CN117690181A - 虹膜图像的处理方法、装置、电子设备及存储介质 - Google Patents
虹膜图像的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117690181A CN117690181A CN202311684618.XA CN202311684618A CN117690181A CN 117690181 A CN117690181 A CN 117690181A CN 202311684618 A CN202311684618 A CN 202311684618A CN 117690181 A CN117690181 A CN 117690181A
- Authority
- CN
- China
- Prior art keywords
- image
- iris
- eye
- determining
- target
- 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 abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 34
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012958 reprocessing Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000000720 eyelash Anatomy 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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
- G06V40/193—Preprocessing; Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种虹膜图像的处理方法、装置、电子设备及存储介质。该方法包括：确定与原始眼部图像对应的眼部灰度图像，并将眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；基于预设的椭圆极坐标方程从眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点，基于虹膜边缘点确定虹膜边缘信息，基于虹膜边缘信息对眼部灰度图像进行标注，并基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，基于目标虹膜特征对目标对象进行信息验证。本申请解决了因受到睫毛、反光、遮挡等因素的干扰而导致的虹膜图像的处理效率低以及虹膜定位不准确的问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种虹膜图像的处理方法、装置、电子设备及存储介质。
背景技术
虹膜识别技术是一种生物特征识别技术，具有唯一性、稳定性、安全性和非接触性等优点，是生物特征识别领域的研究热点和发展趋势。
虹膜图像的处理是虹膜识别过程中的关键步骤，即通过对虹膜图像的处理定位虹膜，相关技术中的虹膜图像的处理方法通常采用微分差分方法和霍夫变换方法，微分差分方法通过圆周差分运算来定位虹膜，在一个通常对应于瞳孔和虹膜边界的参数范围内搜索最大的差分；霍夫变换方法采用基于梯度的边缘检测算法来检测虹膜边缘点，基于虹膜边缘点进行霍夫变换来定位虹膜。然而上述虹膜图像的处理方法存在参数空间大带来的巨大耗时，容易受到睫毛、反光、遮挡等因素的干扰而导致虹膜图像的处理效率低以及虹膜定位不准确的问题。
发明内容
本发明提供了一种虹膜图像的处理方法、装置、电子设备及存储介质，以解决因受到睫毛、反光、遮挡等因素的干扰而导致的虹膜图像的处理效率低以及虹膜定位不准确的问题。
根据本发明的一方面，提供了一种虹膜图像的处理方法，该方法包括：
获取目标对象的原始眼部图像，确定与所述原始眼部图像对应的眼部灰度图像，并将所述眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；
基于预设的椭圆极坐标方程从所述眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，其中，所述预设优化模型中所述像素点的当前预测结果与上一次迭代的预测结果相关联，所述预测结果为用于指示所述像素点是否为所述虹膜边缘点的指标数据；
基于所述虹膜边缘点确定虹膜边缘信息，基于所述虹膜边缘信息对所述眼部灰度图像进行标注，并基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，基于所述目标虹膜特征对所述目标对象进行信息验证。
根据本发明的另一方面，提供了一种虹膜图像的处理装置，该装置包括：
眼部图像获取模块，用于获取目标对象的原始眼部图像，确定与所述原始眼部图像对应的眼部灰度图像，并将所述眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；
虹膜边缘确定模块，用于基于预设的椭圆极坐标方程从所述眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，其中，所述预设优化模型中所述像素点的当前预测结果与上一次迭代的预测结果相关联，所述预测结果为用于指示所述像素点是否为所述虹膜边缘点的指标数据；
对象信息验证模块，用于基于所述虹膜边缘点确定虹膜边缘信息，基于所述虹膜边缘信息对所述眼部灰度图像进行标注，并基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，基于所述目标虹膜特征对所述目标对象进行信息验证。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的虹膜图像的处理方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的虹膜图像的处理方法。
本发明实施例的技术方案，通过获取目标对象的原始眼部图像，确定与原始眼部图像对应的眼部灰度图像，并将眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；基于预设的椭圆极坐标方程从眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点，基于虹膜边缘点确定虹膜边缘信息，基于虹膜边缘信息对眼部灰度图像进行标注，并基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，基于目标虹膜特征对目标对象进行信息验证。本申请解决了因受到睫毛、反光、遮挡等因素的干扰而导致的虹膜图像的处理效率低以及虹膜定位不准确的问题。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例提供的一种虹膜图像的处理方法的流程图；
图2是根据本发明实施例提供的一种虹膜图像的处理装置的结构示意图；
图3是实现本发明实施例的虹膜图像的处理方法的电子设备的结构示意图。
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。
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“目标”、“第一”和“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。
实施例一
图1为本发明实施例提供的一种虹膜图像的处理方法的流程图，本实施例可适用于通过对虹膜图像进行处理实现对虹膜定位的情况，该方法可以由虹膜图像的处理装置来执行，该虹膜图像的处理装置可以采用硬件和/或软件的形式实现，该虹膜图像的处理装置可配置于任何具有网络功能的电子设备中。如图1所示，该方法包括：
S110、获取目标对象的原始眼部图像，确定与原始眼部图像对应的眼部灰度图像，并将眼部灰度图像转换至极坐标系下，得到眼部极坐标图像。
具体的，获取目标对象的原始眼部图像，对原始眼部图像进行图像预处理，得到目标眼部图像，其中，图像预处理至少包括对原始眼部图像中的红色信息进行滤除；然后对目标眼部图像进行灰度化处理，得到眼部灰度图像，进一步的为了后续便于对虹膜边缘点的准确确定，那么将眼部灰度图像转换至极坐标系下，得到眼部极坐标图像。
S120、基于预设的椭圆极坐标方程从眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点。
其中，参考像素点可以是用于指示虹膜位置信息的像素点。预设的椭圆极坐标方程用于表示根据极坐标描述虹膜位置信息的方程。预设优化模型中像素点的当前预测结果与上一次迭代的预测结果相关联，预测结果为用于指示像素点是否为虹膜边缘点的指标数据。
具体的，当确定了参考像素点后，为了准确的定位虹膜，则需要得出虹膜的虹膜边缘点，即基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点。
可选的，预设优化模型基于如下公式表示：
其中，表示第t轮迭代后预设优化模型的预测结果；/>表示第t-1轮迭代后预设优化模型的预测结果；rt(θi)表示第t个决策树的预测结果。
其中，本申请中决策树是指在已知预测结果的基础上，通过构成决策树来求取参考像素点为虹膜边缘点的期望值大于等于零的概率，从而判断参考像素点是否为虹膜边缘点的指标数据。即决策树为一种根据已知预测结果构建的像素点与虹膜边缘点之前映射关系的预测模型。例如，当前为第t轮预测，那已知预测结果为t-1轮的预测结果，决策树则是根据t-1轮的预测结果构建的像素点与虹膜边缘点之前映射关系的预测模型，从而可以根据决策树得出当前第t轮预测的决策树的预测结果。
可选的，基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点，包括步骤A1-A2：
步骤A1、获取预设优化模型以及与预设优化模型对应的模型目标函数；
其中，模型目标函数与用于测度预设优化模型的拟合程度的第一损失函数和用于测度预设优化模型的复杂程度的正则化项相关联；第一损失函数与用于测度所述参考像素点的预测准确性的第二损失函数相关联。
因为预设优化模型中的第t-1轮迭代后预设优化模型的预测结果为已知的，因此模型目标函数设定需考虑rt(θi)，则模型目标函数可基于如下公式表示：
St(β)＝L(β)+D(rt)+C，
其中，L(β)表示用于测度预设优化模型的拟合程度的第一损失函数；D(rt)表示用于测度预设优化模型的复杂程度的正则化项；C表示常数项；1(·)表示测度参考像素点的预测准确性的第二损失函数；T表示决策树的叶子节点的数量；ωj表示决策树的叶子节点对应的预测结果，γ表示第一调整系数；λ表示第二调整系数；rt(θi)表示第t个决策树的预测结果；ri表示第i个参考像点到极点的距离；θi表示第i个参考像点的极角；ri (t-1)表示在第t-1轮迭代后第i个参考像点到极点的距离。
步骤A2、通过最小化模型目标函数，求解出预设优化模型的模型参数，以确定出与参考像素点对应的虹膜边缘点。
其中，模型参数可以是指示参考像素点与虹膜边缘点之间关系的参数，即参考像素点是否为虹膜边缘点的指标数据，从而基于此指示数据准确确定出与参考像素点对应的虹膜边缘点。
本技术方案，获取预设优化模型以及与预设优化模型对应的模型目标函数后，通过最小化模型目标函数，求解出预设优化模型的模型参数，从而准确确定出与参考像素点对应的虹膜边缘点，实现了高效准确的对于虹膜边缘点的确定。
S130、基于虹膜边缘点确定虹膜边缘信息，基于虹膜边缘信息对眼部灰度图像进行标注，并基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，基于目标虹膜特征对目标对象进行信息验证。
具体的，获取虹膜边缘点，通过对多个虹膜边缘像素点进行曲线拟合，得到虹膜边缘信息，然后基于虹膜边缘信息对眼部灰度图像进行标注，以实现对虹膜的准确定位，以使基于标注后的眼部灰度图像确定的目标对象的目标虹膜特征更加准确，最后基于目标虹膜特征对目标对象进行信息验证。
可选的，基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，包括：对标注后的眼部灰度图像进行图像再处理(其中，图像再处理包括归一化处理和/或图像增强处理)，基于处理结果更新眼部灰度图像，使得眼部灰度图像更加清晰，使得眼部灰度图像更能反映虹膜特征，进一步的基于更新后的眼部灰度图像可以更加准确的确定目标对象的目标虹膜特征。
可选的，基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，包括：将标注后的眼部灰度图像输入至虹膜特征提取模型中，基于虹膜特征提取模型的输出获得目标对象的目标虹膜特征，本方案中的虹膜特征提取模型基于样本灰度图像以及与样本灰度图像对应的期望虹膜特征对深度学习模型训练得到，因此根据虹膜特征提取模型确定目标虹膜特征的方式实现了快速准确对于目标虹膜特征的确定。
本发明实施例的技术方案，通过获取目标对象的原始眼部图像，确定与原始眼部图像对应的眼部灰度图像，并将眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；基于预设的椭圆极坐标方程从眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个参考像素点进行迭代求解，得到与参考像素点对应的虹膜边缘点，基于虹膜边缘点确定虹膜边缘信息，基于虹膜边缘信息对眼部灰度图像进行标注，并基于标注后的眼部灰度图像确定目标对象的目标虹膜特征，基于目标虹膜特征对目标对象进行信息验证。本申请解决了因受到睫毛、反光、遮挡等因素的干扰而导致的虹膜图像的处理效率低以及虹膜定位不准确的问题。
实施例二
图2为本发明实施例提供的一种虹膜图像的处理装置的结构示意图。本实施例可适用于通过对虹膜图像进行处理实现对虹膜定位的情况，该虹膜图像的处理装置可以采用硬件和/或软件的形式实现，该虹膜图像的处理装置可配置于任何具有网络功能的电子设备中。如图2所示，该装置包括：
眼部图像获取模块210，用于获取目标对象的原始眼部图像，确定与所述原始眼部图像对应的眼部灰度图像，并将所述眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；
虹膜边缘确定模块220，用于基于预设的椭圆极坐标方程从所述眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，其中，所述预设优化模型中所述像素点的当前预测结果与上一次迭代的预测结果相关联，所述预测结果为用于指示所述像素点是否为所述虹膜边缘点的指标数据；
对象信息验证模块230，用于基于所述虹膜边缘点确定虹膜边缘信息，基于所述虹膜边缘信息对所述眼部灰度图像进行标注，并基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，基于所述目标虹膜特征对所述目标对象进行信息验证。
可选的，虹膜边缘确定模块包括虹膜边缘点确定单元，用于：
获取预设优化模型以及与所述预设优化模型对应的模型目标函数；其中，所述模型目标函数与用于测度所述预设优化模型的拟合程度的第一损失函数和用于测度所述预设优化模型的复杂程度的正则化项相关联；所述第一损失函数与用于测度所述参考像素点的预测准确性的第二损失函数相关联。
通过最小化所述模型目标函数，求解出所述预设优化模型的模型参数，以确定出与所述参考像素点对应的虹膜边缘点。
可选的，模型目标函数基于如下公式表示：
St(β)＝L(β)+D(rt)+C，
其中，L(β)表示用于测度所述预设优化模型的拟合程度的第一损失函数；D(rt)表示用于测度所述预设优化模型的复杂程度的正则化项；C表示常数项；1(·)表示测度所述参考像素点的预测准确性的第二损失函数；T表示决策树的叶子节点的数量；ωj表示决策树的叶子节点对应的预测结果，γ表示第一调整系数；λ表示第二调整系数；rt(θi)表示第t个决策树的预测结果；ri表示第i个所述参考像点到极点的距离；θi表示第i个所述参考像点的极角；ri (t-1)表示在第t-1轮迭代后第i个所述参考像点到极点的距离。
可选的，预设优化模型基于如下公式表示：
其中，表示第t轮迭代后所述预设优化模型的预测结果；/>表示第t-1轮迭代后所述预设优化模型的预测结果；rt(θi)表示第t个决策树的预测结果。
可选的，眼部图像获取模块包括眼部灰度图像确定单元，用于：
对所述原始眼部图像进行图像预处理，得到目标眼部图像，其中，所述图像预处理至少包括对所述原始眼部图像中的红色信息进行滤除；
对所述目标眼部图像进行灰度化处理，得到眼部灰度图像。
可选的，对象信息验证模块包括第一虹膜特征确定单元，用于：
基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，包括：
对标注后的所述眼部灰度图像进行图像再处理，基于处理结果更新所述眼部灰度图像，其中，所述图像再处理包括归一化处理和/或图像增强处理；
基于更新后的所述眼部灰度图像确定所述目标对象的目标虹膜特征。
可选的，对象信息验证模块包括第二虹膜特征确定单元，用于：
将标注后的所述眼部灰度图像输入至虹膜特征提取模型中，基于所述虹膜特征提取模型的输出获得所述目标对象的目标虹膜特征，其中，所述虹膜特征提取模型基于样本灰度图像以及与所述样本灰度图像对应的期望虹膜特征对深度学习模型训练得到。
本发明实施例所提供的虹膜图像的处理装置可执行本发明任意实施例所提供的虹膜图像的处理方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实现本发明实施例的虹膜图像的处理方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如虹膜图像的处理方法。
在一些实施例中，虹膜图像的处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的虹膜图像的处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行虹膜图像的处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种虹膜图像的处理方法，其特征在于，包括：
获取目标对象的原始眼部图像，确定与所述原始眼部图像对应的眼部灰度图像，并将所述眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；
基于预设的椭圆极坐标方程从所述眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，其中，所述预设优化模型中所述像素点的当前预测结果与上一次迭代的预测结果相关联，所述预测结果为用于指示所述像素点是否为所述虹膜边缘点的指标数据；
基于所述虹膜边缘点确定虹膜边缘信息，基于所述虹膜边缘信息对所述眼部灰度图像进行标注，并基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，基于所述目标虹膜特征对所述目标对象进行信息验证。
2.根据权利要求1所述的方法，其特征在于，所述基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，包括：
获取预设优化模型以及与所述预设优化模型对应的模型目标函数；其中，所述模型目标函数与用于测度所述预设优化模型的拟合程度的第一损失函数和用于测度所述预设优化模型的复杂程度的正则化项相关联；所述第一损失函数与用于测度所述参考像素点的预测准确性的第二损失函数相关联；
通过最小化所述模型目标函数，求解出所述预设优化模型的模型参数，以确定出与所述参考像素点对应的虹膜边缘点。
3.根据权利要求2所述的方法，其特征在于，所述模型目标函数基于如下公式表示：
St(β)＝L(β)+D(rt)+C，
其中，L(β)表示用于测度所述预设优化模型的拟合程度的第一损失函数；D(rt)表示用于测度所述预设优化模型的复杂程度的正则化项；C表示常数项；1(·)表示测度所述参考像素点的预测准确性的第二损失函数；T表示决策树的叶子节点的数量；ωj表示决策树的叶子节点对应的预测结果，γ表示第一调整系数；λ表示第二调整系数；rt(θi)表示第t个决策树的预测结果；ri表示第i个所述参考像点到极点的距离；θi表示第i个所述参考像点的极角；ri (t-1)表示在第t-1轮迭代后第i个所述参考像点到极点的距离。
4.根据权利要求1所述的方法，其特征在于，所述预设优化模型基于如下公式表示：
其中，表示第t轮迭代后所述预设优化模型的预测结果；/>表示第t-1轮迭代后所述预设优化模型的预测结果；rt(θi)表示第t个决策树的预测结果。
5.根据权利要求1所述的方法，其特征在于，所述确定与所述原始眼部图像对应的眼部灰度图像，包括：
对所述原始眼部图像进行图像预处理，得到目标眼部图像，其中，所述图像预处理至少包括对所述原始眼部图像中的红色信息进行滤除；
对所述目标眼部图像进行灰度化处理，得到眼部灰度图像。
6.根据权利要求1所述的方法，其特征在于，所述基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，包括：
对标注后的所述眼部灰度图像进行图像再处理，基于处理结果更新所述眼部灰度图像，其中，所述图像再处理包括归一化处理和/或图像增强处理；
基于更新后的所述眼部灰度图像确定所述目标对象的目标虹膜特征。
7.根据权利要求1所述的方法，其特征在于，所述基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，包括：
将标注后的所述眼部灰度图像输入至虹膜特征提取模型中，基于所述虹膜特征提取模型的输出获得所述目标对象的目标虹膜特征，其中，所述虹膜特征提取模型基于样本灰度图像以及与所述样本灰度图像对应的期望虹膜特征对深度学习模型训练得到。
8.一种虹膜图像的处理装置，其特征在于，包括：
眼部图像获取模块，用于获取目标对象的原始眼部图像，确定与所述原始眼部图像对应的眼部灰度图像，并将所述眼部灰度图像转换至极坐标系下，得到眼部极坐标图像；
虹膜边缘确定模块，用于基于预设的椭圆极坐标方程从所述眼部极坐标图像的像素点中确定出多个参考像素点，基于预设优化模型分别对每个所述参考像素点进行迭代求解，得到与所述参考像素点对应的虹膜边缘点，其中，所述预设优化模型中所述像素点的当前预测结果与上一次迭代的预测结果相关联，所述预测结果为用于指示所述像素点是否为所述虹膜边缘点的指标数据；
对象信息验证模块，用于基于所述虹膜边缘点确定虹膜边缘信息，基于所述虹膜边缘信息对所述眼部灰度图像进行标注，并基于标注后的所述眼部灰度图像确定所述目标对象的目标虹膜特征，基于所述目标虹膜特征对所述目标对象进行信息验证。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的虹膜图像的处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的虹膜图像的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684618.XA CN117690181A (zh) | 2023-12-08 | 2023-12-08 | 虹膜图像的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684618.XA CN117690181A (zh) | 2023-12-08 | 2023-12-08 | 虹膜图像的处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117690181A true CN117690181A (zh) | 2024-03-12 |
Family
ID=90125766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684618.XA Pending CN117690181A (zh) | 2023-12-08 | 2023-12-08 | 虹膜图像的处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690181A (zh) |
-
2023
- 2023-12-08 CN CN202311684618.XA patent/CN117690181A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
| CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
| CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
| CN114692778A (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
| CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
| CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
| CN116071608B (zh) | 目标检测方法、装置、设备和存储介质 | |
| CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
| CN115439916A (zh) | 面部识别方法、装置、设备及介质 | |
| CN117690181A (zh) | 虹膜图像的处理方法、装置、电子设备及存储介质 | |
| CN115809687A (zh) | 一种图像处理网络的训练方法及装置 | |
| CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
| CN113408661B (zh) | 误匹配确定方法、装置、设备和介质 | |
| CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
| CN116452915A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115690411A (zh) | 一种肝段分割方法、装置、电子设备及存储介质 | |
| CN114332024A (zh) | 异常检测方法、装置、介质及程序产品 | |
| CN115984618A (zh) | 图像检测模型训练、图像检测方法、装置、设备及介质 | |
| CN118191935A (zh) | 基于边缘检测的断层识别方法、装置、电子设备和介质 | |
| CN114692866A (zh) | 用于辅助模型训练的方法、装置及计算机程序产品 |
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 |