CN109409342A - 一种基于轻量卷积神经网络的虹膜活体检测方法 - Google Patents
一种基于轻量卷积神经网络的虹膜活体检测方法 Download PDFInfo
- Publication number
- CN109409342A CN109409342A CN201811511287.9A CN201811511287A CN109409342A CN 109409342 A CN109409342 A CN 109409342A CN 201811511287 A CN201811511287 A CN 201811511287A CN 109409342 A CN109409342 A CN 109409342A
- Authority
- CN
- China
- Prior art keywords
- iris
- iris image
- neural networks
- convolutional neural
- light weight
- 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
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Ophthalmology & Optometry (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开的一种基于轻量卷积神经网络的虹膜活体检测方法,包括:S1、采集活体虹膜图像、假体虹膜图像样本,经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器;S2、获取待检测的虹膜图像;S3、利用训练好的的轻量卷积神经网络模型对待检测虹膜图像进行特征提取,得到待检测虹膜图像对应的特征向量;S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中,计算所述特征向量属于活体虹膜图像的概率值,当所述概率值超过所预设的阈值,即可判定待检测的虹膜图像为活体。本发明的优点在于,避免虹膜设备遭受假体虹膜“攻陷”问题,使得虹膜识别设备具有更高的可靠性和安全性,增加了用户对虹膜识别设备使用的信心。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种基于轻量卷积神经网络的虹膜活体检测方法。
背景技术
随着科技的发展,生物特征识别技术在很多行业中得到了广泛的应用,由于虹膜识别技术具有高稳定性、高防伪性和唯一性等特点,使其得到广泛的应用,特别是那些保密性要求较高的场景中。但随着生物特征识别技术的普及,虹膜伪造技术也随之出现。因此,虹膜识别设备是否配备活体检测技术体现出该设备的水平高低。
现阶段的虹膜活体检测技术,主要侧重于硬件的帮助,通过硬件设备释放不同强弱的光线使瞳孔呈现不同的收缩情况,以此来进行活体检测。但该方法设备造价较高,而且根据设备释放光线强弱周期,可以伪造瞳孔缩放间隔,从而无法判断虹膜是否为活体,降低了安防领域的安全性。
发明内容
为了解决现有技术中虹膜活体检测侧重于硬件的帮助,可以伪造瞳孔缩放距离从而无法真实地判断是否为活体的问题,本发明提供了一种基于轻量卷积神经网络的虹膜活体检测方法,实现的目的为,采用轻量卷积神经网络对待检虹膜数据是否为活体进行预测和判断,检测速度快、准确率高。
为了实现上述目的,本发明提供的技术方案为,本发明提供的一种基于轻量卷积神经网络的虹膜活体检测方法,包括:
S1、采集活体虹膜图像、假体虹膜图像样本,经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器;
S2、获取待检测的虹膜图像;
S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取,得到待检测虹膜图像对应的特征向量;
S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中,计算所述特征向量属于活体虹膜图像的概率值,当所述概率值超过所预设的阈值,即可判定待检测的虹膜图像为活体。
进一步的,S1所述网络权重和分类器训练过程如下:
S11、首先对待训练的虹膜图像数据进行处理,包括打标签,训练集、验证集和测试集的划分;
S12、其次,对训练过程中用到的超参数进行设置,以及优化器算法的选择;
S13、在训练过程中,数据经过网络的前向推理得到每个类别的预测结果,利用损失函数计算预测值与真实值之间的误差,再将误差反向传播至网络中;
S14、在反向传播过程中,对每个节点求偏导,以学习率为步长调整权重的大小,再次前向传播,如此反复计算,当训练到损失函数值不再变化或在某一值小幅上下震荡时,停止训练;若此时分类器在验证集和测试集上精度达到最优,则模型训练完成。
进一步的,所述S3中还包括利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前,针对所述虹膜图像进行预处理,以确定所述虹膜图像中的虹膜部分。
所述针对所述虹膜数据进行预处理,包括:
定位所述虹膜图像的虹膜部分,并进行分割,以得到圆环状的虹膜区域;
对所述圆环状的虹膜区域先做极坐标变换,展成矩形状,然后从其中间一分为二,并将右侧部分拷贝到左侧图像的下方,再对其进行缩放和归一化处理。依据如下公式对缩放后的图像进行归一化处理,
其中,x为输入的缩放后的虹膜图像像素点值,x′计算后的像素值,μ和σ分别为缩放后虹膜图像的期望和方差值。
进一步的,虹膜图像含有丰富的纹理特征,真假体虹膜的区分主要是根据其纹理、灰度的分布不同。所述S3中利用训练好的轻量卷积神经网络模型对所述虹膜图形进行特征提取,得到一组待分类的特征向量。
所述神经网络主干模型包括两个卷积层,两个Stage、一个均值池化层和一个分类层。
所述S4中输入虹膜图像数据,采用训练好的权重对数据进行前向推理,得到一组特征,再由分类器分类,由如下公式得到该虹膜图像属于某一类别的概率值,若该概率大于设定阈值,则属于活体,反之为假体;
综上,本发明采用上述技术方案,具有以下有益效果,本发明采用用轻量的卷积神经网络对虹膜数据进行活体检测,检测速度快、准确率高,因此本发明可避免虹膜设备遭受假体虹膜“攻陷”问题,使得虹膜识别设备具有更高的可靠性和安全性,增加了用户对虹膜识别设备使用的信心。
附图说明
图1为本发明S3步骤中对待测虹膜图像归一化处理之前示意图;
图2为本发明S3步骤中对待测虹膜图像归一化处理之后示意图;
图3为本发明轻量神经网络模型骨干网络结构示意图;
图中,1、虹膜图像;2、外圆;3、内圆;4、圆环状虹膜区域;5、矩形状虹膜区域;6、调整后的虹膜图像;7、缩放和归一化后的虹膜图像。
具体实施方式
以下结合具体实施例对本发明作出进一步的说明。
实施例一:本发明提供的一种基于轻量卷积神经网络的虹膜活体检测方法,包括:
S1、采集活体虹膜图像、假体虹膜图像样本,经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器;
S2、获取待检测的虹膜图像;
S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取,得到待检测虹膜图像对应的特征向量;
S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中,计算所述特征向量属于活体虹膜图像的概率值,当所述概率值超过所预设的阈值,即可判定待检测的虹膜图像为活体。
进一步的,S1所述网络权重和分类器训练过程如下:
S11、首先对待训练的虹膜图像数据进行处理,包括打标签,训练集、验证集和测试集的划分;
S12、其次,对训练过程中用到的超参数进行设置,以及优化器算法的选择;
S13、在训练过程中,数据经过网络的前向推理得到每个类别的预测结果,利用损失函数计算预测值与真实值之间的误差,再将误差反向传播至网络中;
S14、在反向传播过程中,对每个节点求偏导,以学习率为步长调整权重的大小,再次前向传播,如此反复计算,当训练到损失函数值不再变化或在某一值小幅上下震荡时,停止训练;若此时分类器在验证集和测试集上精度达到最优,则模型训练完成。
进一步的,所述S3中还包括利用训练好的的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前,针对所述虹膜图像进行预处理,以确定所述虹膜图像中的虹膜部分。所述针对所述虹膜数据进行预处理,包括:
定位所述虹膜图像的虹膜部分,并进行分割,以得到圆环状的虹膜区域;
对所述圆环状的虹膜区域先做极坐标变换,展成矩形状,然后从其中间一分为二,并将右侧部分拷贝到左侧图像的下方,再对其进行缩放和归一化处理。依据如下公式对缩放后的图像进行归一化处理,
其中,x为输入的缩放后的虹膜图像像素点值,x′计算后的像素值,μ和σ分别为缩放后虹膜图像的期望和方差值。
可以参照图1所示,获取到的原始图像为虹膜图像1(左图),该图中存在外圆2和内圆3,定位确定虹膜图像1中虹膜部分为外圆2与内圆3之间的部分,因此针对虹膜图像1进行分割,得到圆环状的虹膜区域4,即图1中右图阴影部分。控制圆环状的虹膜区域进行极坐标变换处理,得到如图2所示的矩形状的虹膜区域5。将举行虹膜区域从中间一分为二,将右侧部分拷贝到左侧图像下面组成一张图像6,然后缩放到预设尺寸7,再经归一化处理后送入神经网络中进行特征提取。
本发明中,通过对虹膜图像的预处理,得到只有虹膜区域部分,然后送入到网络中训练和测试,有效的避免非虹膜区域对分类任务的干扰,同时也可以加快在训练过程中网络收敛的速度。
进一步的,所述S3中利用训练好的的轻量卷积神经网络模型对所述虹膜图形进行特征提取时,所述轻量神经网络模型参照图3所示:
所述神经网络主干模型包括两个卷积层,两个Stage、一个均值池化层和一个分类层两个卷积层都为普通的卷积层,第二个卷积层采用1×1的卷积核,主要目的是为了采用较小的计算量来提高特征的表达能力;两个Stage层是由图3(a)和(b)构成,其中图3(a)是Stage的主要组成,图3(b)是起到下采样的目的。
图3(a)中,Channel Splite是将输入数据通道均分成两个部分,一部分直接传递到Concat层,一部分经过3个卷积层处理后再传到Concat层进行链接,每个卷积层的步长为1,然后传递到Shuffle Channel层,对特征图进行通道混洗,提高特征的表达能力。
与图3(a)不同的是,图3(b)左侧多了一个下采样过程,下采用主要是由一个3×3的DepthWise层和一个1×1的PointWise层组成,此时的DepthWise层步长设置为2,右侧的3×3的DepthWise层步长也为2,其他部分相同。下采样只在每个Stage的第一次做,其他5次采用图3(a)结构执行。
图3(a)中的右侧3个卷积层主要构成有,第一个卷积核为1×1,在传统BottleNeck层中,该层是起到降维作用,但是在本发明中的网络中,该层的输出层和出入层特征图通道数相同,主要目的是为了降低内存访问成本,提高网络推理速度;第二个和第三个分别为DepthWise和PointWise层,目的是为降低网络的参数量和计算量。
不同的神经网络模型的输入数据的大小均有要求,例如,本实施例中神经网络的输入数据要求的为48×48大小。实际应用时,可以将如图2所示的矩形状的虹膜区域处理压缩为像素为48×48的图像。也就是说,本实施例通过对环形状的虹膜区域进行一系列的处理,最终得到预设尺寸图像,以符合神经网络模型的输入要求。
所述S4中输入虹膜图像数据,采用训练好的权重对数据进行前向推理,得到一组特征,再由分类器分类,由如下公式得到该虹膜图像属于某一类别的概率值,若该概率大于设定阈值,则属于活体,反之为假体;
下述的表1为本发明的整个网络架构,由该网络架构训练出的模型对虹膜图像有较好的预测分类效果,根据分类结果,进一步的可判别出输入虹膜图像是否为真体。
表1
Layer | Output Size | Ksize | Stride | Repeat | Output Channels |
Image | 48×48 | 1 | |||
Conv1 | 24×24 | 3×3 | 2 | 1 | 32 |
Stage1 | 12×12 | 2/1 | 6 | 176 | |
Stage2 | 6×6 | 2/1 | 6 | 352 | |
Conv4 | 6×6 | 1×1 | 1 | 1 | 512 |
GlobalPool | 1×1 | 6×6 | |||
FC | 2 |
本发明,通过获取虹膜图像,以便利用训练好的神经网络模型对虹膜图像进行特征提取,得到虹膜图像对应的特征向量,为计算特征向量与标准图像的相似度提供准备,实现依据相似度确定虹膜图像对应的图像分类的目的,解决了现有技术中依据虹膜图像进行图像分类对硬件设备过度的依赖,实现了通过卷积神经网络提高对虹膜分类的精确度以及鲁邦性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)
1.一种基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,包括:
S1、采集活体虹膜图像、假体虹膜图像样本,经卷积神经网络学习训练得到区分活体虹膜与假体虹膜图像的网络权重和分类器;
S2、获取待检测的虹膜图像;
S3、利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取,得到待检测虹膜图像对应的特征向量;
S4、将S3得到的待测虹膜图像对应的特征向量输入至S1得到的分类器中,计算所述特征向量属于活体虹膜图像的概率值,当所得概率值超过所预设的阈值,即可判定待检测的虹膜图像为活体。
2.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,S1所述网络权重和分类器训练过程如下:
S11、首先对待训练的虹膜图像数据进行处理,包括打标签,训练集、验证集和测试集的划分;
S12、其次,对训练过程中用到的超参数进行设置,以及优化器算法的选择;
S13、在训练过程中,数据经过网络的前向推理得到每个类别的预测结果,利用损失函数计算预测值与真实值之间的误差,再将误差反向传播至网络中;
S14、在反向传播过程中,对每个节点求偏导,以学习率为步长调整权重的大小,再次前向传播,如此反复计算,当训练到损失函数值不再变化或在某一值小幅上下震荡时,停止训练;若此时分类器在验证集和测试集上精度达到最优,则模型训练完成。
3.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,所述S3中还包括利用训练好的轻量卷积神经网络模型对待检测虹膜图像进行特征提取之前,针对所述虹膜图像进行预处理,以确定所述虹膜图像中的虹膜部分。
4.根据权利要求3所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,所述针对所述虹膜数据进行预处理,包括:
定位所述虹膜图像的虹膜部分,并进行分割,以得到圆环状的虹膜区域;
对所述圆环状的虹膜区域先做极坐标变换,展成矩形状,然后从其中间一分为二,并将右侧部分拷贝到左侧图像的下方,再对其进行缩放和归一化处理;依据如下公式对缩放后的图像进行归一化处理,
其中,x为输入的缩放后的虹膜图像像素点值,x′计算后的像素值,μ和σ分别为缩放后虹膜图像的期望和方差值。
5.根据权利要求1或4所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,
虹膜图像含有丰富的纹理特征,真假体虹膜的区分主要是根据其纹理、灰度的分布不同;所述S3中利用训练好的轻量卷积神经网络模型对所述虹膜图形进行特征提取,将得到一组待分类的特征向量;
所述轻量神经网络主干模型包括两个卷积层,两个Stage层、一个均值池化层和一个分类层。
6.根据权利要求1所述的基于轻量卷积神经网络的虹膜活体检测方法,其特征在于,
所述S4中输入虹膜图像数据,采用训练好的权重对数据进行前向推理,获得一组特征,再由分类器分类,由如下公式得到该虹膜图像属于某一类别的概率值,若该概率大于设定阈值,则属于活体,反之为假体;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511287.9A CN109409342A (zh) | 2018-12-11 | 2018-12-11 | 一种基于轻量卷积神经网络的虹膜活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511287.9A CN109409342A (zh) | 2018-12-11 | 2018-12-11 | 一种基于轻量卷积神经网络的虹膜活体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409342A true CN109409342A (zh) | 2019-03-01 |
Family
ID=65458489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811511287.9A Pending CN109409342A (zh) | 2018-12-11 | 2018-12-11 | 一种基于轻量卷积神经网络的虹膜活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409342A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046588A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种具有盗取攻击应对机制的异质虹膜认证方法 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110909601A (zh) * | 2019-10-18 | 2020-03-24 | 武汉虹识技术有限公司 | 一种基于深度学习的美瞳识别方法及*** |
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 |
CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
CN111402143A (zh) * | 2020-06-03 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN111401145A (zh) * | 2020-02-26 | 2020-07-10 | 三峡大学 | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 |
CN111507198A (zh) * | 2020-03-25 | 2020-08-07 | 北京万里红科技股份有限公司 | 打印虹膜检测模型的训练方法、打印虹膜检测方法及装置 |
CN111611851A (zh) * | 2020-04-10 | 2020-09-01 | 北京中科虹霸科技有限公司 | 模型生成方法、虹膜检测方法及装置 |
CN111798404A (zh) * | 2019-04-04 | 2020-10-20 | 上海点与面智能科技有限公司 | 基于深度神经网络的虹膜图像质量评估方法及评估*** |
CN111914646A (zh) * | 2020-07-01 | 2020-11-10 | 天津中科智能识别产业技术研究院有限公司 | 一种基于光场图像序列的双流融合网络虹膜活体检测方法 |
CN112927174A (zh) * | 2019-12-06 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 一种图像处理,图像训练以通道混洗方法和装置 |
CN113837117A (zh) * | 2021-09-28 | 2021-12-24 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
CN113837993A (zh) * | 2021-07-29 | 2021-12-24 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
CN115100730A (zh) * | 2022-07-21 | 2022-09-23 | 北京万里红科技有限公司 | 虹膜活体检测模型的训练方法、虹膜活体检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
CN107220598A (zh) * | 2017-05-12 | 2017-09-29 | 中国科学院自动化研究所 | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 |
-
2018
- 2018-12-11 CN CN201811511287.9A patent/CN109409342A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
CN101833646A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种虹膜活体检测方法 |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
CN107220598A (zh) * | 2017-05-12 | 2017-09-29 | 中国科学院自动化研究所 | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 |
Non-Patent Citations (3)
Title |
---|
NINGNING MA ET AL: "ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design", 《ARXIV:1807.11164V1》 * |
张传雷等: "《基于图像分析的植物及其病虫害识别方法研究》", 31 October 2018 * |
李志明: "基于卷积神经网络的虹膜活体检测算法研究", 《计算机工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798404A (zh) * | 2019-04-04 | 2020-10-20 | 上海点与面智能科技有限公司 | 基于深度神经网络的虹膜图像质量评估方法及评估*** |
CN110046588A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种具有盗取攻击应对机制的异质虹膜认证方法 |
CN110321844B (zh) * | 2019-07-04 | 2021-09-03 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110909601A (zh) * | 2019-10-18 | 2020-03-24 | 武汉虹识技术有限公司 | 一种基于深度学习的美瞳识别方法及*** |
CN110909601B (zh) * | 2019-10-18 | 2022-12-09 | 武汉虹识技术有限公司 | 一种基于深度学习的美瞳识别方法及*** |
CN112927174B (zh) * | 2019-12-06 | 2024-05-03 | 阿里巴巴集团控股有限公司 | 一种图像处理,图像训练以通道混洗方法和装置 |
CN112927174A (zh) * | 2019-12-06 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 一种图像处理,图像训练以通道混洗方法和装置 |
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 |
CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
CN111242063B (zh) * | 2020-01-17 | 2023-08-25 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
CN111401145A (zh) * | 2020-02-26 | 2020-07-10 | 三峡大学 | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 |
CN111507198A (zh) * | 2020-03-25 | 2020-08-07 | 北京万里红科技股份有限公司 | 打印虹膜检测模型的训练方法、打印虹膜检测方法及装置 |
CN111507198B (zh) * | 2020-03-25 | 2023-11-28 | 北京万里红科技有限公司 | 打印虹膜检测模型的训练方法、打印虹膜检测方法及装置 |
CN111611851A (zh) * | 2020-04-10 | 2020-09-01 | 北京中科虹霸科技有限公司 | 模型生成方法、虹膜检测方法及装置 |
CN111611851B (zh) * | 2020-04-10 | 2024-04-02 | 北京中科虹霸科技有限公司 | 模型生成方法、虹膜检测方法及装置 |
CN111402143A (zh) * | 2020-06-03 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN111914646A (zh) * | 2020-07-01 | 2020-11-10 | 天津中科智能识别产业技术研究院有限公司 | 一种基于光场图像序列的双流融合网络虹膜活体检测方法 |
CN113837993A (zh) * | 2021-07-29 | 2021-12-24 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
CN113837993B (zh) * | 2021-07-29 | 2024-01-30 | 天津中科智能识别产业技术研究院有限公司 | 轻量级虹膜图像分割方法、装置、电子设备及存储介质 |
CN113837117A (zh) * | 2021-09-28 | 2021-12-24 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
CN113837117B (zh) * | 2021-09-28 | 2024-05-07 | 上海电力大学 | 基于新型归一化和深度神经网络的虹膜编码方法 |
CN115100730A (zh) * | 2022-07-21 | 2022-09-23 | 北京万里红科技有限公司 | 虹膜活体检测模型的训练方法、虹膜活体检测方法及装置 |
CN115100730B (zh) * | 2022-07-21 | 2023-08-08 | 北京万里红科技有限公司 | 虹膜活体检测模型的训练方法、虹膜活体检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409342A (zh) | 一种基于轻量卷积神经网络的虹膜活体检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Adriman et al. | Performance evaluation of binary classification of diabetic retinopathy through deep learning techniques using texture feature | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
Yao et al. | Robust CNN-based gait verification and identification using skeleton gait energy image | |
CN106022273A (zh) | 基于动态样本选择策略的bp神经网络手写体识别*** | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN110503000B (zh) | 一种基于人脸识别技术的教学抬头率测量方法 | |
CN110689526B (zh) | 基于视网膜眼底图像的视网膜血管分割方法及*** | |
CN112580445B (zh) | 基于生成对抗网络的人体步态图像视角转化方法 | |
CN111914761A (zh) | 一种热红外人脸识别的方法及*** | |
CN107392187A (zh) | 一种基于梯度方向直方图的人脸活体检测方法 | |
CN106909883A (zh) | 一种基于ros的模块化手部区域检测方法和装置 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及*** | |
CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其*** | |
Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
Yuan et al. | Ear detection based on CenterNet | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
Nouisser et al. | Enhanced MobileNet and transfer learning for facial emotion recognition | |
Liu et al. | DCMS-YOLOv5: A Dual-Channel and Multi-Scale Vertical Expansion Helmet Detection Model Based on YOLOv5. | |
CN103390150A (zh) | 人体部件检测方法和装置 | |
Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
CN104732521B (zh) | 一种基于权重组相似活动轮廓模型的相似目标分割方法 | |
US20230230277A1 (en) | Object position estimation device, object position estimation method, and recording medium |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Applicant after: Beijing wanlihong Technology Co.,Ltd. Address before: 100081 Room 204, building 3, Fuhai center, Daliushu, Haidian District, Beijing Applicant before: BEIJING SUPERRED TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |