CN113780239B - 虹膜识别方法、装置、电子设备和计算机可读介质 - Google Patents
虹膜识别方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113780239B CN113780239B CN202111137166.4A CN202111137166A CN113780239B CN 113780239 B CN113780239 B CN 113780239B CN 202111137166 A CN202111137166 A CN 202111137166A CN 113780239 B CN113780239 B CN 113780239B
- Authority
- CN
- China
- Prior art keywords
- image
- iris
- target
- corner
- eye
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 67
- 238000013145 classification model Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000003708 edge detection Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 206010044074 Torticollis Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 208000018197 inherited torticollis Diseases 0.000 description 2
- 230000001114 myogenic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本公开的实施例公开了虹膜识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:根据目标虹膜图像,生成第一图像金字塔;根据第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;根据第一眼角区域图像、第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;根据旋转角度,对目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;根据虹膜展开图像,进行虹膜识别。该实施方式提高了虹膜识别准确率及成功率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及虹膜识别方法、装置、电子设备和计算机可读介质。
背景技术
随着科学技术的发展,生物特征识别已经深入到生活中的方方面面。相较于人脸识别,指纹识别等识别技术,由于人的虹膜几乎终生不发生变化,且包含复杂的纹理特征,使得虹膜具有天然的防伪性。目前,在进行虹膜识别时,通常采用的方式为:直接将采集到的虹膜图像对应的特征与预先存储的虹膜图像对应的特征进行比对。
然而,当采用上述方式进行虹膜识别时,经常会存在如下技术问题:
在采集待检测对象的虹膜图像时,待检测对象的眼睛与采集设备往往无法保证绝对的水平视角,从而,造成采集得到的虹膜图像包括的特征点与预先存储的虹膜图像包括的特征点出现错位,进而,导致虹膜识别准确率及成功率降低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了虹膜识别方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种虹膜识别方法,该方法包括:根据目标虹膜图像,生成第一图像金字塔;根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;根据上述虹膜展开图像,进行虹膜识别。
第二方面,本公开的一些实施例提供了一种虹膜识别装置,装置包括:生成单元,被配置成根据目标虹膜图像,生成第一图像金字塔;第一确定单元,被配置成根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;第二确定单元,被配置成根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;虹膜图像展开单元,被配置成根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;虹膜识别单元,被配置成根据上述虹膜展开图像,进行虹膜识别。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的虹膜识别方法,提高了虹膜识别的准确率及成功率。具体来说,造成虹膜识别的准确率,及成功率较低的原因在于:在采集待检测对象的虹膜图像时,待检测对象的眼睛与采集设备往往无法保证绝对的水平视角,从而造成采集得到的虹膜图像包括的特征点与预先存储的虹膜图像包括的特征点出现错位,进而,导致虹膜识别准确率及成功率降低。基于此,本公开的一些实施例的虹膜识别方法,首先,根据目标虹膜图像,生成第一图像金字塔。通过生成第一图像金字塔,可以确定上述目标虹膜图像在多尺度下的特征表达。从而,得到更加丰富的图像特征。其次,根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像。通过确定第一眼角区域图像和第二眼角区域图像,从而减少数据处理量,提升虹膜识别速度。然后,根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度。实际情况中,待检测对象的眼睛存在与采集设备无法保持水平视角的情况,如患有先天性肌性斜颈的待检测对象无法保证眼睛与采集设备保持水平视角。而内外眼角的连线与水平方向的夹角,可以间接性地表达待检测对象头部的倾斜角度。因此,通过确定旋转角度,可以间接地确定待检测对象的头部倾斜角度。进一步,根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像。通过确定旋转角度,可以实现对目标虹膜图像的矫正。从而,可以很好地消除采集得到的虹膜图像包括的特征点与预先存储的虹膜图像包括的特征点出现错位的问题。最后,根据上述虹膜展开图像,进行虹膜识别。此种方式大大提高了虹膜识别准确率及成功率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的虹膜识别方法的一个应用场景的示意图;
图2是根据本公开的虹膜识别方法的一些实施例的流程图;
图3是第一图像金子塔的示意图;
图4是目标虹膜图像、第一眼角区域图像和第二眼角区域图像的位置关系图;
图5是确定旋转角度的示意图;
图6是生成虹膜展开图像的示意图;
图7是根据本公开的虹膜识别方法的另一些实施例的流程图;
图8是初始分类模型的网络结构示意图;
图9是子图像与初始虹膜图像中预先标注的感兴趣区域之间的位置关系图;
图10是生成虹膜展开图像的示意图;
图11是根据本公开的虹膜识别装置的一些实施例的结构示意图;
图12是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的虹膜识别方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以根据目标虹膜图像102,生成第一图像金字塔103;然后,计算设备101可以根据上述第一图像金字塔103和预先训练的眼角检测模型104,确定第一眼角区域图像105和第二眼角区域图像106;其次,计算设备101可以根据上述第一眼角区域图像105、上述第二眼角区域图像106和预先训练的关键点检测模型107,确定旋转角度108;接着,计算设备101可以根据上述旋转角度108,对上述目标虹膜图像102进行虹膜图像展开,得到虹膜展开图像109;最后,计算设备101可以根据上述虹膜展开图像109,进行虹膜识别。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的虹膜识别方法的一些实施例的流程200。该虹膜识别方法,包括以下步骤:
步骤201,根据目标虹膜图像,生成第一图像金字塔。
在一些实施例中,虹膜识别方法的执行主体(例如图1所示的计算设备101)可以根据上述目标虹膜图像,生成上述第一图像金字塔。其中,上述目标虹膜图像可以是由虹膜采集装置采集的包含有待检测对象的虹膜的图像。上述第一图像金字塔可以是对上述目标虹膜图像进行特征提取后生成的图像集合。
作为示例,上述执行主体可以根据预先设置的最小尺寸和尺寸缩放步长对上述目标虹膜图像进行下采样处理,以生成上述第一图像金字塔。例如,上述最小尺寸可以是10*10。上述尺寸缩放步长可以是5。上述第一图像金字塔可以如图3所示。其中,上述第一图像金字塔103可以包含三层图像。其中,上述第一图像金字塔103的最低层的图像可以为上述目标虹膜图像102。
步骤202,根据第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像。
在一些实施例中,上述执行主体可以根据上述第一图像金字塔和预先训练的上述眼角检测模型,确定上述第一眼角区域图像和上述第二眼角区域图像。其中,上述眼角检测模型可以是用于检测目标虹膜图像上包含的眼角的模型。上述第一眼角区域图像可以是上述目标虹膜图像包含的,上述待检测对象的左眼角所在区域对应的图像。上述第二眼角区域图像可以是上述目标虹膜图像包含的,上述待检测对象右眼角所在区域对应的图像。例如,上述眼角检测模型可以是但不限于以下任意一项:YOLO(You Only Look Once)模型、SSD(Single Shot MultiBox Detector,一阶段的多框预测)模型、Fast-RCNN(FastRegion-based Convolutional Networks for objects detection,用于物体检测的基于区域的神经网络)模型、Mask-RCNN(Mask-Region-based Convolutional Networks forobjects detection,用于物体检测的基于遮罩的神经网络)模型。
作为示例,如图4所示的目标虹膜图像、第一眼角区域图像和第二眼角区域图像的位置关系图。其中,图4可以包括:目标虹膜图像102、第一眼角区域图像105和第二眼角区域图像106。
步骤203,根据第一眼角区域图像、第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度。
在一些实施例中,上述执行主体可以根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的上述关键点检测模型,确定上述旋转角度。其中,上述关键点检测模型可以是用于确定图像中包含的关键点的模型。上述旋转角度可以表征眼睛倾斜角度。
作为示例,上述执行主体根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的上述关键点检测模型,确定上述旋转角度,可以包括以下步骤:
第一步,通过上述关键点检测模型,确定上述第一眼角区域图像包含的特征点,得到第一特征点,以生成第一特征点集合。
其中,上述第一特征点集合中的第一特征点可以是上述第一眼角区域图像包含的眼角边缘上的特征点。
例如,上述关键点检测模型可以是但不限于以下任意一项:CASENet(DeepCategory-Aware Semantic Edge Detection,深度类别感知的语义边缘检测网络)模型和DeepEdge(A Multi-Scale Bifurcated Deep Network for Top-Down ContourDetection,用于自顶向下轮廓检测的多尺度分叉神经网络)模型。
第二步,通过上述关键点检测模型,确定上述第二眼角区域图像包含的特征点,得到第二特征点,以生成第二特征点集合。
其中,上述第二特征点集合中的第二特征点可以是上述第二眼角区域图像包含的眼角边缘上的特征点。
第三步,根据上述第一特征点集合和上述第二特征点集合,生成上述旋转角度。
其中,首先,上述执行主体可以确定上述第一特征点集合中每个第一特征点与上述第一特征点对应的第二特征点构成的线段与水平方向的夹角,以生成目标角度,得到目标角度集合。然后,上述执行主体可以将上述目标角度集合中的各个目标角度的均值,确定为上述旋转角度。
作为示例,如图5所示。其中,图5中包括的上述第一眼角区域图像对应有六个第一特征点501。图5中包括的上述第二眼角区域图像对应有六个第二特征点501。
步骤204,根据旋转角度,对目标虹膜图像进行虹膜图像展开,得到虹膜展开图像。
在一些实施例中,上述执行主体可以根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到上述虹膜展开图像。
作为示例,如图6所示。上述执行主体可以从水平方向出发,以旋转上述旋转角度后所在的位置为起点,顺时针对上述目标虹膜图像102进行虹膜图像展开,得到上述虹膜展开图像601。
步骤205,根据虹膜展开图像,进行虹膜识别。
在一些实施例中,上述执行主体可以根据上述虹膜展开图像,进行虹膜识别。
作为示例,上述执行主体可以将上述虹膜展开图像与目标数据库中存储的上述待检测对象的预先采集的虹膜展开图像进行比对,从而实现虹膜识别。其中,上述目标数据库可以是用于存储预先采集的用户的虹膜对应的虹膜展开图像的数据库。上述目标数据库可以是分布式数据库。上述目标数据库还可以是云端数据库。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的虹膜识别方法,提高了虹膜识别的准确率及成功率。具体来说,造成虹膜识别的准确率,及成功率较低的原因在于:在采集待检测对象的虹膜图像时,待检测对象的眼睛与采集设备往往无法保证绝对的水平视角,从而造成采集得到的虹膜图像包括的特征点与预先存储的虹膜图像包括的特征点出现错位,进而,导致虹膜识别准确率及成功率降低。基于此,本公开的一些实施例的虹膜识别方法,首先,根据目标虹膜图像,生成第一图像金字塔。通过生成第一图像金字塔,可以确定上述目标虹膜图像在多尺度下的特征表达。从而,得到更加丰富的图像特征。其次,根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像。通过确定第一眼角区域图像和第二眼角区域图像,从而减少数据处理量,提升虹膜识别速度。然后,根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度。实际情况中,待检测对象的眼睛存在与采集设备无法保持水平视角的情况,如患有先天性肌性斜颈的待检测对象无法保证眼睛与采集设备保持水平视角。而内外眼角的连线与水平方向的夹角,可以间接性地表达待检测对象头部的倾斜角度。因此,通过确定旋转角度,可以间接地确定待检测对象的头部倾斜角度。进一步,根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像。通过确定旋转角度,可以实现对目标虹膜图像的矫正。从而,可以很好地消除采集得到的虹膜图像包括的特征点与预先存储的虹膜图像包括的特征点出现错位的问题。最后,根据上述虹膜展开图像,进行虹膜识别。此种方式大大提高了虹膜识别准确率及成功率。
进一步参考图7,其示出了虹膜识别方法的另一些实施例的流程700。该虹膜识别方法的流程700,包括以下步骤:
步骤701,采用固定步长,对目标虹膜图像进行采样,以生成第一图像金字塔。
在一些实施例中,虹膜识别方法的执行主体(例如图1所示的计算设备101)可以采用固定步长,对目标虹膜图像进行采样,以生成第一图像金字塔。
作为示例,上述执行主体可以采用上述固定步长、预先设置的最小尺寸和预先设置的卷积核,对上述目标虹膜图像进行下采样,以生成上述第一图像金字塔。
作为又一示例,上述执行主体可以采用上述固定步长、预先设置的最大尺寸和预先设置的卷积核,对上述目标虹膜图像进行上采样,以生成上述第一图像金字塔。
步骤702,根据第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像。
在一些实施例中,上述执行主体可以根据第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像。其中,上述眼角检测模型可以通过以下步骤训练得到:根据目标训练样本集合和初始分类模型,执行以下训练步骤:
第一步,将目标训练样本集合中的目标训练样本输入至初始分类模型,以生成训练结果集合、训练精度信息和候选分类模型。
其中,上述目标训练样本集合中的目标训练样本可以是包含眼睛的图像中的子图像。上述训练结果集合中的训练结果可以表征初始分类模型预测的目标训练样本对应的类别。上述训练精度信息可以表征初始分类模型的预测准确率。例如,上述训练精度信息可以用上述训练结果集合中预测正确的训练结果的数量,与上述训练结果集合中的训练结果的数量表示。上述候选分类模型可以是经过训练后的初始分类模型。
其中,上述初始分类模型包括:第一卷积层、池化层、第二卷积层、第三卷积层、第一特征处理层、第四卷积层、第五卷积层、第六卷积层、第二特征处理层、第七卷积层、第八卷积层、第三特征处理层、第九卷积层、第十卷积层、第十一卷积层、第四特征处理层和激活层。其中,上述初始分类模型可以采用交叉熵损失函数作为损失函数。
作为示例,上述初始分类模型的网络结构如图8所示。其中,上述初始分类模型可以包括:第一卷积层801、池化层802、第二卷积层803、第三卷积层804、第一特征处理层805、第四卷积层806、第五卷积层807、第六卷积层808、第二特征处理层809、第七卷积层810、第八卷积层811、第三特征处理层812、第九卷积层813、第十卷积层814、第十一卷积层815、第四特征处理层816和激活层817。
其中,上述第四特征处理层816的输出经过点积运算,以生成上述激活层817的输入。
其中,上述第一卷积层801、上述第二卷积层803、上述第一特征处理层805、上述第四卷积层806、上述第二特征处理层809、上述第七卷积层810、上述第三特征处理层812、上述第九卷积层813和第四特征处理层816可以采用RELU(Rectified Linear Unit,线性整流)函数作为激活函数。
例如,上述第一特征处理层805、上述第二特征处理层809、上述第三特征处理层812和上述第四特征处理层816可以对特征进行以下任意一种操作:点乘操作,取最大值操作和求和操作。例如,特征处理层可以是Eltwise层。
可选地,目标训练样本集合通过以下步骤生成:
第一子步骤,采用固定步长,对初始虹膜图像进行采样,以生成第二图像金字塔。
其中,上述初始虹膜图像可以为预先标注了眼角所在区域的,预先采集的用于模型训练的用户的虹膜图像。上述执行主体可以采用步骤701提及的采样方式对上述初始虹膜图像进行采样,以生成上述第二图像金字塔,在此不再赘述。
第二子步骤,对上述第二图像金字塔中的每层图像进行切分,以生成子图像,得到子图像序列。
其中,上述执行主体可以对上述第二图像金字塔中的每层图像进行平均切分,以生成子图像,得到上述子图像序列。
例如,上述第二图像金字塔中的图像的尺寸可以是60*120。子图像的尺寸可以是6*12。则可以得到72个子图像。
第三子步骤,确定上述子图像序列中的每个子图像与上述初始虹膜图像中预先标注的感兴趣区域之间的重合度,以生成上述子图像对应的类别标签,得到类别标签序列。
其中,上述类别标签序列中的类别标签可以表征子图像与预先标注的感兴趣区域之间的重合度。上述预先标注的感兴趣区域可以是上述初始虹膜图像包含的眼角所在的区域。
作为示例,如图9所示。其中,图9包括72个子图像901、预先标注的右眼角所在区域902和预先标注的左眼角所在区域903。例如,情况1:当子图像与预先标注的右眼角所在区域902的重叠度大于0.5时,则子图像对应的类别标签为“右眼角”。情况2:当子图像与预先标注的左眼角所在区域903的重叠度大于0.5时,则子图像对应的类别标签为“左眼角”。当子图像不满足上述情况1和情况2时,则子图像对应的类别标签为“非眼角区域”。
第四子步骤,将上述子图像序列中的每个子图像和上述子图像对应的类别标签,确定为目标训练样本,得到目标训练样本集合。
其中,上述执行主体可以将上述类别标签序列中,与上述子图像在上述子图像序列中的序号相同的类别标签,确定为上述子图像的类别标签。
第二步,将上述候选分类模型作为目标分类模型,加入目标分类模型集合。
其中,上述目标分类模型集合初始为空。
第三步,响应于确定训练精度信息未满足第一训练结束条件,和目标分类模型集合中的目标分类模型的数量未满足第二训练结束条件,从目标训练样本集合筛选满足筛选条件的目标训练样本作为候选训练样本,得到候选训练样本集合,将候选训练样本集合作为目标训练样本集合再次执行上述训练步骤。
其中,上述第一训练结束条件可以是上述训练精度信息对应的训练精度小于目标数值。例如,上述目标数值可以是99%。上述第二训练结束条件可以是目标分类模型集合中的目标分类模型的数量小于预设级联数量。例如,上述预设级联数量可以是10。上述筛选条件可以是目标训练样本对应的训练结果表征预测错误。
第四步,响应于确定训练精度信息满足上述第一训练结束条件,或目标分类模型集合中的目标分类模型的数量满足上述第二训练结束条件,将目标分类模型集合中的目标分类模型进行级联,以生成上述眼角检测模型。
其中,上述执行主体可以将上述目标分类模型集合中的目标分类模型,按照加入上述目标分类模型集合的顺序,对目标分类模型进行串联,以生成上述眼角检测模型。
步骤703,分别将第一眼角区域图像和第二眼角区域图像,输入预先训练的关键点检测模型,以生成第一眼角位置信息和第二眼角位置信息。
在一些实施例中,上述执行主体可以分别将上述第一眼角区域图像和上述第二眼角区域图像,输入上述预先训练的关键点检测模型,以生成上述第一眼角位置信息和上述第二眼角位置信息。其中,上述第一眼角位置信息可以表征上述第一眼角区域图像内的眼角在上述目标虹膜图像中的位置。上述第二眼角区域图像可以表征上述第二眼角区域图像内的眼角在上述目标虹膜图像中的位置。上述关键点检测模型可以包括:第一目标卷积层、第二目标卷积层、第三目标卷积层、第四目标卷积层、第五目标卷积层、第六目标卷积层和第七目标卷积层。其中,上述关键点检测模型包括的各卷积层的卷积核大小为3*3。上述第一目标卷积层的通道数为32。上述第二目标卷积层的通道数为32。上述第三目标卷积层的通道数为16。上述第四目标卷积层的通道数为16。上述第五目标卷积层的通道数为8。上述第六目标卷积层的通道数为8。上述第七目标卷积层的通道数为1。
步骤704,根据第一眼角位置信息和第二眼角位置信息,确定旋转角度。
在一些实施例中,上述执行主体可以根据上述第一眼角位置信息和上述第二眼角位置信息,确定上述旋转角度。其中,上述执行主体可以将上述第一眼角位置信息对应的坐标,和上述第二眼角位置信息对应的坐标构成的直线,与水平方向的夹角,确定为上述旋转角度。
步骤705,根据旋转角度,对目标虹膜图像进行虹膜图像展开,得到虹膜展开图像。
在一些实施例中,上述执行主体根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到上述虹膜展开图像,可以包括以下步骤:
第一步,对上述目标虹膜图像进行内外圆分割,以确定目标区域图像。
其中,上述目标区域图像可以是上述目标虹膜图像包含的虹膜所在区域对应的图像。上述执行主体可以通过边缘检测算法,对上述目标虹膜图像进行内外圆分割。例如,上述边缘检测算法可以是但不限于以下任意一项:基于Canny算子的边缘检测算法,基于Sobel算子的边缘检测算法,基于LoG算子的边缘检测算法和基于小波和小波包变换的边缘检测算法。
第二步,根据上述旋转角度,对上述目标区域图像进行图像展开,以生成上述虹膜展开图像。
作为示例,如图10所示。上述执行主体可以与水平夹角为上述旋转角度的方向为起始位置,顺时针对上述目标区域图像102进行图像展开,以生成上述虹膜展开图像601。
步骤706,对虹膜展开图像进行特征提取,以生成虹膜特征信息。
在一些实施例中,上述执行主体可以对上述虹膜展开图像进行特征提取,以生成上述虹膜特征信息。
作为示例,首先,上述执行主体可以对上述虹膜展开图像进行泰勒展开,以分别确定上述虹膜展开图像对应的一阶导数和二阶导数,从而生成对应的特征矩阵。然后,上述执行主体将上述特征矩阵确定为上述虹膜特征信息。
步骤707,根据虹膜特征信息,进行虹膜识别。
在一些实施例中,上述执行主体可以根据上述虹膜特征信息,进行虹膜识别。
作为示例,上述执行主体可以将上述虹膜特征信息对应的特征矩阵,与预先注册的虹膜图像对应的特征矩阵进行比对,以实现虹膜识别。
从图7可以看出,与图2对应的一些实施例的描述相比,本公开首先,通过级联方式生成的眼角检测模型,能够根据训练资源合理的控制眼角检测模型的模型复杂度,从而减少训练所消耗的时间或计算资源成本。此外,在对目标虹膜图像进行展开时增加了内外圆分割的步骤,使得生成的目标区域图像中不包含眼睑部分。从而解决了在对目标区域图像特征提取时,因包含眼睑部分所造成的梯度消失的问题。进而,大大提高了后续的虹膜识别的准确率。
进一步参考图11,作为对上述各图所示方法的实现,本公开提供了一种虹膜识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图11所示,一些实施例的虹膜识别装置1100包括:生成单元1101、第一确定单元1102、第二确定单元1103、虹膜图像展开单元1104和虹膜识别单元1105。其中,生成单元1101,被配置成根据目标虹膜图像,生成第一图像金字塔;第一确定单元1102,被配置成根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;第二确定单元1103,被配置成根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;虹膜图像展开单元1104,被配置成根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;虹膜识别单元1105,被配置成根据上述虹膜展开图像,进行虹膜识别。
可以理解的是,该装置1100中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置1100及其中包含的单元,在此不再赘述。
下面参考图12,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)1200的结构示意图。图12示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图12所示,电子设备1200可以包括处理装置(例如中央处理器、图形处理器等)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
通常,以下装置可以连接至I/O接口1205:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1206;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207;包括例如磁带、硬盘等的存储装置1208;以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图12中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置1209从网络上被下载和安装,或者从存储装置1208被安装,或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据目标虹膜图像,生成第一图像金字塔;根据上述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;根据上述第一眼角区域图像、上述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;根据上述旋转角度,对上述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;根据上述虹膜展开图像,进行虹膜识别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括生成单元、第一确定单元、第二确定单元、虹膜图像展开单元和虹膜识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“根据目标虹膜图像,生成第一图像金字塔的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种虹膜识别方法,包括:
根据目标虹膜图像,生成第一图像金字塔;
根据所述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;
根据所述第一眼角区域图像、所述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;
根据所述旋转角度,对所述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;
根据所述虹膜展开图像,进行虹膜识别。
2.根据权利要求1所述的方法,其中,所述根据目标虹膜图像,生成第一图像金字塔,包括:
采用固定步长,对所述目标虹膜图像进行采样,以生成所述第一图像金字塔。
3.根据权利要求1所述的方法,其中,所述眼角检测模型通过以下步骤训练得到:
根据目标训练样本集合和初始分类模型,执行以下训练步骤:
将目标训练样本集合中的目标训练样本输入至初始分类模型,以生成训练结果集合、训练精度信息和候选分类模型;
将所述候选分类模型作为目标分类模型,加入目标分类模型集合;
响应于确定训练精度信息未满足第一训练结束条件,和目标分类模型集合中的目标分类模型的数量未满足第二训练结束条件,从目标训练样本集合筛选满足筛选条件的目标训练样本作为候选训练样本,得到候选训练样本集合,将候选训练样本集合作为目标训练样本集合再次执行所述训练步骤,其中,所述筛选条件为目标训练样本对应的训练结果表征分类错误。
4.根据权利要求3所述的方法,其中,所述方法还包括:
响应于确定训练精度信息满足所述第一训练结束条件,或目标分类模型集合中的目标分类模型的数量满足所述第二训练结束条件,将目标分类模型集合中的目标分类模型,按照加入所述目标分类模型集合的顺序进行级联,以生成所述眼角检测模型。
5.根据权利要求3所述的方法,其中,目标训练样本集合通过以下步骤生成:
采用固定步长,对初始虹膜图像进行采样,以生成第二图像金字塔;
对所述第二图像金字塔中的每层图像进行切分,以生成子图像,得到子图像序列;
确定所述子图像序列中的每个子图像与所述初始虹膜图像中预先标注的感兴趣区域之间的重合度,以生成所述子图像对应的类别标签,得到类别标签序列;
将所述子图像序列中的每个子图像和所述子图像对应的类别标签,确定为目标训练样本,得到目标训练样本集合。
6.根据权利要求1所述的方法,其中,所述根据所述第一眼角区域图像、所述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度,包括:
分别将所述第一眼角区域图像和所述第二眼角区域图像,输入所述预先训练的关键点检测模型,以生成第一眼角位置信息和第二眼角位置信息;
根据所述第一眼角位置信息和所述第二眼角位置信息,确定所述旋转角度。
7.根据权利要求1所述的方法,其中,所述根据所述旋转角度,对所述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像,包括:
对所述目标虹膜图像进行内外圆分割,以确定目标区域图像,其中,所述目标区域图像是所述目标虹膜图像包含的虹膜所在区域对应的图像;
根据所述旋转角度,对所述目标区域图像进行图像展开,以生成所述虹膜展开图像。
8.根据权利要求1所述的方法,其中,所述根据所述虹膜展开图像,进行虹膜识别,包括:
对所述虹膜展开图像进行特征提取,以生成虹膜特征信息;
根据所述虹膜特征信息,进行虹膜识别。
9.一种虹膜识别装置,包括:
生成单元,被配置成根据目标虹膜图像,生成第一图像金字塔;
第一确定单元,被配置成根据所述第一图像金字塔和预先训练的眼角检测模型,确定第一眼角区域图像和第二眼角区域图像;
第二确定单元,被配置成根据所述第一眼角区域图像、所述第二眼角区域图像和预先训练的关键点检测模型,确定旋转角度;
虹膜图像展开单元,被配置成根据所述旋转角度,对所述目标虹膜图像进行虹膜图像展开,得到虹膜展开图像;
虹膜识别单元,被配置成根据所述虹膜展开图像,进行虹膜识别。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137166.4A CN113780239B (zh) | 2021-09-27 | 2021-09-27 | 虹膜识别方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137166.4A CN113780239B (zh) | 2021-09-27 | 2021-09-27 | 虹膜识别方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780239A CN113780239A (zh) | 2021-12-10 |
CN113780239B true CN113780239B (zh) | 2024-03-12 |
Family
ID=78853741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137166.4A Active CN113780239B (zh) | 2021-09-27 | 2021-09-27 | 虹膜识别方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780239B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115900B (zh) * | 2023-10-23 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种图像分割方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
US8437513B1 (en) * | 2012-08-10 | 2013-05-07 | EyeVerify LLC | Spoof detection for biometric authentication |
CN104091155A (zh) * | 2014-07-04 | 2014-10-08 | 武汉工程大学 | 光照鲁棒的虹膜快速定位方法 |
US9396394B1 (en) * | 2014-09-25 | 2016-07-19 | Amazon Technologies, Inc. | Iris image data processing for template iris pattern generation |
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 |
CN106529436A (zh) * | 2016-10-25 | 2017-03-22 | 徐鹤菲 | 一种身份一致性认证方法、装置和移动终端 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN108133187A (zh) * | 2017-12-22 | 2018-06-08 | 吉林大学 | 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 |
KR101862639B1 (ko) * | 2017-05-30 | 2018-07-04 | 동국대학교 산학협력단 | 나선 신경망 기법을 이용한 홍채 인식 장치 및 방법 |
CN111563435A (zh) * | 2020-04-28 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 用户的睡眠状态检测方法及装置 |
CN112001244A (zh) * | 2020-07-17 | 2020-11-27 | 公安部物证鉴定中心 | 计算机辅助虹膜比对方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8317325B2 (en) * | 2008-10-31 | 2012-11-27 | Cross Match Technologies, Inc. | Apparatus and method for two eye imaging for iris identification |
US9767358B2 (en) * | 2014-10-22 | 2017-09-19 | Veridium Ip Limited | Systems and methods for performing iris identification and verification using mobile devices |
-
2021
- 2021-09-27 CN CN202111137166.4A patent/CN113780239B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584915A (zh) * | 2004-06-15 | 2005-02-23 | 沈阳工业大学 | 一种人眼虹膜识别方法 |
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
US8437513B1 (en) * | 2012-08-10 | 2013-05-07 | EyeVerify LLC | Spoof detection for biometric authentication |
CN104091155A (zh) * | 2014-07-04 | 2014-10-08 | 武汉工程大学 | 光照鲁棒的虹膜快速定位方法 |
US9396394B1 (en) * | 2014-09-25 | 2016-07-19 | Amazon Technologies, Inc. | Iris image data processing for template iris pattern generation |
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 |
CN106529436A (zh) * | 2016-10-25 | 2017-03-22 | 徐鹤菲 | 一种身份一致性认证方法、装置和移动终端 |
KR101862639B1 (ko) * | 2017-05-30 | 2018-07-04 | 동국대학교 산학협력단 | 나선 신경망 기법을 이용한 홍채 인식 장치 및 방법 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN108133187A (zh) * | 2017-12-22 | 2018-06-08 | 吉林大学 | 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 |
CN111563435A (zh) * | 2020-04-28 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 用户的睡眠状态检测方法及装置 |
CN112001244A (zh) * | 2020-07-17 | 2020-11-27 | 公安部物证鉴定中心 | 计算机辅助虹膜比对方法及装置 |
Non-Patent Citations (5)
Title |
---|
Fast Multi Semantic Pyramids via Cross Fusing Inherent Features for Different-Scale Detection;QIFENG LIN等;《IEEE Access》;第7卷;98374-98386 * |
基于人眼固视微动机制的目标轮廓检测方法研究;李亚;《中国优秀硕士学位论文全文数据库:信息科技辑》(第2021年第03期);I138-426 * |
基于级联神经网络的多任务虹膜快速定位方法;滕童等;《计算机工程与应用》;第56卷(第12期);118-124 * |
面向驾驶人疲劳检测的人脸分析方法研究;高宁;《中国博士学位论文全文数据库:工程科技Ⅱ辑》(第2020年第08期);C035-15 * |
高效虹膜识别预处理算法研究;丁玲;《中国优秀硕士学位论文全文数据库:信息科技辑》(第2020年第06期);I135-287 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780239A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321593B2 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
CN108256479B (zh) | 人脸跟踪方法和装置 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
JP7425147B2 (ja) | 画像処理方法、テキスト認識方法及び装置 | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN113159091B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN112561060B (zh) | 神经网络训练方法及装置、图像识别方法及装置和设备 | |
CN113642583B (zh) | 用于文本检测的深度学习模型训练方法及文本检测方法 | |
CN111091182A (zh) | 数据处理方法、电子设备及存储介质 | |
CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN111783626A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN108229680B (zh) | 神经网络系统、遥感图像识别方法、装置、设备及介质 | |
CN113011309A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN113780239B (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN112966592A (zh) | 手部关键点检测方法、装置、设备和介质 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN111797931A (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
CN112749707A (zh) | 利用神经网络进行目标分割的方法、设备和介质 | |
CN116311271B (zh) | 文本图像的处理方法及装置 |
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 |