CN102521575A - 基于多方向Gabor和Adaboost虹膜识别方法 - Google Patents

基于多方向Gabor和Adaboost虹膜识别方法 Download PDF

Info

Publication number
CN102521575A
CN102521575A CN2011104217964A CN201110421796A CN102521575A CN 102521575 A CN102521575 A CN 102521575A CN 2011104217964 A CN2011104217964 A CN 2011104217964A CN 201110421796 A CN201110421796 A CN 201110421796A CN 102521575 A CN102521575 A CN 102521575A
Authority
CN
China
Prior art keywords
iris
gabor
iris image
formula
adaboost
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.)
Granted
Application number
CN2011104217964A
Other languages
English (en)
Other versions
CN102521575B (zh
Inventor
王琪
张祥德
单成坤
周军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Techshino Technology Co Ltd
Original Assignee
Beijing Techshino Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Techshino Technology Co Ltd filed Critical Beijing Techshino Technology Co Ltd
Priority to CN201110421796.4A priority Critical patent/CN102521575B/zh
Publication of CN102521575A publication Critical patent/CN102521575A/zh
Priority to PCT/CN2012/086678 priority patent/WO2013087028A1/zh
Application granted granted Critical
Publication of CN102521575B publication Critical patent/CN102521575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction

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)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多方向Gabor和Adaboost虹膜识别方法，包括：1）对归一化的虹膜图像分块提取二维Gabor特征编码并计算对应块的Hamming距离；以及2）使用Adaboost算法对步骤1）中得到的块Hamming距离进行分类识别。其中特征提取采用同一尺度下八个方向的Gabor小波，同时将展开的虹膜图像进行分块，结合虹膜的整体和局部信息，同时提取整个虹膜图像和虹膜图像子模块的Gabor特征并且编码，然后将整体与局部结合起来形成多维特征向量，并且引入Adaboost算法进行特征选择，最后构造分类器进行识别。本发明的有益效果为：减少了噪声影响，解决了低质量虹膜图像的识别问题，识别性能好。

Description

基于多方向Gabor和Adaboost虹膜识别方法
技术领域
本发明涉及数字图像处理和模式识别，尤其涉及一种基于多方向Gabor和Adaboost的虹膜识别方法，属于生物特征识别及安全认证技术领域。 
背景技术
在现代社会中，随着网络技术的高度发展、人员流动的急剧频繁，一种安全可靠、方便高效的身份认证***显得尤为重要。传统的身份识别主要有两种：标识物品（钥匙、身份证件等）和标识知识（用户名、密码等）。但在实际应用中，其存在易丢失性、易伪造性、非唯一性和应用范围相对较小等不足，使人们迫切需要一种可以克服上述缺陷的身份识别方法。在需求的驱动下，基于人脸、指纹、虹膜、手形、笔迹等生物特征的识别技术应运而生。 
目前，国内外有很多虹膜识别***。其中Daugman博士实现的基于Gabor的虹膜识别***是最早提出的可以实际应用的虹膜识别***。在虹膜识别***中，首先要采集虹膜图像，然后在采集得到的虹膜图像中分割虹膜区域，最后在归一化后虹膜图像上提取特征并进行匹配。其中虹膜特征提取是影响***性能的主要因素之一，现有的虹膜识别算法大多对虹膜图像的质量要求较高。然而，自然光下采集得到的虹膜图像会受到睫毛、眼睑、光照、晃动等因素的影响，致使采集到的虹膜图像质量欠佳，针对这类低质量虹膜图像，需要一种有效的虹膜特征提取和识别算法。 
发明内容
本发明的目的是提供一种基于多方向Gabor和Adaboost虹膜识别方法，具有很好的识别性能，克服了现有技术上述方面的不足。 
本发明的目的是通过以下技术方案来实现： 
一种基于多方向Gabor和Adaboost虹膜识别方法，其包括如下步骤：
1）对归一化的虹膜图像分块并提取二维Gabor特征，并计算对应块之间的Hamming距离，其具体包括以下步骤：
1.1）将展开的虹膜图像均匀划分为M行、N列，得到M×N个虹膜图像子模块；
1.2）使用同一尺度八个方向的Gabor滤波器作用于步骤1.1）中归一化后的虹膜图像子模块，然后根据Gabor实部对图像滤波结果的正负进行编码；其中Gabor滤波器的表达式如下：
Figure 2011104217964100002DEST_PATH_IMAGE001
，
Figure 731301DEST_PATH_IMAGE002
，
Figure 20463DEST_PATH_IMAGE003
，是Gabor滤波器的方向，
Figure 890516DEST_PATH_IMAGE005
，
Figure 76909DEST_PATH_IMAGE006
，U和V分别为Gabor滤波器的水平和垂直中心频率，
Figure 707610DEST_PATH_IMAGE007
和
Figure 861511DEST_PATH_IMAGE008
分别是高斯包络沿着
Figure 432432DEST_PATH_IMAGE009
轴和
Figure 909549DEST_PATH_IMAGE010
轴的空间常数，其代表Gabor滤波器的尺度；
特征编码的表达式如下：
Figure 524202DEST_PATH_IMAGE011
；
其中I是虹膜图像，G是Gabor滤波器，
Figure 638833DEST_PATH_IMAGE012
表示滤波结果的实虚部符号，
Figure 262712DEST_PATH_IMAGE013
为特征编码；
1.3）按照公式：
，计算需匹配的两个虹膜图像对应的M×N个虹膜图像子模块各自的Hamming距离，对于每个虹膜图像子模块，可以得到八个Hamming距离，将八个Hamming距离构成的特征向量记为Vwhole，；
其中code A和code B分别表示两个虹膜图像的Gabor特征编码；mask A和mask B分别表示两个虹膜图像的噪声模板，其值为“1”时代表有效虹膜部分，为“0”时代表噪声；
1.4）令L=M×N，按照步骤1.3）中Hamming距离计算公式得到8×L个Hamming距离Vpart，记为： 
Figure 259115DEST_PATH_IMAGE016
；
1.5）将整个虹膜图像的Hamming距离Vpart与虹膜图像子模块的Hamming距离Vwhole合并，组成一个维数是8+8×M×N的特征向量V，V=[Vwhole, Vpart]，即：
Figure 608057DEST_PATH_IMAGE017
；
2）使用Adaboost算法对步骤1）中得到的分块距离进行分类识别，其具体包括以下步骤：
2.1）设置一个样本训练集
Figure 623549DEST_PATH_IMAGE018
， 
Figure 845583DEST_PATH_IMAGE019
，
Figure 179481DEST_PATH_IMAGE020
，i=1，2，…，N，M是向量的维数，其中：
Figure 952844DEST_PATH_IMAGE022
是整个虹膜图像形成的特征向量与分块之后的特征向量结合而成的多维特征向量，当两张虹膜图像子模块来自同一人眼时，
Figure 595047DEST_PATH_IMAGE023
，否则
Figure 432553DEST_PATH_IMAGE024
；
2.2）通过公式：
，对样本训练集进行权重出始化，然后对有权重分布的样本训练集进行训练学习，得到一个弱分类器
Figure 847802DEST_PATH_IMAGE026
；
Figure 411638DEST_PATH_IMAGE027
；t=1，2，…，T，T为迭代次数；
2.3）选择步骤1）中的一个特征，然后通过公式：
Figure 221594DEST_PATH_IMAGE028
，m=1，2，…，M，计算出弱分类器
Figure 529078DEST_PATH_IMAGE026
在样本训练集中的分类错误率
Figure 872204DEST_PATH_IMAGE029
，记，当
Figure 2011104217964100002DEST_PATH_IMAGE031
时，令T=t-1，并跳出循环；
2.4）通过公式：
，计算出弱分类器
Figure 2011104217964100002DEST_PATH_IMAGE033
的权重
Figure 874423DEST_PATH_IMAGE034
；
2.5）通过公式：
Figure 2011104217964100002DEST_PATH_IMAGE035
，更新样本训练集权重，并且对样本训练集进行归一化；
2.6）最后根据公式：
Figure 511203DEST_PATH_IMAGE036
，获得最终的分类器，该分类器的特征即为虹膜图像中特征向量V的特征，识别完成。
本发明的有益效果为：仅使用虹膜中含噪声较少的一部分或多个部分进行识别，减少了噪声的影响，很好的解决了低质量虹膜图像的识别问题，具有很好的识别性能。 
附图说明
下面根据附图对本发明作进一步详细说明。 
图1是本发明实施例所述的基于多方向Gabor和Adaboost虹膜识别方法的的流程图； 
图2是八个方向的Gabor实部滤波器的示意图；
图3是Gabor的编码过程图；
图4是虹膜分块的示意图。
具体实施方式
如图1所示，本实施例所述的一种基于多方向Gabor和Adaboost虹膜识别方法，其包括如下步骤： 
步骤1：对归一化的虹膜图像提取二维Gabor特征
2D Gabor滤波器由于在时域和频域具有良好的分辨能力，表达式如下：
Figure 666110DEST_PATH_IMAGE001
        （1）
其中
Figure 699925DEST_PATH_IMAGE002
，
Figure 111663DEST_PATH_IMAGE003
，
Figure 180113DEST_PATH_IMAGE004
是Gabor滤波器的方向，
Figure 2011104217964100002DEST_PATH_IMAGE037
和分别为Gabor滤波器的水平和垂直中心频率，
Figure 449869DEST_PATH_IMAGE007
和
Figure 89797DEST_PATH_IMAGE008
分别是高斯包络沿着
Figure 12754DEST_PATH_IMAGE009
轴和
Figure 10928DEST_PATH_IMAGE010
轴的空间常数，代表Gabor滤波器的尺度。
本发明使用同一尺度八个方向的Gabor滤波器（图2），分别对应
Figure 753756DEST_PATH_IMAGE005
，
Figure 994114DEST_PATH_IMAGE006
。 
将这八个二维Gabor滤波器作用于归一化后的虹膜图像，使用滤波结果的象限进行编码，表示如下： 
Figure 771577DEST_PATH_IMAGE011
                        （2）
其中
Figure 940652DEST_PATH_IMAGE039
是虹膜图像，是Gabor滤波器，
Figure 214825DEST_PATH_IMAGE041
表示滤波结果的实虚部符号，
Figure DEST_PATH_IMAGE043A
为特征编码。
整个虹膜区域包含了光斑、睫毛等噪声，因此当仅使用虹膜中少含噪声的某一部分进行识别时，可以从一定程度上减少噪声的影响，反而有可能提高识别性能。如图4，将展开的虹膜图像均匀划分为M行、N列，这样就得到
Figure 925423DEST_PATH_IMAGE044
个子块。对这些子块虹膜实施步骤1。 
本发明采用Hamming距离作为相似性度量，如图3，将两幅图像的Gabor编码进行异或运算，考虑两幅图像中的噪声，将有效像素点的异或结果加和除以有效像素点的个数作为一个特征值，即为Hamming距离，公式如下： 
                 （3）
其中和
Figure 315712DEST_PATH_IMAGE047
分别是虹膜图像A和虹膜图像B的Gabor特征编码；
Figure 317035DEST_PATH_IMAGE048
和
Figure 77181DEST_PATH_IMAGE049
分别表示虹膜图像A和虹膜图像B的噪声模板，其值为“1”时代表有效虹膜部分，为“0”时代表噪声。
首先，计算整个虹膜展开图像的Gabor编码的Hamming距离，由于本发明选取了八个方向的Gabor滤波器，所以可以得到八个Hamming距离构成的特征向量，记为： 
Figure 32630DEST_PATH_IMAGE015
                   （4）
然后，计算需匹配的两个虹膜对应的
Figure 169213DEST_PATH_IMAGE044
个分块各自的Hamming距离，对于每个子块，可以得到八个Hamming距离，令，就可以得到
Figure 956089DEST_PATH_IMAGE051
个
Hamming距离，记为： 
   
Figure 398834DEST_PATH_IMAGE016
（5）
最后，将与
Figure 987127DEST_PATH_IMAGE053
合并，得到特征向量
Figure 828089DEST_PATH_IMAGE054
，即：
   
Figure 7398DEST_PATH_IMAGE017
    （6）
特征向量的维数为 
Figure 2011104217964100002DEST_PATH_IMAGE055
。
步骤2：使用Adaboost算法对特征进行分类识别 
Adaboost算法是利用大量分类能力一般的简单分类器（称为弱分类器），通过一定的方法结合起来，构成分类能力很强的分类器。具体过程如下：
输入：训练集
Figure 672734DEST_PATH_IMAGE018
，其中
Figure 739042DEST_PATH_IMAGE019
，
Figure 277470DEST_PATH_IMAGE020
， ， 
Figure 209840DEST_PATH_IMAGE057
是向量
Figure 130654DEST_PATH_IMAGE058
的维数；迭代次数T和弱学习算法。
初始化：权重
Figure 839984DEST_PATH_IMAGE059
。                   （7）       
操作：对于
Figure 977573DEST_PATH_IMAGE060
1）对有权重分布的训练集学习，得到一个弱分类器
                                        （8）
2）选择最好的特征使得分类错误率
Figure 838661DEST_PATH_IMAGE029
最小，其中
     
Figure 905843DEST_PATH_IMAGE061
                               （9）
Figure 281461DEST_PATH_IMAGE062
，并且记。如果
Figure 800746DEST_PATH_IMAGE031
，令
Figure 101146DEST_PATH_IMAGE063
并跳出循环。
3）计算弱分类器的权重： 
     
Figure 876783DEST_PATH_IMAGE032
                             （10）
4）更新样本权重：
     
Figure 328493DEST_PATH_IMAGE035
                      （11）
其中是归一化因子。
输出：
Figure 385890DEST_PATH_IMAGE065
。 
虹膜识别问题是一个典型的分类问题。只要令每个弱分类器对应于1个特征（也即Hamming），并根据特征值的大小来进行分类判断，则虹膜识别过程就是Adaboost挑选特征的过程，也就是挑选弱分类器的过程。在两幅图像进行分类的过程中，使用 
Figure 351572DEST_PATH_IMAGE066
               （12）
作为特征，即训练集中的
Figure 657789DEST_PATH_IMAGE009
；对于相同人眼拍摄得到的两个图像，令
Figure 801456DEST_PATH_IMAGE067
，不同人眼拍摄得到的两个图像，令
Figure 373383DEST_PATH_IMAGE068
。然后采用AdaBoost算法进行训练，选取好的分类特征，再将这些分类特征组合成更强的分类器。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。 

Claims (3)

1.一种基于多方向Gabor和Adaboost虹膜识别方法，其特征在于，其包括如下步骤：
1）对归一化的虹膜图像分块并提取二维Gabor特征，并计算对应块之间的Hamming距离；以及
2）使用Adaboost算法对步骤1）中得到的分块距离进行分类识别。
2.根据权利要求1所述的基于多方向Gabor和Adaboost虹膜识别方法，其特征在于，步骤1）具体包括以下步骤：
1.1）将展开的虹膜图像均匀划分为M行、N列，得到M×N个虹膜图像子模块；
1.2）使用同一尺度八个方向的Gabor滤波器作用于步骤1.1）中的虹膜图像子模块，然后根据Gabor实部对图像滤波结果的正负进行编码，其中，
Gabor滤波器的表达式如下：
Figure 996868DEST_PATH_IMAGE001
，
Figure 221656DEST_PATH_IMAGE002
，
Figure 463675DEST_PATH_IMAGE003
，
Figure 531426DEST_PATH_IMAGE004
是Gabor滤波器的方向，
Figure 740953DEST_PATH_IMAGE005
，
Figure 52986DEST_PATH_IMAGE006
，U和V分别为Gabor滤波器的水平和垂直中心频率，
Figure 162893DEST_PATH_IMAGE007
和
Figure 974116DEST_PATH_IMAGE008
分别是高斯包络沿着
Figure 985453DEST_PATH_IMAGE009
轴和轴的空间常数，其代表Gabor滤波器的尺度；
特征编码的表达式如下：
Figure 394753DEST_PATH_IMAGE011
；
其中I是虹膜图像，G是Gabor滤波器，
Figure 439195DEST_PATH_IMAGE012
表示滤波结果的实虚部符号，为特征编码；
1.3）按照公式：
Figure 891529DEST_PATH_IMAGE014
，计算需匹配的两个虹膜图像对应的M×N个虹膜图像子模块各自的Hamming距离，对于每个虹膜图像子模块，可以得到八个Hamming距离，将八个Hamming距离构成的特征向量记为Vwhole，；
其中code A和code B分别表示两个虹膜图像的Gabor特征编码；mask A和mask B分别表示两个虹膜图像的噪声模板，其值为“1”时代表有效虹膜部分，为“0”时代表噪声；
1.4）令L=M×N，按照步骤1.3）中Hamming距离计算公式得到8×L个Hamming距离Vpart，记为： 
Figure 988109DEST_PATH_IMAGE016
；
1.5）将整个虹膜图像的Hamming距离Vpart与虹膜图像子模块的Hamming距离Vwhole合并，组成一个维数是8+8×M×N的特征向量V，V=[Vwhole, Vpart]，即：
Figure 95743DEST_PATH_IMAGE017
。
3.根据权利要求2所述的基于多方向Gabor和Adaboost虹膜识别方法，其特征在于，步骤2）具体包括以下步骤：
2.1）设置一个样本训练集
Figure 553269DEST_PATH_IMAGE018
， ，
Figure 3153DEST_PATH_IMAGE020
，i=1，2，…，N，M是向量的维数，其中：
Figure 157502DEST_PATH_IMAGE022
是整个虹膜图像形成的特征向量与分块之后的特征向量结合而成的多维特征向量，当两张虹膜图像子模块来自同一人眼时，
Figure 186900DEST_PATH_IMAGE023
，否则；
2.2）通过公式：
Figure 324806DEST_PATH_IMAGE025
，对样本训练集进行权重出始化，然后对有权重分布的样本训练集进行训练学习，得到一个弱分类器
Figure 124135DEST_PATH_IMAGE026
；
Figure 211302DEST_PATH_IMAGE027
；t=1，2，…，T，T为迭代次数；
2.3）选择步骤1）中的一个特征，然后通过公式：
Figure 703463DEST_PATH_IMAGE028
，m=1，2，…，M，计算出弱分类器
Figure 804143DEST_PATH_IMAGE026
在样本训练集中的分类错误率
Figure 908628DEST_PATH_IMAGE029
，记
Figure 614415DEST_PATH_IMAGE030
，当
Figure 11899DEST_PATH_IMAGE031
时，令T=t-1，并跳出循环；
2.4）通过公式：
Figure 803137DEST_PATH_IMAGE032
，计算出弱分类器的权重
Figure 142380DEST_PATH_IMAGE034
；
2.5）通过公式：，更新样本训练集权重，并且对样本训练集进行归一化；
2.6）根据公式：
Figure 490764DEST_PATH_IMAGE036
，获得最终的分类器，该分类器的特征即为虹膜图像中特征向量V的特征，识别完成。
CN201110421796.4A 2011-12-16 2011-12-16 基于多方向Gabor和Adaboost虹膜识别方法 Active CN102521575B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201110421796.4A CN102521575B (zh) 2011-12-16 2011-12-16 基于多方向Gabor和Adaboost虹膜识别方法
PCT/CN2012/086678 WO2013087028A1 (zh) 2011-12-16 2012-12-14 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110421796.4A CN102521575B (zh) 2011-12-16 2011-12-16 基于多方向Gabor和Adaboost虹膜识别方法

Publications (2)

Publication Number Publication Date
CN102521575A true CN102521575A (zh) 2012-06-27
CN102521575B CN102521575B (zh) 2014-07-02

Family

ID=46292486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110421796.4A Active CN102521575B (zh) 2011-12-16 2011-12-16 基于多方向Gabor和Adaboost虹膜识别方法

Country Status (2)

Country Link
CN (1) CN102521575B (zh)
WO (1) WO2013087028A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013087028A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法
CN104751150A (zh) * 2015-04-21 2015-07-01 南京安穗智能科技有限公司 基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法
CN105095880A (zh) * 2015-08-20 2015-11-25 中国民航大学 一种基于lgbp编码的手指多模态特征融合方法
CN105138974A (zh) * 2015-08-12 2015-12-09 中国民航大学 一种基于Gabor编码的手指多模态特征融合方法
CN105160305A (zh) * 2015-08-10 2015-12-16 中国民航大学 一种手指多模态特征融合方法
CN105550661A (zh) * 2015-12-29 2016-05-04 北京无线电计量测试研究所 一种基于Adaboost算法的虹膜特征提取方法
CN106940786A (zh) * 2017-02-28 2017-07-11 华南理工大学 一种基于lle和pso的使用虹膜模版的虹膜重构方法
CN109753944A (zh) * 2019-01-15 2019-05-14 济南浪潮高新科技投资发展有限公司 一种基于深度三层次的虹膜识别方法
CN109784389A (zh) * 2019-01-03 2019-05-21 中国矿业大学 一种基于Adaboost和Gabor算法的煤岩识别检测方法
CN110414300A (zh) * 2018-04-28 2019-11-05 北京眼神科技有限公司 虹膜特征的合成方法和装置
CN110827366A (zh) * 2018-08-10 2020-02-21 北京眼神科技有限公司 虹膜特征模板更新方法、装置、可读存储介质及设备
CN113553908A (zh) * 2021-06-23 2021-10-26 中国科学院自动化研究所 基于设备独有性感知的异质虹膜识别方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537334B (zh) * 2014-07-08 2019-09-10 珠海易胜电子技术有限公司 一种改善在非理想环境下虹膜识别性能的方法
CN104484649B (zh) * 2014-11-27 2018-09-11 北京天诚盛业科技有限公司 虹膜识别的方法和装置
CN105631285A (zh) * 2015-09-28 2016-06-01 宇龙计算机通信科技(深圳)有限公司 一种生物特征身份识别方法及装置
CN110610066B (zh) * 2018-06-15 2022-08-09 武汉安天信息技术有限责任公司 仿冒应用检测方法和相关装置
CN109508695A (zh) * 2018-12-13 2019-03-22 北京中科虹霸科技有限公司 眼部多模态生物特征识别方法
CN110852291A (zh) * 2019-11-15 2020-02-28 太原科技大学 一种采用Gabor变换和分块降维的腭皱识别方法
CN111553384A (zh) * 2020-04-03 2020-08-18 上海聚虹光电科技有限公司 多光谱图像与单光谱图像的匹配方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885313A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于小波变换和极大值检测的虹膜识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1760887A (zh) * 2004-10-11 2006-04-19 中国科学院自动化研究所 虹膜图像的鲁棒特征抽取与识别方法
CN101122949A (zh) * 2007-08-30 2008-02-13 中国科学技术大学 一种基于局部频率特征和局部方向特征的虹膜识别方法
CN102521575B (zh) * 2011-12-16 2014-07-02 北京天诚盛业科技有限公司 基于多方向Gabor和Adaboost虹膜识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885313A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于小波变换和极大值检测的虹膜识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘燚: "基于Gabor特征和Adaboost算法的人脸表情识别研究", 《中南民族大学》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013087028A1 (zh) * 2011-12-16 2013-06-20 北京天诚盛业科技有限公司 虹膜识别方法和基于多方向Gabor和Adaboost虹膜识别方法
CN104751150A (zh) * 2015-04-21 2015-07-01 南京安穗智能科技有限公司 基于奇对称2D Log-Gabor滤波器和Adaboost相结合的虹膜识别方法
CN105160305A (zh) * 2015-08-10 2015-12-16 中国民航大学 一种手指多模态特征融合方法
CN105160305B (zh) * 2015-08-10 2019-01-11 中国民航大学 一种手指多模态特征融合方法
CN105138974B (zh) * 2015-08-12 2019-01-11 中国民航大学 一种基于Gabor编码的手指多模态特征融合方法
CN105138974A (zh) * 2015-08-12 2015-12-09 中国民航大学 一种基于Gabor编码的手指多模态特征融合方法
CN105095880B (zh) * 2015-08-20 2019-01-11 中国民航大学 一种基于lgbp编码的手指多模态特征融合方法
CN105095880A (zh) * 2015-08-20 2015-11-25 中国民航大学 一种基于lgbp编码的手指多模态特征融合方法
CN105550661A (zh) * 2015-12-29 2016-05-04 北京无线电计量测试研究所 一种基于Adaboost算法的虹膜特征提取方法
CN106940786A (zh) * 2017-02-28 2017-07-11 华南理工大学 一种基于lle和pso的使用虹膜模版的虹膜重构方法
CN106940786B (zh) * 2017-02-28 2019-12-10 华南理工大学 一种基于lle和pso的使用虹膜模版的虹膜重构方法
CN110414300A (zh) * 2018-04-28 2019-11-05 北京眼神科技有限公司 虹膜特征的合成方法和装置
CN110827366A (zh) * 2018-08-10 2020-02-21 北京眼神科技有限公司 虹膜特征模板更新方法、装置、可读存储介质及设备
CN110827366B (zh) * 2018-08-10 2023-05-02 北京眼神科技有限公司 虹膜特征模板更新方法、装置、可读存储介质及设备
CN109784389A (zh) * 2019-01-03 2019-05-21 中国矿业大学 一种基于Adaboost和Gabor算法的煤岩识别检测方法
CN109753944A (zh) * 2019-01-15 2019-05-14 济南浪潮高新科技投资发展有限公司 一种基于深度三层次的虹膜识别方法
CN113553908A (zh) * 2021-06-23 2021-10-26 中国科学院自动化研究所 基于设备独有性感知的异质虹膜识别方法

Also Published As

Publication number Publication date
WO2013087028A1 (zh) 2013-06-20
CN102521575B (zh) 2014-07-02

Similar Documents

Publication Publication Date Title
CN102521575B (zh) 基于多方向Gabor和Adaboost虹膜识别方法
CN105718889B (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN106022218B (zh) 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法
CN101246543B (zh) 基于仿生与生物特征识别的考试者身份鉴定方法
Sheela et al. Iris recognition methods-survey
CN102902980B (zh) 一种基于线性规划模型的生物特征图像分析与识别方法
CN107135664A (zh) 一种人脸识别的方法以及人脸识别装置
CN101894256A (zh) 基于奇对称2D Log-Gabor滤波器的虹膜识别方法
CN103679136B (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN101840511A (zh) 手指静脉特征提取与匹配识别方法
CN103279745A (zh) 一种基于半脸多特征融合的人脸识别方法
CN102254165A (zh) 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
CN102542243A (zh) 一种基于lbp图像和分块编码的虹膜特征提取方法
Shariatmadar et al. Finger-knuckle-print recognition via encoding local-binary-pattern
CN106951819A (zh) 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法
CN103646234B (zh) 基于lgbph特征的人脸识别方法
Zhong et al. Palmprint and dorsal hand vein dualmodal biometrics
Yuan et al. A review of recent advances in ear recognition
CN111209850B (zh) 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法
Ko et al. Iris recognition using cumulative sum based change analysis
CN105528591B (zh) 基于多象限编码的活体指纹识别方法
Jaswal et al. Finger knuckle image based personal authentication using DeepMatching
CN104200201A (zh) 一种应用于虹膜识别的编码方法及***
Liu et al. Finger-vein recognition based on fusion of pixel level feature and super-pixel level feature
CN103455805A (zh) 一种新的人脸特征描述方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Iris identification method based on multidirectional Gabor and Adaboost

Effective date of registration: 20150805

Granted publication date: 20140702

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: Beijing Techshino Technology Co., Ltd.

Registration number: 2015990000644

PLDC Enforcement, change and cancellation of contracts on pledge of patent right or utility model
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20171018

Granted publication date: 20140702

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: Beijing Techshino Technology Co., Ltd.

Registration number: 2015990000644

PC01 Cancellation of the registration of the contract for pledge of patent right