CN115578781A - 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 - Google Patents
去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 Download PDFInfo
- Publication number
- CN115578781A CN115578781A CN202211104751.9A CN202211104751A CN115578781A CN 115578781 A CN115578781 A CN 115578781A CN 202211104751 A CN202211104751 A CN 202211104751A CN 115578781 A CN115578781 A CN 115578781A
- Authority
- CN
- China
- Prior art keywords
- iris
- pixel
- human eye
- image
- region
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开一种去遮挡的虹膜检测方法,其包括:获取原始虹膜带遮挡的人眼图像F,检测出人眼图像F中原始虹膜区域;基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络,利用像素级虹膜分割网络对人眼图像F进行去遮挡分割,获得人眼图像F的关于虹膜区域的像素级分割结果图;以及结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。本申请还提供一种应用去遮挡的虹膜检测方法的虹膜识别方法及计算机可读存储介质。
Description
技术领域
本申请涉及图像处理领域,更具体地说,涉及一种去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质。
背景技术
在当疫情环境下,指纹、人脸和虹膜等生物特征识别方法在公共场所人员出入管控过程得到了广泛应用。接触式指纹识别、脱口罩进行人脸识别这两种常见的身份识别方式容易导致病毒交叉感染,间接引起疫情的迅速扩散,而人眼虹膜的身份认证方式具有非接触式优势,能够更有效地防止人员密集场所的疫情传播,提升当前的疫情防控能力。
现有的虹膜识别技术,无论是早期的传统模式识别还是最近的深度学习,都是基于比较干净的无睫毛遮挡的虹膜数据进行识别效果较好。对于长睫毛的人员,尤其是女性,因为爱美打扮等原因,对原有的睫毛进行修整,甚至接假睫毛等,睫毛区域容易遮挡了虹膜区域,在后续虹膜识别过程睫毛区域容易被当成虹膜纹理,从而对虹膜识别造成一定的影响。
发明内容
针对现有技术,本申请解决的技术问题是提供一种能有效消除虹膜遮挡区域的虹膜检测方法、虹膜识别方法及可读存储介质。
为解决上述技术问题,本申请提供一种去遮挡的虹膜检测方法,其包括:
获取原始虹膜带遮挡的人眼图像F,检测出人眼图像F中原始虹膜区域;
基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络,利用像素级虹膜分割网络对人眼图像F进行去遮挡分割,获得人眼图像F的关于虹膜区域的像素级分割结果图;以及,
结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。
在一种可能实现方式中,基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络的步骤包括:
训练虹膜初分割网络:获取人眼样本图像,对人眼样本图像的虹膜区域进行分割标注,将人眼样本图像和分割标注结果输入至语义分割网络模型中训练获得虹膜初分割网络,其中人眼样本图像包括虹膜带遮挡的人眼图像和虹膜未有遮挡的人眼图像;
构建生成对抗网络:将训练获得的虹膜初分割网络作为生成对抗网络的生成器且将人眼样本图像和对人眼样本图像的虹膜标注数据作为生成器的输入,将人眼样本图像的虹膜标注数据和生成器的输出图像作为判别器的输入;
基于损失函数训练L对构建的生成对抗网络进行训练,获得像素级虹膜分割网络,L=λ1Ladv+λ2Lseg;
其中,Ladv为生成对抗网络模型的损失函数,Lseg为像素级损失函数:生成器的输出结果和输入之间的逐个像素点之间的差异,其中λ1和λ2加权系数且λ1+λ2=1。
在一种可能实现方式中,其特征在于λ1=0.4,λ2=0.6,
在一种可能实现方式中,结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的步骤包括:
将原始虹膜区域和像素级分割结果图统一至同一尺寸;
对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图;
对差别图进行连通区域处理;
对比连通区域处理后的差别图和原始虹膜区域,确定原始虹膜区域中差别区域;
对原始虹膜区域中的差别区域进行轮廓提取以获得虹膜的遮挡区域;
将原始虹膜区域的遮挡区域的信息去除以获得未遮挡的虹膜图像。
在一种可能实现方式中,对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图的步骤为:
将相同尺寸的原始虹膜区域和像素级分割结果图均按照相同规则划分为多个子块;
将原始虹膜区域和像素级分割结果图对应的子块进行特征提取,并计算对应的子块之间的特征相似度;
若特征相似度大于且等于预定阈值,则相对应的子块不相似,若特征相似度小于预定阈值,则相对应的子块相似;
将相似的子块区域赋值为0且将不相似子块区域赋值为225,获得差别图。
在一种可能实现方式中,子块大小为3×3。
本申请还提供一种虹膜识别方法,其包括:
获取待识别的人眼图像;
利用所述去遮挡的虹膜检测方法对待识别的人眼图像进行去遮挡检测,获得关于待识别的人眼图像的未遮挡的虹膜图像;以及
利用虹膜识别学习模型对未遮挡的虹膜图像进行识别判断。
本申请还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述去遮挡的虹膜检测方法。
在去遮挡的虹膜检测方法、虹膜识别方法及计算机存储介质中,提取人眼图像F中包含遮挡信息的原始虹膜区域,训练像素级虹膜分割网络对人眼图像F进行去遮挡分割以获得人眼图像F的关于虹膜区域的像素级分割结果图,最终结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。该去遮挡的虹膜检测方法可有效消除遮盖虹膜区域的遮挡内容,使得虹膜检测结果尽可能地仅包含虹膜纹理信息,从而使得后续虹膜识别过程中尽可能的消除遮挡信息对虹膜区域识别的影响,有利于保证后续虹膜识别的顺利进行以及提高虹膜识别的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的去遮挡的虹膜检测方法的整体流程图;
图2为本申请实施例的结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的流程图;
图3为本申请实施例的对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图的步骤流程图;
图4为本申请实施例的结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的一结果示意图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
现结合附图对本申请的去遮挡的虹膜检测方法、虹膜识别方法及计算机存储介质进行具体说明。
请参照图1,本申请实施例提供去遮挡的虹膜检测方法包括步骤S1至步骤S3。
步骤S1:获取原始虹膜带遮挡的人眼图像F,检测出人眼图像F中原始虹膜区域。通常获取的人眼图像F可能包括眉毛等虹膜以外的内容,可利用YOLOX检测模型对人眼图像F进行虹膜区域定位以检测出原始虹膜区域。所述待遮挡的人眼图像F为睫毛遮挡虹膜区域的人眼图像。
步骤S2:基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络,利用像素级虹膜分割网络对人眼图像F进行去遮挡分割,获得人眼图像F的关于虹膜区域的像素级分割结果图;
步骤S3:结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。
在所述步骤S2中,基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络具体实现步骤包括步骤S21至步骤S23。
步骤S21:训练虹膜初分割网络:获取人眼样本图像,对人眼样本图像的虹膜区域进行分割标注,将人眼样本图像和分割标注结果输入至语义分割网络模型中训练获得虹膜初分割网络,其中人眼样本图像包括虹膜带遮挡的人眼图像和虹膜未有遮挡的人眼图像。在本申请实施例中虹膜带遮挡的人眼图像是指带有睫毛遮挡虹膜的人眼图像。
在一申请实施例中,虹膜带遮挡的人眼图像和未有遮挡的人眼图像的比例1:1,不同类型的图像的比例相同可以提供网络模型的精确度。所述语义分割网络模型可为BiSeNet网络模型。
步骤S22:构建生成对抗网络:将训练获得的虹膜初分割网络作为生成对抗网络的生成器且人眼样本图像和对人眼样本图像的虹膜标注数据作为生成器的输入,将人眼样本图像的虹膜标注数据和生成器的输出图像作为判别器的输入。
在所述步骤S22中,该生成式对抗网络模型一般有生成器和判别器其组成,在步骤中,生成器采用训练好的虹膜初分割网络,判别器采用Resnet18网络模型。用该生成式对抗网络模型对该原始图像进行处理前需对该生成式对抗网络模型行训练。判别器根据所述概率值计算模型损失,并反向传播至生成器进行网络参数更新。生成器的训练目标是尽可能地生成判别器无法区分的生成数据,生成器与判别器进行对抗式的训练,直到达到纳什均衡,即生成器生成的数据与标签数据无明显差别,判别器也无法正确的区分生成数据和标签数据。
步骤S23:基于损失函数训练L对构建的生成对抗网络进行训练,获得像素级虹膜分割网络,L=λ1Ladv+λ2Lseg;其中,Ladv为生成对抗网络模型的损失函数,及原本传统的生成对抗网络(GAN网络)的传统的损失函数,Lseg为像素级损失函数:生成器的输出结果和输入之间的逐个像素点之间的差异,其中λ1和λ2加权系数且λ1+λ2=1。
在一申请实施例中,λ1=0.4,λ2=0.6,在另一实施例中,λ1和λ2的值可以根据实际需求进行调整。
在上述步骤S23中,对虹膜标注结果和生成器输出结果进行逐像素地计算均方误差,通过反馈像素之间的误差以缩小模型的输入和输出之间之间的差距,像素级处理更够能加精细的区别遮挡区域(非虹膜区域,如睫毛细节)和虹膜区域,如此有利于提高虹膜检测精度。由于像素级的处理,除了对出去睫毛遮挡问题,也能有效得到去除位于虹膜上的光斑和反光内容。
请参照图2,在所述步骤S3中,结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的步骤包括:
步骤S31:将原始虹膜区域和像素级分割结果图统一至同一尺寸;
步骤S32:对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图;
步骤S33:对差别图进行连通区域处理;
步骤S34:对比连通区域处理后的差别图和原始虹膜区域,确定原始虹膜区域中差别区域;
步骤S35:对原始虹膜区域中的差别区域进行轮廓提取以获得虹膜的遮挡区域;
步骤S36:将原始虹膜区域的遮挡区域的信息去除以获得未遮挡的虹膜图像。
值得说明的是,利用LOLOX对人眼图像F进行检测获得的原始虹膜区域中包含了睫毛的遮挡区域,利用像素级分割处理方式能够有效的除去非虹膜内容信息(睫毛遮挡区域),对于包含睫毛遮挡信息的原始虹膜区域和未有遮挡的像素级分割结果图,可获得两者差别图,故而差别图中体现遮挡区域信息,由于睫毛区域往往是紧挨着成一片的,通过连通区域处理和轮廓提取,可获得差别图中遮挡区域信息的大致位置,从而可或者遮挡区域信息在原始虹膜区域内的大致位置,故此可直接消除原始虹膜区域的遮挡区域的信息以获得未遮挡的虹膜图像。在一实施例中,可对差别图进行4连通区域处理。
请参照图3,在所述步骤S32中,对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图的步骤为:
步骤S321:将相同尺寸的原始虹膜区域和像素级分割结果图均按照相同规则划分为多个子块;
步骤S322:将原始虹膜区域和像素级分割结果图对应的子块进行特征提取,并计算对应的子块之间的特征相似度。
步骤S323:若特征相似度大于且等于预定阈值,则相对应的子块不相似,若特征相似度小于预定阈值,则相对应的子块相似;预定阈值可根据实际需求进行设定。
步骤S324:将相似的子块区域赋值为0且将不相似子块区域赋值为225,获得差别图。
值得说明的是:由于将相同尺寸的原始虹膜区域和像素级分割结果图均按照相同规则划分为多个子块,故而原始虹膜区域和像素级分割结果图的相对应的子块是指划分后相同位置处的子块。
在一申请实施例中,子块大小为3×3。
在一实施例中,在所述步骤S322中,对子块进行特征提取时,提取子块区域的纹理特征,对子块区域的纹理特征进行直方图统计,对于原始虹膜区域和像素级分割结果图两者相对应的子块之间的直方图的相似度来判断对应的子块是否相似。
在另一实施例中,参照图4,结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像为:p=psrc×(pmask/255),其中,p表示为遮挡的虹膜图像结果,psrc为从人眼图像中检测的原始虹膜区域,pmask为像素级结果图对应的掩膜图像。图4中的未遮挡的虹膜图像的深色区域为虹膜信息,可以看出已经去除了遮挡信息。
在所述去遮挡的虹膜检测方法中,提取人眼图像F中包含遮挡信息的原始虹膜区域,训练像素级虹膜分割网络对人眼图像F进行去遮挡分割以获得人眼图像F的关于虹膜区域的像素级分割结果图,最终结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。该去遮挡的虹膜检测方法可有效消除遮盖虹膜区域的睫毛遮挡内容,使得虹膜检测结果尽可能地仅包含虹膜纹理信息,从而使得后续虹膜识别过程中尽可能的消除遮挡信息对虹膜区域识别的影响,有利于保证后续虹膜识别的顺利进行以及提高虹膜识别的准确率。
本申请实施例还提供一种虹膜识别方法,该虹膜识别包括获取待识别的人眼图像;利用所述去遮挡的虹膜检测方法对待识别的人眼图像进行去遮挡检测,获得关于待识别的人眼图像的未遮挡的虹膜图像;以及利用虹膜识别学习模型对未遮挡的虹膜图像进行识别判断。
可以理解地,在实际应用中,在注册阶段,一般待识别人员的虹膜信息是需注册至数据库中,在识别阶段,采集待识别的人眼图像,通过对比待识别的人眼图像的虹膜信息和数据库中的虹膜信息进行识别比对。
在本实施例中,无法保证待识别人员在进行识别对比时采集的人眼图像中的虹膜信息是否出现遮挡情况,即睫毛遮挡虹膜区域,故而先通过前述去遮挡的虹膜检测方法对待识别人员的人眼图像进行去遮挡检测,以获得未遮挡的虹膜图像,故而使得虹膜图像仅包含虹膜纹理信息,以提高后续识别的识别效率和准确度。
在一实施例中,利用虹膜识别学习模型对未遮挡的虹膜图像进行识别判断具体为:利用训练好的resnet50提取虹膜图像的特征以获得高维特征向量,计算不同虹膜图像之间特征向量的余弦相似度,当相似度超过设定的阈值即识别成功,否则识别失败。
本申请实施例还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述去遮挡的虹膜检测方法。在本实施例中,所述计算机可读存储介质可包括: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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种去遮挡的虹膜检测方法,其特征在于,包括:
获取原始虹膜带遮挡的人眼图像F,检测出人眼图像F中原始虹膜区域;
基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络,利用像素级虹膜分割网络对人眼图像F进行去遮挡分割,获得人眼图像F的关于虹膜区域的像素级分割结果图;以及
结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。
2.如权利要求1所述的去遮挡的虹膜检测方法,其特征在于,基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络的步骤包括:
训练虹膜初分割网络:获取人眼样本图像,对人眼样本图像的虹膜区域进行分割标注,将人眼样本图像和分割标注结果输入至语义分割网络模型中训练获得虹膜初分割网络,其中人眼样本图像包括虹膜带遮挡的人眼图像和虹膜未有遮挡的人眼图像;
构建生成对抗网络:将训练获得的虹膜初分割网络作为生成对抗网络的生成器且将人眼样本图像和对人眼样本图像的虹膜标注数据作为生成器的输入,将人眼样本图像的虹膜标注数据和生成器的输出图像作为判别器的输入;
基于损失函数训练L对构建的生成对抗网络进行训练,获得像素级虹膜分割网络,L=λ1Ladv+λ2Lseg;
其中,Ladv为生成对抗网络模型的损失函数,Lseg为像素级损失函数:生成器的输出结果和输入之间的逐个像素点之间的差异,其中λ1和λ2加权系数且λ1+λ2=1。
4.如权利要求2所述的去遮挡的虹膜检测方法,其特征在于λ1=0.4,λ2=0.6。
5.如权利要求1所述的去遮挡的虹膜检测方法,其特征在于,结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的步骤包括:
将原始虹膜区域和像素级分割结果图统一至同一尺寸;
对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图;
对差别图进行连通区域处理;
对比连通区域处理后的差别图和原始虹膜区域,确定原始虹膜区域中差别区域;
对原始虹膜区域中的差别区域进行轮廓提取以获得虹膜的遮挡区域;
将原始虹膜区域的遮挡区域的信息去除以获得未遮挡的虹膜图像。
6.如权利要求5所述的去遮挡的虹膜检测方法,其特征在于,对相同尺寸的原始虹膜区域和像素级分割结果图进行相似度计算,获得原始虹膜区域和像素级分割结果图之间的差别图的步骤为:
将相同尺寸的原始虹膜区域和像素级分割结果图均按照相同规则划分为多个子块;
将原始虹膜区域和像素级分割结果图对应的子块进行特征提取,并计算对应的子块之间的特征相似度;
若特征相似度大于且等于预定阈值,则相对应的子块不相似,若特征相似度小于预定阈值,则相对应的子块相似;
将相似的子块区域赋值为0且将不相似子块区域赋值为225,获得差别图。
7.如权利要求6所述的去遮挡的虹膜检测方法,其特征在于,子块大小为3×3。
8.一种虹膜识别方法,其特征在于,包括:
获取待识别的人眼图像;
利用如权利要求1至7任一项所述的去遮挡的虹膜检测方法对待识别的人眼图像进行去遮挡检测,获得关于待识别的人眼图像的未遮挡的虹膜图像;以及
利用虹膜识别学习模型对未遮挡的虹膜图像进行识别判断。
9.一种计算机可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任一项所述的去遮挡的虹膜检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104751.9A CN115578781A (zh) | 2022-09-09 | 2022-09-09 | 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104751.9A CN115578781A (zh) | 2022-09-09 | 2022-09-09 | 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578781A true CN115578781A (zh) | 2023-01-06 |
Family
ID=84581925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211104751.9A Pending CN115578781A (zh) | 2022-09-09 | 2022-09-09 | 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578781A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974508A (zh) * | 2024-03-28 | 2024-05-03 | 南昌航空大学 | 基于生成对抗网络用于不规则遮挡的虹膜图像修复方法 |
CN117974508B (zh) * | 2024-03-28 | 2024-06-07 | 南昌航空大学 | 基于生成对抗网络用于不规则遮挡的虹膜图像修复方法 |
-
2022
- 2022-09-09 CN CN202211104751.9A patent/CN115578781A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974508A (zh) * | 2024-03-28 | 2024-05-03 | 南昌航空大学 | 基于生成对抗网络用于不规则遮挡的虹膜图像修复方法 |
CN117974508B (zh) * | 2024-03-28 | 2024-06-07 | 南昌航空大学 | 基于生成对抗网络用于不规则遮挡的虹膜图像修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956578B (zh) | 一种基于身份证件信息的人脸验证方法 | |
KR100480781B1 (ko) | 치아영상으로부터 치아영역 추출방법 및 치아영상을이용한 신원확인방법 및 장치 | |
CN110852160B (zh) | 以图像为基准的生物识别系统及计算机实施方法 | |
EP1229493B1 (en) | Multi-mode digital image processing method for detecting eyes | |
US9922238B2 (en) | Apparatuses, systems, and methods for confirming identity | |
US7092554B2 (en) | Method for detecting eye and mouth positions in a digital image | |
Cai et al. | Detecting human faces in color images | |
US7460693B2 (en) | Method and apparatus for the automatic detection of facial features | |
Boehnen et al. | A fast multi-modal approach to facial feature detection | |
EP1217572A2 (en) | Digital image processing method and computer program product for detecting human irises in an image | |
US20040037460A1 (en) | Method for detecting objects in digital images | |
CN110569756A (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
JPH0944685A (ja) | 顔画像処理装置 | |
CN103902958A (zh) | 人脸识别的方法 | |
CN101359365A (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
CN108416291B (zh) | 人脸检测识别方法、装置和系统 | |
Zhang et al. | Knowledge-based eye detection for human face recognition | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
CN115953824B (zh) | 一种人脸皮肤图像处理方法及系统 | |
CN111144413A (zh) | 虹膜定位方法及计算机可读存储介质 | |
CN111104857A (zh) | 一种基于步态能量图的身份识别方法及系统 | |
CN115578781A (zh) | 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 | |
Amjed et al. | Noncircular iris segmentation based on weighted adaptive hough transform using smartphone database | |
CN112800941A (zh) | 基于非对称辅助信息嵌入网络的人脸反欺诈方法及系统 |
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 |