CN107273834A - 一种虹膜识别方法及识别器 - Google Patents
一种虹膜识别方法及识别器 Download PDFInfo
- Publication number
- CN107273834A CN107273834A CN201710419540.7A CN201710419540A CN107273834A CN 107273834 A CN107273834 A CN 107273834A CN 201710419540 A CN201710419540 A CN 201710419540A CN 107273834 A CN107273834 A CN 107273834A
- Authority
- CN
- China
- Prior art keywords
- image
- iris
- scale map
- gray
- matrix
- 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
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
- G06V40/19—Sensors therefor
-
- 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
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种虹膜识别方法及识别器,该方法包括摄取用户眼睛的虹膜图像,对所述虹膜图像进行处理,得到虹膜码;当用户进行身份验证时,再次摄取用户眼睛的所述虹膜图像,对所述虹膜图像进行处理,得到新虹膜码;利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度的高低判断用户身份验证是否通过。还涉及一种识别器,其包括:图像获取模块、图像处理模块、图像验证模块。通过本发明大大提高了获取的精度和识别的速度,有效地降低了用户身份造假的可能性。
Description
技术领域
本发明属于虹膜识别领域,尤其涉及一种虹膜识别方法及识别器。
背景技术
虹膜识别技术相对于目前应用最为广泛的指纹识别技术起步较晚,但虹膜识别技术拥有指纹、人脸识别等其他生物识别技术无法比拟的优势,这些优势使得虹膜识别技术成为目前最有发展前景的生物识别技术。在国外,虹膜识别技术发展状况相对成熟,虹膜识别技术已用于安防,国防等领域,并已实现产业化。在国内,多家研究机构对于虹膜识别技术停留在理论研究阶段或者量产阶段,发展状况还不成熟。但是目前国内现有技术中存在识别速度慢,精度比较低的缺点。
发明内容
本发明所要解决的技术问题是:现有技术中存在识别速度慢,精度比较低的缺点。
为解决上面的技术问题,本发明提供了一种虹膜识别方法,该方法包括如下步骤:
S1,摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;
S2,对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像;
S3,对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;
S4,利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
本发明的有益效果:采用上述的方法,将获取的用户虹膜图像经过霍夫圆变换和滤波处理,大大提高了获取的精度,有效地降低了用户身份造假的可能性,同时采用海明距离匹配法,大大提高了对用户身份验证的准确度以及识别速度,识别速度稳定在1秒以内。
进一步地,所述S1中包括:
S11,摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;
S12,将所述数据矩阵转换成灰度图,得到所述图像灰度图。
进一步地,所述S12中,包括:
将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
进一步地,所述S12中,还包括:对所述像素矩阵的像素进行高斯平滑处理。
上述进一步地有益效果:降低了像素的噪点,提高了像素的精度,大大降低了像素的干扰。
进一步地,所述S3中,所述滤波处理是指过滤掉所述矩形虹膜图像中不同频率的图像,保留相同频率的图像。
进一步地,所述滤波处理还包括:对所述矩形虹膜图像进行空域卷积计算。
本发明还涉及一种虹膜识别器,其特征在于,该识别器包括:图像获取模块、图像处理模块、图像验证模块;所述图像获取模块,用于摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;所述图像处理模块,用于对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像,并对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;所述图像验证模块,用于利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
本发明的有益效果:采用上述的***,将获取的用户虹膜图像经过霍夫圆变换和滤波处理,大大提高了获取的精度,有效地降低了用户身份造假的可能性,同时采用海明距离匹配法,大大提高了对用户身份验证的准确度。
进一步地,所述图像获取模块包括:数据矩阵单元、图像灰度图单元;所述数据矩阵单元,用于摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;所述图像灰度图单元,用于将所述数据矩阵转换成灰度图,得到所述图像灰度图。
进一步地,所述图像灰度图单元,具体用于将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
进一步地,所述图像灰度图单元,还用于对所述像素矩阵的像素进行高斯平滑处理。
上述进一步地有益效果:降低了像素的噪点,提高了像素的精度,大大降低了像素的干扰。
附图说明
图1为本发明的一种虹膜识别方法的流程图;
图2为本发明的一种虹膜识别器的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
如图1所示,本实施例1是一种虹膜识别方法,该方法包括如下步骤:
S1,摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;
S2,对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像;
S3,对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;
S4,利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
需要说明的是,在本实施例1中步骤S1是摄取用户眼睛的虹膜图像,将所获取的虹膜图像的高度,宽度和强制转换为字符的字节存入一个2D矩阵中,该2D矩阵是一个提前就设定好的数据类型,这个数据类型是一个包含:三个整数类型参数,这三个参数就是提取的用户眼睛的虹膜图像高度,宽度和图像类型。另外,在本实施例1中用到的所有矩阵皆为2D矩阵,将存储有高度,宽度和图像类型的矩阵转换为图像灰度图。
此外,在本实施例1中步骤S2是对图像灰度图进行霍夫圆变换,在变换过程包括计算瞳孔圆心和计算包括虹膜部分的圆的圆心,其中计算瞳孔圆心的过程如下:在卡迪尔坐标系中圆的方程为
α=x-rcosθ
其中a,b为圆心,r为半径,θ为角度,已知圆上所有点的方程相同,所以可以通过遍历累加所有非零点所对应的圆心,即通过计算任意一点可能为圆心的点上模向量相交数的多少来判断该点是否为所求圆心。若计算结果大于高阈值,则该点为圆心,反之则不是。在本实施例1中的高阈值为200,圆心检测阈值为0。因此瞳孔圆心和半径确定,再创建三个整数型变量x,y,r,将圆心(X,Y)和半径(R)分别保存至三个变量中。
将图像灰度图中的瞳孔所在圆内的像素值全部改写为黑色,在迭代计算中使用一个嵌套for循环,即一个for循环里包含另一个for循环,其中两次循环的迭代器分别为输入图像矩阵的行数和列数,若当前像素点不在瞳孔所在园内,跳过当前迭代,执行下一次迭代。
对于计算包括虹膜部分的圆的圆心,是再次对图像灰度图使用霍夫圆变换,在此处的边缘函数的高阈值为200,圆心检测阈值为瞳孔半径*1.3,创建三个整数型变量x`,y`,r`,将圆心(X,Y)和半径(R)分别保存至三个变量中。然后对虹膜图像进行归一化,将归一化后的图像灰度图映射到创建的新的空白灰度图上,采用一个1X512的矩阵,将虹膜的环形图像的极坐标映射到卡迪尔坐标上,得到一个矩形虹膜图像,其公式为:
x=ρcosθ
y=ρsinθ
其中x,y为直角坐标点,ρ为极轴,θ为角度,而极轴的值为r`-r的差值,至此新的灰度图中保存了矩形虹膜图像。
在本实施例1步骤S3中对上述步骤S2的矩形虹膜图像进行滤波处理,提取矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码,需要说明的是,在本实施例1中通常使用2D加博滤波器,其公式为:
其中,λ为波长,θ为滤波器特征选择的角度,φ为相位偏移值,γ为任意一点的二维坐标比值,σ为滤波空间频率所需带宽。
在本实施例1步骤S4中使用海明距离匹配法计算之前存储的虹膜码跟这次获取的虹膜码特征匹配度,海明距离是指两个编码在对应位上不同的位数。举例如下:101和001在第一位不同,则海明距离1,再用海明距离除以2048,得出最终结果,计算公式中输入参数分别是两份虹膜码,以及偏移量,此处偏移量取值为0。
然后再对计算结果进行分析,如果计算结果小于等于0.25,则验证通过,若结果大于0.25,则验证不通过。
可选地,在本实施例1中步骤S1包括:
S11,摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;
S12,将所述数据矩阵转换成灰度图,得到所述图像灰度图。
可选地,所述S12中,包括:
将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
需要说明的是,在本实施例1中具体是采用for循环提高矩阵中所有白色像素区域亮度。创建一个整数型变量,并赋值为127,在此for循环中,迭代器为矩阵中的像素,每次循环用当前位置的像素减去127的差乘以255,若结果小于零,该位置像素值改写为0,若结果大于255,该位置像素值改写为255,若结果等于零,该位置像素值不做更改。在本实施例1中是用for循环对矩阵中所有像素与属性为32SC1的1X256颜色直方图矩阵进行计算,如果当前矩阵像素与当前颜色直方图矩阵像素之和大于原图像宽度乘以高度乘以0.02,将其变成黑色像素,如果当前矩阵像素与当前颜色直方图矩阵像素之和大于原图像宽度乘以高度乘以0.04,将其变成白色像素。
可选地,所述S12中,还包括:对所述像素矩阵的像素进行高斯平滑处理。
需要说明的是,在本实施例1中采用的是对图像矩阵中所有像素点进行高斯平滑处理以降低噪点,其公式为:
其中x,y的值当前像素点横坐标值和纵坐标值,σ的值为15,π为圆周率。
另外,在本实施例1中为便于后续对虹膜图像的提取,需要对图像进行边缘检测,首先计算索贝尔算子的值,公式如下:
其中GX为水平索贝尔算子,M为初始的虹膜图像矩阵。
其中GY为垂直索贝尔算子,M为初始的虹膜图像矩阵。
测量矩阵中每个像素的梯度近似值大小,其公式为:
其中GX和GY分别为水平和垂直索贝尔算子。
测量该像素梯度方向,其公式为:
可选地,所述S3中,所述滤波处理是指过滤掉所述矩形虹膜图像中不同频率的图像,保留相同频率的图像。
需要说明的是,在本实施例1中每个滤波器只让与其具有相同频率的图像纹理通过,而不同频率的图像纹理被阻隔,也即是矩形虹膜图像中不同频率的图像,保留相同频率的图像。
可选地,所述滤波处理还包括:对所述矩形虹膜图像进行空域卷积计算。
需要说明的是,在本实施例1是对通过滤波器的虹膜图像中的每个图像块作空域卷积,得到滤波器的输出,并将所有滤波器输出的特征点保存到一个64X512的矩阵中。
实施例2
如图2所示,本实施例2是一种虹膜识别器,该识别器包括:图像获取模块、图像处理模块、图像验证模块;所述图像获取模块,用于摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;所述图像处理模块,用于对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像,并对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;所述图像验证模块,用于利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
可选地,在所述图像获取模块包括:数据矩阵单元、图像灰度图单元;所述数据矩阵单元,用于摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;所述图像灰度图单元,用于将所述数据矩阵转换成灰度图,得到所述图像灰度图。
可选地,所述图像灰度图单元,具体用于将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
需要说明的是,在本实施例2中具体是采用for循环提高矩阵中所有白色像素区域亮度。创建一个整数型变量,并赋值为127。在此for循环中,迭代器为矩阵中的像素,每次循环用当前位置的像素减去127的差乘以255,若结果小于零,该位置像素值改写为0,若结果大于255,该位置像素值改写为255,若结果等于零,该位置像素值不做更改。在本实施例2中是用for循环对矩阵中所有像素与属性为32SC1的1X256颜色直方图矩阵进行计算,如果当前矩阵像素与当前颜色直方图矩阵像素之和大于原图像宽度乘以高度乘以0.02,将其变成黑色像素,如果当前矩阵像素与当前颜色直方图矩阵像素之和大于原图像宽度乘以高度乘以0.04,将其变成白色像素。
可选地,所述图像灰度图单元,还用于对所述像素矩阵的像素进行高斯平滑处理。
需要说明的是,在本实施例2中采用的是对图像矩阵中所有像素点进行高斯平滑处理以降低噪点,其公式为:
其中x,y的值当前像素点横坐标值和纵坐标值,σ的值为15,π为圆周率。
另外,在本实施例2中为便于后续对虹膜图像的提取,需要对图像进行边缘检测,首先计算索贝尔算子的值,公式如下:
其中GX为水平索贝尔算子,M为初始的虹膜图像矩阵。
其中GY为垂直索贝尔算子,M为初始的虹膜图像矩阵。
测量矩阵中每个像素的梯度近似值大小,其公式为:
其中GX和GY分别为水平和垂直索贝尔算子。
测量该像素梯度方向,其公式为:
可选地,所述滤波处理是指过滤掉所述矩形虹膜图像中不同频率的图像,保留相同频率的图像。
需要说明的是,在本实施例2中每个滤波器只让与其具有相同频率的图像纹理通过,而不同频率的图像纹理被阻隔,也即是矩形虹膜图像中不同频率的图像,保留相同频率的图像。
可选地,所述滤波处理还包括:对所述矩形虹膜图像进行空域卷积计算。
需要说明的是,在本实施例2是对通过滤波器的虹膜图像中的每个图像块作空域卷积,得到滤波器的输出,并将所有滤波器输出的特征点保存到一个64X512的矩阵中。
在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种虹膜识别方法,其特征在于,该方法包括如下步骤:
S1,摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;
S2,对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像;
S3,对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;
S4,利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
2.根据权利要求1所述的方法,其特征在于,所述S1中包括:
S11,摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;
S12,将所述数据矩阵转换成灰度图,得到所述图像灰度图。
3.根据权利要求2所述的方法,其特征在于,所述S12中,包括:
将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
4.根据权利要求3所述的方法,其特征在于,所述S12中,还包括:对所述像素矩阵的像素进行高斯平滑处理。
5.根据权利要求1-4任一所述的方法,其特征在于,所述S3中,所述滤波处理是指过滤掉所述矩形虹膜图像中不同频率的图像,保留相同频率的图像。
6.根据权利要求5所述的方法,其特征在于,所述滤波处理还包括:对所述矩形虹膜图像进行空域卷积计算。
7.一种虹膜识别器,其特征在于,该识别器包括:图像获取模块、图像处理模块和图像验证模块;
所述图像获取模块,用于摄取用户眼睛的虹膜图像,对所述虹膜图像进行预处理,得到图像灰度图;
所述图像处理模块,用于对所述图像灰度图进行霍夫圆变换,将变换后的所述图像灰度图映射到创建的新的空白灰度图上,得到矩形虹膜图像,并对所述矩形虹膜图像进行滤波处理,提取所述矩形虹膜图像中所有的特征点,并对所述特征点进行编码,得到虹膜码;
所述图像验证模块,利用海明距离匹配法计算预存的虹膜码与所述虹膜码的特征匹配度,根据所述特征匹配度与预设值进行比较判断用户身份验证是否通过,若超过预设值,则通过,若不超过,则不通过,并保存该用户的所述虹膜码。
8.根据权利要求7所述的识别器,其特征在于,所述图像获取模块包括:数据矩阵单元和图像灰度图单元;
所述数据矩阵单元,用于摄取用户眼睛的虹膜图像,将所述虹膜图像的高度和宽度以及图像所属类型转换成数据矩阵;
所述图像灰度图单元,用于将所述数据矩阵转换成灰度图,得到所述图像灰度图。
9.根据权利要求8所述的识别器,其特征在于,所述图像灰度图单元,具体用于将所述数据矩阵中的像素矩阵与颜色直方图矩阵进行计算,并根据计算结果相应地将所述像素矩阵中的像素转换成黑色像素或者白色像素,得到所述图像灰度图。
10.根据权利要求9所述的识别器,其特征在于,所述图像灰度图单元,还用于对所述像素矩阵的像素进行高斯平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710419540.7A CN107273834A (zh) | 2017-06-06 | 2017-06-06 | 一种虹膜识别方法及识别器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710419540.7A CN107273834A (zh) | 2017-06-06 | 2017-06-06 | 一种虹膜识别方法及识别器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273834A true CN107273834A (zh) | 2017-10-20 |
Family
ID=60064997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710419540.7A Pending CN107273834A (zh) | 2017-06-06 | 2017-06-06 | 一种虹膜识别方法及识别器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273834A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165587A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 智能图像信息抽取方法 |
CN109965843A (zh) * | 2019-03-14 | 2019-07-05 | 华南师范大学 | 一种基于滤波传像的眼动*** |
CN112380966A (zh) * | 2020-11-12 | 2021-02-19 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093538A (zh) * | 2006-06-19 | 2007-12-26 | 电子科技大学 | 一种基于小波变换过零表示的虹膜识别方法 |
CN101916362A (zh) * | 2010-05-28 | 2010-12-15 | 深圳大学 | 一种虹膜定位方法及虹膜识别*** |
US20150098630A1 (en) * | 2013-10-08 | 2015-04-09 | Sri International | Iris biometric recognition module and access control assembly |
CN106204958A (zh) * | 2016-07-08 | 2016-12-07 | 钟林超 | 一种通过虹膜进行识别的atm机输入装置 |
-
2017
- 2017-06-06 CN CN201710419540.7A patent/CN107273834A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093538A (zh) * | 2006-06-19 | 2007-12-26 | 电子科技大学 | 一种基于小波变换过零表示的虹膜识别方法 |
CN101916362A (zh) * | 2010-05-28 | 2010-12-15 | 深圳大学 | 一种虹膜定位方法及虹膜识别*** |
US20150098630A1 (en) * | 2013-10-08 | 2015-04-09 | Sri International | Iris biometric recognition module and access control assembly |
CN106204958A (zh) * | 2016-07-08 | 2016-12-07 | 钟林超 | 一种通过虹膜进行识别的atm机输入装置 |
Non-Patent Citations (1)
Title |
---|
李栩荣: "虹膜识别算法的研究和实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165587A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 智能图像信息抽取方法 |
CN109965843A (zh) * | 2019-03-14 | 2019-07-05 | 华南师范大学 | 一种基于滤波传像的眼动*** |
CN109965843B (zh) * | 2019-03-14 | 2022-05-24 | 华南师范大学 | 一种基于滤波传像的眼动*** |
CN112380966A (zh) * | 2020-11-12 | 2021-02-19 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
CN112380966B (zh) * | 2020-11-12 | 2023-06-02 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485740B (zh) | 一种结合稳定点和特征点的多时相sar图像配准方法 | |
CN108765476B (zh) | 一种偏振图像配准方法 | |
CN110473242A (zh) | 一种纹理特征提取方法、纹理特征提取装置及终端设备 | |
CN108694393A (zh) | 一种基于深度卷积的证件图像文本区域提取方法 | |
CN107273834A (zh) | 一种虹膜识别方法及识别器 | |
US7103234B2 (en) | Method for blind cross-spectral image registration | |
CN106326841A (zh) | 一种快速虹膜识别算法 | |
CN105488791B (zh) | 自然背景中图像边缘的定位方法及装置 | |
CN107408195B (zh) | 一种虹膜识别方法及装置 | |
CN104951940A (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN109993161A (zh) | 一种文本图像旋转矫正方法及*** | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
CN116883464A (zh) | 一种针对大视角差异光学与sar遥感图像的配准方法 | |
CN110516661A (zh) | 应用于虹膜识别的美瞳检测方法及装置 | |
CN110309814A (zh) | 一种基于边缘检测的虹膜识别方法及装置 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及*** | |
CN113963387B (zh) | 基于最优编码位的手指多模态特征提取与融合方法 | |
CN102393905A (zh) | 手背静脉模式纹理提取方法 | |
Aksakallı et al. | A novel approach for copy-move forgery detection using bilateral filtering | |
CN111160290A (zh) | 一种提取手掌静脉有效区域的方法 | |
CN106327423B (zh) | 基于有向线段的遥感图像配准方法及*** | |
CN110264531A (zh) | 一种棋盘格角点的捉取方法、装置、***及可读存储介质 | |
Ma et al. | Improving KAZE feature matching algorithm with alternative image gray method | |
Reddy et al. | Digital image forgery detection using SUPER pixel segmentation and HYBRID feature point mapping |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |