CN117456593A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents
图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117456593A CN117456593A CN202311229306.XA CN202311229306A CN117456593A CN 117456593 A CN117456593 A CN 117456593A CN 202311229306 A CN202311229306 A CN 202311229306A CN 117456593 A CN117456593 A CN 117456593A
- Authority
- CN
- China
- Prior art keywords
- iris image
- sample
- coding
- trained
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Ophthalmology & Optometry (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及一种图像处理方法、装置、计算机设备、存储介质和计算机程序产品,本方法可应用于金融领域或其他领域,用于银行应用程序的身份识别,方法包括:获取样本对象的第一样本虹膜图像和第二样本虹膜图像;第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的;将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征;将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像;根据重构虹膜图像与第二样本虹膜图像之间的差异,得到已训练的编码网络和已训练的解码网络;已训练的编码网络和已训练的解码网络,用于进行身份识别。采用本方法能够提高身份识别的准确度。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种图像处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着金融科技的发展,为了提高业务办理的安全性,金融机构需要对客户进行身份识别,身份识别可以是利用生物识别技术实现的,而生物识别技术中的虹膜识别是相对安全的方式。
传统技术中,通过采集客户的虹膜图像,并利用虹膜图像进行客户的身份识别。
然而,由于虹膜图像的成像质量易受到场景的影响,对非正常场景下采集得到的虹膜图像进行身份识别,比如强光场景、黑暗场景、戴眼镜场景,导致身份识别的准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高身份识别的准确度的图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种图像处理方法。所述方法包括:获取样本对象的第一样本虹膜图像和第二样本虹膜图像;所述第一样本虹膜图像是在非正常场景下采集得到的,所述第二样本虹膜图像是在正常场景下采集得到的;将所述第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征;将所述样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像;根据所述重构虹膜图像与所述第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;所述已训练的编码网络和已训练的解码网络,用于进行身份识别。
第二方面,本申请还提供了一种图像处理装置。所述装置包括:图像获取模块,用于获取样本对象的第一样本虹膜图像和第二样本虹膜图像;所述第一样本虹膜图像是在非正常场景下采集得到的,所述第二样本虹膜图像是在正常场景下采集得到的;图像编码模块,用于将所述第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征;特征解码模块,用于将所述样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像;网络训练模块,用于根据所述重构虹膜图像与所述第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;所述已训练的编码网络和已训练的解码网络,用于进行身份识别。
在一些实施例中,所述图像处理装置包括身份识别模块,所述身份识别模块用于:获取目标对象的对象虹膜图像;将所述对象虹膜图像输入到所述已训练的编码网络中进行编码,得到图像编码特征;将所述图像编码特征输入到所述已训练的解码网络中进行解码,得到目标虹膜图像;根据所述目标虹膜图像对所述目标对象进行身份识别,得到所述目标对象的身份识别结果。
在一些实施例中,所述图像处理装置还包括识别请求接收模块,所述识别请求接收模块用于:接收移动终端发送的身份识别请求;所述身份识别请求中携带目标对象的对象虹膜图像;其中,所述目标对象的对象虹膜图像,是所述移动终端通过虹膜采集界面对所述目标对象进行虹膜采集得到,所述虹膜采集界面是所述移动终端响应于交易平台界面中触发的交互操作所触发展示的。
在一些实施例中,所述图像编码模块还用于:获取所述第一样本虹膜图像对应的样本场景特征;所述样本场景特征是与遮挡情况、光照强度、对象状态中的至少一个相关的特征;将所述第一样本虹膜图像和所述样本场景特征输入到待训练的编码网络中进行编码,得到样本编码特征。
在一些实施例中,所述特征解码模块还用于:将所述样本编码特征和所述样本场景特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
在一些实施例中,所述身份识别模块还用于:获取目标对象的对象虹膜图像,确定所述对象虹膜图像对应的目标场景特征;将所述对象虹膜图像和所述目标场景特征输入到所述已训练的编码网络中进行编码,得到图像编码特征;将所述图像编码特征和所述目标场景特征输入到所述已训练的解码网络中进行解码,得到目标虹膜图像;根据所述目标虹膜图像对所述目标对象进行身份识别,得到所述目标对象的身份识别结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述图像处理方法中的步骤。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述图像处理方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述图像处理方法中的步骤。
上述图像处理方法、装置、计算机设备、存储介质和计算机程序产品,由于第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的,将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征,将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像,根据重构虹膜图像与第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络,使得通过已训练的编码网络和已训练的解码网络可以生成正常场景下的虹膜图像,从而利用网络生成的虹膜图像进行身份识别,提高了身份识别的准确度。
附图说明
图1为一个实施例中图像处理方法的应用环境图;
图2为一个实施例中图像处理方法的流程示意图;
图3为另一个实施例中图像处理方法的流程示意图;
图4为一个实施例中图像处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,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。
本申请实施例提供的图像处理方法,可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104,终端102中包括虹膜图像采集设备,虹膜图像采集设备能够采集对象的虹膜图像,终端102可以是银行网点的智能柜台终端,也可以是银行客户的移动终端;服务器104是银行的后台服务器。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体地,终端102可以通过图像采集设备采集得到样本对象的第一虹膜图像和第二虹膜图像,并将第一虹膜图像和第二虹膜图像发送至服务器104。服务器104获取样本对象的第一样本虹膜图像和第二样本虹膜图像;第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的。然后服务器104将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征,将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像,根据重构虹膜图像与第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;已训练的编码网络和已训练的解码网络,用于进行身份识别。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分场景,并不构成对本申请方案应用环境的限定。
在一些实施例中,如图2所示,提供了一种图像处理方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,获取样本对象的第一样本虹膜图像和第二样本虹膜图像;第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的。
其中,第一样本虹膜图像和第二样本虹膜图像是针对样本对象采集得到的,样本对象可以是任意对象。第一样本虹膜图像是在非正常场景下采集得到的,非正常场景是指对虹膜成像的质量造成影响的场景,例如,可以是戴眼镜场景、强光场景、黑暗场景、运动场景中的至少一种。第二样本虹膜图像是在正常场景下采集得到的,正常场景是指无遮挡物、光线适当、且对象静止的情况。在正常场景下采集得到的虹膜图像的图像质量,通常高于在非正常场景下采集得到的虹膜图像的图像质量,因此,针对同一对象,利用正常场景下采集得到的虹膜图像进行身份识别的准确度高于利用非正常场景下采集得到的虹膜图像进行身份识别的准确度。
具体地,终端可以通过图像采集设备采集得到样本对象的第一样本虹膜图像和第二样本虹膜图像,并将第一样本虹膜图像和第二样本虹膜图像发送至服务器。服务器接收终端发送的第一样本虹膜图像和第二样本虹膜图像。
步骤204,将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征。
其中,编码网络具有对图像进行编码的功能,输入为虹膜图像,输出为虹膜图像对应的编码特征。样本编码特征是第一样本虹膜图像对应的编码特征。
具体地,服务器将第一样本虹膜图像输入到待训练的编码网络中进行编码,编码得到第一样本虹膜图像的均值向量和方差向量,并将均值向量和方差向量转换为高斯分布表示的向量空间,然后从向量空间中采样得到样本编码特征。
步骤206,将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
其中,解码网络具有生成真实的虹膜图像的功能,输入是编码特征,输出是编码特征对应的虹膜图像。重构虹膜图像是解码网络根据输入的样本编码特征生成的。
具体地,服务器可以将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
步骤208,根据重构虹膜图像与第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;已训练的编码网络和已训练的解码网络,用于进行身份识别。
具体地,服务器可以计算重构虹膜图像与第二样本虹膜图像之间的差异,并利用重构虹膜图像与第二样本虹膜图像之间的差异调整待训练的编码网络的网络参数和待训练的解码网络的网络参数,然后更新第一样本虹膜图像和第二样本虹膜图像,返回将第一样本虹膜图像输入到待训练的编码网络中进行编码的步骤,直到网络收敛,得到已训练的编码网络和已训练的解码网络。从而,服务器将在非正常场景下采集得到的虹膜图像输入已训练的编码网络和已训练的解码网络中,可以输出在正常场景下采集得到的虹膜图像。
在一些实施例中,目标对象在银行网点办理业务时,需要进行身份识别,智能柜台终端响应于业务办理操作,通过图像采集设备采集得到目标对象的对象虹膜图像,并向服务器发送对象虹膜图像。服务器接收对象虹膜图像,将对象虹膜图像输入到已训练的编码网络中进行编码,得到图像编码特征,然后将图像编码特征输入到已训练的解码网络中进行解码处理,得到目标虹膜图像。服务器根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果,并向智能柜台终端返回身份识别结果,以使得智能柜台终端根据身份识别结果展示业务办理界面。其中,目标虹膜图像是已训练的解码网络生成的,由于已训练的解码网络具有生成在正常场景下采集的虹膜图像的功能,故目标虹膜图像的场景特征与对象虹膜图像的场景特征不一致,但目标虹膜图像的其他特征与对象虹膜图像的其他特征一致。身份识别结果可以为识别成功或识别失败中的任意一种。
在一些实施例中,服务器预先存储有多个对象的对象虹膜特征和对象身份信息,服务器得到目标虹膜图像后,可以对目标虹膜图像进行特征提取得到目标虹膜特征,从多个对象的对象虹膜特征中确定是否存在与目标虹膜特征匹配的匹配虹膜特征,若存在,则身份识别成功,服务器将匹配虹膜特征所属对象的对象身份信息确定为目标对象的目标对象身份信息,并将目标对象身份信息返回至智能柜台终端,以使得智能柜台终端根据接收到的目标对象身份信息展示业务办理界面;若不存在,则身份识别失败,服务器生成识别失败提示信息,并将识别失败提示信息返回至智能柜台终端。其中,匹配虹膜特征与目标虹膜特征匹之间的匹配度大于预设阈值,预设阈值可以是预先设置的,为0-1之间的数字,例如,可以是0.9。对象身份信息是表征对象身份的信息,例如,身份证号码、姓名等。
上述图像处理方法中,由于第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的,将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征,将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像,根据重构虹膜图像与第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络,使得通过已训练的编码网络和已训练的解码网络可以生成正常场景下的虹膜图像,从而利用网络生成的虹膜图像进行身份识别,提高了身份识别的准确度。
在一些实施例中,图像处理方法还包括:获取目标对象的对象虹膜图像;将对象虹膜图像输入到已训练的编码网络中进行编码,得到图像编码特征;将图像编码特征输入到已训练的解码网络中进行解码,得到目标虹膜图像;根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果。
其中,目标对象是银行的客户,可以是银行网点中待进行业务办理的对象,也可以是通过移动终端进行业务办理的对象。
具体地,服务器可以接收终端发送的目标对象的对象虹膜图像,终端可以是银行网点的智能柜台终端,也可以是目标对象所使用的移动终端。然后服务器可以将对象虹膜图像输入到已训练的编码网络中进行编码,得到图像编码特征,将图像编码特征输入到已训练的解码网络中进行解码,得到目标虹膜图像,例如,对象虹膜图像可以是在强光场景下采集的,而目标虹膜图像为生成的相当于在正常光线下采集得到的,根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果,并将身份识别结果返回至发送对象虹膜图像的终端,以使得终端根据身份识别结果展示对应的业务办理界面。
本实施例中,由于已训练的编码网络和已训练的解码网络可以生成正常场景下的虹膜图像,而目标对象的对象虹膜图像的可能为非正常场景采集得到的,通过将目标对象的对象虹膜图像输入到已训练的编码网络和已训练的解码网络,得到相当于正常场景下的目标虹膜图像,从而基于目标虹膜图像进行身份识别,提高了身份识别的准确度。
在一些实施例中,获取目标对象的对象虹膜图像包括:接收移动终端发送的身份识别请求;身份识别请求中携带目标对象的对象虹膜图像;其中,目标对象的对象虹膜图像,是移动终端通过虹膜采集界面对目标对象进行虹膜采集得到,虹膜采集界面是移动终端响应于交易平台界面中触发的交互操作所触发展示的。
其中,身份识别请求用于请求对目标对象进行身份识别。交易平台界面可以是银行的应用程序提供的界面,例如,可以是交易平台的业务办理界面,交互操作是在交易平台界面中触发的,则交互操作可以是登录操作、查询操作、转账操作、产品购买操作等中的至少一个。
具体地,移动终端展示交易平台界面,响应于交易平台界面中触发的交互操作,例如,在未登录状态下,交互操作为登录操作,为了实现账号登录,可以展示虹膜采集界面,并通过移动终端的图像采集设备采集得到目标对象的对虹膜图像,向服务器发送携带对象虹膜图像的身份识别请求。服务器接收移动终端发送的身份识别请求,从身份识别请求中获取对象虹膜图像,并参照上述生成目标虹膜图像和进行身份识别的步骤进行后续步骤,在此不再赘述。
在一些实施例中,在已登录状态下,交互操作可以为查询操作、转账操作、产品购买操作等中的至少一个,为确认交互操作是否为已登录账号所属的对象进行的,减少他人操作导致的风险,移动终端响应于交易平台界面中触发的交互操作,展示虹膜采集界面,并通过移动终端的图像采集设备采集得到目标对象的对象虹膜图像,向服务器发送携带对象虹膜图像的身份识别请求。
本实施例中,对象虹膜图像是移动终端通过虹膜采集界面对目标对象进行虹膜采集得到的,使得基于虹膜图像的身份识别能够更方便的应用于手机银行登录、转账验证等场景中。
在一些实施例中,将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征包括:获取第一样本虹膜图像对应的样本场景特征;样本场景特征是与遮挡情况、光照强度、对象状态中的至少一个相关的特征;将第一样本虹膜图像和样本场景特征输入到待训练的编码网络中进行编码,得到样本编码特征。
其中,第一样本虹膜图像对应有样本场景特征,样本场景特征表征采集得到第一样本虹膜图像的场景所具有的特征,是与遮挡情况、光照强度、对象状态中的至少一个相关的特征,遮挡情况可以是样本对象戴眼镜或不戴眼镜,光照强度可以是强光或黑暗,对象状态可以是样本对象处于运动状态或处于静止状态。
具体地,服务器可以获取第一样本虹膜图像对应的样本场景特征,例如,可以是对第一样本虹膜图像进行场景识别得到的,然后将第一样本虹膜图像和样本场景特征输入到待训练的编码网络中进行编码,得到样本编码特征。
本实施例中,通过获取第一样本虹膜图像对应的样本场景特征,将第一样本虹膜图像和样本场景特征输入到待训练的编码网络中进行编码,使得编码得到的样本编码特征能够体现样本场景特征,使得编码网络能够针对不同场景下采集得到的虹膜图像进行编码,得到更加准确的编码特征。
在一些实施例中,将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像包括:将样本编码特征和样本场景特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
具体地,服务器在得到样本编码特征之后,可以将样本编码特征和样本场景特征输入到待训练的解码网络进行解码,得到重构虹膜图像。例如,编码网络和解码网络可以是条件变分自编码模型中的编码网络和解码网络,在生成数据时,条件变分自编码模型可以根据指定的标签生成目标数据,而样本编码特征即为指定的标签。
本实施例中,在训练过程中,通过将样本编码特征和样本场景特征输入到待训练的解码网络中进行解码,使得已训练的解码网络能够针对不同场景生成对应的目标虹膜图像,使得目标虹膜图像更加准确,从而进一步提高了身份识别的准确度。
在一些实施例中,图像处理方法还包括:获取目标对象的对象虹膜图像,确定对象虹膜图像对应的目标场景特征;将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征;将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,得到目标虹膜图像;根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果。
其中,目标场景特征是采集得到目标对象的对象虹膜图像的场景所具有的特征,是与遮挡情况、光照强度、对象状态中的至少一个相关的特征。
具体地,服务器获取目标对象的对象虹膜图像,可以将对象虹膜图像输入到图像场景识别网络中进行场景识别,得到对象虹膜图像对应的目标场景特征。然后服务器将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征,将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,得到目标虹膜图像。其中,图像场景识别网络具有识别虹膜图像所对应的场景特征的功能。
本实施例中,通过将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征,将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,使得生成的目标虹膜图像更加准确,从而进一步提高了身份识别的准确度。
在一些实施例中,如图3所示,提供了一种图像处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤302,接收移动终端发送的身份识别请求;身份识别请求中携带目标对象的对象虹膜图像。
其中,目标对象的对象虹膜图像,是移动终端通过虹膜采集界面对目标对象进行虹膜采集得到,虹膜采集界面是移动终端响应于交易平台界面中触发的登录操作所触发展示的。
步骤304,对目标对象的对象虹膜图像进行场景识别,得到对象虹膜图像对应的目标场景特征。
步骤306,将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征。
步骤308,将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,得到目标虹膜图像。
步骤310,对目标虹膜图像进行特征提取,得到目标虹膜特征。
步骤312,从多个对象虹膜特征中确定与目标虹膜特征匹配的匹配虹膜特征。
步骤314,将匹配虹膜特征对应的对象身份信息发送至移动终端,以使得移动终端根据对象身份信息进行账号登录。
本实施例中,通过接收移动终端发送的身份识别请求,身份识别请求中携带目标对象的对象虹膜图像,对目标对象的对象虹膜图像进行场景识别,得到对象虹膜图像对应的目标场景特征,由于已训练的编码网络和已训练的解码网络可以生成正常场景下的虹膜图像,将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征,将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,得到目标虹膜图像,从而基于目标虹膜图像进行身份识别,提高了身份识别的准确度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像处理方法的图像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像处理装置实施例中的具体限定可以参见上文中对于图像处理方法的限定,在此不再赘述。
在一些实施例中,如图4所示,提供了一种图像处理装置,包括:图像获取模块402、图像编码模块404、特征解码模块406和网络训练模块408,其中:
图像获取模块402,用于获取样本对象的第一样本虹膜图像和第二样本虹膜图像;第一样本虹膜图像是在非正常场景下采集得到的,第二样本虹膜图像是在正常场景下采集得到的。
图像编码模块404,用于将第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征。
特征解码模块406,用于将样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
网络训练模块408,用于根据重构虹膜图像与第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;已训练的编码网络和已训练的解码网络,用于进行身份识别。
在一些实施例中,图像处理装置还包括身份识别模块,身份识别模块用于:获取目标对象的对象虹膜图像;将对象虹膜图像输入到已训练的编码网络中进行编码,得到图像编码特征;将图像编码特征输入到已训练的解码网络中进行解码,得到目标虹膜图像;根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果。
在一些实施例中,图像处理装置还包括识别请求接收模块,识别请求接收模块用于:接收移动终端发送的身份识别请求;身份识别请求中携带目标对象的对象虹膜图像;其中,目标对象的对象虹膜图像,是移动终端通过虹膜采集界面对目标对象进行虹膜采集得到,虹膜采集界面是移动终端响应于交易平台界面中触发的交互操作所触发展示的。
在一些实施例中,图像编码模块404还用于:获取第一样本虹膜图像对应的样本场景特征;样本场景特征是与遮挡情况、光照强度、对象状态中的至少一个相关的特征;将第一样本虹膜图像和样本场景特征输入到待训练的编码网络中进行编码,得到样本编码特征。
在一些实施例中,特征解码模块406还用于:将样本编码特征和样本场景特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
在一些实施例中,身份识别模块还用于:获取目标对象的对象虹膜图像,确定对象虹膜图像对应的目标场景特征;将对象虹膜图像和目标场景特征输入到已训练的编码网络中进行编码,得到图像编码特征;将图像编码特征和目标场景特征输入到已训练的解码网络中进行解码,得到目标虹膜图像;根据目标虹膜图像对目标对象进行身份识别,得到目标对象的身份识别结果。
上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储身份识别方法所涉及的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5和图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述图像处理方法中的步骤。
在一些实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述图像处理方法中的步骤。
在一些实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述图像处理方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,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。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取样本对象的第一样本虹膜图像和第二样本虹膜图像;所述第一样本虹膜图像是在非正常场景下采集得到的,所述第二样本虹膜图像是在正常场景下采集得到的;
将所述第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征;
将所述样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像;
根据所述重构虹膜图像与所述第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;所述已训练的编码网络和已训练的解码网络,用于进行身份识别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标对象的对象虹膜图像;
将所述对象虹膜图像输入到所述已训练的编码网络中进行编码,得到图像编码特征;
将所述图像编码特征输入到所述已训练的解码网络中进行解码,得到目标虹膜图像;
根据所述目标虹膜图像对所述目标对象进行身份识别,得到所述目标对象的身份识别结果。
3.根据权利要求2所述的方法,其特征在于,所述获取目标对象的对象虹膜图像包括:
接收移动终端发送的身份识别请求;所述身份识别请求中携带目标对象的对象虹膜图像;
其中,所述目标对象的对象虹膜图像,是所述移动终端通过虹膜采集界面对所述目标对象进行虹膜采集得到,所述虹膜采集界面是所述移动终端响应于交易平台界面中触发的交互操作所触发展示的。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征包括:
获取所述第一样本虹膜图像对应的样本场景特征;所述样本场景特征是与遮挡情况、光照强度、对象状态中的至少一个相关的特征;
将所述第一样本虹膜图像和所述样本场景特征输入到待训练的编码网络中进行编码,得到样本编码特征。
5.根据权利要求4所述的方法,其特征在于,所述将所述样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像包括:
将所述样本编码特征和所述样本场景特征输入到待训练的解码网络中进行解码,得到重构虹膜图像。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取目标对象的对象虹膜图像,确定所述对象虹膜图像对应的目标场景特征;
将所述对象虹膜图像和所述目标场景特征输入到所述已训练的编码网络中进行编码,得到图像编码特征;
将所述图像编码特征和所述目标场景特征输入到所述已训练的解码网络中进行解码,得到目标虹膜图像;
根据所述目标虹膜图像对所述目标对象进行身份识别,得到所述目标对象的身份识别结果。
7.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取样本对象的第一样本虹膜图像和第二样本虹膜图像;所述第一样本虹膜图像是在非正常场景下采集得到的,所述第二样本虹膜图像是在正常场景下采集得到的;
图像编码模块,用于将所述第一样本虹膜图像输入到待训练的编码网络中进行编码,得到样本编码特征;
特征解码模块,用于将所述样本编码特征输入到待训练的解码网络中进行解码,得到重构虹膜图像;
网络训练模块,用于根据所述重构虹膜图像与所述第二样本虹膜图像之间的差异,调整待训练的编码网络和待训练的解码网络的网络参数,直到网络收敛,得到已训练的编码网络和已训练的解码网络;所述已训练的编码网络和已训练的解码网络,用于进行身份识别。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229306.XA CN117456593A (zh) | 2023-09-21 | 2023-09-21 | 图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229306.XA CN117456593A (zh) | 2023-09-21 | 2023-09-21 | 图像处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456593A true CN117456593A (zh) | 2024-01-26 |
Family
ID=89589977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229306.XA Pending CN117456593A (zh) | 2023-09-21 | 2023-09-21 | 图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456593A (zh) |
-
2023
- 2023-09-21 CN CN202311229306.XA patent/CN117456593A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10152647B2 (en) | Comparing extracted card data using continuous scanning | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
EP4085369A1 (en) | Forgery detection of face image | |
CN116030466B (zh) | 图像文本信息识别与处理方法、装置及计算机设备 | |
CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
CN115880786A (zh) | 基于通道注意力的人脸活体检测方法、装置及设备 | |
CN117456593A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
US20220172271A1 (en) | Method, device and system for recommending information, and storage medium | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
KR20220150060A (ko) | 사용자 정보에 기반하여 업체 매칭 서비스를 제공하고 이에 대한 보안 서비스를 제공하는 플랫폼 | |
CN115795408B (zh) | 基于区块链的智慧社区商品大数据智能拼单和结算方法 | |
TWI676145B (zh) | 線上徵審方法及系統 | |
CN113572913B (zh) | 图像加密方法、装置、介质及电子设备 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
Zhao et al. | Generative Adversarial Network‐Based Edge‐Preserving Superresolution Reconstruction of Infrared Images | |
CN117037295A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN116844243A (zh) | 人脸图像的伪造检测方法及相关产品 | |
CN116862515A (zh) | 移动金融交易设备的交易风险处理方法和装置 | |
CN116311425A (zh) | 人脸识别模型训练方法、装置、计算机设备和存储介质 | |
CN117238017A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN117057439A (zh) | 模型参数更新方法、装置、计算机设备和存储介质 | |
CN117113316A (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
Tiwari et al. | Research Article Security Protection Mechanism in Cloud Computing Authorization Model Using Machine Learning Techniques | |
CN117081753A (zh) | 口令牌替换方法、装置、计算机设备和存储介质 | |
CN117152555A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 |
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 |