CN117275079A - 基于虹膜的身份识别方法及装置 - Google Patents
基于虹膜的身份识别方法及装置 Download PDFInfo
- Publication number
- CN117275079A CN117275079A CN202311264784.4A CN202311264784A CN117275079A CN 117275079 A CN117275079 A CN 117275079A CN 202311264784 A CN202311264784 A CN 202311264784A CN 117275079 A CN117275079 A CN 117275079A
- Authority
- CN
- China
- Prior art keywords
- iris
- features
- encryption function
- feature extraction
- neural network
- 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 49
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 230000006870 function Effects 0.000 claims description 106
- 238000013528 artificial neural network Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 65
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 210000000554 iris Anatomy 0.000 description 262
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioethics (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种基于虹膜的身份识别方法及装置,可用于金融领域或其他技术领域,该方法包括:将客户的虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征;获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;通过采用所述特征提取模型提取出的虹膜特征对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。本发明有助于提高客户的虹膜信息的安全性。
Description
技术领域
本发明涉及虹膜识别技术领域,具体而言,涉及一种基于虹膜的身份识别方法及装置。
背景技术
目前在进行虹膜识别时,采集用户的虹膜图像,然后基于模型提取出虹膜图像中的虹膜特征,将提取出的虹膜特征与虹膜模板库中的各虹膜模板进行匹配,来确定用户的身份,虹膜模板为客户预留的用于进行身份识别的真实信息,每个虹膜模板包含客户的身份信息以及客户的虹膜特征。目前虹膜模板库缺乏安全保护,当虹膜模板被窃取时,用户的重要信息会被不法分子利用,存在较大的安全隐患。如何保护客户的虹膜信息不被不法分子利用是现有技术急需解决的技术问题。
发明内容
本发明为了解决上述背景技术中的至少一个技术问题,提出了一种基于虹膜的身份识别方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种基于虹膜的身份识别方法,该方法包括:
获取客户的虹膜图像;
将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征;
获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
可选的,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括:
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出目标加密函数,其中,所述目标加密函数为各加密函数中的所述特征提取模型提取出的虹膜特征中能够进行解密的特征的数量最多的加密函数;
将所述目标加密函数对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
可选的,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括:
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出所述特征提取模型提取出的虹膜特征中的真实特征,其中,真实特征为所述特征提取模型提取出的虹膜特征中能够对加密函数进行解密的虹膜特征;
计算该确定出的真实特征与各虹膜模板的虹膜特征的相似度;
若相似度最大值大于预设阈值,则将相似度最大值对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
可选的,该基于虹膜的身份识别方法,还包括:
获取训练样本,其中,所述训练样本包含:用于模型训练的虹膜图像以及基于该用于模型训练的虹膜图像生成的虚假虹膜图像;
根据所述训练样本对所述特征提取模型进行训练,在训练时,将用于模型训练的虹膜图像输入到所述第一神经网络中,对所述第一神经网络进行训练,将虚假虹膜图像输入到所述第二神经网络中,对所述第二神经网络进行训练;
基于所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征以及所述第二神经网络从虚假虹膜图像中提取出的虚假特征,建立虹膜模板。
可选的,该基于虹膜的身份识别方法,还包括:
根据所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征建立加密函数,并对建立的加密函数与建立的虹膜模板设置对应关系。
可选的,虚假虹膜图像具体为将用于模型训练的虹膜图像与至少一个其他虹膜图像进行拼接得到的。
可选的,在对所述特征提取模型进行训练时,采用第一损失函数训练所述第一神经网络,采用第二损失函数训练所述第二神经网络,所述第二损失函数为对所述第一损失函数取倒数。
为了实现上述目的,根据本发明的另一方面,提供了一种基于虹膜的身份识别装置,该装置包括:
虹膜图像获取单元,用于获取客户的虹膜图像;
虹膜特征提取单元,用于将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征;
加密函数获取单元,用于获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;
身份识别单元,用于通过采用所述特征提取模型提取出的虹膜特征对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于虹膜的身份识别方法的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现上述基于虹膜的身份识别方法的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述基于虹膜的身份识别方法的步骤。
本发明的有益效果为:
本发明通过对虹膜模板进行改进,在虹膜模板中的虹膜特征中加入了虚假特征,使虹膜模板中的虹膜特征为真实特征与虚假特征相混合,由此,即使虹膜模板被窃取,不法分子得到的也是混有虚假特征的虹膜特征,由于不法分子无法识别哪些是真实特征,哪些是虚假特征,因此即使不法分子窃取了虹膜模板也无法得到客户真实的虹膜特征,由此可见,本发明能够对虹膜模板进行很好的保护,提高了客户虹膜信息的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。在附图中:
图1是本发明实施例基于虹膜的身份识别方法的流程图;
图2是本发明实施例确定身份信息的第一流程图;
图3是本发明实施例确定身份信息的第二流程图;
图4是本发明实施例模型训练流程示意图;
图5是本发明实施例基于虹膜的身份识别装置的结构框图;
图6是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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“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、产品或设备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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
需要说明的是,本发明基于虹膜的身份识别方法和装置可用于金融领域,也可用于除金融领域之外的任意领域,本发明基于虹膜的身份识别方法和装置的应用领域不做限定。
本发明将虹膜模板安全纳入虹膜识别系统的考量范围中,构建了一套基于虚假特征掺杂的虹膜模板的高可靠性虹膜识别方案,本方案在抵御模板信息窃取方面具有更高的可靠性。
图1是本发明实施例基于虹膜的身份识别方法的流程图,如图1所示,在本发明一个实施例中,本发明的基于虹膜的身份识别方法包括步骤S101至步骤S104。
步骤S101,获取客户的虹膜图像。
步骤S102,将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征。
在本发明中,特征提取模型提取出多个虹膜特征。特征提取模型将第一神经网络从所述虹膜图像中提取出真实特征以及第二神经网络从所述虹膜图像中提取出虚假特征进行组合,输出虹膜特征。
在本发明中,第一神经网络为根据用于模型训练的虹膜图像进行训练的得到的,能够准确的识别出图像中的虹膜特征。
在本发明中,第一神经网络为根据虚假虹膜图像进行训练的得到的,无法识别图像中的真正的虹膜特征,只能识别出假的特征。
步骤S103,获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密。
在本发明中,虹膜模板具体包含客户的身份信息以及客户的虹膜特征。客户在进行信息录入时,采集客户的虹膜图像和客户的身份信息,将客户的虹膜图像输入到特征提取模型中提取出虹膜特征,最后根据客户的虹膜特征以及客户的身份信息建立客户的虹膜模板。
具体的,例如一个虹膜模板包含(A,B,C,D,E,F,G)7个虹膜特征,其中,特征E,F,G为虚假特征,特征A,B,C,D为真实特征,本发明根据A,B,C,D四个真实特征建立虹膜模板对应的加密函数,建立的加密函数能够由A,B,C,D四个特征中的任意一个来进行解密。
步骤S104,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
由此可见,本发明通过对虹膜模板进行改进,在虹膜模板中的虹膜特征中加入了虚假特征,使虹膜模板中的虹膜特征为真实特征与虚假特征相混合,由此,即使虹膜模板被窃取,不法分子得到的也是混有虚假特征的虹膜特征,由于不法分子无法识别哪些是真实特征,哪些是虚假特征,因此即使不法分子窃取了虹膜模板也无法得到客户真实的虹膜特征,由此可见,本发明能够对虹膜模板进行很好的保护,提高了客户虹膜信息的安全性。
如图2所示,在本发明一个实施例中,上述步骤S104通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括步骤S201和步骤S202。
步骤S201,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出目标加密函数,其中,所述目标加密函数为各加密函数中的所述特征提取模型提取出的虹膜特征中能够进行解密的特征的数量最多的加密函数。
具体的,例如一个虹膜模板包含(A,B,C,D,E,F,G)7个虹膜特征,本发明用这7个虹膜特征分别针对每个加密函数尝试进行解密,解密结果为这7个虹膜特征中的A,B,C,D四个特征都可以对加密函数A进行解密,但对于除加密函数A外的其他函数这7个虹膜都不能进行解密或者仅有一个特征能够进行解密,此时将加密函数A确定为标加密函数。
步骤S202,将所述目标加密函数对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
在本发明中,虹膜模板中还包含客户的身份信息,本发明在确定与所述客户匹配的虹膜模板之后,从该匹配的虹膜模板中提取出客户的身份信息。
如图3所示,在本发明一个实施例中,上述步骤S104通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括步骤S301至步骤S303。
步骤S301,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出所述特征提取模型提取出的虹膜特征中的真实特征,其中,真实特征为所述特征提取模型提取出的虹膜特征中能够对加密函数进行解密的虹膜特征。
具体的,例如一个虹膜模板包含(A,B,C,D,E,F,G)7个虹膜特征,本发明用这7个虹膜特征分别针对每个加密函数尝试进行解密,解密结果为这7个虹膜特征中的A,B,C,D四个特征都可以对加密函数A进行解密,但对于除加密函数A外的其他函数这7个虹膜都不能进行解密或者仅有一个特征能够进行解密,此时将A,B,C,D四个特征确定为真实特征。
步骤S302,计算该确定出的真实特征与各虹膜模板的虹膜特征的相似度。
在本发明可选实施例中,本发明可以采用现有技术任意一种相似度计算方法来进行相似度计算,例如采用余弦相似度算法计算余弦相似度。
步骤S303,若相似度最大值大于预设阈值,则将相似度最大值对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
在本发明中,虹膜模板中还包含客户的身份信息,本发明在确定与所述客户匹配的虹膜模板之后,从该匹配的虹膜模板中提取出客户的身份信息。
图4是本发明实施例模型训练流程示意图,如图4所示,上述步骤S102中的特征提取模型的具体训练流程包括步骤S401至步骤S403。
步骤S401,获取训练样本,其中,所述训练样本包含:用于模型训练的虹膜图像以及基于该用于模型训练的虹膜图像生成的虚假虹膜图像。
在本发明一个实施例中,虚假虹膜图像具体为将用于模型训练的虹膜图像与至少一个其他虹膜图像进行拼接得到的。
步骤S402,根据所述训练样本对所述特征提取模型进行训练,在训练时,将用于模型训练的虹膜图像输入到所述第一神经网络中,对所述第一神经网络进行训练,将虚假虹膜图像输入到所述第二神经网络中,对所述第二神经网络进行训练。
在本发明一个实施例中,第一神经网络用于提取出N个特征,第二神经网络用于提取出M个特征,M小于N。
在本发明中,由于第二神经网络是由虚假虹膜图像训练得出,因此本发明的第二神经网络无法识别出真实的虹膜特征,第二神经网络输出的均为虚假特征。
在本发明一个实施例中,在对所述特征提取模型进行训练时,采用第一损失函数训练所述第一神经网络,采用第二损失函数训练所述第二神经网络,所述第二损失函数为对所述第一损失函数取倒数。本发明为了确保第二神经网络输出的均为虚假特征,第二神经网络采用的损失函数为对第一神经网络采用的损失函数取倒数,第一神经网络采用的损失函数用于使识别结果趋于真实特征,而采用取倒数的方式,使第二神经网络的识别结果远离真实特征。
步骤S403,基于所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征以及所述第二神经网络从虚假虹膜图像中提取出的虚假特征,建立虹膜模板。
在本发明一个实施例中,本发明的模型训练流程还包括以下步骤:
根据所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征建立加密函数,并对建立的加密函数与建立的虹膜模板设置对应关系。
本发明在建立虹膜模板的同时还建立虹膜模板对应的加密函数,并将其两者的对应关系存储在数据表中,便于后续查找。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种基于虹膜的身份识别装置,可以用于实现上述实施例所描述的基于虹膜的身份识别方法,如下面的实施例所述。由于基于虹膜的身份识别装置解决问题的原理与基于虹膜的身份识别方法相似,因此基于虹膜的身份识别装置的实施例可以参见基于虹膜的身份识别方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是本发明实施例基于虹膜的身份识别装置的结构框图,如图5所示,在本发明一个实施例中,本发明的基于虹膜的身份识别装置包括:
虹膜图像获取单元1,用于获取客户的虹膜图像;
虹膜特征提取单元2,用于将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征;
加密函数获取单元3,用于获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;
身份识别单元4,用于通过采用所述特征提取模型提取出的虹膜特征对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
在本发明一个实施例中,所述身份识别单元4,具体包括:
目标加密函数确定模块,用于通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出目标加密函数,其中,所述目标加密函数为各加密函数中的所述特征提取模型提取出的虹膜特征中能够进行解密的特征的数量最多的加密函数;
第一身份信息确定模块,用于将所述目标加密函数对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
在本发明另一个实施例中,所述身份识别单元4,具体包括:
真实特征确定模块,用于通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出所述特征提取模型提取出的虹膜特征中的真实特征,其中,真实特征为所述特征提取模型提取出的虹膜特征中能够对加密函数进行解密的虹膜特征;
相似度计算模块,用于计算该确定出的真实特征与各虹膜模板的虹膜特征的相似度;
第二身份信息确定模块,用于若相似度最大值大于预设阈值,则将相似度最大值对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
在本发明一个实施例中,本发明的基于虹膜的身份识别装置,还包括:
训练样本获取单元,用于获取训练样本,其中,所述训练样本包含:用于模型训练的虹膜图像以及基于该用于模型训练的虹膜图像生成的虚假虹膜图像;
训练单元,用于根据所述训练样本对所述特征提取模型进行训练,在训练时,将用于模型训练的虹膜图像输入到所述第一神经网络中,对所述第一神经网络进行训练,将虚假虹膜图像输入到所述第二神经网络中,对所述第二神经网络进行训练;
虹膜模板建立单元,用于基于所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征以及所述第二神经网络从虚假虹膜图像中提取出的虚假特征,建立虹膜模板。
在本发明一个实施例中,本发明的基于虹膜的身份识别装置,还包括:
加密函数建立单元,用于根据所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征建立加密函数,并对建立的加密函数与建立的虹膜模板设置对应关系。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图6所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、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(Field-Programmable 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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述基于虹膜的身份识别方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述基于虹膜的身份识别方法的步骤。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,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 (11)
1.一种基于虹膜的身份识别方法,其特征在于,包括:
获取客户的虹膜图像;
将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征;
获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
2.根据权利要求1所述的基于虹膜的身份识别方法,其特征在于,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括:
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出目标加密函数,其中,所述目标加密函数为各加密函数中的所述特征提取模型提取出的虹膜特征中能够进行解密的特征的数量最多的加密函数;
将所述目标加密函数对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
3.根据权利要求1所述的基于虹膜的身份识别方法,其特征在于,通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息,具体包括:
通过采用所述特征提取模型提取出的虹膜特征尝试对各加密函数进行解密,确定出所述特征提取模型提取出的虹膜特征中的真实特征,其中,真实特征为所述特征提取模型提取出的虹膜特征中能够对加密函数进行解密的虹膜特征;
计算该确定出的真实特征与各虹膜模板的虹膜特征的相似度;
若相似度最大值大于预设阈值,则将相似度最大值对应的虹膜模板确定为与所述客户匹配的虹膜模板,进而根据该与所述客户匹配的虹膜模板确定所述客户的身份信息。
4.根据权利要求1所述的基于虹膜的身份识别方法,其特征在于,还包括:
获取训练样本,其中,所述训练样本包含:用于模型训练的虹膜图像以及基于该用于模型训练的虹膜图像生成的虚假虹膜图像;
根据所述训练样本对所述特征提取模型进行训练,在训练时,将用于模型训练的虹膜图像输入到所述第一神经网络中,对所述第一神经网络进行训练,将虚假虹膜图像输入到所述第二神经网络中,对所述第二神经网络进行训练;
基于所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征以及所述第二神经网络从虚假虹膜图像中提取出的虚假特征,建立虹膜模板。
5.根据权利要求4所述的基于虹膜的身份识别方法,其特征在于,还包括:
根据所述第一神经网络从用于模型训练的虹膜图像中提取出的真实特征建立加密函数,并对建立的加密函数与建立的虹膜模板设置对应关系。
6.根据权利要求2所述的基于虹膜的身份识别方法,其特征在于,虚假虹膜图像具体为将用于模型训练的虹膜图像与至少一个其他虹膜图像进行拼接得到的。
7.根据权利要求1所述的基于虹膜的身份识别方法,其特征在于,在对所述特征提取模型进行训练时,采用第一损失函数训练所述第一神经网络,采用第二损失函数训练所述第二神经网络,所述第二损失函数为对所述第一损失函数取倒数。
8.一种基于虹膜的身份识别装置,其特征在于,包括:
虹膜图像获取单元,用于获取客户的虹膜图像;
虹膜特征提取单元,用于将所述虹膜图像输入到预设的特征提取模型中,得到所述特征提取模型提取出的虹膜特征,其中,所述特征提取模型提取出的虹膜特征包含真实特征和虚假特征,所述特征提取模型包含:第一神经网络和第二神经网络,所述第一神经网络从所述虹膜图像中提取出真实特征,所述第二神经网络从所述虹膜图像中提取出虚假特征;
加密函数获取单元,用于获取虹膜模板库中的每个虹膜模板各自对应的加密函数,其中,虹膜模板中包含虹膜特征,虹膜模板中的虹膜特征包含真实特征和虚假特征,加密函数为根据对应的虹膜模板中的所有真实特征建立的,加密函数能够由对应的虹膜模板中的任意一个真实特征来解密;
身份识别单元,用于通过采用所述特征提取模型提取出的虹膜特征对各加密函数进行解密,来确定与所述客户匹配的虹膜模板,由此确定所述客户的身份信息。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264784.4A CN117275079A (zh) | 2023-09-27 | 2023-09-27 | 基于虹膜的身份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264784.4A CN117275079A (zh) | 2023-09-27 | 2023-09-27 | 基于虹膜的身份识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117275079A true CN117275079A (zh) | 2023-12-22 |
Family
ID=89208821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264784.4A Pending CN117275079A (zh) | 2023-09-27 | 2023-09-27 | 基于虹膜的身份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117275079A (zh) |
-
2023
- 2023-09-27 CN CN202311264784.4A patent/CN117275079A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106412907B (zh) | 一种网络接入方法、相关设备及系统 | |
US11444774B2 (en) | Method and system for biometric verification | |
CN111031071B (zh) | 恶意流量的识别方法、装置、计算机设备及存储介质 | |
CN108171137B (zh) | 一种人脸识别方法及系统 | |
CN112949545B (zh) | 识别人脸图像的方法、装置、计算设备和介质 | |
CN104951680A (zh) | 一种生物特征信息处理方法、保存方法及装置 | |
CN104168112A (zh) | 一种基于多模态生物特征的密钥生成方法 | |
CN104734852A (zh) | 一种身份认证方法及装置 | |
CN105790948A (zh) | 一种身份认证方法及装置 | |
CN104486306B (zh) | 基于指静脉识别和云服务进行身份认证的方法 | |
CN113766085B (zh) | 图像处理方法及相关装置 | |
CN106161020B (zh) | 一种身份认证的方法及装置 | |
CN110895602A (zh) | 身份验证方法、装置、电子设备及存储介质 | |
CN110163164B (zh) | 一种指纹检测的方法及装置 | |
CN113033243A (zh) | 一种人脸识别方法、装置及设备 | |
CN113052045B (zh) | 识别指静脉图像的方法、装置、计算设备和介质 | |
CN117275079A (zh) | 基于虹膜的身份识别方法及装置 | |
CN113518061B (zh) | 人脸识别中的数据传输方法、设备、装置、系统及介质 | |
CN111611567B (zh) | 鉴权方法及装置、电子白板、计算机可读存储介质 | |
CN113052044A (zh) | 识别虹膜图像的方法、装置、计算设备和介质 | |
US10867022B2 (en) | Method and apparatus for providing authentication using voice and facial data | |
CN113762970A (zh) | 数据处理方法、装置、计算机可读存储介质及计算机设备 | |
CN112597379A (zh) | 数据识别方法、装置和存储介质及电子装置 | |
CN109166070B (zh) | 政务系统中的工具生成方法及装置 | |
CN111444815B (zh) | 变电站身份认证方法、系统、装置和计算机设备 |
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 |