CN107292242A - 一种虹膜识别方法和终端 - Google Patents

一种虹膜识别方法和终端 Download PDF

Info

Publication number
CN107292242A
CN107292242A CN201710406100.8A CN201710406100A CN107292242A CN 107292242 A CN107292242 A CN 107292242A CN 201710406100 A CN201710406100 A CN 201710406100A CN 107292242 A CN107292242 A CN 107292242A
Authority
CN
China
Prior art keywords
iris
region
image
terminal
mask
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
CN201710406100.8A
Other languages
English (en)
Other versions
CN107292242B (zh
Inventor
林涛
李培华
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201710406100.8A priority Critical patent/CN107292242B/zh
Publication of CN107292242A publication Critical patent/CN107292242A/zh
Application granted granted Critical
Publication of CN107292242B publication Critical patent/CN107292242B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/193—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/66—Substation equipment, e.g. for use by subscribers with means for preventing unauthorised or fraudulent calling
    • H04M1/667—Preventing unauthorised calls from a telephone set
    • H04M1/67—Preventing unauthorised calls from a telephone set by electronic means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72463—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions to restrict the functionality of the device

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供一种虹膜识别方法和终端，涉及终端技术领域，能够提升虹膜识别的准确性和鲁棒性。其方法为：终端对眼睛的虹膜区域进行轮廓检测，通过眼睛的瞳孔间的连线与水平方向的角度确定双眼的旋转角度，并基于旋转角度和外轮廓的位置得到眼睑的抛物线；根据外轮廓的位置和眼睑的抛物线去除眼睑区域，并进行睫毛检测和高亮干扰检测，以去睫毛区域和高亮点，得到虹膜图像；根据虹膜图像生成掩膜图像，得到虹膜展开图像和掩膜展开图像；根据虹膜展开图像提取局部加权直方图特征，计算外积张量序特征，将外积张量序特征作为虹膜图像的虹膜纹理；根据建模得到的虹膜纹理和掩膜展开图像进行特征匹配，以确定匹配结果。本申请实施例用于识别虹膜。

Description

一种虹膜识别方法和终端
技术领域
本申请涉及终端技术领域，尤其涉及一种虹膜识别方法和终端。
背景技术
目前，终端可通过虹膜识别对用户的身份进行验证。对于虹膜识别，主要应用于理想场景下，对于用户的配合度有较高的依赖性，要求用户在识别过程中对于采集设备高度配合，在静止条件下按照要求注视摄像头进行图像采集。随着终端的广泛应用，用户迫切希望能够在较为随意的姿态和多变的实际环境中方便地进行身份认证。在这种情况下，采集到的图像质量显著下降，存在旋转、斜视和光照变化显著以及运动模糊、图像失焦等干扰，这些对于虹膜分割、特征提取和识别都提出了新的挑战。
在非理想场景下，适用于终端的虹膜识别技术的难点在于如何在质量较低的虹膜图像中很好的进行分割、如何设计算法提取虹膜纹理特征以及如何在移动设备资源受限的情况下既保证性能又能提高速度。由于采集设备和采集条件的限制，以及用户采集姿态的随意，采集到的图像质量较低，虹膜纹理清晰度降低，虹膜边缘变模糊，也引入了眼睑遮挡、眼睛斜视、睫毛干扰以及眼镜干扰等诸多噪声，使得虹膜分割非常困难，而虹膜特征提取是建立在良好的虹膜分割效果基础上的，这样对之后的特征提取和匹配都造成了很大的困难。因此，亟需一种准确性大、鲁棒性高的虹膜识别***。
发明内容
本申请实施例提供一种虹膜识别方法和终端，能够提升虹膜识别的准确性和鲁棒性。
第一方面，提供一种虹膜识别方法，包括：终端对眼睛的虹膜区域进行内轮廓检测，根据得到的内轮廓的位置确定外轮廓的位置，通过眼睛的瞳孔间的连线与水平方向的角度确定双眼的旋转角度，并基于旋转角度和外轮廓的位置对眼睛的眼睑进行检测，以得到眼睑的抛物线；根据外轮廓的位置和眼睑的抛物线去除虹膜区域中的眼睑区域，并对去除眼睑区域以外的虹膜区域进行睫毛检测和高亮干扰检测，以去除虹膜区域中的睫毛区域和高亮点，得到虹膜图像；根据虹膜图像生成掩膜图像，并展开虹膜图像得到虹膜展开图像，以及展开掩膜图像得到掩膜展开图像；根据虹膜展开图像提取局部加权直方图特征，对局部加权直方图特征计算外积张量序特征，将外积张量序特征作为虹膜图像的虹膜纹理；根据建模得到的虹膜纹理和掩膜展开图像进行特征匹配，以确定虹膜匹配结果。在本申请中，进行虹膜识别时考虑到了多种因素下的自然场景，例如眼睛的旋转、戴眼镜和睫毛干扰等，能够适用于室内场景下直视手机的情况，也可以适用于眼睛旋转例如斜视等情况，对图像中眼睑遮挡、高亮、眼睛旋转等场景具有很强的鲁棒性。
在一种可能的设计中，终端对眼睛的虹膜区域进行内轮廓检测，根据得到的内轮廓的位置确定外轮廓的位置包括：终端利用虹膜检测器获取眼睛的虹膜区域；终端对虹膜区域进行边缘检测并进行筛选，以剔除虹膜区域的干扰点，确定内轮廓的圆心位置和半径；终端利用内轮廓的圆心和半径确定检测外轮廓所用的子图像，在子图像上确定外轮廓的圆心位置和半径。这种基于边缘检测图像边缘点并利用圆形轮廓边缘的特点进行边缘点筛选可以减少虹膜区域轮廓检测的噪声点干扰。
在一种可能的设计中，基于旋转角度和外轮廓的位置对眼睛的眼睑进行检测，以得到眼睑的抛物线包括：若终端确定连线与水平方向的角度大于预设阈值，则终端确定角度为旋转角度，并将虹膜区域按照旋转角度反向旋转，得到反向旋转后的虹膜区域；终端根据反向旋转后的虹膜区域的外轮廓位置确定眼睑的上眼睑检测候选区域，滤除候选区域的睫毛区域，利用边缘检测得到上眼睑的边缘点并基于抛物线的霍夫变换得到上眼睑的候选抛物线，通过比较各候选抛物线覆盖的所有像素点的灰度值与灰度值均值的大小关系得到上眼睑的抛物线；终端截取眼睑的下眼睑检测子图像，利用排序滤波器对下眼睑的子图像滤波，再对滤波后的子图像进行边缘检测和边缘点筛选，并对筛选后的边缘点进行霍夫变换得到下眼睑的抛物线。这样，在眼睑检测时加入针对旋转图像的处理，不仅可以适用于直视终端的情况，也可以适用于斜视终端的情况，
在一种可能的设计中，对去除眼睑区域以外的虹膜区域进行睫毛检测包括：终端根据外轮廓的位置确定睫毛候选区域，生成上眼睑以下、外轮廓以内、内轮廓以外的睫毛区域掩膜；终端对睫毛区域掩膜进行预设角度的滤波并计算梯度幅值，将小于幅值阈值的梯度值以及非睫毛区域的梯度值置零，生成新的睫毛区域掩膜；终端根据新的睫毛区域掩膜中每个像素点的梯度值和上眼睑睫毛的延伸特性确定预设角度方向上的睫毛区域。这样，将进行轮廓分割和眼睑分割后的图像进行睫毛检测，可以防止睫毛在最后生成的展开图像中对特征提取和匹配造成不利影响。这里检测睫毛可以有多个方向的检测，例如90度、60度和120度。
在一种可能的设计中，对去除眼睑区域以外的虹膜区域进行高亮干扰检测包括：终端获取虹膜区域的子图像，虹膜区域的子图像包括以虹膜圆心为中心的正方形区域，正方向区域大于外轮廓的区域；终端获取虹膜区域的子图像的灰度直方图并进行高斯滤波，将灰度直方图中大于高亮阈值的像素点周围预设范围内标记为高亮区域。这样，对于非理想场景下，尤其是对于用户佩戴眼镜的情况，可能会造成虹膜区域出现高亮镜面反射的情况，因此，该设计可以去除高亮干扰，便于生成用于提取特征的展开图像。
在一种可能的设计中，展开虹膜图像得到虹膜展开图像，以及展开掩膜图像得到掩膜展开图像包括：终端采用弹性变换的方式将虹膜图像由笛卡尔坐标系变换为极坐标系，获取极坐标系中的每个坐标的灰度值，以得到虹膜展开图像；终端采用弹性变换的方式将掩膜图像由笛卡尔坐标系变换为极坐标系，获取极坐标系中的每个坐标的灰度值，以得到掩膜展开图像。这样，可以便于在虹膜展开图像中计算局部加权直方图特征，与注册图像的特征进行特征匹配，并利用掩膜展开图像进行匹配时的有效判断。
在一种可能的设计中，终端根据虹膜展开图像提取局部加权直方图特征包括：终端对虹膜展开图像中每个像素点求取梯度幅值和梯度方向，将梯度方向划分为N个角度区间，计算每个像素点对应的梯度方向与N个角度区间的相似性，得到包括N个相似性数值的向量，将向量与每个像素点的梯度幅值相乘，得到每个像素点的加权梯度；终端以采样点为中心将虹膜展开图像划分为第一预设大小的区块，再将每个区块划分为第二预设大小的宫格，将第一宫格中每个像素点的加权梯度相加并除以第一宫格中的总像素点数得到第一宫格的加权直方图特征，将各个宫格的加权直方图首尾相连得到虹膜展开图像的局部加权直方图特征。
在一种可能的设计中，对局部加权直方图特征计算外积张量序特征，根据外积张量序特征对虹膜纹理建模包括：终端根据局部加权直方图特征计算虹膜展开图像中每个像素点的外积张量向量，利用均值池化计算外积张量向量的聚合信息；终端根据外积张量向量的聚合信息获取虹膜展开图像的外积张量序特征，外积张量序特征为二进制编码矩阵。
在一种可能的设计中，终端根据建模得到的虹膜纹理和掩膜展开图像进行特征匹配，以确定匹配结果包括：终端根据外积张量序特征与虹膜数据库中注册图像的特征之间的距离进行特征匹配，并根据掩膜展开图像计算特征匹配时的权重，根据权重表征的有效程度确定虹膜图像所属的用户是否为注册用户。其中，该距离可以为汉明距离，也可以为其他的距离定义，本申请不做限定。
另一方面，提供一种终端，包括：轮廓检测单元，用于对眼睛的虹膜区域进行内轮廓检测，根据得到的内轮廓的位置确定外轮廓的位置；眼睑检测单元，用于通过眼睛的瞳孔间的连线与水平方向的角度确定双眼的旋转角度，并基于旋转角度和外轮廓的位置对眼睛的眼睑进行检测，以得到眼睑的抛物线；睫毛和高亮检测单元，用于根据外轮廓的位置和眼睑的抛物线去除虹膜区域中的眼睑区域，并对去除眼睑区域以外的虹膜区域进行睫毛检测和高亮干扰检测，以去除虹膜区域中的睫毛区域和高亮点，得到虹膜图像；掩膜生成单元，用于根据虹膜图像生成掩膜图像，并展开虹膜图像得到虹膜展开图像，以及展开掩膜图像得到掩膜展开图像；纹理获取单元，用于根据虹膜展开图像提取局部加权直方图特征，对局部加权直方图特征计算外积张量序特征，将外积张量序特征作为虹膜图像的虹膜纹理；特征匹配单元，用于根据建模得到的虹膜纹理和掩膜展开图像进行特征匹配，以确定虹膜匹配结果。
在一种可能的设计中，轮廓检测单元用于：利用虹膜检测器获取眼睛的虹膜区域；对虹膜区域进行边缘检测并进行筛选，以剔除虹膜区域的干扰点，确定内轮廓的圆心位置和半径；利用内轮廓的圆心和半径确定检测外轮廓所用的子图像，在子图像上确定外轮廓的圆心位置和半径。
在一种可能的设计中，眼睑检测单元用于：若终端确定连线与水平方向的角度大于预设阈值，则确定角度为旋转角度，并将虹膜区域按照旋转角度反向旋转，得到反向旋转后的虹膜区域；根据反向旋转后的虹膜区域的外轮廓位置确定眼睑的上眼睑检测候选区域，滤除候选区域的睫毛区域，利用边缘检测得到上眼睑的边缘点并基于抛物线的霍夫变换得到上眼睑的候选抛物线，通过比较各候选抛物线覆盖的所有像素点的灰度值与灰度值均值的大小关系得到上眼睑的抛物线；截取眼睑的下眼睑检测子图像，利用排序滤波器对下眼睑的子图像滤波，再对滤波后的子图像进行边缘检测和边缘点筛选，并对筛选后的边缘点进行霍夫变换得到下眼睑的抛物线。
在一种可能的设计中，睫毛和高亮检测单元用于：根据外轮廓的位置确定睫毛候选区域，生成上眼睑以下、外轮廓以内、内轮廓以外的睫毛区域掩膜；对睫毛区域掩膜进行预设角度的滤波并计算梯度幅值，将小于幅值阈值的梯度值以及非睫毛区域的梯度值置零，生成新的睫毛区域掩膜；根据新的睫毛区域掩膜中每个像素点的梯度值和上眼睑睫毛的延伸特性确定预设角度方向上的睫毛区域。
在一种可能的设计中，睫毛和高亮检测单元用于：获取虹膜区域的子图像，虹膜区域的子图像包括以虹膜圆心为中心的正方形区域，正方向区域大于外轮廓的区域；获取虹膜区域的子图像的灰度直方图并进行高斯滤波，将灰度直方图中大于高亮阈值的像素点周围预设范围内标记为高亮区域。
在一种可能的设计中，掩膜生成单元用于：采用弹性变换的方式将虹膜图像由笛卡尔坐标系变换为极坐标系，获取极坐标系中的每个坐标的灰度值，以得到虹膜展开图像；采用弹性变换的方式将掩膜图像由笛卡尔坐标系变换为极坐标系，获取极坐标系中的每个坐标的灰度值，以得到掩膜展开图像。
在一种可能的设计中，纹理获取单元用于：对虹膜展开图像中每个像素点求取梯度幅值和梯度方向，将梯度方向划分为N个角度区间，计算每个像素点对应的梯度方向与N个角度区间的相似性，得到包括N个相似性数值的向量，将向量与每个像素点的梯度幅值相乘，得到每个像素点的加权梯度；以采样点为中心将虹膜展开图像划分为第一预设大小的区块，再将每个区块划分为第二预设大小的宫格，将第一宫格中每个像素点的加权梯度相加并除以第一宫格中的总像素点数得到第一宫格的加权直方图特征，将每个宫格的梯度直方图首尾相连得到虹膜展开图像的局部加权直方图特征。
在一种可能的设计中，纹理获取单元用于：根据局部加权直方图特征计算虹膜展开图像中每个像素点的外积张量向量，利用均值池化计算外积张量向量的聚合信息；根据外积张量向量的聚合信息获取虹膜展开图像的外积张量序特征，外积张量序特征为二进制编码矩阵。
在一种可能的设计中，特征匹配单元用于：根据外积张量序特征与虹膜数据库中注册图像的特征之间的距离进行特征匹配，并根据掩膜展开图像计算特征匹配时的权重，根据权重表征的有效程度确定虹膜图像所属的用户是否为注册用户。
又一方面，本申请实施例提供了一种计算机存储介质，用于储存为上述终端所用的计算机软件指令，其包含用于执行上述方面所设计的程序。
又一方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
附图说明
图1为本申请实施例提供的一种终端的结构示意图；
图2为本申请实施例提供的一种虹膜识别方法的流程示意图；
图3为本申请实施例提供的一种虹膜区域检测和眼睑检测的示意图；
图4为本申请实施例提供的一种睫毛检测的示意图；
图5为本申请实施例提供的一种高亮检测的示意图；
图6为本申请实施例提供的一种得到虹膜展开图像的示意图；
图7为本申请实施例提供的一种调整虹膜展开图像的示意图；
图8为本申请实施例提供的一种得到虹膜纹理的计算示意图；
图9为本申请实施例提供的一种终端的结构示意图；
图10为本申请实施例提供的一种终端的结构示意图；
图11为本申请实施例提供的一种终端的结构示意图。
具体实施方式
本申请实施例可以适用于室内场景下用户直视终端的情况，也可以适用于户外自然场景、斜视场景和戴眼镜场景下，能够提升图像中存在遮挡、高亮、旋转和模糊等情况时的鲁棒性。
图1为本申请实施例提供的一种终端的结构示意图，本申请实施例提供的终端可以用于实施本申请各实施例实现的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请各实施例。
该终端可以为手机、平板电脑、笔记本电脑、UMPC(Ultra-mobile PersonalComputer，超级移动个人计算机)、上网本、PDA(Personal Digital Assistant，个人数字助理)等终端设备，本申请实施例以终端为手机为例进行说明，图1示出的是与本申请各实施例相关的手机100的部分结构的框图。
如图1所示，手机100包括：RF(radio frequency，射频)电路120、存储器 130、输入单元140、显示单元150、摄像头160、音频电路170、处理器180、以及电源190等部件。本领域技术人员可以理解，图1中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对手机100的各个构成部件进行具体的介绍：
RF电路120可用于收发信息或通话过程中，信号的接收和发送；
存储器130可用于存储软件程序以及模块，处理器180通过运行存储在存储器130的软件程序以及模块，从而执行手机100的各种功能应用以及数据处理。存储器130 可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机100的使用所创建的数据(比如音频数据、图像数据、电话本等)等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本申请实施例中，存储器130可以用于存储虹膜识别方法中各个步骤对应的软件程序，处理器180可以用于调用该软件程序执行本申请的虹膜识别方法。
输入单元140可用于接收输入的数字或字符信息，以及产生与手机100的用户设置以及功能控制有关的键信号输入。
显示单元150可用于显示由用户输入的信息或提供给用户的信息以及手机100的各种菜单。
摄像头160，可以用于获取摄像头拍摄范围内的图像信息。在本申请实施例中，摄像头160可以用于获取用户的眼睛部位的图像信息以及眼镜周围的图像信息。
手机100还可以包括其它传感器，比如光传感器。具体地，光传感器可包括环境光传感器及接近光传感器。其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度；接近光传感器可以检测是否有物体靠近或接触手机，可在手机100移动到耳边时，关闭显示面板141和/或背光。手机100还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路170、扬声器171、麦克风172可提供用户与手机100之间的音频接口。音频电路170可将接收到的音频数据转换后的电信号，传输到扬声器171，由扬声器 171转换为声音信号输出；另一方面，麦克风172将收集的声音信号转换为电信号，由音频电路170接收后转换为音频数据，再将音频数据输出至RF电路120以发送给比如另一手机，或者将音频数据输出至存储器130以便进一步处理。
处理器180是手机100的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器130内的软件程序和/或模块，以及调用存储在存储器130内的数据，执行手机100的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
手机100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理***与处理器180逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机100还可以包括WiFi(wireless fidelity，无线保真)模块、蓝牙模块等，在此不再赘述。
本申请实施例是针对非理想场景下适用于终端的快速有效的虹膜识别方法，该方法包括虹膜图像预处理模块、虹膜图像特征表达模块和模式匹配模块三个主要模块，主要解决在用户自然使用终端情况下的身份认证问题。首先对于虹膜图像预处理模块，对输入的双眼图像用分类器进行虹膜检测，该分类器可以为自适应增强级联分类器、深度学习神经网络分类器等，本申请不做限定，而后根据检测结果将输入图像分成左、右眼子图像，之后的步骤分别针对每个子图像进行处理。在检测虹膜内外轮廓时，通过先定位瞳孔轮廓再定位虹膜轮廓的方式进行：基于Canny边缘检测算子检测图像边缘点并利圆形轮廓边缘的特点进行边缘点筛选以减少噪声点干扰，之后将霍夫变换结果的通过候选轮廓再判断以提高检测结果的准确性；在眼睑检测时加入针对旋转图像的处理，提出了基于方向滤波器的睫毛检测以及基于自适应阈值确定的去除高亮区域的方法。为了提高在非理想场景下提取特征的鲁棒性并提高计算速度，本发明提出了高维的局部加权直方图作为原始特征，并进一步通过计算原始特征的外积序关系得到最后的特征表达即二进制编码矩阵。本申请提出了利用图像特征之间的距离进行特征匹配的方法，例如汉明距离，也可以为其他定义的距离，本申请不做限定，其中使用掩模图像值作为该距离的有效权重，最后将左右眼的加权距离进行融合得到最终的匹配结果。
本申请实施例提供一种虹膜识别方法，如图2所示，包括如下步骤：
201、终端对眼睛的虹膜区域进行内轮廓检测，根据得到的内轮廓的位置确定外轮廓的位置。
由于摄像头采集的图像中虹膜区域只占整幅图像中很小一部分，为了提高后续处理的准确性和效率，可以训练虹膜检测器进行准确定位。虹膜检测器是一个自适应增强级联分类器，可以将多层通过训练得到的弱的分类器通过级联形成的一个能够对虹膜进行准确定位的检测器，也即级联分类器对于训练的各层有不同的检测准确性要求，对于较低层检测准确度较低，随着层数增加检测准确度要求不断提升，分类器复杂程度加大。本申请可以训练得到10层的自适应增强级联分类器。本申请不限于使用自适应增强级联分类器，也可以是深度学习神经网络分类器等，本申请不做限定。
本申请可以利用虹膜检测器对得到的虹膜区域进行内外轮廓检测，完成内外轮廓分割。由于输入的图像是双眼图像，因此虹膜检测器在对虹膜区域进行检测时是在双眼图像上进行的，分别得到左、右虹膜的候选矩形区域为虹膜区域，在之后的步骤中，将左右眼图像分开处理，所有的操作均是在单眼图像上进行的。
该步骤201可以包括三个子步骤：
(1)检测虹膜区域。对于采集到的虹膜图像，使用虹膜检测器对图像中的虹膜区域进行检测。
(2)内轮廓检测。虹膜为瞳孔外部的一个环状区域，一般情况下，采集到的图像中虹膜与瞳孔的边缘都可以认为是圆形。实现虹膜的轮廓检测需要标记环状边缘位置，由于瞳孔区域灰度值较低，内轮廓相比外轮廓明显且易分割，因此先进行内轮廓检测。其具体可以为：在前述的虹膜区域内搜索虹膜内轮廓，即瞳孔轮廓，为了减少虹膜纹理和外边缘对内轮廓检测的影响，可以利用子图像灰度均值大于像素均值的点作为内轮廓的边缘点，利用Canny边缘检测算法检测边缘点并计算其梯度幅值和方向，由于上眼睑边缘处的梯度方向与竖直方向较接近，根据这一特点可以剔除部分干扰点，在进行边缘点筛选后，可以利用圆的霍夫变换确定内圆的参数来标记虹膜内轮廓，该参数可以包括内轮廓的圆心坐标和半径大小，即瞳孔圆心坐标和半径大小。而后检测内轮廓是否有效。这里检测用到的阈值可以由三个，包括内轮廓的环形区域的边缘点的个数阈值，例如可以为35，内轮廓边缘内外灰度值之差colordif，例如取值为3，子图像中有效灰度值的比例ratio，例如取值为0.7，只有左右眼内轮廓的参数中这三个参数均大于相应的阈值，才可以进行后续的步骤，否则判定内轮廓分割无效，抛弃该虹膜图像，继续获取下一副输入的虹膜图像重新进行处理。
(3)外轮廓检测。可以利用内轮廓参数确定外轮廓检测所用到的子图像，在该子图像上确定虹膜外轮廓的圆心位置和半径。也即，在内轮廓参数基础上确定外轮廓参数的搜索范围，并截取搜索的子图像。为了避免眼睑干扰，外轮廓的子图像宽度较小，并不需要将整个虹膜包含进去。而后，对该子图像进行高斯低通滤波之后，利用Canny边缘检测算法检测子图像边缘点，由于虹膜内轮廓更为清晰，虹膜区域内外边缘近似同心圆，因此可以用内圆圆心近似外圆圆心，根据圆心边缘点处灰度值梯度方向应与圆心到该点方向一致的特点进行边缘点筛选，之后在基于圆的霍夫变换结果中选择N个候选结果并进行排序，最后在这些候选圆中利用虹膜区域灰度值大于巩膜区域灰度值的特点确定出最合适的外轮廓圆，以获得外轮廓的圆心和半径。
202、终端通过眼睛的瞳孔间的连线与水平方向的角度确定双眼的旋转角度，并基于旋转角度和外轮廓的位置对眼睛的眼睑进行检测，以得到眼睑的抛物线。
该步骤202的目的是在步骤201得到的虹膜内轮廓和外轮廓确定的环形区域基础上，定位上下眼睑，进一步去除上下眼睑对虹膜区域的影响。
在眼睑检测之前，需要先考虑实际图像中眼睛的旋转问题。由于采集到的图像可能出现旋转的情况，因此在进行眼睑检测之前对旋转情况进行判断。如果双眼瞳孔圆心的连线与水平方向的夹角大于预设阈值，则认为图像是旋转图像。例如该预设阈值可以为0.2(弧度)。对于这类图像，需要将虹膜区域图像反向旋转相同的角度使其水平，得到反向旋转后的虹膜区域，在此基础上进行眼睑检测，最后将检测结果变换到原始的图像中并确定出眼睑的分割结果。
(1)首先进行上眼睑检测。利用外轮廓所在的位置确定上眼睑检测候选区域，利用抛物线拟合出上眼睑的位置。示例性的，根据步骤201中的外轮廓位置确定出上眼睑检测候选区域，其候选区域的宽度略小于虹膜直径，利用排序滤波器滤除候选区域的睫毛区域，这里由三个排序滤波器组成，分别滤除向下生长、向左下方生长和向右下方生长的睫毛，水平滤波器滤除竖直向下生长的睫毛，-45度方向滤波器滤除向左下方生长的睫毛，45度方向滤波器滤除向右下方生长的睫毛，然后利用Canny边缘检测算法在候选区域上检测边缘点，得到上眼睑的边缘点并进行边缘点筛选，筛选是由于眼睑处灰度值梯度方向近似竖直方向，剔除所有边缘点中梯度方向与竖直方向夹角大于阈值的点，并去除内轮廓产生的边缘点，而后，基于抛物线的霍夫变换保留排名前N的参数作为眼睑的候选抛物线，最后，由于眼睑覆盖在虹膜上部，会在虹膜区域上产生阴影致使灰度值较低，可以通过比较各候选抛物线覆盖的所有像素点灰度值与灰度值均值的大小关系得到上眼睑的最佳抛物线。这里可以使用up_valid表示检测到的眼睑是否满足这一条件，只有满足这一条件的眼睑抛物线才是有效抛物线，否则，认为眼睑抛物线无效，抛弃该图像，继续处理下一幅图像。如图3所示为步骤201和步骤202的虹膜区域检测和眼睑检测的示意图。
(2)下眼睑检测。下眼睑的检测流程和上眼睑的检测流程大致相同。由于下眼睑对虹膜区域遮挡较少，因此相比上眼睑检测较为简单。首先截取下眼睑检测的子图像，利用排序滤波器对子图像滤波，再对滤波后的子图像进行Canny边缘检测和边缘点筛选，在最后一步对对筛选后的边缘点进行霍夫变换就可以直接得出下眼睑的抛物线，并判断下眼睑的抛物线是否有效。
203、终端根据外轮廓的位置和眼睑的抛物线去除虹膜区域中的眼睑区域。
204、终端对去除眼睑区域以外的虹膜区域进行睫毛检测，以去除虹膜区域中的睫毛区域。
在得到步骤201至步骤203中的轮廓分割和眼睑分割后的虹膜图像后，还可以继续去除睫毛干扰，以防止睫毛在最后生成的展开图像中对特征提取和匹配造成不利影响。基于睫毛本身存在的方向特性，步骤204可以进行多个方向的睫毛检测，不限定进行睫毛检测的方向，本申请以三个方向的睫毛检测为例进行说明，分别是90度、60度和120度的睫毛检测，首先进行90度的睫毛检测并去除误检区域，之后将滤波器旋转完成60度和 120度的睫毛检测。
示例性的，根据虹膜外轮廓的位置确定睫毛候选区域，为了确定更精细的睫毛区域掩膜，生成一个上眼睑以下n个像素区域、虹膜外轮廓以内、内轮廓以外的睫毛区域掩膜，之后对裁剪出的睫毛区域掩膜进行90度滤波，此处采用的滤波器可以为：
f1_90＝[1,1,0,-1,-1；1,1,0,-1,-1；1,1,0,-1,-1；1,1,0,-1,-1；1,1,0,-1,-1；1,1,0,-1,-1；1,1,0,-1,-1；] /14。
滤波之后，可以计算梯度幅值，通过设定一个幅值门限，将小于幅值门限的梯度值置零，同时利用之前确定的睫毛区域掩膜将非睫毛区域也置零，生成新的睫毛区域掩膜。其中，睫毛区域可以在得到滤波之后图像后，对于每个像素点统计其周围一个小区域的梯度幅值平均值，若任一像素点的梯度幅值平均值大于设定的幅值门限，则认为该像素点为睫毛。而后，根据睫毛是从上眼睑延伸下来的特性，在梯度图像上逐列从下向上累计求和，然后对每列单独从上眼睑所在像素点向下累计求和，如果上面连续区域累积和比下面区域累积大于某个阈值(例如阈值为1.1)，则认为该区域为睫毛，从而区域误检，至此垂直方向的睫毛检测完成。如图4所示为90度睫毛检测的示意图。
对于60度或120度方向的睫毛检测，可以将90度睫毛检测滤波器向左(右)旋转 30度，其他操作相同。在最后去除误检区域时，将图像和上眼睑所在点进行相同角度的旋转，然后仍然在垂直方向生成睫毛区域掩膜，去除误检区域之后再将睫毛区域掩膜旋转回原来的方向。
205、终端对去除睫毛检测之后的虹膜区域进行高亮干扰检测，以去除虹膜区域的高亮点，得到虹膜图像。
对于非理想场景，尤其是对于用户佩戴眼镜的情况，会造成虹膜区域出现高亮镜面反射的情况。因此步骤205的目的是对步骤201-204最后得到的分割后的图像去除高亮干扰，以便生成用于提取特征的展开图像。
示例性的，可以利用高亮区域灰度值特点在虹膜子图像中确定判决门限，如果子图像中的像素点的灰度值小于判决门限，则判定该像素点有效，否则判定为高亮点，从而去除高亮点。
具体可以为：1)截取虹膜区域的子图像，可以包括以虹膜圆心为中心的正方形区域，该正方形区域略大于虹膜外轮廓的区域；2)获取虹膜区域的子图像的灰度直方图并进行高斯滤波。由于高亮区域灰度值较大，可以自适应地确定直方图从右至左的第一个极小值点为高亮阈值。3)对于子图像中灰度值大于高亮阈值的像素点，其像素点周围小邻域范围内可以标记为高亮区域，以进一步减少高亮影响，得到虹膜图像。如图5所示为高亮检测的示意图。
206、终端根据虹膜图像生成掩膜图像，并展开虹膜图像得到虹膜展开图像，以及展开掩膜图像得到掩膜展开图像。
该步骤206的目的是对前述步骤得到的分割后的环形图像进行展开，将不同尺寸不同形状的虹膜区域展开成固定尺寸大小(例如64×256)的矩形区域。示例性的，可以使用弹性变换的方式将虹膜图像由笛卡尔坐标系变换为极坐标系，获取极坐标系中每个坐标的灰度值，以得到虹膜展开图像。再使用相同的方法处理掩膜图像，得到与虹膜展开图像同样尺寸的掩膜展开图像。
具体实施方案可以为：
1)虹膜图像展开采用一种弹性变换的方式将虹膜图像由笛卡尔坐标系变换为极坐标系。考虑到虹膜内轮廓和外轮廓圆心可能不一致，因此如图6所示，对于虹膜图像上某一点P，对应的角度若标记为θ，该点到内轮廓圆心的距离为：
OpP＝rp+(OpPi-rp)r
其中rp为瞳孔的半径(内轮廓的半径)，OpPi为对应角度θ的瞳孔圆心Op(内轮廓圆心)到虹膜外圆(外轮廓)上的点Pi的距离，0≤r≤1表示r占该角度处虹膜宽度的比例。OpPi的计算公式如下：
其中△x，△y为内外圆圆心横纵坐标差的绝对值，ri为虹膜外圆半径。
2)这样，对于虹膜展开图像中每一点都可以找到它在原始的虹膜图像中的对应点坐标。通过该坐标周围四个点的双线性差值得到该坐标位置的对应灰度值。
3)考虑到图像旋转的影响，对于每幅虹膜图像，其虹膜展开图像也可以对应的做调整，将旋转角度所占的比例大小作为虹膜展开图像循环移动的比例大小，如图7 所示。对于掩膜图像使用相同的方法进行展开得到与虹膜展开图像同样尺寸的掩膜展开图像。
4)根据掩膜图像的灰度值，判断虹膜图像无效区域面积是否小于0.5，当有效面积大于0.5时，继续进行之后的操作，否则，认为得到的虹膜展开图像无效，抛弃该虹膜图像，继续处理下一幅虹膜图像。这里的无效区域包括上述步骤中检测出的眼睑区域、睫毛区域以及高亮区域。
207、终端根据虹膜展开图像提取局部加权直方图特征。
对于一幅虹膜图像，步骤207使用前述步骤对虹膜图像进行处理后得到的固定尺寸的矩形虹膜展开图像以及掩膜图像上继续进行处理。步骤207采用24维的局部加权直方图作为原始特征建模虹膜纹理，其优点在于对位姿变化的人脸图像具有很强的不变形和鲁棒性，同时具有较快的计算速度。
在虹膜展开图像中计算局部加权直方图特征提取的具体步骤可以如下：
1)对于虹膜展开图像中每个像素点求取其X方向和Y方向的梯度值IX和IY，得到梯度幅度Imag和梯度方向Itheta，其中：Itheta＝arctanIY/IX
2)将梯度方向划分为N个角度区间，例如平均划分为6个角度区间，计算每个像素点对应的梯度方向与各个角度区间的相似性，得到包含N个相似性数值的向量 [s1，s2，…，sN]，相似性的计算公式可以为：
si＝(cos Itheta cos Ii+sin Itheta sin Ii)9
其中，si表示任一像素点的梯度方向与第i个角度区间中心方向的相似性，Ii为第i个角度区间中心方向角度。
3)将上述向量与每个像素点对应的梯度幅值相乘，得到每个像素点的加权梯度，任一像素点的加权梯度记为G时，G可以表示为：
G＝Imag[s1，s2，…，sN]，Imag表示任一像素点的梯度幅值，[s1，s2，…，sN]表示该任一像素点对应的梯度方向与各个角度区间的相似性。
4)在提取局部加权直方图特征时，以采样点为中心密集地在虹膜展开图像中将每个像素点划分为第一预设大小的区块，例如为8×8区块，将每个区块划分成第二预设大小的宫格，例如为2×2的宫格，然后在每个2×2的宫格中计算梯度直方图信息，这样，对于虹膜展开图像中的某一采样点，可以得到2×2×6＝24维的局部加权直方图特征。其中在计算每个宫格(例如M1*M2宫格)的梯度直方图特征时，将每个宫格中各个像素点的加权梯度求平均值，得到每个宫格对应的加权直方图特征，将每个宫格的加权直方图首尾相连就可以形成一个M1*M2*N个元素的向量。平均值可以是宫格中每个像素点的加权梯度相加并除以宫格中的总像素点数得到宫格的加权直方图特征。
208、终端对局部加权直方图特征计算外积张量序特征，将外积张量序特征作为虹膜图像的虹膜纹理。
对于预一幅虹膜图像，使用前述步骤对虹膜图像进行预处理并得到局部加权直方图特征之后，可以计算外积张量序特征，具体步骤可以为：
1)计算外积张量向量
可以令局部加权直方图特征为f(z)∈Rn×1，其中z表示空间坐标，R表示实数集， n表示元素的个数，可以等于上述M1*M2*N，f(z)是一个含有n个元素的实数向量，则外积张量F(z)可以表示为：F(z)＝f(z)f(z)T，其中，F(z)是一个n×n矩阵，保留上三角部分并进行向量化操作得到外积张量向量其中，d＝n(n+1)/2，表示张量向量的维度。对于每个像素点的局部加权直方图特征都通过外积计算，得到一个向量级别的图像，每个像素点对应一个外积张量向量
2)利用均值池化计算外积张量向量的高阶聚合信息
令表示空间坐标z处的外积张量向量，η(z)表示以z为中心的一个矩形区域，那么聚合张量向量可以表示为：
其中|η(z)|表示区域η(z)中像素点个数。
3)计算外积张量序特征，即对高阶聚合信息取序得到二进制(0-1)编码矩阵
对于存在固定位移的两个区域B(z)和B(z+t)，其中B(z)表示以z为中心高为h宽为w的图像区域，B(z+t)表示相对z位移坐标t的另一块与B(z)尺寸相同的图像区域，这里两个区域位移向量t＝[4,2]T。外积张量序特征为二进制序特征时可以表示为：
其中bi(z)表示外积张量向量b(z)的第i个编码，g(z)表示外积张量向量p(z)聚合后的向量表示形式。B(z)在选取的时候是重叠的，步长为2个像素，这样就得到了整幅图像的外积张量序特征编码。
步骤208实施的示意图可以如图8所示。
最后，将得到的外积张量序特征作为虹膜图像的虹膜纹理。
209、终端根据建模得到的虹膜纹理进行特征匹配，以确定匹配结果。
特征匹配属于虹膜识别中的最后环节，将虹膜纹理(图像特征)与虹膜数据库内注册图像的特征按照特定方式进行比对，根据比对结果判断虹膜所属的人是否为***内的注册用户。具体可以使用汉明距离对虹膜图像的二进制编码矩阵进行匹配，在匹配过程中通过掩膜展开图像考虑对应特征点的有效性权重，得到单眼的匹配结果，从而判断注册用户和待识别用户为同一个人或不是同一个人，具体可以为：
1)根据外积张量序特征与数据库内注册图像的特征的汉明距离进行特征匹配
由于图像采集时用户姿态未必端正，很难使匹配的两幅虹膜图像中的特征点完全对应，因此，需要在匹配过程中考虑到特征点发生位移的情况。
设zi为虹膜图像I中的某一点，ξi为虹膜图像I′中与虹膜图像I中zi位置相同的一点。由于位姿变化以及分割误差两幅图中相同位置的zi和ξi未必对应着相同的虹膜纹理，实际上与zi具有相同纹理的点为ξi某个邻域内的点为了得到点的位置，将ξi点附近的一个小邻域内的点与zi求汉明距离，汉明距离最小的点即为点。具体计算公式如下：
其中RI′(zi)表示图像I′中以zi为中心的一个邻域，H表示两个外积张量序特征之间的汉明距离，表示该公式的最优解，也就是与bI(zi)匹配的二进制编码。bI(zi)表示图像I中zi位置处的二进制编码，bI′(ξi)表示图像I′中ξi位置处的二进制编码。该公式所表示的就是，选取图像I中zi位置处的二进制编码，同时在图像I′中zi位置周围一个设定的范围内进行搜索，即进行一一对比，获取与图像I中zi位置处二进制编码汉明距离最小的二进制编码作为匹配的二进制编码。
2)由于在生成用于匹配的虹膜展开图像的同时也生成了对应的掩膜展开图像，该掩膜展开图像用于在特征匹配时计算对应特征匹配的权重。在掩膜展开图像中，某像素点处值m为0表示是有效部分，m的值越大表示该像素点的权重为1-m，表示该点求得匹配距离的有效程度。因此两幅图像I与I′之间的相似性S(I,I′)定义为：
其中ηi表示bI(zi)和bI′(ξi)分别对应的有效权重的较小值，M表示掩膜展开图像中像素点的个数，ηj表示在M个数据中第bI(zi)和bI′(ξi)分别对应的有效权重的较小值。
3)由于输入的是双眼图像，因此在分别得到左右眼的匹配结果后，将两个匹配结果融合得到最终的匹配结果，融合方式可以为：S＝w·Sl+(1-w)·Sr
其中Sl为两幅图像I与I′左眼之间的相似性，Sr为两幅图像I与I′右眼之间的相似性，w为两个匹配结果之间的权重(这里取0.6)。
根据最终的匹配结果S的值确定注册用户和待识别用户为同一个人或不是同一个人，例如将S的值与最终的阈值进行比较确定。
因此，本申请实施例提供一种虹膜识别方法，终端对眼睛的虹膜区域进行内轮廓检测，根据得到的内轮廓的位置确定外轮廓的位置，通过眼睛的瞳孔间的连线与水平方向的角度确定双眼的旋转角度，并基于旋转角度和外轮廓的位置对眼睛的眼睑进行检测，以得到眼睑的抛物线；根据外轮廓的位置和眼睑的抛物线去除虹膜区域中的眼睑区域，并对去除眼睑区域以外的虹膜区域进行睫毛检测和高亮干扰检测，以去除虹膜区域中的睫毛区域和高亮点，得到虹膜图像；根据虹膜图像生成掩膜图像，并展开虹膜图像得到虹膜展开图像，以及展开掩膜图像得到掩膜展开图像；根据虹膜展开图像提取局部加权直方图特征，对局部加权直方图特征计算外积张量序特征，将外积张量序特征作为虹膜图像的虹膜纹理；根据建模得到的虹膜纹理和掩膜展开图像进行特征匹配，以确定虹膜匹配结果。在本申请中，进行虹膜识别时考虑到了多种因素下的自然场景，例如眼睛的旋转、戴眼镜和睫毛干扰等，能够适用于室内场景下直视手机的情况，也可以适用于眼睛旋转例如斜视等情况，对图像中眼睑遮挡、高亮、眼睛旋转等场景具有很强的鲁棒性。
上述主要从终端的角度对本申请实施例提供的方案进行了介绍。可以理解的是，终端为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下，图9示出了上述实施例中所涉及的终端的一种可能的结构示意图，终端90包括：轮廓检测单元901，眼睑检测单元902，睫毛和高亮检测单元903、掩膜生成单元904、纹理获取单元905以及特征匹配单元906。轮廓检测单元901用于支持终端执行图2中的过程201，眼睑检测单元902用于支持终端执行图2中的过程202和203，睫毛和高亮检测单元903用于支持终端执行图2中的过程204和205，掩膜生成单元904用于支持终端执行图2中的过程206，纹理获取单元 905用于支持终端执行图2中的过程207和208，特征匹配单元906用于支持终端执行图 2中的过程209。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
在采用集成的单元的情况下，图10示出了上述实施例中所涉及的终端的一种可能的结构示意图。终端100包括：处理模块1001、存储模块1002和通信模块1003。处理模块1001用于对终端的动作进行控制管理，处理模块1001用于支持终端执行图2中的过程201至209，和/或用于本文所描述的技术的其它过程。通信模块1003用于支持终端与其他网络实体的通信，例如与基站等网络设备的功能模块或网络实体之间的通信。存储模块1002，用于存储终端的程序代码和数据，例如存储用于执行上述方法实施例的方法步骤的程序和数据。
其中，处理模块1001可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，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、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信模块1003可以是收发器、收发电路或通信接口等。存储模块1002可以是存储器。
当处理模块1001为处理器，通信模块1003为收发器，存储模块1002为存储器时，本申请实施例所涉及的终端可以为图11所示的终端。
参阅图11所示，该第终端110包括：处理器1112、收发器1113、存储器1111以及总线1114。其中，收发器1113、处理器1112以及存储器1111通过总线1114相互连接；总线1114可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
结合本申请公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(Random Access Memory，RAM)、闪存、只读存储器(ReadOnly Memory，ROM)、可擦除可编程只读存储器(Erasable Programmable ROM，EPROM)、电可擦可编程只读存储器(Electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于 ASIC中。另外，该ASIC可以位于核心网接口设备中。当然，处理器和存储介质也可以作为分立组件存在于核心网接口设备中。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (18)

1.一种虹膜识别方法，其特征在于，包括：
终端对眼睛的虹膜区域进行内轮廓检测，根据得到的所述内轮廓的位置确定所述外轮廓的位置；
所述终端通过眼睛的瞳孔间的连线与水平方向的角度确定所述双眼的旋转角度，并基于所述旋转角度和所述外轮廓的位置对所述眼睛的眼睑进行检测，以得到所述眼睑的抛物线；
所述终端根据所述外轮廓的位置和所述眼睑的抛物线去除所述虹膜区域中的眼睑区域，并对去除所述眼睑区域以外的虹膜区域进行睫毛检测和高亮干扰检测，以去除所述虹膜区域中的睫毛区域和高亮点，得到虹膜图像；
所述终端根据所述虹膜图像生成掩膜图像，并展开所述虹膜图像得到虹膜展开图像，以及展开所述掩膜图像得到所述掩膜展开图像；
所述终端根据所述虹膜展开图像提取局部加权直方图特征，对所述局部加权直方图特征计算外积张量序特征，将所述外积张量序特征作为所述虹膜图像的虹膜纹理；
所述终端根据建模得到的所述虹膜纹理和所述掩膜展开图像进行特征匹配，以确定虹膜匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述终端对眼睛的虹膜区域进行内轮廓检测，根据得到的所述内轮廓的位置确定所述外轮廓的位置包括：
所述终端利用虹膜检测器获取所述眼睛的所述虹膜区域；
所述终端对所述虹膜区域进行边缘检测并进行筛选，以剔除所述虹膜区域的干扰点，确定所述内轮廓的圆心位置和半径；
所述终端利用所述内轮廓的圆心和半径确定检测所述外轮廓所用的子图像，在所述子图像上确定所述外轮廓的圆心位置和半径。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述旋转角度和所述外轮廓的位置对所述眼睛的眼睑进行检测，以得到所述眼睑的抛物线；
若所述终端确定所述连线与水平方向的角度大于预设阈值，则所述终端确定所述角度为所述旋转角度，并将所述虹膜区域按照所述旋转角度反向旋转，得到反向旋转后的所述虹膜区域；
所述终端根据所述反向旋转后的所述虹膜区域的外轮廓位置确定所述眼睑的上眼睑检测候选区域，滤除所述候选区域的睫毛区域，利用边缘检测得到所述上眼睑的边缘点并基于抛物线的霍夫变换得到所述上眼睑的候选抛物线，通过比较各候选抛物线覆盖的所有像素点的灰度值与灰度值均值的大小关系得到所述上眼睑的抛物线；
所述终端截取所述眼睑的下眼睑检测子图像，利用排序滤波器对所述下眼睑的子图像滤波，再对滤波后的所述子图像进行边缘检测和边缘点筛选，并对筛选后的边缘点进行所述霍夫变换得到所述下眼睑的抛物线。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述对去除所述眼睑区域以外的虹膜区域进行睫毛检测包括：
所述终端根据所述外轮廓的位置确定所述睫毛候选区域，生成所述上眼睑以下、所述外轮廓以内、所述内轮廓以外的睫毛区域掩膜；
所述终端对所述睫毛区域掩膜进行预设角度的滤波并计算梯度幅值，将小于幅值阈值的梯度值以及非睫毛区域的梯度值置零，生成新的睫毛区域掩膜；
所述终端根据所述新的睫毛区域掩膜中每个像素点的梯度值和所述上眼睑睫毛的延伸特性确定所述预设角度方向上的睫毛区域。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述对去除所述眼睑区域以外的虹膜区域进行高亮干扰检测包括：
所述终端获取所述虹膜区域的子图像，所述虹膜区域的子图像包括以虹膜圆心为中心的正方形区域，所述正方向区域大于所述外轮廓的区域；
所述终端获取所述虹膜区域的子图像的灰度直方图并进行高斯滤波，将所述灰度直方图中大于高亮阈值的像素点周围预设范围内标记为高亮区域。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述展开所述虹膜图像得到虹膜展开图像，以及展开所述掩膜图像得到所述掩膜展开图像包括：
所述终端采用弹性变换的方式将所述虹膜图像由笛卡尔坐标系变换为极坐标系，获取所述极坐标系中的每个坐标的灰度值，以得到所述虹膜展开图像；
所述终端采用弹性变换的方式将所述掩膜图像由笛卡尔坐标系变换为极坐标系，获取所述极坐标系中的每个坐标的灰度值，以得到所述掩膜展开图像。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述终端根据所述虹膜展开图像提取局部加权直方图特征包括：
所述终端对所述虹膜展开图像中每个像素点求取梯度幅值和梯度方向，将所述梯度方向划分为N个角度区间，计算所述每个像素点对应的梯度方向与所述N个角度区间的相似性，得到包括N个相似性数值的向量，将所述向量与所述每个像素点的梯度幅值相乘，得到所述每个像素点的加权梯度；
所述终端以采样点为中心将所述虹膜展开图像划分为第一预设大小的区块，再将每个所述区块划分为第二预设大小的宫格，将第一宫格中每个像素点的加权梯度相加并除以所述第一宫格中的总像素点数得到所述第一宫格的加权直方图特征，将各个宫格的加权直方图首尾相连得到所述虹膜展开图像的所述局部加权直方图特征。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述对所述局部加权直方图特征计算外积张量序特征，根据所述外积张量序特征对虹膜纹理建模包括：
所述终端根据局部加权直方图特征计算所述虹膜展开图像中每个像素点的外积张量向量，利用均值池化计算所述外积张量向量的聚合信息；
所述终端根据所述外积张量向量的聚合信息获取所述虹膜展开图像的所述外积张量序特征，所述外积张量序特征为二进制编码矩阵。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述终端根据建模得到的所述虹膜纹理和所示掩膜展开图像进行特征匹配，以确定匹配结果包括：
所述终端根据所述外积张量序特征与虹膜数据库中注册图像的特征之间的距离进行特征匹配，并根据所述掩膜展开图像计算特征匹配时的权重，根据所述权重表征的有效程度确定所述虹膜图像所属的用户是否为注册用户。
10.一种终端，其特征在于，包括：
轮廓检测单元，用于对眼睛的虹膜区域进行内轮廓检测，根据得到的所述内轮廓的位置确定所述外轮廓的位置；
眼睑检测单元，用于通过所述眼睛的瞳孔间的连线与水平方向的角度确定所述双眼的旋转角度，并基于所述旋转角度和所述外轮廓的位置对所述眼睛的眼睑进行检测，以得到所述眼睑的抛物线；
睫毛和高亮检测单元，用于根据所述外轮廓的位置和所述眼睑的抛物线去除所述虹膜区域中的眼睑区域，并对去除所述眼睑区域以外的虹膜区域进行睫毛检测和高亮干扰检测，以去除所述虹膜区域中的睫毛区域和高亮点，得到虹膜图像；
掩膜生成单元，用于根据所述虹膜图像生成掩膜图像，并展开所述虹膜图像得到虹膜展开图像，以及展开所述掩膜图像得到所述掩膜展开图像；
纹理获取单元，用于根据所述虹膜展开图像提取局部加权直方图特征，对所述局部加权直方图特征计算外积张量序特征，将所述外积张量序特征作为所述虹膜图像的虹膜纹理；
特征匹配单元，用于根据建模得到的所述虹膜纹理和所述掩膜展开图像进行特征匹配，以确定虹膜匹配结果。
11.根据权利要求10所述的终端，其特征在于，所述轮廓检测单元用于：
利用虹膜检测器获取所述眼睛的所述虹膜区域；
对所述虹膜区域进行边缘检测并进行筛选，以剔除所述虹膜区域的干扰点，确定所述内轮廓的圆心位置和半径；
利用所述内轮廓的圆心和半径确定检测所述外轮廓所用的子图像，在所述子图像上确定所述外轮廓的圆心位置和半径。
12.根据权利要求10或11所述的终端，其特征在于，所述眼睑检测单元用于：
若所述终端确定所述连线与水平方向的角度大于预设阈值，则确定所述角度为所述旋转角度，并将所述虹膜区域按照所述旋转角度反向旋转，得到反向旋转后的所述虹膜区域；
根据所述反向旋转后的所述虹膜区域的外轮廓位置确定所述眼睑的上眼睑检测候选区域，滤除所述候选区域的睫毛区域，利用边缘检测得到所述上眼睑的边缘点并基于抛物线的霍夫变换得到所述上眼睑的候选抛物线，通过比较各候选抛物线覆盖的所有像素点的灰度值与灰度值均值的大小关系得到所述上眼睑的抛物线；
截取所述眼睑的下眼睑检测子图像，利用排序滤波器对所述下眼睑的子图像滤波，再对滤波后的所述子图像进行边缘检测和边缘点筛选，并对筛选后的边缘点进行所述霍夫变换得到所述下眼睑的抛物线。
13.根据权利要求10-12任一项所述的终端，其特征在于，所述睫毛和高亮检测单元用于：
根据所述外轮廓的位置确定所述睫毛候选区域，生成所述上眼睑以下、所述外轮廓以内、所述内轮廓以外的睫毛区域掩膜；
对所述睫毛区域掩膜进行预设角度的滤波并计算梯度幅值，将小于幅值阈值的梯度值以及非睫毛区域的梯度值置零，生成新的睫毛区域掩膜；
根据所述新的睫毛区域掩膜中每个像素点的梯度值和所述上眼睑睫毛的延伸特性确定所述预设角度方向上的睫毛区域。
14.根据权利要求10-13任一项所述的终端，其特征在于，所述睫毛和高亮检测单元用于：
获取所述虹膜区域的子图像，所述虹膜区域的子图像包括以虹膜圆心为中心的正方形区域，所述正方向区域大于所述外轮廓的区域；
获取所述虹膜区域的子图像的灰度直方图并进行高斯滤波，将所述灰度直方图中大于高亮阈值的像素点周围预设范围内标记为高亮区域。
15.根据权利要求10-14任一项所述的终端，其特征在于，所述掩膜生成单元用于：
采用弹性变换的方式将所述虹膜图像由笛卡尔坐标系变换为极坐标系，获取所述极坐标系中的每个坐标的灰度值，以得到所述虹膜展开图像；
采用弹性变换的方式将所述掩膜图像由笛卡尔坐标系变换为极坐标系，获取所述极坐标系中的每个坐标的灰度值，以得到所述掩膜展开图像。
16.根据权利要求10-15任一项所述的终端，其特征在于，所述纹理获取单元用于：
对所述虹膜展开图像中每个像素点求取梯度幅值和梯度方向，将所述梯度方向划分为N个角度区间，计算所述每个像素点对应的梯度方向与所述N个角度区间的相似性，得到包括N个相似性数值的向量，将所述向量与所述每个像素点的梯度幅值相乘，得到所述每个像素点的加权梯度；
以采样点为中心将所述虹膜展开图像划分为第一预设大小的区块，再将每个所述区块划分为第二预设大小的宫格，将第一宫格中每个像素点的加权梯度相加并除以所述第一宫格中的总像素点数得到所述第一宫格的加权直方图特征，将各个宫格的加权直方图首尾相连得到所述虹膜展开图像的所述局部加权直方图特征。
17.根据权利要求10-16任一项所述的终端，其特征在于，所述纹理获取单元用于：
根据局部加权直方图特征计算所述虹膜展开图像中每个像素点的外积张量向量，利用均值池化计算所述外积张量向量的聚合信息；
根据所述外积张量向量的聚合信息获取所述虹膜展开图像的所述外积张量序特征，所述外积张量序特征为二进制编码矩阵。
18.根据权利要求10-17任一项所述的终端，其特征在于，所述特征匹配单元用于：
根据所述外积张量序特征与虹膜数据库中注册图像的特征的之间的距离进行特征匹配，并根据所述掩膜展开图像计算特征匹配时的权重，根据所述权重表征的有效程度确定所述虹膜图像所属的用户是否为注册用户。
CN201710406100.8A 2017-05-31 2017-05-31 一种虹膜识别方法和终端 Expired - Fee Related CN107292242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710406100.8A CN107292242B (zh) 2017-05-31 2017-05-31 一种虹膜识别方法和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710406100.8A CN107292242B (zh) 2017-05-31 2017-05-31 一种虹膜识别方法和终端

Publications (2)

Publication Number Publication Date
CN107292242A true CN107292242A (zh) 2017-10-24
CN107292242B CN107292242B (zh) 2020-07-07

Family

ID=60094671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710406100.8A Expired - Fee Related CN107292242B (zh) 2017-05-31 2017-05-31 一种虹膜识别方法和终端

Country Status (1)

Country Link
CN (1) CN107292242B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359503A (zh) * 2018-08-15 2019-02-19 温州生物材料与工程研究所 瞳孔识别图像处理方法
CN109784335A (zh) * 2019-01-25 2019-05-21 太原科技大学 一种基于最小二乘拟合的腭皱图像感兴趣区边界标定方法
CN109801207A (zh) * 2019-01-08 2019-05-24 桂林电子科技大学 Cpu-fpga协同的影像特征高速检测与匹配***
WO2019128714A1 (zh) * 2017-12-26 2019-07-04 华为技术有限公司 虹膜识别方法和vr设备
CN110245626A (zh) * 2019-06-19 2019-09-17 北京万里红科技股份有限公司 一种在虹膜图像中精确检测眼睫毛图像的方法
CN110473218A (zh) * 2019-07-25 2019-11-19 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN110781745A (zh) * 2019-09-23 2020-02-11 杭州电子科技大学 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法
CN110837749A (zh) * 2018-08-15 2020-02-25 北京京东金融科技控股有限公司 身份识别方法、装置、电子设备及介质
CN110929672A (zh) * 2019-11-28 2020-03-27 联想(北京)有限公司 瞳孔定位方法和电子设备
CN111027464A (zh) * 2019-12-09 2020-04-17 大连理工大学 对卷积神经网络和序特征编码联合优化的虹膜识别方法
CN111695474A (zh) * 2020-06-03 2020-09-22 福建福特科光电股份有限公司 一种对人眼虹膜图像γ曲线自适应调整的方法
CN111858998A (zh) * 2020-06-23 2020-10-30 无锡北斗星通信息科技有限公司 应用区块链网络的自动化美甲***及方法
CN111914585A (zh) * 2018-07-03 2020-11-10 上海斐讯数据通信技术有限公司 一种虹膜识别的方法及***
CN111932502A (zh) * 2020-07-13 2020-11-13 深圳大学 一种角膜图像点云选取方法、***、智能终端及存储介质
CN112905816A (zh) * 2021-03-19 2021-06-04 上海聚虹光电科技有限公司 虹膜搜索识别方法、装置、处理器及电子装置
CN113780239A (zh) * 2021-09-27 2021-12-10 上海聚虹光电科技有限公司 虹膜识别方法、装置、电子设备和计算机可读介质
CN116030014A (zh) * 2023-01-06 2023-04-28 浙江伟众科技有限公司 空调软硬管的智能化加工方法及其***
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140112535A1 (en) * 2012-10-19 2014-04-24 Canon Kabushiki Kaisha Method and apparatus for object detection
CN104484649A (zh) * 2014-11-27 2015-04-01 北京天诚盛业科技有限公司 虹膜识别的方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140112535A1 (en) * 2012-10-19 2014-04-24 Canon Kabushiki Kaisha Method and apparatus for object detection
CN104484649A (zh) * 2014-11-27 2015-04-01 北京天诚盛业科技有限公司 虹膜识别的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨光磊: "非理想场景下的虹膜识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019128714A1 (zh) * 2017-12-26 2019-07-04 华为技术有限公司 虹膜识别方法和vr设备
CN111914585A (zh) * 2018-07-03 2020-11-10 上海斐讯数据通信技术有限公司 一种虹膜识别的方法及***
CN110837749A (zh) * 2018-08-15 2020-02-25 北京京东金融科技控股有限公司 身份识别方法、装置、电子设备及介质
CN109359503A (zh) * 2018-08-15 2019-02-19 温州生物材料与工程研究所 瞳孔识别图像处理方法
CN109359503B (zh) * 2018-08-15 2022-07-01 温州生物材料与工程研究所 瞳孔识别图像处理方法
CN109801207B (zh) * 2019-01-08 2023-05-30 桂林电子科技大学 Cpu-fpga协同的影像特征高速检测与匹配***
CN109801207A (zh) * 2019-01-08 2019-05-24 桂林电子科技大学 Cpu-fpga协同的影像特征高速检测与匹配***
CN109784335A (zh) * 2019-01-25 2019-05-21 太原科技大学 一种基于最小二乘拟合的腭皱图像感兴趣区边界标定方法
CN110245626A (zh) * 2019-06-19 2019-09-17 北京万里红科技股份有限公司 一种在虹膜图像中精确检测眼睫毛图像的方法
CN110245626B (zh) * 2019-06-19 2021-06-22 北京万里红科技股份有限公司 一种在虹膜图像中精确检测眼睫毛图像的方法
CN110473218B (zh) * 2019-07-25 2022-02-15 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN110473218A (zh) * 2019-07-25 2019-11-19 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN110781745B (zh) * 2019-09-23 2022-02-11 杭州电子科技大学 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法
CN110781745A (zh) * 2019-09-23 2020-02-11 杭州电子科技大学 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法
CN110929672B (zh) * 2019-11-28 2024-03-01 联想(北京)有限公司 瞳孔定位方法和电子设备
CN110929672A (zh) * 2019-11-28 2020-03-27 联想(北京)有限公司 瞳孔定位方法和电子设备
CN111027464A (zh) * 2019-12-09 2020-04-17 大连理工大学 对卷积神经网络和序特征编码联合优化的虹膜识别方法
CN111027464B (zh) * 2019-12-09 2023-07-18 大连理工大学 对卷积神经网络和序特征编码联合优化的虹膜识别方法
CN111695474A (zh) * 2020-06-03 2020-09-22 福建福特科光电股份有限公司 一种对人眼虹膜图像γ曲线自适应调整的方法
CN111858998A (zh) * 2020-06-23 2020-10-30 无锡北斗星通信息科技有限公司 应用区块链网络的自动化美甲***及方法
CN111932502A (zh) * 2020-07-13 2020-11-13 深圳大学 一种角膜图像点云选取方法、***、智能终端及存储介质
CN111932502B (zh) * 2020-07-13 2023-09-05 深圳大学 一种角膜图像点云选取方法、***、智能终端及存储介质
CN112905816A (zh) * 2021-03-19 2021-06-04 上海聚虹光电科技有限公司 虹膜搜索识别方法、装置、处理器及电子装置
CN112905816B (zh) * 2021-03-19 2024-05-17 上海聚虹光电科技有限公司 虹膜搜索识别方法、装置、处理器及电子装置
CN113780239B (zh) * 2021-09-27 2024-03-12 上海聚虹光电科技有限公司 虹膜识别方法、装置、电子设备和计算机可读介质
CN113780239A (zh) * 2021-09-27 2021-12-10 上海聚虹光电科技有限公司 虹膜识别方法、装置、电子设备和计算机可读介质
CN116030014A (zh) * 2023-01-06 2023-04-28 浙江伟众科技有限公司 空调软硬管的智能化加工方法及其***
CN116030014B (zh) * 2023-01-06 2024-04-09 浙江伟众科技有限公司 空调软硬管的智能化加工方法及其***
CN116580828B (zh) * 2023-05-16 2024-04-02 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法

Also Published As

Publication number Publication date
CN107292242B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN107292242A (zh) 一种虹膜识别方法和终端
CN105046250B (zh) 人脸识别的眼镜消除方法
CN103632136B (zh) 人眼定位方法和装置
CN110852160B (zh) 以图像为基准的生物识别***及计算机实施方法
CN106020227B (zh) 无人机的控制方法、装置
CN101317183B (zh) 在获取的眼睛的图像中定位表示虹膜的像素的方法
CN106980852A (zh) 基于角点检测与匹配的药品识别***及其识别方法
CN107871322A (zh) 虹膜图像分割方法和装置
CN107506754A (zh) 虹膜识别方法、装置及终端设备
CN108198157A (zh) 基于显著目标区域提取和nsst的异源图像融合方法
CN106572304A (zh) 基于眨眼检测的智能手机拍照***和方法
CN107145845A (zh) 基于深度学习及多特征点融合的行人检测方法
CN106778664A (zh) 一种虹膜图像中虹膜区域的分割方法及其装置
WO2016010721A1 (en) Multispectral eye analysis for identity authentication
CN107169458B (zh) 数据处理方法、装置及存储介质
WO2016010724A1 (en) Multispectral eye analysis for identity authentication
CN107851195A (zh) 利用神经网络进行目标检测
CN106778645A (zh) 一种图像处理方法及装置
CN112699808B (zh) 密集目标检测方法、电子设备及相关产品
CN108198159A (zh) 一种图像处理方法、移动终端以及计算机可读存储介质
CN105956536A (zh) 一种虹膜识别的预处理方法及装置
CN106326860A (zh) 基于视觉的手势识别方法
CN108898171A (zh) 图像识别处理方法、***及计算机可读存储介质
CN111401145A (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN106874906A (zh) 一种图片的二值化方法、装置及终端

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200707