CN112380966A - 基于特征点重投影的单眼虹膜匹配方法 - Google Patents

基于特征点重投影的单眼虹膜匹配方法 Download PDF

Info

Publication number
CN112380966A
CN112380966A CN202011259221.2A CN202011259221A CN112380966A CN 112380966 A CN112380966 A CN 112380966A CN 202011259221 A CN202011259221 A CN 202011259221A CN 112380966 A CN112380966 A CN 112380966A
Authority
CN
China
Prior art keywords
iris
image
segmentation image
feature
identified
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
Application number
CN202011259221.2A
Other languages
English (en)
Other versions
CN112380966B (zh
Inventor
郑海红
梁婕
王义峰
万波
卢波
李晟硕
霍振峰
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202011259221.2A priority Critical patent/CN112380966B/zh
Publication of CN112380966A publication Critical patent/CN112380966A/zh
Application granted granted Critical
Publication of CN112380966B publication Critical patent/CN112380966B/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
    • G06V40/197—Matching; Classification
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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

Abstract

本发明公开了一种基于特征点重投影的单眼虹膜匹配方法。主要解决现有技术计算时间复杂度高，虹膜外区域影响匹配结果的问题。其方案是：采用摄像头获取单眼虹膜图像，并对其依次进行虹膜定位、特征提取、剔除边界信息的数据预处理；用每次预处理后的虹膜区域分割图像构成虹膜识别数据库；采用摄像头获取待识别单眼虹膜图像，对其进行数据预处理；将预处理后的虹膜区域分割图像B与虹膜识别数据库中的虹膜区域分割图像A进行匹配，根据匹配的特征点对估计单应矩阵。将图B中特征点重投影至图A空间，计算对应特征点平均位置偏差，并据此判断匹配是否成功。本发明实现了对虹膜区域的分割，并在保持匹配准确度的同时提高了匹配速度，可用于身份认证。

Description

基于特征点重投影的单眼虹膜匹配方法
技术领域
本发明属于计算机视觉图像识别领域，特别涉及一种单眼虹膜匹配方法，可用于在各种需要判断目标人员身份的场景中进行身份认证。
背景技术
虹膜识别是指通过特殊设备采集到双眼虹膜图像，并将图像与数据库中已有的数据进行比对，来识别目标人身份信息的技术。目前，主流的虹膜识别有两种方法：基于深度学习的虹膜识别和基于特征点的虹膜识别。其中：
基于深度学习的虹膜识别方法，是数据驱动的识别过程，其通过加入眼睛偏斜、姿态变化、带有噪声的图像数据样本，使得模型能够识别出这些状态下的虹膜特征。但是，这种方法存在可解释性差、对抗样本的问题，在实际场景中很难保证安全性。
基于特征点的虹膜识别方法，是从图像本身的特征人手，从多个角度判断两个图像的观测数据，具有省时、成本低、实用性强的优势，可以部署室内外甚至是手机、电脑等设备中，具有很高的研究价值。向来被认为是身份识别中最具安全、便捷的一种。从上个世纪发展至今，基于特征点的方法已经发展出了一套完善的理论，有强大的数学原理做基础。虹膜识别是身份识别领域的研究热点。该方法由于瞳孔尺度变化、睫毛头发遮挡，存在提取出的虹膜特征点误差大的问题。
基于特征点的虹膜识别属于计算机视觉、计算机图形学、图像处理的交叉研究领域。如何在识别速度和精度上进行权衡，是领域内研究人员需要考虑的一大课题。例如，申请专利号为CN202010167257.1，名称为“一种采用图像增广和小样本学习的虹膜识别方法”的专利申请，是通过构建CNN网络来提取虹膜的特征向量，最后通过比较序列距离来获取匹配结果。该方法看似取得了不错的结果，实际在识别速度上还远远达不到可以实际应用的标准。同时，该方法直接使用采集的眼部图像进行处理，使得算法有很大一部分精力都在处理与虹膜区域无关的部分。这不仅造成了时间上的浪费，而且，由于这些额外区域很可能会淡化虹膜部分对最终结果的影响，最终将会导致错误的识别情况。在目前已发表的使用特征点进行虹膜识别的算法中，这种情况并不是个例。因此，如何在提高识别速度的同时保持绝对的识别准确度，
如何使识别算法更“专注”于虹膜的区域，是目前虹膜识别算法研究人员应该迫切解决的问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于特征点重投影的单眼虹膜匹配方法，以在提高识别速度的同时保持绝对的匹配准确度。
实现本发明目的的技术方案是：对于获取到的眼部图像，首先进行分割，仅提取出虹膜的区域，剔除虹膜边界特征点，然后再进行下一步的识别，具体步骤包括如下：
1.一种基于特征点重投影的单眼虹膜匹配方法，其特征在于，包括如下：
(1)采用摄像头获取单眼虹膜图像I，并对其进行数据预处理：
(1a)采用Hough变换的方法对单眼虹膜图像I进行虹膜定位，得到虹膜区域分割图像I’；
(1b)采用orb特征点检测方法对虹膜区域分割图像I’中的特征点进行检测，得到虹膜区域分割图像I’的特征点集合P和特征点的特征描述信息集合B；
(1c)剔除虹膜区域分割图像I’在虹膜区域边界处的特征点及其特征描述；
(2)构建虹膜识别数据库，即将步骤(1)重复多次，用每次预处理后的虹膜区域分割图像I’构成虹膜识别数据库D；
(3)采用摄像头获取待识别单眼虹膜图像IA；
(4)将待识别单眼虹膜图像IA与虹膜识别数据库D中的第i个虹膜区域分割图像Ii’进行匹配，其中i∈[1，Nd]，Nd为数据库内存储信息总数：
(4a)对待识别单眼虹膜图像IA，采用(1)所述方法进行数据预处理，得到待识别虹膜区域分割图像IA以及待识别虹膜区域分割图像IA的特征点集合PA和特征点的特征描述信息；
(4b)将待识别虹膜区域分割图像IA’与虹膜区域分割图像Ii’中的相同的特征点进行匹配，得到多个初始特征匹配点对，筛选出所有初始特征匹配点对中符合极线约束的特征点对Qf；
(4c)根据特征点对Qf，计算待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H；
(4d)通过单应矩阵H将特征点对Qf中虹膜区域分割图像Ii’的特征点Pi，重投影到待识别虹膜区域分割图像IA’的空间中，得到虹膜区域分割图像Ii’重投影后的特征点集合Pi’；
(4e)根据实际识别精准度需求设定像素位置偏差的阈值T；
(4f)计算待识别虹膜区域分割图像IA’的特征点集合PA与虹膜区域分割图像Ii’重投影后的特征点集合Pi’间的像素位置偏差并将其与像素位置偏差的阈值T进行比较：
若像素位置偏差小于阈值T，则判定待识别单眼虹膜图像IA与虹膜识别数据库D中第i个虹膜区域分割图像Ii’匹配成功；
否则，匹配失败。
本发明具有如下优点：
第一：本发明以单眼虹膜区域分割图像作为输入，去除了无关的背景杂点，例如巩膜、瞳孔，使识别过程只关注虹膜区域，避免了特征提取过程中产生大量冗余的特征，有效提高了识别的准确性和效率。
第二：本发明在特征提取部分提取图像的orb特征，避免了经典的Gabor滤波器法需要从分辨率统一的归一化虹膜图像中提取虹膜纹理特征的做法。同时由于orb特征具有旋转和尺度一致性，顾可以省略掉从分辨率统一的归一化虹膜图像中提取虹膜纹理特征的步骤，进一步提高了识别的效率。
第三：本发明通过计算单应矩阵和最小化重投影误差的方式完成单眼虹膜图像之间的匹配。与现有二值编码即特征模板匹配的方式相比，使用特征点进行重投影的技术能更好的利用图像的纹理特征，进一步提高识别的准确度。
附图说明：
图1为本发明的实现总流程图；
图2为本发明中对单眼虹膜图像进行数据预处理的实现子流程图。
具体实施方式：
以下结合附图，对本发明的具体实施例和效果作进一步详细描述：
参照图1，本发明包括如下步骤：
步骤一：获取单眼虹膜图像I，并对其进行数据预处理。
参照图2，本步骤的具体实现如下：
(1.1)采用摄像头对人眼进行拍照，获取单眼虹膜图像I；
(1.2)采用Hough变换的方法对单眼虹膜图像I进行虹膜定位，得到虹膜区域分割图像I’，即先采用Hough变换的方法，检测单眼虹膜图像I中虹膜边界，并将该虹膜边界外的像素点灰度值置0；再采用Hough变换的方法，检测单眼虹膜图像I中瞳孔边界，并将瞳孔边界内的像素点灰度值置0，获得虹膜区域分割图像I’；
(1.3)采用orb特征点检测方法对虹膜区域分割图像I’中的特征点进行检测，得到虹膜区域分割图像I’的特征点集合P和特征点的特征描述信息集合B：
(1.3.1)采用FAST关键点检测方法，检测虹膜区域分割图像I’中局部像素灰度变化明显的点，构成特征点集合P；
(1.3.2)采用BRIEF特征描述计算方法，对(1.3.1)中的每个特征点计算128维由0、1组成的向量，构成特征描述信息集合B；
(1.4)根据特征点位置处的像素四邻域实际像素，剔除虹膜区域分割图像I’在虹膜区域边界处的特征点及其特征描述：
若一个特征点位置处的像素四邻域里存在有像素值为0的像素点，则表示该特征点位于区域边界，把该特征点及其特征描述剔除；
否则，保留此特征点及其特征描述。
步骤二：构建虹膜识别数据库，即将步骤(1)重复多次，用每次预处理后的虹膜区域分割图像I’构成虹膜识别数据库D。
步骤三：获取待识别单眼虹膜图像IA并与虹膜识别数据库D中的第i个虹膜区域分割图像Ii’进行匹配，其中i∈[1，Nd]，Nd为数据库内存储信息总数。
(3.1)采用摄像头获取待识别单眼虹膜图像IA；
(3.2)对待识别单眼虹膜图像IA，采用步骤一所述方法进行数据预处理，得到待识别虹膜区域分割图像IA以及待识别虹膜区域分割图像IA的特征点集合PA以及特征点的特征描述信息；
(3.3)将待识别虹膜区域分割图像IA’与虹膜区域分割图像Ii’中的相同的特征点进行匹配，得到多个初始特征匹配点对，从这些初始特征匹配点对中筛选出所有初始特征匹配点对中符合极线约束的特征点对Qf；
(3.4)根据特征点对Qf，计算待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H，其实现如下：
(3.4.1)根据特征点对Qf，利用对极几何方法确定虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’所在平面的平面方程：
nTP+d＝0
其中，n为平面的法向量，d为点到平面的距离；
(3.4.2)根据特征点对Qf，利用对极几何方法确定虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的旋转矩阵R和平移向量t；
(3.4.3)根据(3.4.1)中的法向量n、点到平面的距离d和(3.4.2)中的旋转矩阵R、平移向量t，确定待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H：
Figure BDA0002773764700000051
其中，K为摄像头的固定的内参矩阵，在实际求解过程中也可直接使用直接线性变换DLT方法计算单应矩阵H；
(3.5)通过单应矩阵H将特征点对Qf中虹膜区域分割图像Ii’的特征点Pi，重投影到待识别虹膜区域分割图像IA’的空间中，得到虹膜区域分割图像Ii’重投影后的特征点集合Pi’，其中重投影公式为Pi’＝HPi，Pi为特征点对Qf中虹膜区域分割图像Ii’的特征点，H为单应矩阵；
(3.6)根据实际识别精准度需求设定像素位置偏差的阈值T，本实例的像素位置偏差阈值设为2.35；
(3.7)计算待识别虹膜区域分割图像IA’的特征点集合PA与虹膜区域分割图像Ii’重投影后的特征点集合Pi’间的像素位置偏差集合errori计算像素位置偏差errori的公式为：
Figure BDA0002773764700000061
其中，j表示errori中第j个元素，
Figure BDA0002773764700000062
为重投影后的特征点集合Pi’的二维的特征点像素坐标，
Figure BDA0002773764700000063
为待识别虹膜区域分割图像IA’的特征点集合PA的二维的特征点像素坐标；
(3.8)对每个errori求均值，得到平均像素位置偏差
Figure BDA0002773764700000064
并将其与像素位置偏差的阈值T进行比较：
若平均像素位置偏差
Figure BDA0002773764700000065
小于阈值T，则判定待识别单眼虹膜图像IA与虹膜识别数据库D中第i个虹膜区域分割图像Ii’匹配成功；
否则，匹配失败。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于特征点重投影的单眼虹膜匹配方法，其特征在于，包括如下：
(1)采用摄像头获取单眼虹膜图像I，并对其进行数据预处理：
(1a)采用Hough变换的方法对单眼虹膜图像I进行虹膜定位，得到虹膜区域分割图像I’；
(1b)采用orb特征点检测方法对虹膜区域分割图像I’中的特征点进行检测，得到虹膜区域分割图像I’的特征点集合P和特征点的特征描述信息集合B；
(1c)剔除虹膜区域分割图像I’在虹膜区域边界处的特征点及其特征描述；
(2)构建虹膜识别数据库，即将步骤(1)重复多次，用每次预处理后的虹膜区域分割图像I’构成虹膜识别数据库D；
(3)采用摄像头获取待识别单眼虹膜图像IA；
(4)将待识别单眼虹膜图像IA与虹膜识别数据库D中的第i个虹膜区域分割图像Ii’进行匹配，其中i∈[1，Nd]，Nd为数据库内存储信息总数：
(4a)对待识别单眼虹膜图像IA，采用(1)所述方法进行数据预处理，得到待识别虹膜区域分割图像IA以及待识别虹膜区域分割图像IA的特征点集合PA和特征点的特征描述信息；
(4b)将待识别虹膜区域分割图像IA’与虹膜区域分割图像Ii’中的相同的特征点进行匹配，得到多个初始特征匹配点对，筛选出所有初始特征匹配点对中符合极线约束的特征点对Qf；
(4c)根据特征点对Qf，计算待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H；
(4d)通过单应矩阵H将特征点对Qf中虹膜区域分割图像Ii’的特征点Pi，重投影到待识别虹膜区域分割图像IA’的空间中，得到虹膜区域分割图像Ii’重投影后的特征点集合Pi’；
(4e)根据实际识别精准度需求设定像素位置偏差的阈值T；
(4f)计算待识别虹膜区域分割图像IA’的特征点集合PA与虹膜区域分割图像Ii’重投影后的特征点集合Pi’间的像素位置偏差集合errori，对每个errori求均值，得到平均像素位置偏差
Figure FDA0002773764690000021
并将其与像素位置偏差的阈值T进行比较：
若像素位置偏差小于阈值T，则判定待识别单眼虹膜图像IA与虹膜识别数据库D中第i个虹膜区域分割图像Ii’匹配成功；
否则，匹配失败。
2.根据权利要求1所述的方法，其特征在于，(1a)采用Hough变换的方法对单眼虹膜图像I进行虹膜定位，其实现如下：
(1a1)采用Hough变换的方法，检测单眼虹膜图像I中虹膜边界，并将该虹膜边界外的像素点灰度值置0；
(1a2)采用Hough变换的方法，检测单眼虹膜图像I中瞳孔边界，并将瞳孔边界内的像素点灰度值置0，得到虹膜区域分割图像I’。
3.根据权利要求1所述的方法，其特征在于，(1b)中采用orb特征点检测方法对虹膜区域分割图像I’中的特征点进行检测，其实现如下：
(1b1)采用FAST关键点检测方法，检测虹膜区域分割图像I’中局部像素灰度变化明显的点，构成特征点集合P；
(1b2)采用BRIEF特征描述计算方法，对(1b1)中的每个特征点计算128维由0、1组成的向量，构成特征描述信息集合B。
4.根据权利要求1所述的方法，其特征在于，(1c)中剔除虹膜区域分割图像I’在虹膜区域边界处的特征点及其特征描述，是根据特征点位置处的像素四邻域实际像素确定：
若一个特征点位置处的像素四邻域里存在有像素值为0的像素点，则表示该特征点位于区域边界，把该特征点及其特征描述剔除；
否则，保留此特征点及其特征描述。
5.根据权利要求1所述的方法，其特征在于，(4c)中计算待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H，其实现如下：
(4c1)根据特征点对Qf，利用对极几何方法确定虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’所在平面的平面方程：
nTP+d＝0
其中，n为平面的法向量，d为点到平面的距离；
(4c2)根据特征点对Qf，利用对极几何方法确定虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的旋转矩阵R和平移向量t；
(4c3)根据(4c1)中的法向量n、点到平面的距离d和(4c2)中的旋转矩阵R、平移向量t，确定待识别虹膜区域分割图像IA’与虹膜识别数据库D中第i个虹膜区域分割图像Ii’的单应矩阵H：
Figure FDA0002773764690000031
其中，K为摄像头的固定的内参矩阵。
6.根据权利要求1所述的方法，其特征在于，(4d)将虹膜区域分割图像Ii’的特征点Pi，重投影到待识别虹膜区域分割图像IA’的空间中，通过如下公式进行：
Figure FDA0002773764690000032
其中，Pi为特征点对Qf中虹膜区域分割图像Ii’的特征点，H为单应矩阵。
7.根据权利要求1所述的方法，其特征在于，(4f)统计待识别虹膜区域分割图像IA’的特征点集合PA与虹膜区域分割图像Ii’重投影后的特征点集合Pi’间的像素位置偏差errori，其计算公式为：
Figure FDA0002773764690000041
其中，Np为向量内的特征点总数，j表示errori中第j个元素，
Figure FDA0002773764690000042
为重投影后的特征点集合Pi’的二维的特征点像素坐标，
Figure FDA0002773764690000043
为待识别虹膜区域分割图像IA’的特征点集合PA的二维的特征点像素坐标。
CN202011259221.2A 2020-11-12 2020-11-12 基于特征点重投影的单眼虹膜匹配方法 Active CN112380966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011259221.2A CN112380966B (zh) 2020-11-12 2020-11-12 基于特征点重投影的单眼虹膜匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011259221.2A CN112380966B (zh) 2020-11-12 2020-11-12 基于特征点重投影的单眼虹膜匹配方法

Publications (2)

Publication Number Publication Date
CN112380966A true CN112380966A (zh) 2021-02-19
CN112380966B CN112380966B (zh) 2023-06-02

Family

ID=74583012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011259221.2A Active CN112380966B (zh) 2020-11-12 2020-11-12 基于特征点重投影的单眼虹膜匹配方法

Country Status (1)

Country Link
CN (1) CN112380966B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0415032A (ja) * 1990-05-08 1992-01-20 Yagi Toshiaki 眼球運動測定装置
CN1584915A (zh) * 2004-06-15 2005-02-23 沈阳工业大学 一种人眼虹膜识别方法
US20130127847A1 (en) * 2010-08-25 2013-05-23 Hailin Jin System and Method for Interactive Image-based Modeling of Curved Surfaces Using Single-view and Multi-view Feature Curves
US20140023240A1 (en) * 2012-07-19 2014-01-23 Honeywell International Inc. Iris recognition using localized zernike moments
US20140058367A1 (en) * 2011-03-25 2014-02-27 Board Of Trustees Of Michigan State University Adaptive laser system for ophthalmic use
CN104359464A (zh) * 2014-11-02 2015-02-18 天津理工大学 基于立体视觉的移动机器人定位方法
CN104484649A (zh) * 2014-11-27 2015-04-01 北京天诚盛业科技有限公司 虹膜识别的方法和装置
CN107273834A (zh) * 2017-06-06 2017-10-20 宋友澂 一种虹膜识别方法及识别器
CN108052887A (zh) * 2017-12-07 2018-05-18 东南大学 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法
CN108734063A (zh) * 2017-04-20 2018-11-02 上海耕岩智能科技有限公司 一种虹膜识别的方法和装置
CN109145777A (zh) * 2018-08-01 2019-01-04 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN109767476A (zh) * 2019-01-08 2019-05-17 像工场(深圳)科技有限公司 一种自动对焦双目摄像头标定及深度计算方法
CN110009681A (zh) * 2019-03-25 2019-07-12 中国计量大学 一种基于imu辅助的单目视觉里程计位姿处理方法
CN110322507A (zh) * 2019-06-04 2019-10-11 东南大学 一种基于深度重投影和空间一致性特征匹配的方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0415032A (ja) * 1990-05-08 1992-01-20 Yagi Toshiaki 眼球運動測定装置
CN1584915A (zh) * 2004-06-15 2005-02-23 沈阳工业大学 一种人眼虹膜识别方法
US20130127847A1 (en) * 2010-08-25 2013-05-23 Hailin Jin System and Method for Interactive Image-based Modeling of Curved Surfaces Using Single-view and Multi-view Feature Curves
US20140058367A1 (en) * 2011-03-25 2014-02-27 Board Of Trustees Of Michigan State University Adaptive laser system for ophthalmic use
US20140023240A1 (en) * 2012-07-19 2014-01-23 Honeywell International Inc. Iris recognition using localized zernike moments
CN104359464A (zh) * 2014-11-02 2015-02-18 天津理工大学 基于立体视觉的移动机器人定位方法
CN104484649A (zh) * 2014-11-27 2015-04-01 北京天诚盛业科技有限公司 虹膜识别的方法和装置
CN108734063A (zh) * 2017-04-20 2018-11-02 上海耕岩智能科技有限公司 一种虹膜识别的方法和装置
CN107273834A (zh) * 2017-06-06 2017-10-20 宋友澂 一种虹膜识别方法及识别器
CN108052887A (zh) * 2017-12-07 2018-05-18 东南大学 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法
CN109145777A (zh) * 2018-08-01 2019-01-04 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN109767476A (zh) * 2019-01-08 2019-05-17 像工场(深圳)科技有限公司 一种自动对焦双目摄像头标定及深度计算方法
CN110009681A (zh) * 2019-03-25 2019-07-12 中国计量大学 一种基于imu辅助的单目视觉里程计位姿处理方法
CN110322507A (zh) * 2019-06-04 2019-10-11 东南大学 一种基于深度重投影和空间一致性特征匹配的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOSEPH THOMPSON: "Off-angle iris correction using a biological model", 《2013 IEEE SIXTH INTERNATIONAL CONFERENCE ON BIOMETRICS: THEORY, APPLICATIONS AND SYSTEMS (BTAS)》 *
王玉亮: "眼底图像处理与分析中的关键技术研究", 《信息科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN112380966B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US10789465B2 (en) Feature extraction and matching for biometric authentication
US8064653B2 (en) Method and system of person identification by facial image
Raghavendra et al. Scaling-robust fingerprint verification with smartphone camera in real-life scenarios
Puhan et al. Efficient segmentation technique for noisy frontal view iris images using Fourier spectral density
CN112052831B (zh) 人脸检测的方法、装置和计算机存储介质
WO2015149534A1 (zh) 基于Gabor二值模式的人脸识别方法及装置
Wang et al. Hand vein recognition based on multiple keypoints sets
Alheeti Biometric iris recognition based on hybrid technique
Wu et al. Single-shot face anti-spoofing for dual pixel camera
Juneja Multiple feature descriptors based model for individual identification in group photos
Gürel et al. Design of a face recognition system
CN112380966B (zh) 基于特征点重投影的单眼虹膜匹配方法
Cadavid et al. Human identification based on 3D ear models
Proença Unconstrained iris recognition in visible wavelengths
Fernandez et al. Fingerprint core point detection using connected component approach and orientation map edge tracing approach
Colombo et al. Face^ 3 a 2D+ 3D Robust Face Recognition System
Lin et al. A novel framework for automatic 3D face recognition using quality assessment
Monteiro et al. Multimodal hierarchical face recognition using information from 2.5 D images
Lin et al. Liveness detection using texture and 3d structure analysis
Bingöl et al. A new approach stereo based palmprint extraction in unrestricted postures
Pathak et al. Match score level fusion of iris and sclera descriptor for iris recognition
Djara et al. Fingerprint Registration Using Zernike Moments: An Approach for a Supervised Contactless Biometric System
Avazpour et al. Optimization of Human Recognition from the Iris Images using the Haar Wavelet.
Chang et al. Skin feature point tracking using deep feature encodings
Dai et al. Research on recognition of painted faces

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