量,搜索梯度变化最大处对应的半径,梯度变化最大处对应的候选圆心和半径即为所求瞳孔圆心和半径,在已知瞳孔圆心和半径的基础上,利用经验确定一个较小的虹膜圆心点集,并用于瞳孔半径搜寻相同的方式确定虹膜外边界的圆心和半径;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度。
实施例二:
一种基于深度学习的长距离虹膜识别方法,其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样,通过对局部相位信息值进行计算,得到一个复数;
如果这个复数的实部大于等于0,则表示该特征码为1,否则为0;
如果这个复数的虚部大于等于0,则表示该特征码为1,否则为0;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度。
实施例三:
一种基于深度学习的长距离虹膜识别方法,其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度,
在人员到达虹膜识别区域之时,红外测温仪自动启动工作程序,测量来人体温温度,该设备会通过语音与屏幕数字显示等两种方式显示来人姓名、工牌号、体温温度,超过设置体温温度,系统会自动报警,与之关联的门禁系统会拒绝来人进入,以达到控制隔离区或者治疗区域的人员控制,防止未经授权、不具备条件的人员出入。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于深度学习的长距离虹膜识别方法,其特征在于:其识别方法包括以下部分:
①图像提取:通过虹膜采集相机取得含有丰富信息的可供识别的虹膜数字图像,并将得到的数字图像传输到系统内存储;
②图像预处理:获取到的眼部图像包括了很多无用途信息,应先消除采集到的虹膜数字图像噪声斑点和光照对图像的影响;其次根据虹膜几何、灰度特征定位虹膜内外边缘和眼睑,将虹膜从原始的图像中分离出来,然后对其进行归一化处理以达到消除图像提取时的因旋转、尺度变化等所代带来的影响,将归一化处理后的图像进行增强,得到预处理好的图像;最后将预处理好的图像供给虹膜特征,并利用提取模块提取相应的特征,在定位时使用了从粗到精的策略最后达到单像素的精度,并估计出虹膜和瞳孔的中心及半径,一般瞳孔和虹膜是不同圆心的,它的半径是虹膜半径的0.1到0.8倍,因此瞳孔圆周的三个参数应与虹膜圆周的参数分开估算,对于人眼图像灰度分布(x,y),首先粗略获得瞳孔的圆心区域,得到一个瞳孔圆心点集,然后依次以每个瞳孔圆心点(x0,y0)作为瞳孔圆心,沿半径r方向搜寻圆形模板,通过微积分操作在半径为r的圆周上的积分;
③特征码提取:通过深度学习技术虹膜快速算法从分离出的图像提取出独特的特征点,并对其进行编码,RNN虹膜特征提取:用选16个Gabor滤波通道,即选择中心频率2槡2、4槡2、8槡2和16槡2及0°、45°、90°和135°四个方向,通过Gabor滤波器的对称性可知,这样就构成了不同方向和频率下的Gabor滤波器,对虹膜图像进行处理,从而得到各个通道上的滤波结果,来表达不同纹理之间的差异,通过采用不同频率尺度和方向的滤波器对虹膜进行滤波处理后,获得了子块滤波模的最大值所小波号,通过采用分块方式对特征进行编码,提取局部相位信息,设整个虹膜图像(x,y)被分M×N大小的若干个子块,子块大小与滤波器模板大小一样;
最后得到虹膜特征码,如何有效地描述丰富的虹膜纹理,并提取适当的特征来描述其细节,是虹膜识别算法的核心部分;
④特征码匹配:根据采集到的虹膜数字图像进行特征提取获得的特征编码与数据库事先存储的虹膜数字图像特征编码进行比较、验证,从而达到识别的目的,针对不同的特征所设计的检验方式,在特征提取之后,虹膜特征被记录为特征向量,如何衡量特征向量之间距离或相似程度属于特征匹配问题,也是识别系统中的重要的组成部分,主要关心的指标为:准确率、匹配速度。
2.根据权利要求1所述的一种基于深度学习的长距离虹膜识别方法,其特征在于:所述计算在半径方向r的梯度变化,对于每一个候选圆心,以半径r为变量,搜索梯度变化最大处对应的半径,梯度变化最大处对应的候选圆心和半径即为所求瞳孔圆心和半径,在已知瞳孔圆心和半径的基础上,利用经验确定一个较小的虹膜圆心点集,并用于瞳孔半径搜寻相同的方式确定虹膜外边界的圆心和半径。
3.根据权利要求1所述的一种基于深度学习的长距离虹膜识别方法,其特征在于:所述通过对局部相位信息值进行计算,得到一个复数;
如果这个复数的实部大于等于0,则表示该特征码为1,否则为0;
如果这个复数的虚部大于等于0,则表示该特征码为1,否则为0。
4.根据权利要求1所述的一种基于深度学习的长距离虹膜识别方法,其特征在于:所述在人员到达虹膜识别区域之时,红外测温仪自动启动工作程序,测量来人体温温度,该设备会通过语音与屏幕数字显示等两种方式显示来人姓名、工牌号、体温温度,超过设置体温温度,系统会自动报警,与之关联的门禁系统会拒绝来人进入,以达到控制隔离区或者治疗区域的人员控制,防止未经授权、不具备条件的人员出入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964063.4A CN112101199A (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度学习的长距离虹膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964063.4A CN112101199A (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度学习的长距离虹膜识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101199A true CN112101199A (zh) | 2020-12-18 |
Family
ID=73751584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964063.4A Pending CN112101199A (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度学习的长距离虹膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101199A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022142591A1 (zh) * | 2020-12-30 | 2022-07-07 | 北京眼神智能科技有限公司 | 斜视瞳孔定位方法、装置、计算机可读存储介质及设备 |
CN116994325A (zh) * | 2023-07-27 | 2023-11-03 | 山东睿芯半导体科技有限公司 | 一种虹膜识别方法、芯片及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050025927A (ko) * | 2003-09-08 | 2005-03-14 | 유웅덕 | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 |
CN1760887A (zh) * | 2004-10-11 | 2006-04-19 | 中国科学院自动化研究所 | 虹膜图像的鲁棒特征抽取与识别方法 |
WO2013087026A1 (zh) * | 2011-12-16 | 2013-06-20 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法和定位装置 |
IN2014MN02462A (zh) * | 2012-05-09 | 2015-07-10 | Chaparro Cesar Gallardo | |
CN105575011A (zh) * | 2015-12-14 | 2016-05-11 | 宁波保众应急科技有限公司 | 一种智能虹膜支付机 |
CN106326841A (zh) * | 2016-08-12 | 2017-01-11 | 合肥虹视信息工程有限公司 | 一种快速虹膜识别算法 |
CN111537078A (zh) * | 2020-05-18 | 2020-08-14 | 中科美菱低温科技股份有限公司 | 一种便捷测温与身份记录的信息管理系统及方法 |
-
2020
- 2020-09-15 CN CN202010964063.4A patent/CN112101199A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050025927A (ko) * | 2003-09-08 | 2005-03-14 | 유웅덕 | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 |
CN1760887A (zh) * | 2004-10-11 | 2006-04-19 | 中国科学院自动化研究所 | 虹膜图像的鲁棒特征抽取与识别方法 |
WO2013087026A1 (zh) * | 2011-12-16 | 2013-06-20 | 北京天诚盛业科技有限公司 | 一种虹膜定位方法和定位装置 |
IN2014MN02462A (zh) * | 2012-05-09 | 2015-07-10 | Chaparro Cesar Gallardo | |
CN105575011A (zh) * | 2015-12-14 | 2016-05-11 | 宁波保众应急科技有限公司 | 一种智能虹膜支付机 |
CN106326841A (zh) * | 2016-08-12 | 2017-01-11 | 合肥虹视信息工程有限公司 | 一种快速虹膜识别算法 |
CN111537078A (zh) * | 2020-05-18 | 2020-08-14 | 中科美菱低温科技股份有限公司 | 一种便捷测温与身份记录的信息管理系统及方法 |
Non-Patent Citations (2)
Title |
---|
卢珊 等: "虹膜识别算法的应用研究", 《计算机仿真》, vol. 28, no. 3, 15 March 2011 (2011-03-15), pages 321 - 324 * |
王风华 等: "一种Log-Gabor滤波结合特征融合的虹膜识别方法", 《西安交通大学学报》, vol. 41, no. 8, 10 August 2007 (2007-08-10), pages 17 - 21 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022142591A1 (zh) * | 2020-12-30 | 2022-07-07 | 北京眼神智能科技有限公司 | 斜视瞳孔定位方法、装置、计算机可读存储介质及设备 |
CN116994325A (zh) * | 2023-07-27 | 2023-11-03 | 山东睿芯半导体科技有限公司 | 一种虹膜识别方法、芯片及终端 |
CN116994325B (zh) * | 2023-07-27 | 2024-02-20 | 山东睿芯半导体科技有限公司 | 一种虹膜识别方法、芯片及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | On hierarchical palmprint coding with multiple features for personal identification in large databases | |
US20040042645A1 (en) | Fingerprint recognition method, and fingerprint control method and system | |
WO2002071317A1 (en) | Method of recognizing human iris using daubechies wavelet transform | |
KR20050025927A (ko) | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 | |
CN112101199A (zh) | 一种基于深度学习的长距离虹膜识别方法 | |
US20070201728A1 (en) | Rotation compensated iris comparison | |
JP2003527650A (ja) | 合成指紋イメージ形成方法及び装置 | |
JP2010509672A (ja) | 生体認識情報の抽出と対照のための方法及び装置 | |
CN102045162A (zh) | 一种三模态生物特征持证人身份鉴别系统及其控制方法 | |
CN101593272A (zh) | 一种基于asm算法的人脸特征定位方法 | |
CN101819626A (zh) | 一种基于图像融合的虹膜光斑消除方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
CN104123547B (zh) | 基于改进的方向滤波与柔性匹配的识别方法 | |
Dey et al. | Improved feature processing for iris biometric authentication system | |
CN110929570B (zh) | 虹膜快速定位装置及其定位方法 | |
CN103440481A (zh) | 一种针对非理想虹膜图像的边界定位方法 | |
Alonso-Fernandez et al. | Eye detection by complex filtering for periocular recognition | |
CN111666847A (zh) | 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法 | |
Surmacz et al. | An improved algorithm for feature extraction from a fingerprint fuzzy image | |
CN115797987A (zh) | 一种基于联合损失和卷积神经网络的指静脉识别方法 | |
CN109344791B (zh) | 基于脸部智能扫描的识别鉴定方法 | |
CN112949518B (zh) | 虹膜图像处理方法、装置、设备及存储介质 | |
Basha et al. | Fast multimodal biometric approach using dynamic fingerprint authentication and enhanced iris features | |
Singh et al. | Iris segmentation along with noise detection using hough transform | |
CN112906607A (zh) | 一种基于等高线法的人脸图像处理方法 |
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 |