CN115294638A - 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 - Google Patents

基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 Download PDF

Info

Publication number
CN115294638A
CN115294638A CN202210758367.4A CN202210758367A CN115294638A CN 115294638 A CN115294638 A CN 115294638A CN 202210758367 A CN202210758367 A CN 202210758367A CN 115294638 A CN115294638 A CN 115294638A
Authority
CN
China
Prior art keywords
iris
image
texture
extraction model
iris image
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
CN202210758367.4A
Other languages
English (en)
Inventor
刘德华
张玉香
周卫东
刘军成
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.)
Qingdao Xizheng Digital Technology Co ltd
Original Assignee
Qingdao Xizheng Digital Technology Co ltd
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 Qingdao Xizheng Digital Technology Co ltd filed Critical Qingdao Xizheng Digital Technology Co ltd
Priority to CN202210758367.4A priority Critical patent/CN115294638A/zh
Publication of CN115294638A publication Critical patent/CN115294638A/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
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Abstract

本申请涉及虹膜识别技术领域，公开一种基于FPGA的虹膜识别系统部署方法，应用于虹膜识别系统，所述虹膜识别系统包括图像采集单元、虹膜图像处理单元和图像显示单元，所述虹膜识别系统部署方法包括：对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式；通过FPGA开发套件，将所述虹膜纹理提取模型部署到FPGA平台上，构成所述虹膜图像处理单元；将已经部署在FPGA平台上的所述图像采集单元和图像显示单元分别与所述虹膜图像处理单元通信连接，以构成完整的虹膜识别系统。该方法的技术效果说明。本申请还公开一种虹膜识别方法及系统。

Description

基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统
技术领域
本申请涉及虹膜识别技术领域，例如涉及一种基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统。
背景技术
目前，生物特征识别技术是近年来兴起的识别技术，简单来说是一种利用生物的生理特征进行身份检验的识别技术。相比于传统的身份识别技术(例如门锁钥匙和密码等)，生物特征识别技术具有更高的稳定性、安全性和便携性。其中，虹膜识别技术就是一种利用生物眼睛的虹膜纹理特征进行身份认证的生物识别技术，相比于人脸识别、掌纹识别、指纹识别等其他生物识别技术，虹膜识别技术具有独特的优越性。首先，虹膜具有极强的生物活性，与人体生命现象共生共息，所以想用照片、录像代替活体的虹膜图像都是不可行的；其次，虹膜具有极强的稳定性，出生前虹膜已经形成，出生6-18个月后定型，此后终生不变，极其稳定；最后，虹膜具有唯一性，每个虹膜所包含的信息都不相同，具有极大的随机性，同一个人左右眼的虹膜纹理都不会相互认同。因此，虹膜识别系统具有非常大的应用前景。
在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
目前市面上的虹膜识别系统主要分为两大类：基于个人计算机(Perso nalComputer，PC)平台的虹膜识别系统和基于嵌入式平台的虹膜识别系统，其中，基于PC平台的虹膜识别系统便携性不强，结构复杂且实用性不强，而基于嵌入式平台的虹膜识别系统存储空间较小、扩展性不强。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统、电子设备及存储介质，在保证虹膜识别稳定性和识别速度的前提下，提升虹膜识别系统的便携性和可扩展性等。
在一些实施例中，所述基于FPGA的虹膜识别系统部署方法，应用于虹膜识别系统，所述虹膜识别系统包括图像采集单元、虹膜图像处理单元和图像显示单元，所述虹膜识别系统部署方法包括：
对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式；
通过FPGA开发套件，将所述虹膜纹理提取模型部署到FPGA平台上，构成所述虹膜图像处理单元；
将已经部署在FPGA平台上的所述图像采集单元和图像显示单元分别与所述虹膜图像处理单元通信连接，以构成完整的虹膜识别系统。
在一些实施例中，所述虹膜识别方法，包括：
采集待验证用户的虹膜图像；
对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果；
显示所述虹膜图像的采集过程和所述识别结果。
在一些实施例中，所述虹膜识别系统，包括：
图像采集单元，被配置为采集待验证用户的虹膜图像；
虹膜图像处理单元，被配置为对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果；
图像显示单元，被配置为显示所述虹膜图像的采集过程和所述识别结果。
在一些实施例中，所述电子设备，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如本申请所述的基于FPGA的虹膜识别系统部署方法，或执行如本申请所述的虹膜识别方法。
在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行如本申请所述的基于FPGA的虹膜识别系统部署方法，或执行如本申请所述的虹膜识别方法。
本公开实施例提供的基于FPGA的虹膜识别系统部署方法、虹膜识别方法及系统、电子设备及存储介质，可以实现以下技术效果：
采用本公开实施例提供的基于FPGA的虹膜识别系统部署方法，通过F PGA内部处理系统和可编程逻辑电路实现虹膜图像的采集、处理及识别，在兼具稳定性的情况下，在识别精度以及识别速度上都有所提升，并且在保证便携性、高稳定性以及保密性的同时，具有良好的可扩展性以及较大的存储空间，且具有很好的集成性和便利性，提升了用户的体验。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一个虹膜识别系统的示意图；
图2是本公开实施例提供的一个虹膜识别方法的流程示意图；
图3是本公开实施例提供的另一个虹膜识别方法的流程示意图；
图4是本公开实施例提供的另一个虹膜识别方法的流程示意图；
图5是本公开实施例提供的一个卷积神经网络的示意图；
图6是本公开实施例提供的另一个虹膜识别方法的流程示意图；
图7是本公开实施例提供的另一个虹膜识别方法的流程示意图；
图8是本公开实施例提供的另一个虹膜识别方法的流程示意图；
图9是本公开实施例提供的一个虹膜定位示意图；
图10是本公开实施例提供的一个虹膜归一化示意图；
图11是本公开实施例提供的一个基于FPGA的虹膜识别系统部署方法的流程示意图；
图12是本公开实施例提供的另一个基于FPGA的虹膜识别系统部署方法的流程示意图；
图13是本公开实施例提供的另一个基于FPGA的虹膜识别系统部署方法的流程示意图；
图14是本公开实施例提供的一个可配置的卷积IP核的示意图；
图15是本公开实施例提供的一个FPGA平台的Soc硬件电路系统的示意图；
图16是本公开实施例提供的一个电子设备的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
首先，对本申请涉及的技术术语进行解释：
机器学习模型：是一种运算模型，由大量的节点(或称神经元)之间相互联接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。样本输入机器学习模型的节点后，通过每个节点输出一个输出结果，该输出结果作为下一个节点的输入样本，机器学习模型通过样本最终输出结果对每个节点的策略函数和权重进行调整，该过程被称为训练。
卷积神经网络(Convolutional Neural Network，CNN)：是一种机器学习模型，包括至少两层级联的卷积层、每一层卷积层之后的池化层以及顶端的全连接层(FullyConnected Layers，FC)组成。
瞳孔：是动物或人眼睛内虹膜中心的小圆孔，为光线进入眼睛的通道。虹膜上瞳孔括约肌的收缩可以使瞳孔缩小，瞳孔开大肌的收缩使瞳孔散大，瞳孔的开大与缩小控制进入瞳孔的光量。
虹膜：是眼球前部含色素的环形薄膜，其位于瞳孔外侧，呈圆形。通常虹膜所在的圆的圆心位置是瞳孔的中心。
现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)：属于集成电路中的半定制电路，是可编程的逻辑阵列，可每一块FPGA芯片都是由有限多个带有可编程连接的预定义源组成来实现一种可重构数字电路，系统设计师可以根据需要通过可编辑的连接把FPGA内部的逻辑块连接起来，以完成所需要的逻辑功能，FPGA还具有硬件并行的优势，在每个时钟周期内可以处理更多的任务，并且FPGA具有极强的稳定性，目前F PGA在安防、工业等领域有着越来越广泛的应用。
Zynq芯片：是赛灵思公司推出的采用ARM(Advanced RISC Machin e)处理器结合FPGA的异构多处理器体系结构，以ARM处理器为核心，同时具备FPGA的可编程性，具备专用集成电路(Application Specific Int egrated Circuit，ASIC)芯片的高性能和低功耗。
结合图1所示，本公开实施例提供一种虹膜识别系统，包括：
图像采集单元101，被配置为采集待验证用户的虹膜图像；
虹膜图像处理单元102，被配置为对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果；
图像显示单元103，被配置为显示所述虹膜图像的采集过程和所述识别结果。
在本申请的实施例中，图像采集单元101用于采集待验证用户的虹膜图像，虹膜图像处理单元102用于对所采集到的虹膜图像进行预处理，提取出虹膜纹理特征并与预先存储的虹膜纹理特征模板进行对比，得到识别结果，该虹膜图像处理单元102需要通过PC平台使用小样本学习法，预训练卷积神经网络后经过Vivado开发套件配置在FPGA平台，图像显示单元103用于待验证用户查看自己的虹膜图像以及显示识别结果。
可选地，所述图像采集单元101可以是一种带有红外光源的高分辨率摄像头，用于采集灰度的虹膜图像，并将虹膜图像发送至虹膜图像处理单元102进行识别处理以及图像显示单元103进行虹膜图像显示。
可选地，所述图像显示单元103可以是一种可以显示采集虹膜图像过程以及显示识别对比结果的显示屏。
可选地，所述虹膜图像处理单元102，包括：
预处理模块1021，被配置为将采集到的虹膜图像进行定位、归一化和裁剪处理，得到预处理后的虹膜图像；
特征处理模块1022，被配置为通过预训练的虹膜纹理提取模型，对所述预处理后的虹膜图像进行特征提取，得到所述处理后的虹膜图像的虹膜纹理特征；
匹配识别模块1023，被配置为将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果。
在本申请的实施例中，所述预处理模块1021用于将采集到的虹膜图像进行定位、归一化和裁剪等操作，所述特征处理模块1022用于将预处理模块1021得到的归一化的虹膜图像进行特征提取，以获得用户虹膜图像的虹膜纹理特征，所述匹配识别模块1023用于将得到的虹膜纹理特征与预存的虹膜纹理特征模板进行对比从而完成识别。
可选地，所述虹膜识别系统还包括：
存储单元，被配置为存储已注册用户的虹膜纹理特征模板；
信息加密单元，被配置为加密所述已注册用户的虹膜纹理特征模板。
在本申请的实施例中，本申请的虹膜识别系统还包括存储单元和信息加密单元，其中，所述存储单元用来存储已注册用户的虹膜纹理特征模板，所述信息加密单元用来加密虹膜纹理特征，保护已注册用户信息隐私。
采用本公开实施例提供的虹膜识别系统，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果，利用机器学习模型实现虹膜识别，从而在识别精度以及识别速度上都实现了较大的提升。
结合图2所示，本公开实施例提供一种虹膜识别方法，包括：
步骤201：采集待验证用户的虹膜图像。
步骤202：对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果。
步骤203：显示所述虹膜图像的采集过程和所述识别结果。
在本申请的实施例中，本申请的虹膜识别系统通过图像采集单元的高分辨率红外摄像头采集待验证用户的虹膜图像，通过图像显示单元实时显示出采集过程以及采集的待验证用户的虹膜图像，随后将该待验证用户的虹膜图像送入虹膜图像处理单元进行识别，依次通过预处理模块得到归一化的虹膜图像、特征处理模块提取到虹膜图像的虹膜纹理特征，匹配识别模块将将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果，如比对成功则在图像显示单元显示“识别成功”字样以提示验证人员，比对失败则在图像显示单元显示“匹配失败”字样。
采用本公开实施例提供的虹膜识别方法，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果，利用机器学习模型实现虹膜识别，从而在识别精度以及识别速度上都实现了较大的提升。
可选地，结合图3所示，在采集待验证用户的虹膜图像之前，还包括：
步骤301：获取包含多个虹膜图像的训练数据集，并对虹膜图像进行预处理。
步骤302：通过小样本学习法设计虹膜图片增广模板，以对所述训练数据集进行数据扩充。
步骤303：使用扩充后的训练数据集对预先构建的卷积神经网络模型进行训练，得到虹膜纹理提取模型。
步骤304：采集需注册用户的虹膜图像并对虹膜图像进行预处理，通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征。
步骤305：将所述虹膜图像的虹膜纹理特征存储在所述虹膜纹理提取模型中，形成已注册用户的虹膜纹理特征模板。
步骤306：根据已注册用户的虹膜图像和虹膜纹理特征模板，对所述虹膜纹理提取模型进行识别准确率验证。
在本申请的实施例中，本申请的虹膜识别系统需要在PC平台上进行预训练以及虹膜图像模板注册过程，在PC平台上的预训练以及注册流程包括：对训练数据集中的虹膜图像进行定位、归一化、裁剪等操作，得到虹膜纹理提取模型所需的输入大小；采用小样本学习法，设计虹膜图像增广模板进行数据扩充，其中，虹膜图像增广模板指的是卷积神经网络中加入的几层小样本学习层，将采集到的虹膜图像进行扩充以备后续网络的训练所用；搭建虹膜纹理提取模型中的卷积神经网络；采集需注册用户的虹膜图像并对虹膜图像进行预处理，通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征，得到已注册用户虹膜纹理特征并存储在虹膜纹理提取模型中；使用已注册用户的虹膜图像和虹膜纹理特征模板，对虹膜纹理提取模型进行识别准确率验证，即已注册用户的认证过程。
这样，本申请通过小样本学习法设计虹膜图片增广模板，以对所述训练数据集进行数据扩充，并根据已注册用户的虹膜图像和虹膜纹理特征模板，对所述虹膜纹理提取模型进行识别准确率验证，能够更好地保证虹膜识别的可靠性和稳定性。
可选地，结合图4所示，所述通过小样本学习法设计虹膜图片增广模板，以对所述训练数据集进行数据扩充，包括：
步骤401：生成与虹膜标准模板相同大小的高斯随机矩阵，与归一化的虹膜图像进行点乘，得到加入亮度干扰后的虹膜图像。
步骤402：随机选取所述虹膜图像中的若干列矩阵，与其他的列矩阵进行交换，得到经过虹膜旋转后的虹膜图像。
步骤403：对虹膜图像进行拉伸和压缩，生成多种虹膜距离的虹膜图像。
在本申请的实施例中，首先，为了模拟现实采集过程中可能出现的光线干扰，在虹膜纹理提取模型中加入随机的亮度干扰层，使得虹膜纹理提取模型能够学习到有光线干扰情况下的虹膜图像，即生成一个与虹膜标准模板(30*150)相同大小的高斯随机矩阵，与归一化图像进行点乘，得到加入亮度干扰后的虹膜图像。其次，为了模拟采集过程中眼珠转动以及头部倾斜等出现的不可控情况，加入虹膜图像角度偏移和旋转层，使虹膜纹理提取模型学习到更精准的多角度虹膜图像，即取到原虹膜图像(30*150)，随机选取其中的几列矩阵，与其他列矩阵进行交换，得到经过旋转后的虹膜图像。最后，为了模拟采集过程中由于采集距离不一致导致的虹膜图像扩张和收缩问题，加入虹膜图像的拉伸层，对虹膜图像进行拉伸和压缩，使得虹膜纹理提取模型能够学习到采集距离不一的虹膜图像，即保持原虹膜图像的尺寸(30*150)不变，对虹膜纹理分别进行放大和压缩，压缩时要将内部的虹膜特征进行扩展以保持虹膜标准模板尺寸不变。
这样，本申请通过多个角度小样本学习法对所述训练数据集进行数据扩充，实现以较少的样本构建大量且多样的样本数据集合，保证了模型训练的准确性和泛化能力。
可选地，结合图5所示，所述卷积神经网络模的网络结构包括：
第一卷积层Conv_1，被配置为采用12个感受野为5*5的2D卷积核，使用padding对边界进行填充，卷积后保持特征图的大小不变；
第一激活层Relu_1，被配置为采用Relu激活函数，用于增加网络的非线性，并且可以使网络具有稀疏性；
第一最大池化层Pooling_1，被配置为一个3*5的池化区域，以3*5的步幅进行池化，将特征图降采样大小为10*30；
第二卷积层Conv_2，被配置为采用16个感受野为3*3的2D卷积核，使用padding对边界进行填充，卷积后保持特征图大小不变；
第二激活层Relu_2，被配置为采用Relu激活函数；
第二最大池化层Pooling_2，被配置为2*3的池化区域，以2*3的步幅进行池化，将特征图降采样为5*10大小的特征图；
第一全连接层Fc_1，被配置为设置400维的神经单元用于综合虹膜纹理特征；
第一全连接层Fc_2，被配置为设置2维的神经单元用于分类；
归一化层，被配置为将神经元的输出映射到(0，1)区间内，进行分类。
可选地，结合图6所示，所述采集需注册用户的虹膜图像并对虹膜图像进行预处理，通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征，包括：
步骤601：采集需注册用户的第一数量的虹膜图像并对虹膜图像进行预处理。
步骤602：将预处理后的第一数量的虹膜图像输入至所述虹膜纹理提取模型中，获取所述虹膜纹理提取模型中的第一全连接层的400维参数，形成已注册用户的虹膜纹理特征模板。
在本申请的实施例中，本申请的虹膜识别系统选取卷积神经网络中的第一全连接层Fc_1的400维参数作为虹膜纹理提取模型提取的虹膜纹理特征，即采集需注册用户的第一数量的虹膜图像并对虹膜图像进行预处理，得到归一化的第一数量的虹膜图像，例如，7张需注册用户的虹膜图像，进而将将预处理后的第一数量的虹膜图像输入至虹膜纹理提取模型中进行特征提取，选取第一层全连接层FC_1的输出结果作为虹膜纹理提取模型提取到的虹膜纹理特征。
这样，本申请通过构建复杂的卷积神经网络模型，能够更好地提取出虹膜图像中包含的虹膜纹理特征，保证虹膜识别的准确性。
可选地，结合图7所示，所述根据已注册用户的虹膜图像和虹膜纹理特征模板，对所述虹膜纹理提取模型进行识别准确率验证，包括：
步骤701：从需注册用户的第一数量的虹膜图像中，选取第二数量的虹膜图像，通过所述虹膜纹理提取模型获取第二数量的已注册用户的虹膜纹理特征模板，其中所述第二数量小于第一数量。
步骤702：从需注册用户的第一数量的虹膜图像中，选取任意一张目标虹膜图像，通过所述虹膜纹理提取模型获取所述目标虹膜图像的虹膜纹理特征。
步骤703：计算所述目标虹膜图像的虹膜纹理特征与所有已注册用户的虹膜纹理特征模板之间的欧式距离，以确定样本相似度，其中，欧式距离的计算公式为：
Figure BDA0003723399570000111
步骤704：将样本相似度最高的虹膜纹理特征模板对应的已注册用户，作为所述目标虹膜图像的认证结果。
例如，可以采集7张需注册用户的虹膜图像中的6张用于虹膜纹理提取模型提取该需注册用户的虹膜纹理特征，并得到已注册用户的虹膜纹理特征模板，剩下1张用于对虹膜纹理提取模型进行识别准确率验证。对于本实施例，在中科院公开虹膜数据库CASIA-IrisV3-interval和CASIA-Iris-V1中进行准确度测试，在两个数据库中分别可以达到99.06％和98.60％的准确度，证明本实施例是可行的。
这样，本申请通过样本相似度对虹膜纹理提取模型进行识别准确率验证，实现了已注册用户的认证过程，具有较高的可靠性和科实践性，提升了用户注册和认证的效率。
可选地，结合图8所示，所述对虹膜图像进行预处理，包括：
步骤801：根据巩膜、虹膜和瞳孔在径向方向上的灰度值，对图像空间中的圆心和半径进行圆迭代计算，得到每个圆周上灰度值的积分，将其中积分值变化最大的位置确定为虹膜的外圆和内圆。
步骤802：以极坐标下环形的虹膜的内圆圆心的水平方向为起点，逆时针旋转360°展开转变为直接坐标系下的矩形的虹膜图像。
步骤803：去掉虹膜图像中的噪声并选择虹膜区域，得到符合输入需求的虹膜标准模板。
在本申请的实施例中，首先，本申请的通过虹膜识别系统通过微积分算子对进行虹膜定位，根据巩膜、虹膜、瞳孔在径向方向上的灰度值依次减小来设计一个圆形的检测模板，来对还没图像空间中的圆心和半径来完成圆迭代计算同时得到每个圆周上灰度值的积分，其中积分值变化最大的位置就是虹膜的边缘部分，如附图9所示，计算公式如下所示：
Figure BDA0003723399570000112
其中，I(x，y)表示图像在坐标(x，y)处的灰度值，Gσ(r)为尺度为σ的高斯平滑函数，公式如下所示：
Figure BDA0003723399570000121
其次，本申请的通过虹膜识别系统为了减轻由于光照、采集距离、角度等因素对虹膜图像的影响，需要对虹膜图像进行归一化操作，归一化即以极坐标下环形的虹膜内圆中心的水平方向为起点，逆时针旋转360°展开转变为直接坐标系下的矩形虹膜图像，如图10所示。
最后，本申请的通过虹膜识别系统去掉虹膜图像中的噪声，例如眼睑和睫毛部分，选择更有利于模型识别的虹膜区域，最终得到模型输入层所需的30*150虹膜标准模板。
这样，能够实现对虹膜图像的裁剪、定位和归一化操作，保证输入至模型的虹膜图像都具有统一的形式，并且将虹膜部分重点进行突出，以实现最精确的特征提取。
结合图11所示，本公开实施例提供一种基于FPGA的虹膜识别系统部署方法，应用于本申请的虹膜识别系统，所述虹膜识别系统包括图像采集单元、虹膜图像处理单元和图像显示单元，所述虹膜识别系统部署方法包括：
步骤1101：对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式。
步骤1102：通过FPGA开发套件，将所述虹膜纹理提取模型部署到FP GA平台上，构成所述虹膜图像处理单元。
步骤1103：将已经部署在FPGA平台上的所述图像采集单元和图像显示单元分别与所述虹膜图像处理单元通信连接，以构成完整的虹膜识别系统。
在本申请的实施例中，本申请需要将包含已注册虹膜纹理特征的虹膜纹理提取模型利用Vivado开发套件部署到FPGA平台上，从而构成虹膜图像处理单元，在部署的过程中，为了使模型更快的运行，首先将虹膜纹理提取模型进行量化，可以采用采用TensorRT-int8量化算法，将模型的参数由float32格式量化到int8格式，然后利用Vivado高级合成工具生成可配置的卷积加速器，用来加速虹膜纹理提取模型在FPGA平台的运行速度，进而在Vivado工具中进行Soc系统的设计，对FPG平台中的可配置逻辑电路进行配置，然后利用Vivado的SDK工具，将模型参数以及模型的其余计算操作写入ARM处理器中。
可选地，在FPGA平台上虹膜纹理提取模型的参数通过AXI总线在处理系统与可编程逻辑电路之间进行传输，至此CNN虹膜图像处理单元部署完成，在FPGA平台上与图像采集单元、图像显示单元连接，构成完整的虹膜识别系统。
采用本公开实施例提供的基于FPGA的虹膜识别系统部署方法，通过F PGA内部处理系统和可编程逻辑电路实现虹膜图像的采集、处理及识别，在兼具稳定性的情况下，在识别精度以及识别速度上都有所提升，并且在保证便携性、高稳定性以及保密性的同时，具有良好的可扩展性以及较大的存储空间，且具有很好的集成性和便利性，提升了用户的体验。
可选地，结合图12所示，所述对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式，包括：
步骤1201：对所述虹膜纹理提取模型的每一层进行遍历，获取每一层的激活值。
步骤1202：根据每一层的激活值的数值构建直方图，分成m个组别。
步骤1203：从前n个组别开始，依次增加至m个组别分别计算其KL散度，其中，KL散度的计算公式如下：
Figure BDA0003723399570000131
其中，P(x)和Q(x)为量化映射前后组别的概率分布，m和n为大于1的正整数且n<m。
步骤1204：选取KL散度最小的组别作为最优映射组别，舍弃超过该组别阈值的数值，并将其余的数值进行float32到int8的线性映射。
在本申请的实施例中，由于FPGA更擅长处理定点数，并且量化过后整个模型可以用低阶的参数表示，降低了模型的存储空间需求，且量化后可以提高整个模型的计算速度，为此本申请采用TensorRT-int8量化算法，将原模型的精度由float32量化到int8精度，经过PC平台测试，量化后的网络在两个数据库的识别准确度分别为98.11％和97.17％，在量化过程中，对模型的每一层进行遍历，收集每一层的激活值，将激活值根据数值分布画出直方图，分成2048个组别(bins)，从前128个组别(bins)开始依次增加至2048个组别分别计算其KL散度，选取KL散度最小的组别作为最优映射组别，超过该组别阈值的数值可直接舍弃，其余数值进行float32到int8的线性映射。
这样，本申请通过对虹膜纹理提取模型进行int8量化，使得量化过后整个模型可以用低阶的参数表示，降低了模型的存储空间需求，且量化后可以提高整个模型的计算速度。
可选地，结合图13所示，所述通过FPGA开发套件，将所述虹膜纹理提取模型部署到FPGA平台上，构成所述虹膜图像处理单元，包括：
步骤1301：通过FPGA开发套件，生成可配置的卷积加速器。
步骤1302：在FPGA开发套件在进行Soc系统的设计，对FPGA平台中的可配置逻辑电路进行配置。
步骤1303：利用FPGA开发套件将所述虹膜纹理提取模型的参数以及计算操作写入ARM处理器中。
在本申请的实施例中，生成可配置卷积加速器如图14所示，本申请利用Vivado高级合成工具将虹膜纹理提取模型的利用Vivado高级合成工具(HLS)将卷积层使用C++代码实现，随后经过HLS工具编译成Verilog代码并生成卷积IP核，用于上述Soc系统设计，其中，Soc硬件电路系统如图15所示，用来对可编程逻辑电路进行配置。
在本申请的实施例中，对卷积神经网络结构进行FPGA部署的过程中，卷积层利用可配置卷积IP核通过可编程电路来实现，且将全连接层视为1*1的卷积计算，同样使用可配置卷积IP核完成，将其余层的计算写进处理系统(Processing Subsystem，PS)中，处理系统与可编程电路通过AXI总线传递数据，共同完成虹膜纹理提取模型的计算过程，其中，虹膜识别系统的虹膜图像处理单元的预处理模块和匹配识别模块的计算过程也都在FP GA中的处理系统中完成。
这样，能更好地实现将虹膜识别系统部署在FPGA平台上，并且保证虹膜识别系统的正常工作，还具有FPGA的系统性和集成性。
需要说明整个CNN虹膜图像处理单元都是通过FPGA内部处理系统和可编程逻辑电路来实现的，图像采集单元和图像显示单元都通过FPGA平台与CNN虹膜图像处理单元进行交互连接。即该实施例基于FPGA的虹膜识别系统，都是在FPGA的控制下完成的。
结合图16所示，本公开实施例提供一种电子设备，包括处理器(proc essor)160和存储器(memory)161。可选地，该装置还可以包括通信接口(Communication Interface)162和总线163。其中，处理器160、通信接口162、存储器161可以通过总线163完成相互间的通信。通信接口162可以用于信息传输。处理器160可以调用存储器161中的逻辑指令，以执行上述实施例的虹膜识别系统。
此外，上述的存储器161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。
存储器161作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器160通过运行存储在存储器161中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中的基于FPGA的虹膜识别系统部署方法，或虹膜识别方法。
存储器161可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器161可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例提供了一种存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述基于FPGA的虹膜识别系统部署方法，或虹膜识别方法。
上述的存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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，包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、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，所述模块、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。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，两个连续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，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤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，这可以依所涉及的功能而定。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动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。

Claims (15)

1.一种基于FPGA的虹膜识别系统部署方法，应用于虹膜识别系统，其特征在于，所述虹膜识别系统包括图像采集单元、虹膜图像处理单元和图像显示单元，所述虹膜识别系统部署方法包括：
对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式；
通过FPGA开发套件，将所述虹膜纹理提取模型部署到FPGA平台上，构成所述虹膜图像处理单元；
将已经部署在FPGA平台上的所述图像采集单元和图像显示单元分别与所述虹膜图像处理单元通信连接，以构成完整的虹膜识别系统。
2.根据权利要求1所述的虹膜识别系统部署方法，其特征在于，所述对通过小样本学习法训练得到的虹膜纹理提取模型进行int8量化，以将所述虹膜纹理提取模型的参数由float32格式量化到int8格式，包括：
对所述虹膜纹理提取模型的每一层进行遍历，获取每一层的激活值；
根据每一层的激活值的数值构建直方图，分成m个组别；
从前n个组别开始，依次增加至m个组别分别计算其KL散度；
选取KL散度最小的组别作为最优映射组别，舍弃超过该组别阈值的数值，并将其余的数值进行float32到int8的线性映射。
3.根据权利要求1所述的虹膜识别系统部署方法，其特征在于，所述通过FPGA开发套件，将所述虹膜纹理提取模型部署到FPGA平台上，构成所述虹膜图像处理单元，包括：
通过FPGA开发套件，生成可配置的卷积加速器；
在FPGA开发套件在进行Soc系统的设计，对FPGA平台中的可配置逻辑电路进行配置；
利用FPGA开发套件将所述虹膜纹理提取模型的参数以及计算操作写入ARM处理器中。
4.一种虹膜识别方法，其特征在于，包括：
采集待验证用户的虹膜图像；
对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果；
显示所述虹膜图像的采集过程和所述识别结果。
5.根据权利要求4所述的虹膜识别方法，其特征在于，在采集待验证用户的虹膜图像之前，还包括：
获取包含多个虹膜图像的训练数据集，并对虹膜图像进行预处理；
通过小样本学习法设计虹膜图片增广模板，以对所述训练数据集进行数据扩充；
使用扩充后的训练数据集对预先构建的卷积神经网络模型进行训练，得到虹膜纹理提取模型；
采集需注册用户的虹膜图像并对虹膜图像进行预处理，通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征；
将所述虹膜图像的虹膜纹理特征存储在所述虹膜纹理提取模型中，形成已注册用户的虹膜纹理特征模板；
根据已注册用户的虹膜图像和虹膜纹理特征模板，对所述虹膜纹理提取模型进行识别准确率验证。
6.根据权利要求5所述的虹膜识别方法，其特征在于，所述通过小样本学习法设计虹膜图片增广模板，以对所述训练数据集进行数据扩充，包括：
生成与虹膜标准模板相同大小的高斯随机矩阵，与归一化的虹膜图像进行点乘，得到加入亮度干扰后的虹膜图像；
随机选取所述虹膜图像中的若干列矩阵，与其他的列矩阵进行交换，得到经过虹膜旋转后的虹膜图像；
对虹膜图像进行拉伸和压缩，生成多种虹膜距离的虹膜图像。
7.根据权利要求5所述的虹膜识别方法，其特征在于，所述卷积神经网络模的网络结构包括：
第一卷积层，被配置为采用12个感受野为5*5的2D卷积核，使用padding对边界进行填充，卷积后保持特征图的大小不变；
第一激活层，被配置为采用Relu激活函数；
第一最大池化层，被配置为一个3*5的池化区域，以3*5的步幅进行池化，将特征图降采样大小为10*30；
第二卷积层，被配置为采用16个感受野为3*3的2D卷积核，使用pa dding对边界进行填充，卷积后保持特征图大小不变；
第二激活层，被配置为采用Relu激活函数；
第二最大池化层，被配置为2*3的池化区域，以2*3的步幅进行池化，将特征图降采样为5*10大小的特征图；
第一全连接层，被配置为设置400维的神经单元用于综合虹膜纹理特征；
第一全连接层，被配置为设置2维的神经单元用于分类；
归一化层，被配置为将神经元的输出映射到(0，1)区间内，进行分类。
8.根据权利要求5所述的虹膜识别方法，其特征在于，所述采集需注册用户的虹膜图像并对虹膜图像进行预处理，通过所述虹膜纹理提取模型提取所述虹膜图像的虹膜纹理特征，包括：
采集需注册用户的第一数量的虹膜图像并对虹膜图像进行预处理；
将预处理后的第一数量的虹膜图像输入至所述虹膜纹理提取模型中，获取所述虹膜纹理提取模型中的第一全连接层的400维参数，形成已注册用户的虹膜纹理特征模板。
9.根据权利要求5所述的虹膜识别方法，其特征在于，所述根据已注册用户的虹膜图像和虹膜纹理特征模板，对所述虹膜纹理提取模型进行识别准确率验证，包括：
从需注册用户的第一数量的虹膜图像中，选取第二数量的虹膜图像，通过所述虹膜纹理提取模型获取第二数量的已注册用户的虹膜纹理特征模板，其中所述第二数量小于第一数量；
从需注册用户的第一数量的虹膜图像中，选取任意一张目标虹膜图像，通过所述虹膜纹理提取模型获取所述目标虹膜图像的虹膜纹理特征；
计算所述目标虹膜图像的虹膜纹理特征与所有已注册用户的虹膜纹理特征模板之间的欧式距离，以确定样本相似度；
将样本相似度最高的虹膜纹理特征模板对应的已注册用户，作为所述目标虹膜图像的认证结果。
10.根据权利要求4至9任一项所述的虹膜识别方法，其特征在于，所述对虹膜图像进行预处理，包括：
根据巩膜、虹膜和瞳孔在径向方向上的灰度值，对图像空间中的圆心和半径进行圆迭代计算，得到每个圆周上灰度值的积分，将其中积分值变化最大的位置确定为虹膜的外圆和内圆；
以极坐标下环形的虹膜的内圆圆心的水平方向为起点，逆时针旋转360°展开转变为直接坐标系下的矩形的虹膜图像；
去掉虹膜图像中的噪声并选择虹膜区域，得到符合输入需求的虹膜标准模板。
11.一种虹膜识别系统，其特征在于，包括：
图像采集单元，被配置为采集待验证用户的虹膜图像；
虹膜图像处理单元，被配置为对虹膜图像进行预处理，通过预训练的虹膜纹理提取模型获取所述虹膜图像的虹膜纹理特征，并将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果；
图像显示单元，被配置为显示所述虹膜图像的采集过程和所述识别结果。
12.根据权利要求11所述的虹膜识别系统，其特征在于，所述虹膜图像处理单元，包括：
预处理模块，被配置为将采集到的虹膜图像进行定位、归一化和裁剪处理，得到预处理后的虹膜图像；
特征处理模块，被配置为通过预训练的虹膜纹理提取模型，对所述预处理后的虹膜图像进行特征提取，得到所述处理后的虹膜图像的虹膜纹理特征；
匹配识别模块，被配置为将所述虹膜纹理特征与预存的虹膜纹理特征模板进行对比，得到识别结果。
13.根据权利要求11所述的虹膜识别系统，其特征在于，还包括：
存储单元，被配置为存储已注册用户的虹膜纹理特征模板；
信息加密单元，被配置为加密所述已注册用户的虹膜纹理特征模板。
14.一种电子设备，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至3任一项所述的基于FPGA的虹膜识别系统部署方法，或执行如权利要求4至10任一项所述的虹膜识别方法。
15.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至3任一项所述的基于FPGA的虹膜识别系统部署方法，或执行如权利要求4至10任一项所述的虹膜识别方法。
CN202210758367.4A 2022-06-30 2022-06-30 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 Pending CN115294638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210758367.4A CN115294638A (zh) 2022-06-30 2022-06-30 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210758367.4A CN115294638A (zh) 2022-06-30 2022-06-30 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统

Publications (1)

Publication Number Publication Date
CN115294638A true CN115294638A (zh) 2022-11-04

Family

ID=83821731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210758367.4A Pending CN115294638A (zh) 2022-06-30 2022-06-30 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统

Country Status (1)

Country Link
CN (1) CN115294638A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994008A (zh) * 2023-09-28 2023-11-03 惠州市惠阳聚晟化工涂料有限公司 一种仿阳极铝合金镀膜加工纹理分析方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994008A (zh) * 2023-09-28 2023-11-03 惠州市惠阳聚晟化工涂料有限公司 一种仿阳极铝合金镀膜加工纹理分析方法及系统
CN116994008B (zh) * 2023-09-28 2024-02-06 惠州市惠阳聚晟化工涂料有限公司 一种仿阳极铝合金镀膜加工纹理分析方法及系统

Similar Documents

Publication Publication Date Title
Menotti et al. Deep representations for iris, face, and fingerprint spoofing detection
US8655029B2 (en) Hash-based face recognition system
Fong et al. A biometric authentication model using hand gesture images
US11430255B2 (en) Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network
El Khiyari et al. Age invariant face recognition using convolutional neural networks and set distances
Nguyen et al. Complex-valued iris recognition network
CN115294638A (zh) 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统
Yang et al. A novel system and experimental study for 3D finger multibiometrics
Sujana et al. An effective CNN based feature extraction approach for iris recognition system
Gaxiola et al. Person recognition with modular deep neural network using the iris biometric measure
Bharadi et al. Multi-instance iris recognition
CN113128341A (zh) 一种基于卷积神经网络的狗脸识别方法
Kadhim et al. A multimodal biometric database and case study for face recognition based deep learning
Das et al. Off-line signature verification with PSO-NN algorithm
Kumar et al. A systematic review of palm and dorsal hand vein recognition techniques
Uddin et al. Artificial Neural Network Inducement for Enhancement of Cloud Computing Security
Xu et al. An efficient iris recognition system based on intersecting cortical model neural network
Zhang et al. A multimodal biometric recognition algorithm based on second generation curvelet and 2D Gabor filter
Rabie et al. Analysis of Dorsal Palm Vein Pattern Recognition System
Ramkumar et al. IRIS DETECTION FOR BIOMETRIC PATTERN IDENTIFICATION USING DEEP LEARNING.
Bala et al. An effective multimodal biometric system based on textural feature descriptor
Ahuja et al. An efficient biometric multimodal fingerprint and iris using an SVM classifier and adaptive neuro fuzzy inference system (ANFIS)
Patil et al. Multimodal biometric identification system: Fusion of Iris and fingerprint
Li et al. A rotation invariant feature extraction for 3D ear recognition
Sun Advanced techniques for face recognition under challenging environments

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