CN108288052A - 虹膜图像归一化方法、装置及计算机可读存储介质 - Google Patents

虹膜图像归一化方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN108288052A
CN108288052A CN201810171295.7A CN201810171295A CN108288052A CN 108288052 A CN108288052 A CN 108288052A CN 201810171295 A CN201810171295 A CN 201810171295A CN 108288052 A CN108288052 A CN 108288052A
Authority
CN
China
Prior art keywords
iris image
iris
pending
image
sampled point
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
CN201810171295.7A
Other languages
English (en)
Other versions
CN108288052B (zh
Inventor
曾山
唐远炎
康镇
袁操
蒋亮
廖婷婷
陈玲
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.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
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 Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN201810171295.7A priority Critical patent/CN108288052B/zh
Publication of CN108288052A publication Critical patent/CN108288052A/zh
Application granted granted Critical
Publication of CN108288052B publication Critical patent/CN108288052B/zh
Active 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
    • G06V40/19—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

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)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种虹膜图像归一化方法、装置及计算机可读存储介质，所述方法包括：获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于充分考虑了瞳孔放大或缩小对虹膜部分的影响，能很好地减少由于瞳孔放大或缩小带来的误差，提升了虹膜图像归一化处理部分的性能，从而能提高后续虹膜部分的特征提取和虹膜识别的准确率。

Description

虹膜图像归一化方法、装置及计算机可读存储介质
技术领域
本发明涉及虹膜图像处理领域，尤其涉及一种虹膜图像归一化方法、装置及计算机可读存储介质。
背景技术
如今是信息化高速发展的时代，互联网概念已经深入我们的生活。如何精确鉴定个人的真实身份，保护信息安全，已成为一个亟待解决的关键性问题。传统的身份认证极易伪造和丢失，难以满足急速发展的社会需求，目前最为便捷安全的解决方案就是生物识别。虹膜识别是一种基于人体生理特征的生物体特征识别技术，与人体纹理、掌纹、脸相、音频、步频及血液等特征识别相比，具有唯一、高稳定、识别率高及检测方便等优点，因此虹膜识别技术己成为当前身份鉴别研究的热门领域。
由于人的瞳孔在不同光照下会有变化，因而虹膜面积也会发生变化，使得虹膜特征很难直接进行比对，因此需要对检测出来的虹膜图像进行规范化处理，即将环形的虹膜区域通过坐标变换映射成一个长为角度分辨率，宽为径向分辨率的矩形区域，以减少虹膜图像由于外界干扰而产生的旋转平移影响。此过程称为归一化，对虹膜图像进行归一化处理是虹膜识别***中非常重要的一个环节。虹膜区域是类圆环形状的，不利于特征提取分析。虹膜归一化的目的是将每幅原始图像调整到相同的尺寸和对应位置，从而消除平移、缩放和旋转对虹膜识别的影响，从而提高虹膜识别的效率。
通常情况下，由于虹膜的内外边界的圆心不是重合的，都有一定的偏差，因此这种偏差也造成了内外边缘构成的环形区域是不同宽度的。目前的虹膜归一化方法都是线性归一化，即都是以线性映射的方式将虹膜从环形映射到固定尺寸的矩形，包括整体线性归一化、双弹簧模型归一化等线性方法。但是由于外界光照等得变化，会引起瞳孔的缩放，瞳孔的缩放会引起虹膜纹理发生相应的缩放变化，这种缩放是不均匀的，是非线性的。因此，虹膜纹理的线性归一化方法无效消除这种不均匀的缩放，从而会降低后续的虹膜识别的准确率。
发明内容
本发明的主要目的在于提供一种虹膜图像归一化方法、装置及计算机可读存储介质，旨在解决现有技术中不能较精确地进行虹膜图像归一化处理的技术问题。
为实现上述目的，本发明提供一种虹膜图像归一化方法，所述方法包括以下步骤：
获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；
根据所述状态类型查找对应的采样模型；
根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
优选地，所述根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型；
根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
优选地，所述根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型，具体包括：
获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型。
优选地，所述根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
将所述待处理虹膜图像的圆周按第一预设份数进行等分；
根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
优选地，所述根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
根据第二预设份数确定采样点序号，对采样点序号进行归一化，将归一化后的采样点序号作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标；
将纵坐标与所述第二预设份数的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
优选地，所述确定所述待处理虹膜图像所属的状态类型，具体包括：
在所述待处理虹膜图像中从瞳孔圆心向外作一条射线，分别获取所述射线与虹膜边缘和瞳孔边缘的交点，计算交点距离；
将所述交点距离与预设距离进行比较，根据比较结果确定所述待处理虹膜图像所属的状态类型。
优选地，所述根据所述状态类型查找对应的采样模型，具体包括：
当所述状态类型为虹膜压缩时，所述采样模型为y＝aebx-a，其中，y为交点距离与预设距离的比值，x为瞳孔边缘与虹膜边缘归一化后距离，a、b为预设参数；
当所述状态类型为虹膜扩张时，所述采样模型为y＝aln(bx+1)。
优选地，所述获取待处理虹膜图像，具体包括：
获取人眼图像，对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理，以获得所述待处理虹膜图像。
此外，为实现上述目的，本发明还提供一种虹膜图像归一化装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虹膜图像归一化程序，所述虹膜图像归一化程序被所述处理器执行时实现如上述虹膜图像归一化方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有虹膜图像归一化程序，所述虹膜图像归一化程序被处理器执行时实现如上述虹膜图像归一化方法的步骤。
在本发明中，通过获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于充分考虑了瞳孔放大或缩小对虹膜部分的影响，能很好地减少由于瞳孔放大或缩小带来的误差，提升了虹膜图像归一化处理部分的性能，从而能提高后续虹膜部分的特征提取和虹膜识别的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明虹膜图像归一化方法第一实施例的流程示意图；
图3为本发明虹膜图像归一化展开图；
图4为本发明虹膜图像归一化方法第二实施例的流程示意图；
图5为本发明虹膜压缩采样点距离曲线图；
图6为本发明虹膜扩张采样点距离曲线图；
图7为本发明虹膜图像归一化方法第三实施例的流程示意图；
图8为虹膜图像归一化处理坐标图；
图9为本发明虹膜定位图；
图10为本发明瞳孔去除后的虹膜图像。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的装置结构示意图。
如图1所示，所述装置可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解，图1中示出的结构并不构成对所述装置的限定，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。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及虹膜图像归一化程序。
所述服务器通过处理器1001调用存储器1005中存储的虹膜图像归一化程序，并执行以下操作：
获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；
根据所述状态类型查找对应的采样模型；
根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型；
根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
将所述待处理虹膜图像的圆周按第一预设份数进行等分；
根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
根据第二预设份数确定采样点序号，对采样点序号进行归一化，将归一化后的采样点序号作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标；
将纵坐标与所述第二预设份数的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
在所述待处理虹膜图像中从瞳孔圆心向外作一条射线，分别获取所述射线与虹膜边缘和瞳孔边缘的交点，计算交点距离；
将所述交点距离与预设距离进行比较，根据比较结果确定所述待处理虹膜图像所属的状态类型。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
当所述状态类型为虹膜压缩时，所述采样模型为y＝aebx-a，其中，y为交点距离与预设距离的比值，x为瞳孔边缘与虹膜边缘归一化后距离，a、b为预设参数；
当所述状态类型为虹膜扩张时，所述采样模型为y＝aln(bx+1)。
进一步地，处理器1001可以调用存储器1005中存储的虹膜图像归一化程序，还执行以下操作：
获取人眼图像，对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理，以获得所述待处理虹膜图像。
在本实施例中，通过获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于充分考虑了瞳孔放大或缩小对虹膜部分的影响，能很好地减少由于瞳孔放大或缩小带来的误差，提升了虹膜图像归一化处理部分的性能，从而能提高后续虹膜部分的特征提取和虹膜识别的准确率。
基于上述硬件结构，提出本发明虹膜图像归一化方法的实施例。
参照图2，图2为本发明虹膜图像归一化方法第一实施例的流程示意图。
在第一实施例中，所述虹膜图像归一化方法包括以下步骤：
步骤S10：获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型。
需要说明的是，所述状态类型包括虹膜压缩与虹膜扩张，在虹膜图像中，由于瞳孔扩张时，虹膜的近瞳区纹理信息丰富，采样点较多，而瞳孔压缩时，虹膜的远瞳区纹理信息丰富，采样点较多，因此，本发明方法充分考虑了瞳孔的扩张或压缩对虹膜部分的影响，即采用相关的数学模型对虹膜的非线性进行矫正，从而对虹膜纹理的不均匀缩放进行校正，实际效果精确。
在具体实现中，获取待处理虹膜图像，并获取瞳孔不发生变化时即标准状态下虹膜半径与瞳孔半径的差值，通过比较所述待处理虹膜图像的虹膜半径与瞳孔半径的差值和标准状态下虹膜半径与瞳孔半径的差值，确定所述待处理虹膜图像所属的状态类型，当所述待处理虹膜图像的虹膜半径与瞳孔半径的差值大于标准状态下虹膜半径与瞳孔半径的差值，认定所述待处理虹膜图像所属的状态类型为虹膜扩张，当所述待处理虹膜图像的虹膜半径与瞳孔半径的差值小于标准状态下虹膜半径与瞳孔半径的差值，认定所述待处理虹膜图像所属的状态类型为虹膜压缩。
步骤S20：根据所述状态类型查找对应的采样模型。
可以理解的是，所述采样模型指的是在采样过程中，所遵循的采样规则方程。由于在瞳孔扩张(即虹膜压缩)的情况下，近瞳区采样点较密集，在远瞳区采样点较稀疏，即随着距离的增大，每个采样点之间距离也随之增大。在瞳孔收缩(即虹膜扩张)的情况下，虹膜被拉伸，近瞳区采样点稀疏，在远瞳区采样点较密集，即随着距离的增大，每个采样点之间距离随之减小。因此，对于不同的状态类型，采用对应不同的采样模型，可对虹膜纹理的不均匀缩放进行校正，实际效果精确。
步骤S30：根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
需要说明的是，针对所述待处理虹膜图像所属的不同状态，将采用不同的采样模型进行采样，以实现对虹膜纹理的非线性缩放进行矫正，因此，将根据所述状态类型查找对应的采样模型，所述采样模型为非线性方程，根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，如图3所示，图3为本发明虹膜图像归一化展开图。
在本实施例中，通过获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于充分考虑了瞳孔放大或缩小对虹膜部分的影响，能很好地减少由于瞳孔放大或缩小带来的误差，提升了虹膜图像归一化处理部分的性能，从而能提高后续虹膜部分的特征提取和虹膜识别的准确率。
参照图4，图4为本发明虹膜图像归一化方法第二实施例的流程示意图，基于上述图2所示的实施例，提出本发明虹膜图像归一化方法的第二实施例。
在第二实施例中，所述步骤S30，具体包括：
步骤S301：根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型。
需要说明的是，所述预设点坐标指的是在采样模型中，梯度为1的点的坐标；所述采样模型为一包含预设参数的未知方程，所述目标采样模型是采样模型求解出预设参数后的已知方程；根据所述采样模型和所述预设点坐标可计算出该采样模型中的预设参数，得出目标采样模型。
步骤S302：根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述步骤S301，具体包括：
步骤S311：获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组。
需要说明的是，根据预设点处梯度为1的性质，得出采样模型在预设点处的导数函数为1，将预设点坐标代入采样模型，可得出两个等式，对该两个等式进行推导，获得包含预设参数的方程组。
在具体实现中，如图5所示，图5为本发明虹膜压缩采样点距离曲线图，当所述状态类型为虹膜压缩时，采样模型为y＝aebx-a，预设点坐标为(x0，y0)，根据预设点处梯度为1，可得到如下等式：
经过如下推导：
上述方程的解可转换为两曲线的交点，两曲线的方程式如下：
在具体实现中，如图6所示，图6为本发明虹膜扩张采样点距离曲线图，当所述状态类型为虹膜扩张时，采样模型为y＝aln(bx+1)，预设点坐标为(x0，y0)，根据预设点处梯度为1，可得到如下等式：
经过如下推导：
上述方程的解可转换为两曲线的交点，两曲线的方程式如下：
步骤S312：按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型。
可以理解的是，所述预设规则为以0为起点，每隔0.001的间隔取一个常数，将该常数赋值给预设参数，对于每一预设参数，依次计算曲线方程组中y1与y2值，当y1与y2的差值小于预设值时，认定所述方程组成立，将使方程组成立的当前赋值作为预设参数的确定值，将该预设参数的确定值代入采样模型，获得目标采样模型。
在具体实现中，从0开始，对b进行赋值，将b赋值为0.001，y1＝1-0.001y0(由于预设点坐标已知，y0为已知值)，y2＝e0.001，计算y1-y2，当y1-y2的差值小于预设值时，例如预设值为0.0001，将当前赋值0.001作为预设参数b的确定值，当y1-y2的差值大于预设值时，将当前赋值增大0.001，再次计算y1-y2的差值，直至y1-y2的差值小于预设值，将当前赋值0.001作为预设参数b的确定值，将该当前赋值代入采样模型，获得目标采样模型，在本实施例中，b赋值为0.546时，y1-y2的差值小于0.0001，将b＝0.546代入上述任一等式中，求出a＝1.061，将a＝1.061，b＝0.546代入采样模型中，获得目标采样模型为y＝1.061e0.546x-1.061。
进一步地，所述步骤S302，具体包括：
步骤S321：将所述待处理虹膜图像的圆周按第一预设份数进行等分。
步骤S322：根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
需要说明的是，将所述待处理虹膜图像的虹膜内外圆周分别对应按第一预设份数进行等分，根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
在具体实现中，将所述待处理虹膜图像的内外圆周分别对应等分为512份，由于所述目标采样模型为一曲线方程，则可根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述步骤S322，具体包括：
根据第二预设份数确定采样点序号，对采样点序号进行归一化，将归一化后的采样点序号作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标。
将纵坐标与所述第二预设份数的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
在具体实现中，当第二预设份数为60时，确定采样点序号为1-60内的自然数1、2、3、……、59、60，将采样点序号归一化至0-1之间，将归一化后的值作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标。将计算所得的纵坐标与60的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
在本实施例中，通过根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型；根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于目标采样模型的曲线特性，在待处理虹膜图像上进行非线性采样，获得采样点，可对虹膜纹理的不均匀缩放进行校正，实际效果精确。
参照图7，图7为本发明虹膜图像归一化方法第三实施例的流程示意图，基于上述图2所示的实施例，提出本发明虹膜图像归一化方法的第三实施例。
在本实施例中，所述确定所述待处理虹膜图像所属的状态类型，具体包括：
步骤S101：在所述待处理虹膜图像中从瞳孔圆心向外作一条射线，分别获取所述射线与虹膜边缘和瞳孔边缘的交点，计算交点距离。
步骤S102：将所述交点距离与预设距离进行比较，根据比较结果确定所述待处理虹膜图像所属的状态类型。
需要说明的是，为了确定待处理虹膜图像所属的状态类型，将对交点距离与预设距离进行比较，所述交点距离为所述待处理虹膜图像的虹膜半径与瞳孔半径的差值，所述预设距离为标准状态下虹膜半径与瞳孔半径的差值。当所述待处理虹膜图像的虹膜半径与瞳孔半径的差值大于标准状态下虹膜半径与瞳孔半径的差值，认定所述待处理虹膜图像所属的状态类型为虹膜扩张，当所述待处理虹膜图像的虹膜半径与瞳孔半径的差值小于标准状态下虹膜半径与瞳孔半径的差值，认定所述待处理虹膜图像所属的状态类型为虹膜压缩。
在具体实现中，如图8所示，图8为虹膜图像归一化处理坐标图，以瞳孔圆心作为极坐标圆心，获取所述待处理虹膜图像的虹膜半径Ri＝106.484和瞳孔半径Ro＝60.192，并标记出虹膜外圆的圆心O(Ox,Oy)和瞳孔内圆的圆心I(Ix,Iy)；
做水平方向成θ角射线，该射线与虹膜边缘和瞳孔边缘各有一个交点，分别记作B(xi(θ),yi(θ)),A(xo(θ),yo(θ))，则有：
∠OIA＝π-θ+α
∠IOA＝π-∠OIA-∠OAI
其中，α为水平方向与IO方向的夹角。
当计算得出IA(θ)后，将IA(θ)减去瞳孔半径即为所述交点距离。
进一步地，所述步骤S20，具体包括：
步骤S201：当所述状态类型为虹膜压缩时，所述采样模型为y＝aebx-a，其中，y为交点距离与预设距离的比值，x为瞳孔边缘与虹膜边缘归一化后距离，a、b为预设参数。
步骤S202：当所述状态类型为虹膜扩张时，所述采样模型为y＝aln(bx+1)。
可以理解的是，在瞳孔扩张(即虹膜压缩)的情况下，近瞳区采样点较密集，在远瞳区采样点较稀疏，即随着距离的增大，每个采样点之间距离也随之增大，因此采样模型采用类指数函数。在瞳孔收缩(即虹膜扩张)的情况下，虹膜被拉伸，近瞳区采样点稀疏，在远瞳区采样点较密集，即随着距离的增大，每个采样点之间距离随之减小，因此采样模型采用类对数函数。
进一步地，所述获取待处理虹膜图像，具体包括：
步骤S01：获取人眼图像，对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理，以获得所述待处理虹膜图像。
需要说明的是，实际情况中，在所述获取待处理虹膜图像之前，一般只能获取人眼图像，需对人眼图像进行预处理，将预处理后的图像作为待处理虹膜图像。如图9、图10所示，图9为本发明虹膜定位图，图10为本发明瞳孔去除后的虹膜图像，所述预处理包括对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理。
进一步地，所述步骤S30，还包括：
IA射线上两个交点之间的任何一点都可以用B(xi(θ),yi(θ)),A(xo(θ),yo(θ))的线性组合表示：
其中，r为比例参数，(x(r,θ)，y(r,θ))为直角坐标系中IA射线上两个交点之间的任何一点的坐标，将待处理虹膜图像中每个点一一映射到极坐标对中去。这种由直角坐标系下的虹膜图像到极坐标下的映射可以表示为：
I(x(r,θ),y(r,θ))→I(r,θ)
其中，I(r,θ)为极坐标系中IA射线上两个交点之间的任何一点的坐标，本发明以瞳孔圆心为中心，以虹膜宽度为半径建立极坐标系，将虹膜在极坐标系下展开成横坐标为θ，纵坐标为r的512*60的矩形。
在本实施例中，通过比较交点距离与预设距离，从而快速确定待处理虹膜图像所属的状态类型；通过不同状态类型查找对应的采样模型，对虹膜纹理的不均匀缩放进行校正，实际效果精确；通过对人眼图像进行预处理，提高了待处理虹膜图像归一化处理的精准度。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有虹膜图像归一化程序，所述虹膜图像归一化程序被处理器执行时实现如下操作：
获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；
根据所述状态类型查找对应的采样模型；
根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型；
根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
将所述待处理虹膜图像的圆周按第一预设份数进行等分；
根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
根据第二预设份数确定采样点序号，对采样点序号进行归一化，将归一化后的采样点序号作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标；
将纵坐标与所述第二预设份数的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
在所述待处理虹膜图像中从瞳孔圆心向外作一条射线，分别获取所述射线与虹膜边缘和瞳孔边缘的交点，计算交点距离；
将所述交点距离与预设距离进行比较，根据比较结果确定所述待处理虹膜图像所属的状态类型。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
当所述状态类型为虹膜压缩时，所述采样模型为y＝aebx-a，其中，y为交点距离与预设距离的比值，x为瞳孔边缘与虹膜边缘归一化后距离，a、b为预设参数；
当所述状态类型为虹膜扩张时，所述采样模型为y＝aln(bx+1)。
进一步地，所述虹膜图像归一化程序被处理器执行时还实现如下操作：
获取人眼图像，对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理，以获得所述待处理虹膜图像。
在本实施例中，通过获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。由于充分考虑了瞳孔放大或缩小对虹膜部分的影响，能很好地减少由于瞳孔放大或缩小带来的误差，提升了虹膜图像归一化处理部分的性能，从而能提高后续虹膜部分的特征提取和虹膜识别的准确率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
单词第一、第二、以及第三等的使用不表示任何顺序，可将这些单词解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种虹膜图像归一化方法，其特征在于，所述方法包括以下步骤：
获取待处理虹膜图像，确定所述待处理虹膜图像所属的状态类型；
根据所述状态类型查找对应的采样模型；
根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
2.如权利要求1所述的虹膜图像归一化方法，其特征在于，所述根据所述采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型；
根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
3.如权利要求2所述的虹膜图像归一化方法，其特征在于，所述根据所述采样模型和预设点坐标计算所述采样模型的预设参数，获得目标采样模型，具体包括：
获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型。
4.如权利要求3所述的虹膜图像归一化方法，其特征在于，所述根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
将所述待处理虹膜图像的圆周按第一预设份数进行等分；
根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
5.如权利要求4所述的虹膜图像归一化方法，其特征在于，所述根据所述目标采样模型在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像，具体包括：
根据第二预设份数确定采样点序号，对采样点序号进行归一化，将归一化后的采样点序号作为横坐标，根据所述横坐标和所述目标采样模型计算对应的纵坐标；
将纵坐标与所述第二预设份数的乘积作为采样点至瞳孔边缘的距离，根据采样点至瞳孔边缘的距离在各分界线上进行非线性采样，获得采样点，根据所述采样点将所述待处理虹膜图像归一化成矩形图像。
6.如权利要求1-5中任一项所述的虹膜图像归一化方法，其特征在于，所述确定所述待处理虹膜图像所属的状态类型，具体包括：
在所述待处理虹膜图像中从瞳孔圆心向外作一条射线，分别获取所述射线与虹膜边缘和瞳孔边缘的交点，计算交点距离；
将所述交点距离与预设距离进行比较，根据比较结果确定所述待处理虹膜图像所属的状态类型。
7.如权利要求6所述的虹膜图像归一化方法，其特征在于，所述根据所述状态类型查找对应的采样模型，具体包括：
当所述状态类型为虹膜压缩时，所述采样模型为y＝aebx-a，其中，y为交点距离与预设距离的比值，x为瞳孔边缘与虹膜边缘归一化后距离，a、b为预设参数；
当所述状态类型为虹膜扩张时，所述采样模型为y＝aln(bx+1)。
8.如权利要求1-5中任一项所述的虹膜图像归一化方法，其特征在于，所述获取待处理虹膜图像，具体包括：
获取人眼图像，对所述人眼图像进行虹膜定位，并对定位后的图像进行瞳孔去除处理，以获得所述待处理虹膜图像。
9.一种虹膜图像归一化装置，其特征在于，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虹膜图像归一化程序，所述虹膜图像归一化程序被所述处理器执行时实现如权利要求1至8中任一项所述的虹膜图像归一化方法的步骤。
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上存储有虹膜图像归一化程序，所述虹膜图像归一化程序被处理器执行时实现如权利要求1至8中任一项所述的虹膜图像归一化方法的步骤。
CN201810171295.7A 2018-03-01 2018-03-01 虹膜图像归一化方法、装置及计算机可读存储介质 Active CN108288052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810171295.7A CN108288052B (zh) 2018-03-01 2018-03-01 虹膜图像归一化方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810171295.7A CN108288052B (zh) 2018-03-01 2018-03-01 虹膜图像归一化方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108288052A true CN108288052A (zh) 2018-07-17
CN108288052B CN108288052B (zh) 2020-12-01

Family

ID=62833259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810171295.7A Active CN108288052B (zh) 2018-03-01 2018-03-01 虹膜图像归一化方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN108288052B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287872A (zh) * 2020-11-12 2021-01-29 北京建筑大学 基于多任务神经网络的虹膜图像分割、定位和归一化方法
CN112949518A (zh) * 2021-03-09 2021-06-11 上海聚虹光电科技有限公司 虹膜图像处理方法、装置、设备及存储介质
CN113160153A (zh) * 2021-04-06 2021-07-23 宁波大学医学院附属医院 一种基于深度学习技术的肺结节筛查方法及筛查***
WO2021168808A1 (zh) * 2020-02-28 2021-09-02 京东方科技集团股份有限公司 图像处理装置、方法、显示装置和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1445714A (zh) * 2003-03-19 2003-10-01 上海交通大学 虹膜纹理归一化处理方法
CN1776710A (zh) * 2005-11-17 2006-05-24 上海交通大学 人体虹膜纹理的非线性归一化方法
US20070036397A1 (en) * 2005-01-26 2007-02-15 Honeywell International Inc. A distance iris recognition
KR20110078468A (ko) * 2009-12-31 2011-07-07 서강대학교산학협력단 비제한적 환경에서의 홍채 인식 시스템 및 방법
CN102663372A (zh) * 2012-04-25 2012-09-12 中国科学技术大学 一种基于双弹簧模型的虹膜纹理归一化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1445714A (zh) * 2003-03-19 2003-10-01 上海交通大学 虹膜纹理归一化处理方法
US20070036397A1 (en) * 2005-01-26 2007-02-15 Honeywell International Inc. A distance iris recognition
CN1776710A (zh) * 2005-11-17 2006-05-24 上海交通大学 人体虹膜纹理的非线性归一化方法
KR20110078468A (ko) * 2009-12-31 2011-07-07 서강대학교산학협력단 비제한적 환경에서의 홍채 인식 시스템 및 방법
CN102663372A (zh) * 2012-04-25 2012-09-12 中国科学技术大学 一种基于双弹簧模型的虹膜纹理归一化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUGO PROENCA等: "Iris Recognition: An Analysis of the Aliasing Problem in the Iris Normalization Stage", 《2006 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY》 *
INMACULADA TOMEO-REYES等: "A Biomechanical Approach to Iris Normalization", 《2015 INTERNATIONAL CONFERENCE ON BIOMETRICS》 *
张德馨: "虹膜图像的预处理", 《中国科学院机构知识库网格》 *
郭巧丽等: "基于线段提取的虹膜归一化方法", 《计算机技术与发展》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021168808A1 (zh) * 2020-02-28 2021-09-02 京东方科技集团股份有限公司 图像处理装置、方法、显示装置和计算机可读存储介质
CN112287872A (zh) * 2020-11-12 2021-01-29 北京建筑大学 基于多任务神经网络的虹膜图像分割、定位和归一化方法
CN112287872B (zh) * 2020-11-12 2022-03-25 北京建筑大学 基于多任务神经网络的虹膜图像分割、定位和归一化方法
CN112949518A (zh) * 2021-03-09 2021-06-11 上海聚虹光电科技有限公司 虹膜图像处理方法、装置、设备及存储介质
CN112949518B (zh) * 2021-03-09 2024-04-05 上海聚虹光电科技有限公司 虹膜图像处理方法、装置、设备及存储介质
CN113160153A (zh) * 2021-04-06 2021-07-23 宁波大学医学院附属医院 一种基于深度学习技术的肺结节筛查方法及筛查***

Also Published As

Publication number Publication date
CN108288052B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN108288052A (zh) 虹膜图像归一化方法、装置及计算机可读存储介质
US20230072352A1 (en) Speech Recognition Method and Apparatus, Terminal, and Storage Medium
EP2879095B1 (en) Method, apparatus and terminal device for image processing
KR102334209B1 (ko) 사용자 인증 방법 및 이를 지원하는 전자장치
US20190149543A1 (en) Face verification method and device
EP3340239A1 (en) Electronic device and speech recognition method therefor
CN108496220B (zh) 电子设备及其语音识别方法
EP2911077A2 (en) Method and apparatus for processing biometric information in electronic device
WO2015197008A1 (zh) 一种生物认证方法及终端
US10607066B2 (en) Living body identification method, information generation method, and terminal
EP3276942B1 (en) Electronic device and method for controlling the same
CN108875594B (zh) 一种人脸图像的处理方法、装置以及存储介质
CN109117742B (zh) 手势检测模型处理方法、装置、设备及存储介质
KR20160072705A (ko) 생채 특징 패턴을 업데이트하는 방법 및 이를 위한 전자 장치
WO2021104097A1 (zh) 表情包生成方法、装置及终端设备
EP4113430A1 (en) Beauty treatment method and device
KR20180067654A (ko) 얼굴 검증 방법 및 전자 디바이스
TW202006630A (zh) 支付方法、裝置及系統
CN109145926A (zh) 相似图片识别方法及计算机设备
CN106295533A (zh) 一种自拍图像的优化方法、装置和拍摄终端
US11651103B2 (en) Data privacy using a podium mechanism
US20180247105A1 (en) High speed reference point independent database filtering for fingerprint identification
WO2020224136A1 (zh) 界面交互方法及装置
CN108924343A (zh) 电子设备控制方法、装置、存储介质及电子设备
CN112468658A (zh) 语音质量检测方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant