CN112580530A - 一种基于眼底图像的身份识别方法 - Google Patents

一种基于眼底图像的身份识别方法 Download PDF

Info

Publication number
CN112580530A
CN112580530A CN202011536366.2A CN202011536366A CN112580530A CN 112580530 A CN112580530 A CN 112580530A CN 202011536366 A CN202011536366 A CN 202011536366A CN 112580530 A CN112580530 A CN 112580530A
Authority
CN
China
Prior art keywords
fundus
images
image
fundus image
fundus images
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
Application number
CN202011536366.2A
Other languages
English (en)
Inventor
兰海
魏宪
胡建民
浦一雯
唐晓亮
郭杰龙
戴炳发
庄子豪
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN202011536366.2A priority Critical patent/CN112580530A/zh
Publication of CN112580530A publication Critical patent/CN112580530A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Ophthalmology & Optometry (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于眼底图像的身份识别方法，一、采集待识别对象的双眼眼底图像；二、对眼底图像进行中心裁剪，得到1：1宽高比的图像；三、将图像缩放至像素为224*224大小后，将双眼的图像沿通道维度进行堆叠；四、利用卷积神经网络对堆叠图像数据进行特征提取；五、建立眼底图像身份数据库，当输入新的眼底图像时，将新的眼底图像所提取出的特征与数据库中的特征进行比对，找出与新的眼底图像的最近邻特征点，若所比对的两个特征点间的欧氏距离小于阈值，则判断新的眼底图像对应此最近邻特征点的身份信息，反之表示身份识别失败，本发明能够通过眼底图像来实现身份识别，降低光线、角度、成本等外部因素的影响，提高身份识别的准确度。

Description

一种基于眼底图像的身份识别方法
技术领域
本发明属于生物特征身份识别的技术领域，具体涉及一种基于眼底图像的身份识别方法。
背景技术
身份识别方法主要分为三类：1)基于私密信息的身份识别，如：系统的用户名密码，验证码等；2)基于信任物体的身份识别，如：会员卡；3)基于生物特征的身份识别，如：虹膜识别、人脸识别等。其原理为将外部输入的信息(文本、字符串、磁条、指纹、图像等)与数据库存储的信息进行匹配比对。本发明主要针对生物特征的身份识别。
人脸识别是生物特征身份识别的一种方法，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别方法的一般流程如下：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象，而其输出则是一系列相似度得分，表明待识别的人脸的身份。人脸识别方法主要包括特征提取，特征匹配，相似度计算这三个部分。
虹膜识别也是生物特征身份识别方法的一种，它是与眼睛有关的生物识别中对人产生较少干扰的技术。在所有生物识别技术中，由于没有两个虹膜是一样的，因此虹膜识别是当前应用最为方便和精确的一种。它在身份识别方面有4个特性即：可采集性、唯一性、稳定性、抗欺骗性。
对于人脸识别而言，不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。而且人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件(例如白天和夜晚，室内和室外等)、人脸的很多遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响。
对于虹膜识别而言，一个最为重要的缺点是它没有进行过任何的测试，当前的虹膜识别系统只是用统计学原理进行小规模的试验，而没有进行过现实世界的唯一性认证的试验。除此之外，虹膜识别也需要很多外部条件，例如：光线、高成本等。
发明内容
有鉴于此，本发明提供了一种基于眼底图像的身份识别方法，能够通过眼底图像来实现身份识别，降低光线、角度、成本等外部因素的影响，提高身份识别的准确度。
实现本发明的技术方案如下：
一种基于眼底图像的身份识别方法，包括以下步骤：
步骤一、采集待识别对象的双眼眼底图像；
步骤二、对眼底图像进行中心裁剪，得到1：1宽高比的图像；
步骤三、将图像缩放至像素为224*224大小后，将双眼的图像沿通道维度进行堆叠，即原来两张224*224*3的图像经过此步骤后为224*224*6；
步骤四、利用卷积神经网络对堆叠图像数据进行特征提取；
步骤五、将不同人的眼底图像的特征进行存储，建立眼底图像身份数据库，当输入新的眼底图像时，将新的眼底图像所提取出的特征与数据库中的特征进行比对，找出与新的眼底图像的最近邻特征点，若所比对的两个特征点间的欧氏距离小于阈值，则判断新的眼底图像对应此最近邻特征点的身份信息，反之，则表示身份识别失败。
进一步地，步骤二中，对像素为h*w大小的图像，从左上角坐标
Figure BDA0002853184570000031
到右下角坐标
Figure BDA0002853184570000032
进行裁剪。
进一步地，步骤四中，采用resnet网络作为基础骨干网络，使用三元损失作为resnet网络的训练方法。
进一步地，所述三元损失训练方法如下：
1、收集不同人的双眼眼底图像作为训练集，其中左右眼两张眼底图像为一组，每人所需训练图像2组以上，总人数大于500人；
2、在训练过程中，随机选取某一个人的一组眼底图像作为基准点A，将同一个人的不同组眼底图像作为正样本P，随机选取不同人的一组眼底图像作为负样本N；
3、将三组图像输入卷积神经网络进行正向计算，求出特征
Figure BDA0002853184570000033
4、构建损失函数如下：
Figure BDA0002853184570000034
其中
Figure BDA0002853184570000035
为特征点A与特征点P之间的欧氏距离，
Figure BDA0002853184570000036
为特征点A与特征点N之间的欧氏距离，m为人为指定的一个大于0的常数；
5、训练过程通过最小化损失函数来对参数进行更新。
有益效果：
1、本发明的眼底图像身份识别在受光线、成本、镜头角度等外部因素影响比人脸识别和虹膜识别要少，能够实现高准确率地身份识别。
2、本发明采用深度学习卷积神经网络结合三元损失训练方法进行眼底图像特征提取，能够有效提取眼底图像中隐含的不同人的身份特征，从而增强所提取特征的身份识别准确率。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
如图1所示，本发明实例提供一种基于眼底图像的身份识别方法，从而提供除人脸、指纹及虹膜以外的生物特征身份识别方法；
一种基于眼底图像的身份识别方法，包括以下步骤：
步骤一、采集待识别对象的双眼眼底图像；
步骤二、对眼底图像进行中心裁剪，得到1：1宽高比的图像，如800*600大小的图像，从左上角坐标(100,0)到右下角坐标(700,600)进行裁剪，得到600*600大小的图像；
步骤三、将图像缩放至224*224大小后，将双眼的图像沿通道维度进行堆叠，即原来两张224*224*3的图像经过此步骤后为224*224*6；
步骤四、利用卷积神经网络对堆叠图像数据进行特征提取，优选地采用resnet网络作为基础骨干网络，使用三元损失作为训练方法；
其中，用于特征提取的卷积神经网络三元损失训练方法如下：
1、收集不同人的双眼眼底图像作为训练集，其中左右眼两张眼底图像为一组，每人所需训练图像2组以上，总人数大于500人；
2、在训练过程中，随机选取某一个人的一组眼底图像作为基准点A，将同一个人的不同组眼底图像作为正样本P，随机选取不同人的一组眼底图像作为负样本N；
3、将三组图像输入卷积神经网络进行正向计算，求出特征
Figure BDA0002853184570000041
4、构建损失函数如下：
Figure BDA0002853184570000051
其中
Figure BDA0002853184570000052
为特征点A与特征点P之间的欧氏距离，
Figure BDA0002853184570000053
为特征点A与特征点N之间的欧氏距离，m为人为指定的一个大于0的常数；
5、训练过程通过最小化损失函数来对参数进行更新；
步骤五、将不同人的眼底图像的特征进行存储，建立眼底图像身份数据库，当输入新的眼底照片时，将新的眼底照片所提取出的特征与数据库中的特征进行比对，找出该组图像的最近邻特征点所对应的身份信息，若两者间的欧氏距离小于阈值，则判断该组图像对应此最近邻的身份，若距离大于阈值，则表示身份识别失败，从而实现新输入眼底图像的身份识别；
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于眼底图像的身份识别方法，其特征在于，包括以下步骤：
步骤一、采集待识别对象的双眼眼底图像；
步骤二、对眼底图像进行中心裁剪，得到1：1宽高比的图像；
步骤三、将图像缩放至像素为224*224大小后，将双眼的图像沿通道维度进行堆叠，即原来两张224*224*3的图像经过此步骤后为224*224*6；
步骤四、利用卷积神经网络对堆叠图像数据进行特征提取；
步骤五、将不同人的眼底图像的特征进行存储，建立眼底图像身份数据库，当输入新的眼底图像时，将新的眼底图像所提取出的特征与数据库中的特征进行比对，找出与新的眼底图像的最近邻特征点，若所比对的两个特征点间的欧氏距离小于阈值，则判断新的眼底图像对应此最近邻特征点的身份信息，反之，则表示身份识别失败。
2.如权利要求1所述的一种基于眼底图像的身份识别方法，其特征在于，步骤二中，对像素为h*w大小的图像，从左上角坐标
Figure FDA0002853184560000011
到右下角坐标
Figure FDA0002853184560000012
进行裁剪。
3.如权利要求1所述的一种基于眼底图像的身份识别方法，其特征在于，步骤四中，采用resnet网络作为基础骨干网络，使用三元损失作为resnet网络的训练方法。
4.如权利要求3所述的一种基于眼底图像的身份识别方法，其特征在于，所述三元损失训练方法如下：
1、收集不同人的双眼眼底图像作为训练集，其中左右眼两张眼底图像为一组，每人所需训练图像2组以上，总人数大于500人；
2、在训练过程中，随机选取某一个人的一组眼底图像作为基准点A，将同一个人的不同组眼底图像作为正样本P，随机选取不同人的一组眼底图像作为负样本N；
3、将三组图像输入卷积神经网络进行正向计算，求出特征
Figure FDA0002853184560000021
4、构建损失函数如下：
Figure FDA0002853184560000022
其中
Figure FDA0002853184560000023
为特征点A与特征点P之间的欧氏距离，
Figure FDA0002853184560000024
为特征点A与特征点N之间的欧氏距离，m为人为指定的一个大于0的常数；
5、训练过程通过最小化损失函数来对参数进行更新。
CN202011536366.2A 2020-12-22 2020-12-22 一种基于眼底图像的身份识别方法 Pending CN112580530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011536366.2A CN112580530A (zh) 2020-12-22 2020-12-22 一种基于眼底图像的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011536366.2A CN112580530A (zh) 2020-12-22 2020-12-22 一种基于眼底图像的身份识别方法

Publications (1)

Publication Number Publication Date
CN112580530A true CN112580530A (zh) 2021-03-30

Family

ID=75138962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011536366.2A Pending CN112580530A (zh) 2020-12-22 2020-12-22 一种基于眼底图像的身份识别方法

Country Status (1)

Country Link
CN (1) CN112580530A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844766A (zh) * 2011-04-20 2012-12-26 中国科学院自动化研究所 基于人眼图像的多特征融合身份识别方法
CN103971096A (zh) * 2014-05-09 2014-08-06 哈尔滨工程大学 一种基于mb-lbp特征和人脸能量图的多姿态人脸识别方法
CN106326874A (zh) * 2016-08-30 2017-01-11 天津中科智能识别产业技术研究院有限公司 一种人眼图像中的虹膜识别方法及其装置
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查系统
CN110276333A (zh) * 2019-06-28 2019-09-24 上海鹰瞳医疗科技有限公司 眼底身份识别模型训练方法、眼底身份识别方法和设备
CN110400288A (zh) * 2019-06-18 2019-11-01 中南民族大学 一种融合双眼特征的糖网病识别方法及装置
CN110870759A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 用于远程眼底筛查的质量控制方法和系统、及存储设备
CN111274997A (zh) * 2020-02-17 2020-06-12 天津中科智能识别产业技术研究院有限公司 一种基于双眼融合的虹膜识别神经网络模型训练方法
WO2020151307A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 病灶自动识别方法、装置及计算机可读存储介质
CN111563884A (zh) * 2020-04-26 2020-08-21 北京小白世纪网络科技有限公司 基于神经网络的眼底疾病识别方法、计算机设备及介质
US20210224977A1 (en) * 2017-08-02 2021-07-22 Shanghai Sixth People's Hospital Fundus image processing method, computer apparatus, and storage medium

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102844766A (zh) * 2011-04-20 2012-12-26 中国科学院自动化研究所 基于人眼图像的多特征融合身份识别方法
CN103971096A (zh) * 2014-05-09 2014-08-06 哈尔滨工程大学 一种基于mb-lbp特征和人脸能量图的多姿态人脸识别方法
CN106326874A (zh) * 2016-08-30 2017-01-11 天津中科智能识别产业技术研究院有限公司 一种人眼图像中的虹膜识别方法及其装置
US20210224977A1 (en) * 2017-08-02 2021-07-22 Shanghai Sixth People's Hospital Fundus image processing method, computer apparatus, and storage medium
CN110870759A (zh) * 2018-08-31 2020-03-10 福州依影健康科技有限公司 用于远程眼底筛查的质量控制方法和系统、及存储设备
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查系统
WO2020151307A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 病灶自动识别方法、装置及计算机可读存储介质
CN110400288A (zh) * 2019-06-18 2019-11-01 中南民族大学 一种融合双眼特征的糖网病识别方法及装置
CN110276333A (zh) * 2019-06-28 2019-09-24 上海鹰瞳医疗科技有限公司 眼底身份识别模型训练方法、眼底身份识别方法和设备
CN111274997A (zh) * 2020-02-17 2020-06-12 天津中科智能识别产业技术研究院有限公司 一种基于双眼融合的虹膜识别神经网络模型训练方法
CN111563884A (zh) * 2020-04-26 2020-08-21 北京小白世纪网络科技有限公司 基于神经网络的眼底疾病识别方法、计算机设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CEMAL KÖSE ET AL.: "A personal identification system using retinal vasculature in retinal fundus images", 《EXPERT SYSTEMS WITH APPLICATIONS》, vol. 38, no. 11, 5 May 2011 (2011-05-05), pages 13670 - 13681 *
LAW KUMAR SINGH ET AL.: "Detection of Glaucoma in Retinal Fundus Images Using Fast Fuzzy C means clustering approach", 《2019 INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION, AND INTELLIGENT SYSTEMS (ICCCIS)》, 30 January 2020 (2020-01-30), pages 397 - 403 *
方全: "融合双眼特征的糖网病图像识别方法", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》, no. 08, 15 August 2020 (2020-08-15), pages 065 - 30 *
祁传琦等: "基于眼底高分辨力毛细血管图像的身份识别", 《光电工程》, vol. 36, no. 9, 15 September 2009 (2009-09-15), pages 132 - 136 *

Similar Documents

Publication Publication Date Title
Sun et al. Improving iris recognition accuracy via cascaded classifiers
US8577094B2 (en) Image template masking
KR20030046007A (ko) 개인 식별을 위한 홍채 영상의 처리 및 인식방법과 시스템
CN112036383B (zh) 一种基于手静脉的身份识别方法及装置
CN111401145B (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN107798308B (zh) 一种基于短视频训练法的人脸识别方法
CN103049736A (zh) 一种基于最大稳定极值区域的人脸识别方法
Singh et al. Iris recognition system using a canny edge detection and a circular hough transform
CN109165698A (zh) 一种面向智慧交通的图像分类识别方法及其存储介质
Gale et al. Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system
CN110222568B (zh) 一种基于时空图的跨视角步态识别方法
KR101107308B1 (ko) 영상 검색 및 인식 방법
Chu et al. Fusion of face and palmprint for personal identification based on ordinal features
Latha et al. A novel method for person authentication using retinal images
CN112580530A (zh) 一种基于眼底图像的身份识别方法
Kim Palmprint recognition based on line and slope orientation features
CN110598640B (zh) 一种基于迁移学习手背静脉识别方法
Triantafyllou et al. Iris authentication utilizing co-occurrence matrices and textile features
Punyani et al. Iris recognition system using morphology and sequential addition based grouping
Zhou et al. Eye localization based on face alignment
CN110390268A (zh) 一种基于几何特性和方向特征的三维掌纹识别方法
Ballihi et al. Selecting 3d curves on the nasal surface using adaboost for person authentication
Raghavi et al. Human iris recognition using fuzzy neural concepts
Dewangan et al. Face images database indexing for person identification problem
CN113743354A (zh) 一种实现人脸识别的方法

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