CN116343320A - 基于相变和扩散神经网络的虹膜识别方法 - Google Patents
基于相变和扩散神经网络的虹膜识别方法 Download PDFInfo
- Publication number
- CN116343320A CN116343320A CN202310336276.6A CN202310336276A CN116343320A CN 116343320 A CN116343320 A CN 116343320A CN 202310336276 A CN202310336276 A CN 202310336276A CN 116343320 A CN116343320 A CN 116343320A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- image
- level
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000009792 diffusion process Methods 0.000 title claims abstract description 19
- 230000008859 change Effects 0.000 title claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003786 sclera Anatomy 0.000 description 1
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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及虹膜识别技术领域,尤其涉及一种基于相变和扩散神经网络的虹膜识别方法,包括步骤S1,获取虹膜图像并将虹膜图像归一化处理和灰度化处理以得到灰度图像;步骤S2,特征确定模块将灰度图像划分为若干区域,神经网络提取任一区域中的特征图像,特征确定模块确定是否将特征图像作为识别特征;步骤S3,特征确定模块确定识别特征占比,并在第二占比水平确定识别特征的级别;步骤S4,判定模块根据识别特征的级别计算任一区域的特征值评分并根据特征值评分将区域分类为三类特征区域,三类特征区域包括高特征区域、中特征区域以及低特征区域;步骤S5,识别模块根据三类特征区域的占比确定虹膜识别方式。本发明提高了虹膜识别的效率。
Description
技术领域
本发明涉及虹膜识别技术领域,尤其涉及一种基于相变和扩散神经网络的虹膜识别方法。
背景技术
虹膜识别技术是通过拍摄人眼的虹膜来进行身份的确认,是一项基于生物特征的身份认证技术。
中国专利公开号:CN113033499A公开了一种虹膜识别方法和装置,该方法包括:获取待识别虹膜的标准化三维虹膜图像数据;利用二维卷积神经网络对标准化三维虹膜图像数据进行特征提取和分类,得到待识别虹膜对应的目标特征数据和目标用户标签,其中,二维卷积神经网络包括三维图像处理层,三维图像处理层对标准化三维虹膜图像数据进行降维处理,得到多个二维虹膜图像数据,多个二维虹膜图像数据包括斜截面数据;从三维虹膜图像数据库调取目标用户标签对应的虹膜特征数据,其中,三维虹膜图像数据库中存储多个用户中各用户的虹膜特征数据;根据目标特征数据和调取出的虹膜特征数据,生成虹膜识别结果。
然而,现有技术中通过应用神经网络实现的虹膜识别技术的虹膜识别准确率和效率还有待提高。
发明内容
为此,本发明提供一种基于相变和扩散神经网络的虹膜识别方法,用以克服现有技术中。的问题。
为实现上述目的,本发明提供一种基于相变和扩散神经网络的虹膜识别方法,包括:
步骤S1,图像获取模块获取虹膜图像并将虹膜图像传输至图像处理模块做虹膜图像归一化处理和灰度化处理以得到灰度图像;
步骤S2,特征确定模块将所述灰度图像划分为若干区域,神经网络提取任一区域中的特征图像,所述特征确定模块确定是否将特征图像作为识别特征;
步骤S3,所述特征确定模块确定识别特征占比,并在第二占比水平确定识别特征的级别;
步骤S4,判定模块根据识别特征的级别计算任一所述区域的特征值评分并根据特征值评分将区域分类为三类特征区域,所述三类特征区域包括高特征区域、中特征区域以及低特征区域;
步骤S5,识别模块根据三类特征区域的占比确定虹膜识别方式。
进一步地,在所述步骤S2中,所述特征确定模块判定特征图像是否作为识别特征的方法包括:
步骤S21,计算特征图像的面积和特征图像的灰度;
步骤S22,根据特征图像的面积和特征图像的灰度计算特征值;
步骤S23,确定特征图像的特征值水平,将处于第一特征值水平的特征图像作为识别特征。
进一步地,在所述步骤S3中,若识别特征占比处于第一占比水平,所述图像处理模块对虹膜图像做对比度和清晰度处理以提高虹膜图像的识别率,图像处理模块将处理后的虹膜图像传输至特征确定模块以跳转至所述步骤S2。
进一步地,在所述步骤S2中,所述神经网络提取任一区域中的特征图像,所述特征确定模块计算特征图像的面积和特征图像的灰度,特征确定模块根据特征图像的面积和特征图像的灰度按照以下公式计算特征值;
所述特征确定模块根据特征值确定特征图像是否作为识别特征;
若特征值处于第一特征值水平,所述特征确定模块将对应特征图像作为识别特征;
若特征值处于第二特征值水平,所述特征确定模块不将对应特征图像作为识别特征;
所述第一特征值水平满足特征值大于等于预设特征值标准,所述第二特征值水平满足特征值小于预设特征值标准。
进一步地,在所述步骤S3中,所述特征确定模块按照以下公式计算所述灰度图像中识别特征占比;
所述特征确定模块根据识别特征占比判定是否对虹膜图像做图像处理;
若识别特征占比处于第一占比水平,所述特征确定模块判定需对虹膜图像做图像处理;
若识别特征占比处于第二占比水平,所述特征确定模块判定无需对虹膜图像做图像处理;
所述第一占比水平满足识别特征占比小于预设占比标准,所述第二占比水平满足识别特征占比大于等于预设占比标准。
进一步地,在所述步骤S3中,所述特征确定模块在第二占比水平下根据特征值确定识别特征的级别;
若特征值满足第一级别标准,所述特征确定模块将识别特征的级别确定为一级识别特征;
若特征值满足第二级别标准,所述特征确定模块将识别特征的级别确定为二级识别特征;
若特征值满足第三级别标准,所述特征确定模块将识别特征的级别确定为三级识别特征;
所述第一级别标准满足特征值大于等于第二预设特征值,所述第二级别标准满足特征值小于第二预设特征值且大于等于第一预设特征值,所述第三级别标准满足特征值小于第一预设特征值。
进一步地,在所述步骤S4中,所述判定模块根据以下公式计算任一所述区域的特征值评分S;
S=α×∑Di+β×∑Dj+γ×∑Dr
其中,D i为区域内任一所述一级识别特征的特征值,α为一级识别特征的权重系数,Dj为区域内任一所述二级识别特征的特征值,β为二级识别特征的权重系数,Dr为区域内任一所述三级识别特征的特征值,γ为三级识别特征的权重系数。
进一步地,在所述步骤S4中,所述判定模块根据特征值评分对区域进行分类;
若特征值评分满足第一分类标准,所述判定模块将对应区域确定为高特征区域;
若特征值评分满足第二分类标准,所述判定模块将对应区域确定为中特征区域;
若特征值评分满足第三分类标准,所述判定模块将对应区域确定为低特征区域;
所述第一分类标准满足特征值评分大于等于第二预设特征值评分,所述第二分类标准满足特征值评分小于第二预设特征值评分且大于等于第一预设特征值评分,所述第三分类标准满足特征值评分小于第一预设特征值评分。
进一步地,在所述步骤S5中,所述识别模块中设有虹膜识别方式;
第一虹膜识别方式为,所述识别模块仅对高特征区域内的识别特征进行识别以得出识别结果;
第二虹膜识别方式为,所述识别模块同时对高特征区域和中特征区域内的识别特征进行识别以得出识别结果;
第三虹膜识别方式为,所述识别模块同时对高特征区域、中特征区域和低特征区域内的识别特征进行识别以得出识别结果;
所述第一识别方式满足高特征区域占比大于等于预设比例,所述第二识别方式满足高特征区域占比小于预设比例,所述第三识别方式满足高特征区域和中特征区域占比小于预设比例。
进一步地,所述识别模块将所述识别特征进行编码以得到特征编码,将特征编码与数据库中预存的虹膜图像特征编码逐一匹配,以判断是否为相同虹膜。
与现有技术相比,本发明的有益效果在于,本发明通过对灰度图像做区域划分,并对区域进行分类,其中,按照特征值的评分将区域分为高特征区域、中特征区域和低特征区域,高特征区域的特征性较强而低特征区域的特征性较弱,在虹膜识别时,在高特征区域占比大于等于预设比例时,采用第一虹膜识别方式,通过对部分区域的识别获得识别结果,提高了虹膜识别的效率,同时由于高特征区域的特征性较强,从而保证了虹膜识别的准确率。而当高特征区域占比小于预设比例时,采用第二或第三虹膜识别方式,进一步保证了虹膜识别的准确率和效率。
进一步地,本发明计算特征图像的特征值,特征值为特征图像的表征性参量,虹膜具有较多的特征,包括斑点、细丝、冠状、条纹以及隐窝等,在获取的虹膜图像上,各个特征呈现出不同的面积和灰度,而面积较大且灰度较小的特征较为明显,因此本发明以特征的面积和灰度作为变量计算特征图像的特征值,以对特征图像进行表征,并根据特征值筛选识别特征,在进行虹膜识别时,仅对识别特征进行识别,进一步提高了虹膜识别的准确率和效率。
进一步地,本发明计算区域的特征值评分,首先根据特征值确定识别特征的级别,并对不同级别的识别特征赋予不同的权重,以此计算区域的特征值评分,特征值评分为区域的表征性参量,当特征值评分较高时,说明区域的特征性和可识别性均较强,并根据特征值评分对区域进行分类,在虹膜识别时,根据各类区域的占比确定不同的识别方式,通过上述技术方案,进一步提高了虹膜识别的准确率和效率。
进一步地,本发明特征确定模块计算识别特征占比,若识别特征占比小于预设占比标准,为保证识别的准确性,图像处理模块对虹膜图像做对比度和清晰度处理以提高虹膜图像的识别率,避免识别特征占比不符合标准而可能造成识别准确率降低的问题,从而进一步提高了虹膜识别的准确率。
附图说明
图1为本发明实施例基于相变和扩散神经网络的虹膜识别方法的流程图;
图2为本发明实施例步骤S2的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
请参阅图1所示,其为本发明实施例基于相变和扩散神经网络的虹膜识别方法的流程图,本发明所述基于相变和扩散神经网络的虹膜识别方法包括:
步骤S1,图像获取模块获取虹膜图像并将虹膜图像传输至图像处理模块做虹膜图像归一化处理和灰度化处理以得到灰度图像;
步骤S2,特征确定模块将所述灰度图像划分为若干区域,神经网络提取任一区域中的特征图像,所述特征确定模块确定是否将特征图像作为识别特征;
步骤S3,所述特征确定模块确定识别特征占比,并在第二占比水平确定识别特征的级别;
步骤S4,判定模块根据识别特征的级别计算任一所述区域的特征值评分并根据特征值评分将区域分类为三类特征区域,所述三类特征区域包括高特征区域、中特征区域以及低特征区域;
步骤S5,识别模块根据三类特征区域的占比确定虹膜识别方式。
本实施例步骤S1中可采用摄像器材获取人的虹膜图像,图像处理模块做虹膜图像归一化处理和灰度化处理之前,可先进行虹膜定位以确定内圆、外圆和二次曲线在虹膜图像中的位置。其中,内圆为虹膜与瞳孔的边界,外圆为虹膜与巩膜的边界,二次曲线为虹膜与上下眼皮的边界。
步骤S2中的所述特征图像包括但不限于斑点、细丝、冠状、条纹以及隐窝;
请参阅图2所示,其为本发明实施例步骤S2的流程图,在所述步骤S2中,所述特征确定模块判定特征图像是否作为识别特征的方法包括:
步骤S21,计算特征图像的面积S和特征图像的灰度H;
步骤S22,根据特征图像的面积S和特征图像的灰度H计算特征值D;
步骤S23,确定特征图像的特征值水平,将处于第一特征值水平的特征图像作为识别特征。
具体而言,在所述步骤S3中,若识别特征占比处于第一占比水平,所述图像处理模块对虹膜图像做对比度和清晰度处理以提高虹膜图像的识别率,图像处理模块将处理后的虹膜图像传输至特征确定模块以跳转至所述步骤S2。
本发明特征确定模块计算识别特征占比,若识别特征占比小于预设占比标准,为保证识别的准确性,图像处理模块对虹膜图像做对比度和清晰度处理以提高虹膜图像的识别率,避免识别特征占比不符合标准而可能造成识别准确率降低的问题,从而进一步提高了虹膜识别的准确率。
具体而言,在所述步骤S2中,所述神经网络提取任一区域中的特征图像,所述特征确定模块计算特征图像的面积S和特征图像的灰度H,特征确定模块根据特征图像的面积S和特征图像的灰度H按照以下公式计算特征值D,
所述特征确定模块根据特征值D确定特征图像是否作为识别特征;
若特征值D处于第一特征值水平,所述特征确定模块将对应特征图像作为识别特征;
若特征值D处于第二特征值水平,所述特征确定模块不将对应特征图像作为识别特征;
所述第一特征值水平满足特征值D大于等于预设特征值标准D0,所述第二特征值水平满足特征值D小于预设特征值标准D0。
本领域技术人员应当理解的是,特征值标准D0可根据实际需要和虹膜图像的处理结果进行确定,本实施例中,计算神经网络提取的任一区域中的特征图像的特征值,并计算平均特征值,以平均特征值作为预设特征值标准D0。
本发明计算特征图像的特征值,特征值为特征图像的表征性参量,虹膜具有较多的特征,包括斑点、细丝、冠状、条纹以及隐窝等,在获取的虹膜图像上,各个特征呈现出不同的面积和灰度,而面积较大且灰度较小的特征较为明显,因此本发明以特征的面积和灰度作为变量计算特征图像的特征值,以对特征图像进行表征,并根据特征值筛选识别特征,在进行虹膜识别时,仅对识别特征进行识别,进一步提高了虹膜识别的准确率和效率。
具体而言,在所述步骤S3中,所述特征确定模块计算所述灰度图像中识别特征占比B,设定B=N/N0,其中N为灰度图像中识别特征数量,N0为灰度图像中特征图像数量,所述特征确定模块根据识别特征占比B判定是否对虹膜图像做图像处理,
若识别特征占比处于第一占比水平,所述特征确定模块判定需对虹膜图像做图像处理;
若识别特征占比处于第二占比水平,所述特征确定模块判定无需对虹膜图像做图像处理;
所述第一占比水平满足识别特征占比B小于预设占比标准B0,所述第二占比水平满足识别特征占比B大于等于预设占比标准B0。
本实施例中限定40%<B0<60%,优选预设占比标准B0为50%。
具体而言,在所述步骤S3中,所述特征确定模块在第二占比水平下根据特征值确定识别特征的级别;
若特征值D满足第一级别标准,所述特征确定模块将识别特征的级别确定为一级识别特征;
若特征值D满足第二级别标准,所述特征确定模块将识别特征的级别确定为二级识别特征;
若特征值D满足第三级别标准,所述特征确定模块将识别特征的级别确定为三级识别特征;
所述第一级别标准满足特征值D大于等于第二预设特征值D2,所述第二级别标准满足特征值D小于第二预设特征值D2且大于等于第一预设特征值D1,所述第三级别标准满足特征值D小于第一预设特征值D1。
本实施例中,设定第一预设特征值D1=1.3D0,第二预设特征值D2=1.7D0,本领域技术人员亦可根据实际需要进行设定。
具体而言,在所述步骤S4中,所述判定模块根据以下公式计算任一所述区域的特征值评分S,
S=α×∑Di+β×∑Dj+γ×∑Dr
其中,Di为区域内任一所述一级识别特征的特征值,α为一级识别特征的权重系数,Dj为区域内任一所述二级识别特征的特征值,β为二级识别特征的权重系数,Dr为区域内任一所述三级识别特征的特征值,γ为三级识别特征的权重系数。α+β+γ=1,0.6>α>β>γ>0.1,本实施例优选γ=0.2,β=0.3,α=0.5。
具体而言,在所述步骤S4中,所述判定模块根据特征值评分S对区域进行分类,
若特征值评分S满足第一分类标准,所述判定模块将对应区域确定为高特征区域;
若特征值评分S满足第二分类标准,所述判定模块将对应区域确定为中特征区域;
若特征值评分S满足第三分类标准,所述判定模块将对应区域确定为低特征区域;
所述第一分类标准满足特征值评分S大于等于第二预设特征值评分S2,所述第二分类标准满足特征值评分S小于第二预设特征值评分S2且大于等于第一预设特征值评分S1,所述第三分类标准满足特征值评分S小于第一预设特征值评分S1。
本实施例中,在判定模块完成任一所述区域的特征值评分S时,判定模块计算各所述区域的特征值评分的平均值Sp,
本实施例设定0.5Sp<S1<0.8Sp,1.2Sp<S2<1.5Sp,优选将第一预设特征值评分S1设定为0.7Sp,将第二预设特征值评分S2设定为1.3Sp。
本发明计算区域的特征值评分,首先根据特征值确定识别特征的级别,并对不同级别的识别特征赋予不同的权重,以此计算区域的特征值评分,特征值评分为区域的表征性参量,当特征值评分较高时,说明区域的特征性和可识别性均较强,并根据特征值评分对区域进行分类,在虹膜识别时,根据各类区域的占比确定不同的识别方式,通过上述技术方案,进一步提高了虹膜识别的准确率和效率。
具体而言,在所述步骤S5中,所述识别模块中设有虹膜识别方式,
第一虹膜识别方式为,所述识别模块仅对高特征区域内的识别特征进行识别以得出识别结果;
第二虹膜识别方式为,所述识别模块同时对高特征区域和中特征区域内的识别特征进行识别以得出识别结果;
第三虹膜识别方式为,所述识别模块同时对高特征区域、中特征区域和低特征区域内的识别特征进行识别以得出识别结果;
所述第一识别方式满足高特征区域占比大于等于预设比例,所述第二识别方式满足高特征区域占比小于预设比例,所述第三识别方式满足高特征区域和中特征区域占比小于预设比例。
本实施例中优选预设比例为50%。
具体而言,所述识别模块将所述识别特征进行编码以得到特征编码,将特征编码与数据库中预存的虹膜图像特征编码逐一匹配,以判断是否为相同虹膜,从而达到身份识别的目的。
本发明通过对灰度图像做区域划分,并对区域进行分类,其中,按照特征值的评分将区域分为高特征区域、中特征区域和低特征区域,高特征区域的特征性较强而低特征区域的特征性较弱,在虹膜识别时,在高特征区域占比大于等于预设比例时,采用第一虹膜识别方式,通过对部分区域的识别获得识别结果,提高了虹膜识别的效率,同时由于高特征区域的特征性较强,从而保证了虹膜识别的准确率。而当高特征区域占比小于预设比例时,采用第二或第三虹膜识别方式,进一步保证了虹膜识别的准确率和效率。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种基于相变和扩散神经网络的虹膜识别方法,其特征在于,包括:
步骤S1,图像获取模块获取虹膜图像并将虹膜图像传输至图像处理模块做虹膜图像归一化处理和灰度化处理以得到灰度图像;
步骤S2,特征确定模块将所述灰度图像划分为若干区域,神经网络提取任一区域中的特征图像,所述特征确定模块确定是否将特征图像作为识别特征;
步骤S3,所述特征确定模块确定识别特征占比,并在第二占比水平确定识别特征的级别;
步骤S4,判定模块根据识别特征的级别计算任一所述区域的特征值评分并根据特征值评分将区域分类为三类特征区域,所述三类特征区域包括高特征区域、中特征区域以及低特征区域;
步骤S5,识别模块根据三类特征区域的占比确定虹膜识别方式。
2.根据权利要求1所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S2中,所述特征确定模块判定特征图像是否作为识别特征的方法包括:
步骤S21,计算特征图像的面积和特征图像的灰度;
步骤S22,根据特征图像的面积和特征图像的灰度计算特征值;
步骤S23,确定特征图像的特征值水平,将处于第一特征值水平的特征图像作为识别特征。
3.根据权利要求2所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S3中,若识别特征占比处于第一占比水平,所述图像处理模块对虹膜图像做对比度和清晰度处理以提高虹膜图像的识别率,图像处理模块将处理后的虹膜图像传输至特征确定模块以跳转至所述步骤S2。
6.根据权利要求5所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S3中,所述特征确定模块在第二占比水平下根据特征值确定识别特征的级别;
若特征值满足第一级别标准,所述特征确定模块将识别特征的级别确定为一级识别特征;
若特征值满足第二级别标准,所述特征确定模块将识别特征的级别确定为二级识别特征;
若特征值满足第三级别标准,所述特征确定模块将识别特征的级别确定为三级识别特征;
所述第一级别标准满足特征值大于等于第二预设特征值,所述第二级别标准满足特征值小于第二预设特征值且大于等于第一预设特征值,所述第三级别标准满足特征值小于第一预设特征值。
7.根据权利要求6所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S4中,所述判定模块根据以下公式计算任一所述区域的特征值评分S;
S=α×∑Di+β×∑Dj+γ×∑Dr
其中,Di为区域内任一所述一级识别特征的特征值,α为一级识别特征的权重系数,Dj为区域内任一所述二级识别特征的特征值,β为二级识别特征的权重系数,Dr为区域内任一所述三级识别特征的特征值,γ为三级识别特征的权重系数。
8.根据权利要求7所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S4中,所述判定模块根据特征值评分对区域进行分类;
若特征值评分满足第一分类标准,所述判定模块将对应区域确定为高特征区域;
若特征值评分满足第二分类标准,所述判定模块将对应区域确定为中特征区域;
若特征值评分满足第三分类标准,所述判定模块将对应区域确定为低特征区域;
所述第一分类标准满足特征值评分大于等于第二预设特征值评分,所述第二分类标准满足特征值评分小于第二预设特征值评分且大于等于第一预设特征值评分,所述第三分类标准满足特征值评分小于第一预设特征值评分。
9.根据权利要求8所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,在所述步骤S5中,所述识别模块中设有虹膜识别方式;
第一虹膜识别方式为,所述识别模块仅对高特征区域内的识别特征进行识别以得出识别结果;
第二虹膜识别方式为,所述识别模块同时对高特征区域和中特征区域内的识别特征进行识别以得出识别结果;
第三虹膜识别方式为,所述识别模块同时对高特征区域、中特征区域和低特征区域内的识别特征进行识别以得出识别结果;
所述第一识别方式满足高特征区域占比大于等于预设比例,所述第二识别方式满足高特征区域占比小于预设比例,所述第三识别方式满足高特征区域和中特征区域占比小于预设比例。
10.根据权利要求9所述的基于相变和扩散神经网络的虹膜识别方法,其特征在于,所述识别模块将所述识别特征进行编码以得到特征编码,将特征编码与数据库中预存的虹膜图像特征编码逐一匹配,以判断是否为相同虹膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336276.6A CN116343320A (zh) | 2023-03-31 | 2023-03-31 | 基于相变和扩散神经网络的虹膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336276.6A CN116343320A (zh) | 2023-03-31 | 2023-03-31 | 基于相变和扩散神经网络的虹膜识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116343320A true CN116343320A (zh) | 2023-06-27 |
Family
ID=86885574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310336276.6A Pending CN116343320A (zh) | 2023-03-31 | 2023-03-31 | 基于相变和扩散神经网络的虹膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343320A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071503A1 (en) * | 2013-09-09 | 2015-03-12 | Delta ID Inc. | Apparatuses and methods for iris based biometric recognition |
CN107506754A (zh) * | 2017-09-19 | 2017-12-22 | 厦门中控智慧信息技术有限公司 | 虹膜识别方法、装置及终端设备 |
CN107844737A (zh) * | 2016-09-19 | 2018-03-27 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
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 |
US20180218213A1 (en) * | 2017-02-02 | 2018-08-02 | Samsung Electronics Co., Ltd. | Device and method of recognizing iris |
CN108664915A (zh) * | 2018-05-07 | 2018-10-16 | 深圳辉烨通讯技术有限公司 | 身份识别方法、装置、设备及存储介质 |
CN109934090A (zh) * | 2019-01-15 | 2019-06-25 | 安徽杰锐达智能科技有限公司 | 基于深度神经网络的人脸虹膜识别系统 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110619273A (zh) * | 2019-08-14 | 2019-12-27 | 中山市奥珀金属制品有限公司 | 一种高效的虹膜识别方法以及识别装置 |
CN111241951A (zh) * | 2020-01-03 | 2020-06-05 | 中山市奥珀金属制品有限公司 | 一种虹膜图像的处理方法及装置 |
CN112686851A (zh) * | 2020-12-25 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像检测方法、装置及存储介质 |
CN114596622A (zh) * | 2022-03-17 | 2022-06-07 | 吉林大学 | 基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法 |
-
2023
- 2023-03-31 CN CN202310336276.6A patent/CN116343320A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071503A1 (en) * | 2013-09-09 | 2015-03-12 | Delta ID Inc. | Apparatuses and methods for iris based biometric recognition |
CN107844737A (zh) * | 2016-09-19 | 2018-03-27 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
US20180218213A1 (en) * | 2017-02-02 | 2018-08-02 | Samsung Electronics Co., Ltd. | Device and method of recognizing iris |
CN107506754A (zh) * | 2017-09-19 | 2017-12-22 | 厦门中控智慧信息技术有限公司 | 虹膜识别方法、装置及终端设备 |
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 |
CN108664915A (zh) * | 2018-05-07 | 2018-10-16 | 深圳辉烨通讯技术有限公司 | 身份识别方法、装置、设备及存储介质 |
CN109934090A (zh) * | 2019-01-15 | 2019-06-25 | 安徽杰锐达智能科技有限公司 | 基于深度神经网络的人脸虹膜识别系统 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110619273A (zh) * | 2019-08-14 | 2019-12-27 | 中山市奥珀金属制品有限公司 | 一种高效的虹膜识别方法以及识别装置 |
CN111241951A (zh) * | 2020-01-03 | 2020-06-05 | 中山市奥珀金属制品有限公司 | 一种虹膜图像的处理方法及装置 |
CN112686851A (zh) * | 2020-12-25 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像检测方法、装置及存储介质 |
CN114596622A (zh) * | 2022-03-17 | 2022-06-07 | 吉林大学 | 基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法 |
Non-Patent Citations (3)
Title |
---|
KRISHNA DEVI; PREETI GUPTA; DIKSHA GROVER; ANAAHAT DHINDSA: "An effective texture feature extraction approach for iris recognition system", 《2016 2ND INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTING, COMMUNICATION, & AUTOMATION (ICACCA) (FALL)》, 21 November 2016 (2016-11-21) * |
武栋,李仁璞,郭春花: "基于最大连通区域搜索的虹膜快速定位算法", 《软件》, vol. 43, no. 11, 31 December 2022 (2022-12-31) * |
齐霁;孙光民;: "虹膜图像处理与识别技术研究", 制造业自动化, no. 13, 10 July 2011 (2011-07-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
US20020039433A1 (en) | Iris identification system and method and computer readable storage medium stored therein computer executable instructions to implement iris identification method | |
JP4657934B2 (ja) | 顔検出方法および装置並びにプログラム | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
JP4414401B2 (ja) | 顔特徴点検出方法および装置並びにプログラム | |
US8577094B2 (en) | Image template masking | |
US10896319B2 (en) | Person identification device | |
US20050286772A1 (en) | Multiple classifier system with voting arbitration | |
CN103902961A (zh) | 一种人脸识别方法及装置 | |
JP2007206833A (ja) | 生体照合方法および生体照合装置 | |
CN108108760A (zh) | 一种快速人脸识别方法 | |
US5970171A (en) | Apparatus and method of fusing the outputs of multiple intelligent character recognition (ICR) systems to reduce error rate | |
CN110175697A (zh) | 一种不良事件风险预测系统及方法 | |
CN113270197A (zh) | 一种基于人工智能的健康预测方法、系统及存储介质 | |
CN112926506A (zh) | 一种基于卷积神经网络的非受控人脸检测方法及系统 | |
CN112116009A (zh) | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 | |
JP4795864B2 (ja) | 特徴点検出装置および方法並びにプログラム | |
CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
CN112561878A (zh) | 基于加权融合的手指静脉图像质量评价方法 | |
Subasic et al. | Face image validation system | |
CN115690884A (zh) | 一种人脸识别方法、系统、存储介质及计算设备 | |
CN113642479B (zh) | 人脸图像的评价方法、装置、电子设备及存储介质 | |
CN116343320A (zh) | 基于相变和扩散神经网络的虹膜识别方法 | |
KR101779642B1 (ko) | 텍스처화된 영역들의 지능형 선택에 의해 홍채들의 이미지들을 비교하는 방법 | |
KR100696251B1 (ko) | 홍채인식을 위한 비교영역 설정 및 사용자 인증정보 생성방법 및 그 장치 |
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 |