CN116597500B - 虹膜识别方法、装置、设备及存储介质 - Google Patents
虹膜识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116597500B CN116597500B CN202310865104.8A CN202310865104A CN116597500B CN 116597500 B CN116597500 B CN 116597500B CN 202310865104 A CN202310865104 A CN 202310865104A CN 116597500 B CN116597500 B CN 116597500B
- Authority
- CN
- China
- Prior art keywords
- eye
- depth map
- iris
- target object
- dimensional
- 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 86
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 210000001747 pupil Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Ophthalmology & Optometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种虹膜识别方法、装置、设备及存储介质,涉及计算机技术领域,该方法包括:获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征,获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征,根据虹膜特征和眼部三维轮廓深度图的特征,确定目标对象的眼部综合特征表示,将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。从而,可有效提高虹膜识别的准确性,降低误识别率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种虹膜识别方法、装置、设备及存储介质。
背景技术
虹膜识别是一种生物识别技术,其通过分析个体眼睛中的虹膜纹理特征进行虹膜识别。虹膜识别具有高度可靠和唯一的特点,被广泛应用于安全认证和身份验证场景。
现有的虹膜识别方法中,通过图像采集设备采集虹膜图像,接着进行虹膜特征提取,利用提取的虹膜特征进行虹膜识别。然而,在某些场景中,如虚拟现实(VirtualReality,VR)场景,采集的虹膜图像会出现高相似性,即采集的不同个体的虹膜图像表现出相似性较高的情况,这种情况会导致虹膜识别系统误识别,进而导致虹膜识别的准确性不高。
发明内容
本申请实施例提供一种虹膜识别方法、装置、设备及存储介质,可提高虹膜识别的准确性,降低误识别率。
第一方面,本申请实施例提供一种虹膜识别方法,包括:
获取针对目标对象眼部采集的虹膜图像,并提取所述虹膜图像的虹膜特征;
获取所述目标对象的眼部三维轮廓深度图,所述眼部三维轮廓深度图用于表示所述目标对象眼部的不同位置的深度特征;
使用预先训练的深度学习模型,提取所述眼部三维轮廓深度图的特征;
根据所述虹膜特征和所述眼部三维轮廓深度图的特征,确定所述目标对象的眼部综合特征表示;
将所述目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到所述目标对象的识别结果。
第二方面,本申请实施例提供一种虹膜识别装置,包括:
第一获取模块,用于获取针对目标对象眼部采集的虹膜图像,并提取所述虹膜图像的虹膜特征;
第二获取模块,用于获取所述目标对象的眼部三维轮廓深度图,所述眼部三维轮廓深度图用于表示所述目标对象眼部的不同位置的深度特征;
提取模块,用于使用预先训练的深度学习模型,提取所述眼部三维轮廓深度图的特征;
确定模块,用于根据所述虹膜特征和所述眼部三维轮廓深度图的特征,确定所述目标对象的眼部综合特征表示;
处理模块,用于将所述目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到所述目标对象的识别结果。
在一实施例中,所述确定模块用于:
根据所述眼部三维轮廓深度图的特征,将所述眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,所述M为正整数;
将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合,得到所述目标对象的眼部综合特征表示。
在一实施例中,所述确定模块用于:
确定所述M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重;
根据所述每个眼部结构层次的三维轮廓深度图特征的权重,将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到所述目标对象的眼部综合特征表示。
在一实施例中,所述确定模块具体用于:
以所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征为特征融合模型的输入,输出所述目标对象的眼部综合特征表示,其中,所述特征融合模型根据训练样本集预先训练得到,每一训练样本包括样本对象的虹膜特征和所述样本对象的M个眼部结构层次的三维轮廓深度图特征,所述特征融合模型的模型参数包括所述M个眼部结构层次的三维轮廓深度图特征的权重。
在一实施例中,所述确定模块具体用于:
基于所述眼部三维轮廓深度图的特征,将所述眼部三维轮廓深度图按照所述M个眼部结构层次进行分割,得到所述M个眼部分割图像;
将所述M个眼部分割图像分别输入所述深度学习模型,输出所述M个眼部结构层次的三维轮廓深度图特征。
在一实施例中,所述第二获取模块用于:
使用摄像装置采集所述目标对象眼部的二维图像;
对所述目标对象眼部的二维图像进行预处理,得到预处理后的眼部二维图像;
将所述预处理后的眼部二维图像输入预先训练的深度估计模型,输出所述目标对象的眼部三维轮廓深度图;
或者,
使用深度摄像装置拍摄所述目标对象的眼部三维轮廓深度图。
在一实施例中,所述深度学习模型包括卷积神经网络模型或自编码器,所述提取模块用于:
将所述眼部三维轮廓深度图输入所述卷积神经网络模型或自编码器,输出所述眼部三维轮廓深度图的特征。
在一实施例中,所述处理模块用于:
计算所述目标对象的眼部综合特征表示和所述虹膜特征库中的任一目标眼部综合特征表示之间的相似度;
若所述相似度大于预设阈值,则将所述目标眼部综合特征表示对应的身份信息确定为所述目标对象的识别结果。
第三方面,本申请实施例提供一种电子设备,包括:处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并运行该存储器中存储的计算机程序,以执行第二方面的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序使得计算机执行第一方面的方法。
第五方面,本申请实施例提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使得所述计算机执行第一方面的方法。
综上,在本申请实施例中,通过先获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征,获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征,根据虹膜特征和眼部三维轮廓深度图的特征,确定目标对象的眼部综合特征表示,将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。本申请实施例中结合目标对象的虹膜图像的虹膜特征和目标对象的眼部三维轮廓深度图进行虹膜识别,目标对象的眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,可提供眼部区域更丰富的特征和眼部结构的详细信息,该眼部区域更丰富的特征和眼部结构的详细信息有助于提高虹膜识别的准确性,从而,在高相似虹膜图像的情况下,可有效提高虹膜识别的准确性,降低误识别率。
进一步地,在本申请实施例中,通过将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征融合,得到目标对象的眼部综合特征表示,进而使用目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。由于将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,并获取不同眼部结构层次的三维轮廓深度图特征,可为虹膜识别提供多样化的信息和丰富的数据来源,从而,可进一步提高虹膜识别的准确性和鲁棒性。
更进一步地,本申请实施例中,在将虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合时,根据不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度进行加权融合,可进一步提高虹膜识别的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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为本申请实施例提供的一种虹膜识别方法的实施场景示意图;
图2为本申请实施例提供的一种虹膜识别方法的流程图;
图3为一种眼部结构示意图;
图4为本申请实施例提供的一种虹膜识别方法的流程图;
图5为本申请实施例提供的一种虹膜识别分层增强系统的结构示意图;
图6为本申请实施例提供的一种深度图分层模块的处理过程示意图;
图7为本申请实施例提供的一种虹膜识别装置的结构示意图;
图8是本申请实施例提供的电子设备800的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在介绍本申请实施例技术方案之前,下面先对本申请实施例相关知识进行介绍:
1、人工智能(Artificial Intelligence, AI),是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请实施例提供的技术方案主要涉及人工智能中的计算机视觉技术以及机器学习/深度学习等。
2、计算机视觉技术(Computer Vision, CV),计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。本申请实施例提供的技术方案主要涉及计算机视觉技术中的图像识别。
3、深度学习(Deep Learning, DL):是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是学习训练样本数据的内在规律和表示层次,这些学习过程中获得的信息对文字、图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
4、眼部三维轮廓深度图:是通过捕获眼部区域的深度信息来表示眼部结构的一种图像。它包括了每个像素点在空间中的距离信息,有助于提供眼部区域更丰富的特征。
现有的虹膜识别方法中,在一些VR场景,采集的虹膜图像会出现高相似性,另在一些不可控的复杂环境中,采集的虹膜图像质量较差,均会导致虹膜识别的准确性不高。
为了解决这一技术问题,本申请实施例通过结合目标对象的虹膜图像的虹膜特征和目标对象的眼部三维轮廓深度图进行虹膜识别,目标对象的眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,可提供眼部区域更丰富的特征和眼部结构的详细信息,该眼部区域更丰富的特征和眼部结构的详细信息有助于提高虹膜识别的准确性,从而,在高相似虹膜图像的情况下,可有效提高虹膜识别的准确性,降低误识别率。
进一步地,本申请实施例中,通过将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征融合,得到目标对象的眼部综合特征表示,进而使用目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。由于将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,并获取不同眼部结构层次的三维轮廓深度图特征,可为虹膜识别提供多样化的信息和丰富的数据来源,从而,可进一步提高虹膜识别的准确性和鲁棒性。
进一步地,本申请实施例中,在将虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合时,根据不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度进行加权融合,可进一步提高虹膜识别的准确性和可靠性。
本申请实施例可应用于各种场景,包括但不限于身份识别场景、表情识别、脸部识别、活体检测和疲劳检测等场景。
需要说明的是,上面介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
示例性的,图1为本申请实施例提供的一种虹膜识别方法的实施场景示意图,如图1所示,本申请实施例的实施场景涉及服务器1和终端设备2,终端设备2可以通过通信网络与服务器1进行数据通信。
其中,在一些可实现方式中,终端设备2是指一类具备丰富人机交互方式、拥有接入互联网能力、通常搭载各种操作系统、具有较强处理能力的设备。终端设备可以是智能手机、平板电脑、便携式笔记本电脑、台式电脑等终端设备或电话手表等,还可以是VR设备,但不限于此。
其中,在一些可实现方式中,终端设备2包括但不限于VR设备、手机、电脑、智能语音交互设备、智能家电、车载终端等。
图1中的服务器1可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。本申请实施例对此不做限制。本申请实施例中,服务器1可以为终端设备2中安装的某个应用程序的后台服务器。
在一些可实现方式中,图1示例性地示出了一个终端设备、一台服务器,实际上可以包括其他数量的终端设备和服务器,本申请实施例对此不做限制。
在一些可实现方式中,服务器1和终端设备2可分别单独执行本申请实施例提供的虹膜识别方法,服务器1和终端设备2也可共同执行本申请实施例提供的虹膜识别方法。终端设备2可以通过内置的图像采集装置采集目标对象眼部的虹膜图像和目标对象的眼部三维轮廓深度图,接着执行本申请实施例提供的虹膜识别方法。或者,终端设备2可以通过内置的图像采集装置采集目标对象眼部的虹膜图像和目标对象的眼部三维轮廓深度图,并将目标对象眼部的虹膜图像和目标对象的眼部三维轮廓深度图发送至服务器1,由服务器执行本申请实施例提供的虹膜识别方法,将识别结果发送至终端设备2。
在一些实施例中,可以理解的是,在本申请的具体实施方式中,涉及到用户信息(如针对目标对象眼部采集的虹膜图像以及目标对象的眼部三维轮廓深度图,目标对象为用户时)等相关的数据,当本申请实施例的方法运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面将对本申请实施例技术方案进行详细阐述:
图2为本申请实施例提供的一种虹膜识别方法的流程图,该方法的执行主体可以是终端设备或服务器,但不限于此,如图2所示,该方法可以包括如下步骤:
S101、获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征。
具体地,终端设备可以通过图像采集装置采集目标对象眼部的虹膜图像,例如可以针对目标对象眼部进行拍摄,对拍摄的虹膜图像进行图像预处理,其中的预处理包括进行筛选、裁剪、灰度化和直方图均衡化等操作,以提高图像质量,接着对预处理后的图像进行虹膜定位,具体可以通过边缘检测和霍夫变换等方法确定虹膜的边界,将虹膜区域与其他区域分开,确定出虹膜区域。接着可以使用预先训练的深度学习模型对虹膜区域进行特征提取,提取出虹膜特征。通过使用深度学习模型对虹膜区域进行特征提取,可提高虹膜识别的准确性和鲁棒性,在复杂环境下能够保持较高的识别性能。
其中,可选的,深度学习模型可以是卷积神经网络模型,可以预先使用训练样本集训练用于对虹膜区域进行特征提取的深度学习模型。
S102、获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征。
具体地,本申请实施例中的眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,眼部三维轮廓深度图是通过捕获眼部区域的深度信息来表示眼部结构的一种图像,其包括了每个像素点在空间中的距离信息,可提供眼部区域更丰富的特征和眼部结构的详细信息,该眼部区域更丰富的特征和眼部结构的详细信息有助于提高虹膜识别的准确性。
可选的,本实施例中有如下两种获取目标对象的眼部三维轮廓深度图的具体实施方式。
在一种可实施的方式中,S102具体可以为:
S1021、使用摄像装置采集目标对象眼部的二维图像。
具体地,可以是使用普通摄像头或者RGB-D摄像头采集目标对象眼部的二维图像,通过该两种摄像头拍摄目标对象眼部得到目标对象眼部的二维图像。
S1022、对目标对象眼部的二维图像进行预处理,得到预处理后的眼部二维图像。
具体地,对目标对象眼部的二维图像进行预处理,其中预处理可以包括进行筛选、裁剪和噪声去除等至少一项操作,以保证二维图像质量。
S1023、将预处理后的眼部二维图像输入预先训练的深度估计模型,输出目标对象的眼部三维轮廓深度图。
具体地,深度估计模型可以是卷积神经网络模型或生成对抗网络模型,可以使用深度学习方法建立深度估计模型,并使用训练样本集训练深度估计模型,训练出的深度估计模型可以从眼部的二维图像中估计出眼部的三维轮廓深度图。其中训练样本集可以包括多个训练样本,每个训练样本包括样本的眼部二维图像和样本的眼部维轮廓深度图,具体在训练时,将样本的眼部二维图像输入深度估计模型,输出样本的预测眼部维轮廓深度图,根据样本的眼部维轮廓深度图和样本的预测眼部维轮廓深度图构建损失函数,反向传播调整深度估计模型的模型参数,直至满足停止训练条件,得到已训练的深度估计模型(即预先训练的深度估计模型)。在使用预先训练的深度估计模型时,将预处理后的眼部二维图像输入该预先训练的深度估计模型,该深度估计模型可以从眼部二维图像中估计出眼部的三维轮廓深度信息,即可输出目标对象的眼部三维轮廓深度图。
在另一种可实施的方式中,S102具体可以为:
S1021’、使用深度摄像装置拍摄目标对象的眼部三维轮廓深度图。
具体地,使用深度摄像装置拍摄目标对象的眼部,即可得到目标对象的眼部三维轮廓深度图。
本实施例中,获取的目标对象的眼部三维轮廓深度图还可应用于活体检测等场景中。
S103、使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征。
具体来说,在一种可实施的方式中,本实施例中的用于提取眼部三维轮廓深度图的特征的深度学习模型可以包括卷积神经网络模型或自编码器,S103具体可以为:
将眼部三维轮廓深度图输入卷积神经网络模型或自编码器,输出眼部三维轮廓深度图的特征。
此处的深度学习模型可以是预先训练的,具体可以使用训练样本集进行模型训练,训练样本集可以包括多个训练样本,每个训练样本包括样本的眼部三维轮廓深度图和样本的眼部三维轮廓深度图的特征,具体在训练时,将样本的眼部三维轮廓深度图输入深度学习模型,输出样本的预测眼部三维轮廓深度图的特征,根据样本的眼部维轮廓深度图的特征和样本的预测眼部维轮廓深度图的特征构建损失函数,反向传播调整深度学习模型的模型参数,直至满足停止训练条件,得到已训练的深度学习模型。在使用已训练的深度学习模型时,将眼部三维轮廓深度图输入该深度学习模型,该深度学习模型可以输出该眼部三维轮廓深度图的特征。
S104、根据虹膜特征和眼部三维轮廓深度图的特征,确定目标对象的眼部综合特征表示。
具体地,要结合虹膜特征和眼部三维轮廓深度图的特征,确定出目标对象的眼部综合特征表示。
可选的,在一种可实施的方式,S104具体可以为:
S1041、根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,M为正整数。
具体地,在一实施例中,M个眼部结构层次包括瞳孔、眼白和眼廓,即M等于3,相应地,将眼部三维轮廓深度图映射到该3个眼部结构层次,得到3个眼部结构层次的三维轮廓深度图特征。图3为一种眼部结构示意图,如图3所示,示出了三个眼部结构层次,分别是瞳孔20、眼白10和眼廓30,眼廓30为包括上眼睑、下眼睑、上睫毛、下睫毛、内眼角和外眼角的区域。可选的,眼部结构层次还可以为其它划分方式,本实施例对此不做限制。
可选的,在一种可实施的方式中,S1041中根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,具体可以为:
S101411、基于眼部三维轮廓深度图的特征,将眼部三维轮廓深度图按照M个眼部结构层次进行分割,得到M个眼部分割图像。
S101412、将M个眼部分割图像分别输入深度学习模型,输出M个眼部结构层次的三维轮廓深度图特征。
具体地,例如M个眼部结构层次包括瞳孔、眼白和眼廓,基于眼部三维轮廓深度图的特征,将眼部三维轮廓深度图按照该3个眼部结构层次(瞳孔、眼白和眼廓)进行分割,得到3个眼部分割图像,分别是瞳孔区域图像、眼白区域图像和眼廓区域图像。接着,将该3个眼部分割图像分别输入深度学习模型,输出这3个眼部结构层次的三维轮廓深度图特征,即瞳孔区域图像对应的三维轮廓深度图特征、眼白区域图像对应的三维轮廓深度图特征和眼廓区域图像对应的三维轮廓深度图特征。可选的,此处的深度学习模型可以根据不同区域的分割图像分别训练,从而可保证提取的不同区域的分割图像的三维轮廓深度图特征的准确性。
S1042、将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合,得到目标对象的眼部综合特征表示。
具体地,可以根据预设的层次融合方式(如最大值融合),将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合,得到目标对象的眼部综合特征表示。
本申请实施例中,通过将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征融合,得到目标对象的眼部综合特征表示,进而使用目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。由于将目标对象的眼部三维轮廓深度图映射到不同的眼部结构层次,并获取不同眼部结构层次的三维轮廓深度图特征,可为虹膜识别提供多样化的信息和丰富的数据来源,从而,可进一步提高虹膜识别的准确性和鲁棒性。
可选的,本实施例中,不同眼部结构层次的三维轮廓深度图特征还可以用于其他应用场景,例如活体检测和疲劳检测等场景。
可选的,在一种可实施的方式中,还可以使用加权融合的方式进行特征融合,具体过程如下:
S1042中将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合,得到目标对象的眼部综合特征表示,具体可以为:
S10421、确定M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重。
可选的,上述M个眼部结构层次的三维轮廓深度图特征的权重可以根据权重经验值设置,具体可以是根据不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度得到权重经验值,根据权重经验值设置每个眼部结构层次的三维轮廓深度图特征的权重。
S10422、根据每个眼部结构层次的三维轮廓深度图特征的权重,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到目标对象的眼部综合特征表示。
可选的,在另一种可实施的方式中,还可以使用加权融合的方式进行特征融合,不同眼部结构层次的三维轮廓深度图特征的权重根据模型训练得到,具体过程如下:
S1042中将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合,得到目标对象的眼部综合特征表示,具体可以为:
以虹膜特征和M个眼部结构层次的三维轮廓深度图特征为特征融合模型的输入,输出目标对象的眼部综合特征表示,其中,特征融合模型根据训练样本集预先训练得到,每一训练样本包括样本对象的虹膜特征和样本对象的M个眼部结构层次的三维轮廓深度图特征,特征融合模型的模型参数包括M个眼部结构层次的三维轮廓深度图特征的权重。
具体来说,M个眼部结构层次的三维轮廓深度图特征的权重可以是在训练时,根据训练样本训练得到不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度(即对虹膜识别起到的作用的大小或者是对虹膜识别的贡献程度),最终训练得到M个眼部结构层次的三维轮廓深度图特征的权重。具体可以是先为每个眼部结构层次的三维轮廓深度图特征分配初始权重,然后开始训练特征融合模型,针对每一训练样本,以样本对象的虹膜特征和样本对象的眼部综合特征表示,接着使用样本对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到样本对象的识别结果,样本对象的身份信息已知,根据样本对象的识别的准确性,在训练过程中可通过反向传播、梯度下降等优化算法调整不同眼部结构层次的三维轮廓深度图特征的权重,直至满足停止训练条件,得到已训练的特征融合模型,即可得到特征融合模型的模型参数,该特征融合模型的模型参数包括M个眼部结构层次的三维轮廓深度图特征的权重。
本申请实施例中,当采集到高相似度的虹膜图像时,仅使用虹膜特征进行虹膜识别会导致准确性较低,本实施例通过结合虹膜特征和不同眼部结构层次的三维轮廓深度图特征,在将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合时,根据不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度进行加权融合,可实现虹膜增强识别,可进一步提高虹膜识别的准确性和可靠性。
S105、将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。
具体地,虹膜特征库中存储多个不同对象的标识(如身份信息)和不同对象的眼部综合特征表示的对应关系,在获取到目标对象的眼部综合特征表示后,将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,就可以得到目标对象的识别结果。
可选的,在一种可实施的方式中,S105具体可以为:
S1051、计算目标对象的眼部综合特征表示和虹膜特征库中的任一目标眼部综合特征表示之间的相似度。
S1052、若相似度大于预设阈值,则将目标眼部综合特征表示对应的身份信息确定为目标对象的识别结果。
本实施例提供的虹膜识别方法,通过使用深度学习方法,还可以使得在复杂环境下,如光线不足的场景中,保持良好的识别性能,提高识别准确性。
本实施例提供的虹膜识别方法,通过先获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征,获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征,根据虹膜特征和眼部三维轮廓深度图的特征,确定目标对象的眼部综合特征表示,将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。本申请实施例中结合目标对象的虹膜图像的虹膜特征和目标对象的眼部三维轮廓深度图进行虹膜识别,目标对象的眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,可提供眼部区域更丰富的特征和眼部结构的详细信息,该眼部区域更丰富的特征和眼部结构的详细信息有助于提高虹膜识别的准确性,从而,在高相似虹膜图像的情况下,可有效提高虹膜识别的准确性,降低误识别率。
下面结合图4,采用一个具体的实施例,本实施例中以终端设备为VR设备为例,但不限于此,详细说明本申请实施例提供的虹膜识别方法的处理过程。
图4为本申请实施例提供的一种虹膜识别方法的流程图,如图4所示,该方法可以包括如下步骤:
S201、获取针对目标对象眼部采集的虹膜图像。
S202、提取虹膜图像的虹膜特征。
具体地,可以使用VR设备的摄像头对目标对象的眼部进行拍摄,得到针对目标对象眼部采集的虹膜图像。接着提取虹膜图像的虹膜特征,提取虹膜图像的虹膜特征具体可以为:对拍摄的虹膜图像进行图像预处理,其中的预处理包括进行筛选、裁剪、灰度化和直方图均衡化等操作,以提高图像质量,接着对预处理后的图像进行虹膜定位,具体可以通过边缘检测和霍夫变换等方法确定虹膜的边界,将虹膜区域与其他区域分开,确定出虹膜区域。接着可以使用预先训练的深度学习模型对虹膜区域进行特征提取,提取出虹膜特征。通过使用深度学习模型对虹膜区域进行特征提取,可提高虹膜识别的准确性和鲁棒性,在复杂环境下能够保持较高的识别性能。
S203、获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征。
具体地,本申请实施例中的眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征,眼部三维轮廓深度图是通过捕获眼部区域的深度信息来表示眼部结构的一种图像,其包括了每个像素点在空间中的距离信息,可提供眼部区域更丰富的特征和眼部结构的详细信息,该眼部区域更丰富的特征和眼部结构的详细信息有助于提高虹膜识别的准确性。
可选的,本实施例中有如下两种获取目标对象的眼部三维轮廓深度图的具体实施方式。详细可参见上述实施例中的S1021-S1023以及S1021’,此处不再赘述。
S204、使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征。
具体来说,在一种可实施的方式中,本实施例中的用于提取眼部三维轮廓深度图的特征的深度学习模型可以包括卷积神经网络模型或自编码器,S204具体可以为:
将眼部三维轮廓深度图输入卷积神经网络模型或自编码器,输出眼部三维轮廓深度图的特征。
S205、根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,M为正整数。
具体地,在一实施例中,M个眼部结构层次包括瞳孔、眼白和眼廓,即M等于3,相应地,将眼部三维轮廓深度图映射到该3个眼部结构层次,得到3个眼部结构层次的三维轮廓深度图特征。
可选的,在一种可实施的方式中,S205中根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,具体可以参见上述实施例中S101411-S101412处的描述,此处不再赘述。
S206、确定M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重。
本实施例中,作为一种可实施的方式,不同眼部结构层次的三维轮廓深度图特征的权重可以作为特征融合模型的模型参数通过模型训练得到,详见上述实施例中S1042的一种具体实施方式的描述,此处不再赘述。作为另一种可实施的方式,上述M个眼部结构层次的三维轮廓深度图特征的权重还可以根据权重经验值设置。
S207、根据每个眼部结构层次的三维轮廓深度图特征的权重,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到目标对象的眼部综合特征表示。
S208、将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。
具体地,虹膜特征库中存储多个不同对象的标识(如身份信息)和不同对象的眼部综合特征表示的对应关系,在获取到目标对象的眼部综合特征表示后,将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,就可以得到目标对象的识别结果。
可选的,在一种可实施的方式中,S208具体可以为:
S2081、计算目标对象的眼部综合特征表示和虹膜特征库中的任一目标眼部综合特征表示之间的相似度。
S2082、若相似度大于预设阈值,则将目标眼部综合特征表示对应的身份信息确定为目标对象的识别结果。
本实施例提供的虹膜识别方法,当采集到高相似度的虹膜图像时,仅使用虹膜特征进行虹膜识别会导致准确性较低,本实施例通过结合虹膜特征和不同眼部结构层次的三维轮廓深度图特征,在将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合时,根据不同眼部结构层次的三维轮廓深度图特征对虹膜识别的作用程度进行加权融合,可实现虹膜增强识别,从而可提高虹膜识别的准确性和可靠性,降低误识别率。
本实施例中以VR设备执行虹膜识别方法为例,在一实施例中,还可以是由VR设备和服务器共同执行本申请实施例提供的虹膜识别方法,具体可以是VR设备获取针对目标对象眼部采集的虹膜图像,将该虹膜图像发送至服务器,由服务器提取虹膜图像的虹膜特征,接着,VR设备获取目标对象的眼部三维轮廓深度图,将目标对象的眼部三维轮廓深度图发送至服务器,由服务器基于目标对象的眼部三维轮廓深度图执行S204-S208,具体过程不再赘述。
图5为本申请实施例提供的一种虹膜识别分层增强系统的结构示意图,如图5所示,本实施例的虹膜识别分层增强系统包括虹膜识别模块3、眼部三维轮廓深度图获取模块4、深度图分层模块5和识别增强模块6。
其中,虹膜识别模块3用于获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征。
眼部三维轮廓深度图获取模块4用于获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征。具体地,眼部三维轮廓深度图获取模块4具体用于使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征。
深度图分层模块5用于根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,M为正整数。
下面结合图6详细说明深度图分层模块5的具体处理过程,图6为本申请实施例提供的一种深度图分层模块的处理过程示意图,如图6所示,以目标对象为用户为例,终端设备为VR设备为例,VR设备与用户进行互动,通过VR设备的摄像头拍摄用户眼部得到目标对象眼部的二维图像,VR设备对用户眼部的二维图像进行预处理,得到预处理后的眼部二维图像,将预处理后的眼部二维图像输入预先训练的深度估计模型,输出用户的眼部三维轮廓深度图。接着,将用户的眼部三维轮廓深度图输入深度图分层模块中,深度图分层模块先进行眼部三维轮廓深度图预处理,接着进行深度图分层处理,具体可以是基于眼部三维轮廓深度图的特征,将眼部三维轮廓深度图按照M个眼部结构层次进行分割,得到M个眼部分割图像。接着进行特征提取,具体可以是将M个眼部分割图像分别输入深度学习模型,输出M个眼部结构层次的三维轮廓深度图特征。最后进行层次有效增强程度划分,具体可以是确定M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重。
识别增强模块6用于根据每个眼部结构层次的三维轮廓深度图特征的权重,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到目标对象的眼部综合特征表示,并将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。
图7为本申请实施例提供的一种虹膜识别装置的结构示意图,如图7所示,该装置可以包括:第一获取模块11、第二获取模块12、提取模块13、确定模块14和处理模块15。
其中,第一获取模块11用于获取针对目标对象眼部采集的虹膜图像,并提取虹膜图像的虹膜特征。
第二获取模块12用于获取目标对象的眼部三维轮廓深度图,眼部三维轮廓深度图用于表示目标对象眼部的不同位置的深度特征。
提取模块13用于使用预先训练的深度学习模型,提取眼部三维轮廓深度图的特征。
确定模块14用于根据虹膜特征和眼部三维轮廓深度图的特征,确定目标对象的眼部综合特征表示。
处理模块15用于将目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到目标对象的识别结果。
在一实施例中,确定模块14用于:
根据眼部三维轮廓深度图的特征,将眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,M为正整数;
将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行融合,得到目标对象的眼部综合特征表示。
在一实施例中,确定模块14具体用于:
确定M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重;
根据每个眼部结构层次的三维轮廓深度图特征的权重,将虹膜特征和M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到目标对象的眼部综合特征表示。
在一实施例中,确定模块14具体用于:
以虹膜特征和M个眼部结构层次的三维轮廓深度图特征为特征融合模型的输入,输出目标对象的眼部综合特征表示,其中,特征融合模型根据训练样本集预先训练得到,每一训练样本包括样本对象的虹膜特征和样本对象的M个眼部结构层次的三维轮廓深度图特征,特征融合模型的模型参数包括M个眼部结构层次的三维轮廓深度图特征的权重。
在一实施例中,确定模块14具体用于:
基于眼部三维轮廓深度图的特征,将眼部三维轮廓深度图按照M个眼部结构层次进行分割,得到M个眼部分割图像;
将M个眼部分割图像分别输入深度学习模型,输出M个眼部结构层次的三维轮廓深度图特征。
在一实施例中,第二获取模块12用于:
使用摄像装置采集目标对象眼部的二维图像;
对目标对象眼部的二维图像进行预处理,得到预处理后的眼部二维图像;
将预处理后的眼部二维图像输入预先训练的深度估计模型,输出目标对象的眼部三维轮廓深度图;
或者,
使用深度摄像装置拍摄目标对象的眼部三维轮廓深度图。
在一实施例中,深度学习模型包括卷积神经网络模型或自编码器,提取模块13用于:
将眼部三维轮廓深度图输入卷积神经网络模型或自编码器,输出眼部三维轮廓深度图的特征。
在一实施例中,处理模块15用于:
计算目标对象的眼部综合特征表示和虹膜特征库中的任一目标眼部综合特征表示之间的相似度;
若相似度大于预设阈值,则将目标眼部综合特征表示对应的身份信息确定为目标对象的识别结果。
应理解的是,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,图7所示的虹膜识别装置可以执行终端设备或服务器对应的方法实施例,并且红模识别装置中的各个模块的前述和其它操作和/或功能分别为了实现终端设备或服务器对应的方法实施例,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的虹膜识别装置。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图8是本申请实施例提供的电子设备800的示意性框图。
如图8所示,该电子设备800可包括:
存储器810和处理器820,该存储器810用于存储计算机程序,并将该程序代码传输给该处理器820。换言之,该处理器820可以从存储器810中调用并运行计算机程序,以实现本申请实施例中的方法。
例如,该处理器820可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请实施例的一些实施例中,该处理器820可以包括但不限于:
通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请实施例的一些实施例中,该存储器810包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请实施例的一些实施例中,该计算机程序可以被分割成一个或多个模块,该一个或者多个模块被存储在该存储器810中,并由该处理器820执行,以完成本申请实施例提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图8所示,该电子设备还可包括:
收发器830,该收发器830可连接至该处理器820或存储器810。
其中,处理器820可以控制该收发器830与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器830可以包括发射机和接收机。收发器830还可以进一步包括天线,天线的数量可以为一个或多个。
应当理解,该电子设备中的各个组件通过总线系统相连,其中,总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本申请实施例还提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通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模块及算法步骤,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,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,该模块的划分,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,例如多个模块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。另一点,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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,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模块来实现本实施例方案的目的。例如,在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上内容,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以该权利要求的保护范围为准。
Claims (11)
1.一种虹膜识别方法,其特征在于,包括:
获取针对目标对象眼部采集的虹膜图像,并提取所述虹膜图像的虹膜特征;
获取所述目标对象的眼部三维轮廓深度图,所述眼部三维轮廓深度图用于表示所述目标对象眼部的不同位置的深度特征,所述眼部三维轮廓深度图为通过捕获眼部区域的深度信息来表示眼部结构的图像,所述眼部结构包括瞳孔、眼白和眼廓;
使用预先训练的深度学习模型,提取所述眼部三维轮廓深度图的特征;
根据所述虹膜特征和所述眼部三维轮廓深度图的特征,确定所述目标对象的眼部综合特征表示;
将所述目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到所述目标对象的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述虹膜特征和所述眼部三维轮廓深度图的特征,确定所述目标对象的眼部综合特征表示,包括:
根据所述眼部三维轮廓深度图的特征,将所述眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,所述M为正整数;
将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合,得到所述目标对象的眼部综合特征表示。
3.根据权利要求2所述的方法,其特征在于,所述将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合,得到所述目标对象的眼部综合特征表示,包括:
确定所述M个眼部结构层次的三维轮廓深度图特征中的每个眼部结构层次的三维轮廓深度图特征的权重;
根据所述每个眼部结构层次的三维轮廓深度图特征的权重,将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行加权融合,得到所述目标对象的眼部综合特征表示。
4.根据权利要求2所述的方法,其特征在于,所述将所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征进行融合,得到所述目标对象的眼部综合特征表示,包括:
以所述虹膜特征和所述M个眼部结构层次的三维轮廓深度图特征为特征融合模型的输入,输出所述目标对象的眼部综合特征表示,其中,所述特征融合模型根据训练样本集预先训练得到,每一训练样本包括样本对象的虹膜特征和所述样本对象的M个眼部结构层次的三维轮廓深度图特征,所述特征融合模型的模型参数包括所述M个眼部结构层次的三维轮廓深度图特征的权重。
5.根据权利要求2所述的方法,其特征在于,所述根据所述眼部三维轮廓深度图的特征,将所述眼部三维轮廓深度图映射到预设的M个眼部结构层次,得到M个眼部结构层次的三维轮廓深度图特征,包括:
基于所述眼部三维轮廓深度图的特征,将所述眼部三维轮廓深度图按照所述M个眼部结构层次进行分割,得到M个眼部分割图像;
将所述M个眼部分割图像分别输入所述深度学习模型,输出所述M个眼部结构层次的三维轮廓深度图特征。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述获取所述目标对象的眼部三维轮廓深度图,包括:
使用摄像装置采集所述目标对象眼部的二维图像;
对所述目标对象眼部的二维图像进行预处理,得到预处理后的眼部二维图像;
将所述预处理后的眼部二维图像输入预先训练的深度估计模型,输出所述目标对象的眼部三维轮廓深度图;
或者,
使用深度摄像装置拍摄所述目标对象的眼部三维轮廓深度图。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述深度学习模型包括卷积神经网络模型或自编码器,所述使用预先训练的深度学习模型,提取所述眼部三维轮廓深度图的特征,包括:
将所述眼部三维轮廓深度图输入所述卷积神经网络模型或自编码器,输出所述眼部三维轮廓深度图的特征。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述将所述目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到所述目标对象的识别结果,包括:
计算所述目标对象的眼部综合特征表示和所述虹膜特征库中的任一目标眼部综合特征表示之间的相似度;
若所述相似度大于预设阈值,则将所述目标眼部综合特征表示对应的身份信息确定为所述目标对象的识别结果。
9.一种虹膜识别装置,其特征在于,包括:
第一获取模块,用于获取针对目标对象眼部采集的虹膜图像,并提取所述虹膜图像的虹膜特征;
第二获取模块,用于获取所述目标对象的眼部三维轮廓深度图,所述眼部三维轮廓深度图用于表示所述目标对象眼部的不同位置的深度特征,所述眼部三维轮廓深度图为通过捕获眼部区域的深度信息来表示眼部结构的图像,所述眼部结构包括瞳孔、眼白和眼廓;
提取模块,用于使用预先训练的深度学习模型,提取所述眼部三维轮廓深度图的特征;
确定模块,用于根据所述虹膜特征和所述眼部三维轮廓深度图的特征,确定所述目标对象的眼部综合特征表示;
处理模块,用于将所述目标对象的眼部综合特征表示和虹膜特征库中的眼部综合特征表示进行特征匹配,得到所述目标对象的识别结果。
10.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机程序上运行时,使得所述计算机执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865104.8A CN116597500B (zh) | 2023-07-14 | 2023-07-14 | 虹膜识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865104.8A CN116597500B (zh) | 2023-07-14 | 2023-07-14 | 虹膜识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597500A CN116597500A (zh) | 2023-08-15 |
CN116597500B true CN116597500B (zh) | 2023-10-20 |
Family
ID=87612003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310865104.8A Active CN116597500B (zh) | 2023-07-14 | 2023-07-14 | 虹膜识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597500B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59177022A (ja) * | 1982-10-12 | 1984-10-06 | オプテイツシエ・ウエルケ・ゲ−・ロ−デンストツク | 眼底分析器 |
CN101251931A (zh) * | 2007-12-29 | 2008-08-27 | 武汉理工大学 | 基于三维模型深度投影的三维数字水印方法及装置 |
CN202632316U (zh) * | 2012-05-14 | 2012-12-26 | 第三眼(天津)生物识别科技有限公司 | 远距离非侵入式虹膜图像获取系统 |
TWI589150B (zh) * | 2016-03-04 | 2017-06-21 | 液態三維系統有限公司 | 3d自動對焦顯示方法及其系統 |
CN110472582A (zh) * | 2019-08-16 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 基于眼部识别的3d人脸识别方法、装置和终端 |
CN115083006A (zh) * | 2022-08-11 | 2022-09-20 | 北京万里红科技有限公司 | 虹膜识别模型训练方法、虹膜识别方法及装置 |
-
2023
- 2023-07-14 CN CN202310865104.8A patent/CN116597500B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59177022A (ja) * | 1982-10-12 | 1984-10-06 | オプテイツシエ・ウエルケ・ゲ−・ロ−デンストツク | 眼底分析器 |
CN101251931A (zh) * | 2007-12-29 | 2008-08-27 | 武汉理工大学 | 基于三维模型深度投影的三维数字水印方法及装置 |
CN202632316U (zh) * | 2012-05-14 | 2012-12-26 | 第三眼(天津)生物识别科技有限公司 | 远距离非侵入式虹膜图像获取系统 |
TWI589150B (zh) * | 2016-03-04 | 2017-06-21 | 液態三維系統有限公司 | 3d自動對焦顯示方法及其系統 |
CN110472582A (zh) * | 2019-08-16 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 基于眼部识别的3d人脸识别方法、装置和终端 |
CN115083006A (zh) * | 2022-08-11 | 2022-09-20 | 北京万里红科技有限公司 | 虹膜识别模型训练方法、虹膜识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116597500A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111680672B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN113705290A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111104833A (zh) | 用于活体检验的方法和装置,存储介质和电子设备 | |
US20230076017A1 (en) | Method for training neural network by using de-identified image and server providing same | |
CN115240280A (zh) | 人脸活体检测分类模型的构建方法、检测分类方法及装置 | |
CN114972010A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
CN111597944B (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN116597500B (zh) | 虹膜识别方法、装置、设备及存储介质 | |
CN113255531B (zh) | 活体检测模型的处理方法、装置、计算机设备和存储介质 | |
CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113989870A (zh) | 一种活体检测方法、门锁系统及电子设备 | |
CN114118203A (zh) | 图像特征提取匹配的方法、装置和电子设备 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
CN111079704A (zh) | 一种基于量子计算的人脸识别方法及装置 | |
CN117351579B (zh) | 基于多源信息融合的虹膜活体检测方法及装置 | |
CN116978130A (zh) | 图像处理方法、装置及计算机设备、存储介质、程序产品 | |
CN116502268A (zh) | 图像隐私保护的处理方法及系统 | |
CN116503926A (zh) | 活体检测方法及系统 | |
CN115880742A (zh) | 一种脸部异常表情识别方法、装置、电子设备及存储介质 | |
CN117036377A (zh) | 图像处理方法、装置及计算机设备、存储介质、程序产品 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092232 Country of ref document: HK |