CN111611848B - 尸体虹膜识别方法和装置 - Google Patents
尸体虹膜识别方法和装置 Download PDFInfo
- Publication number
- CN111611848B CN111611848B CN202010256074.7A CN202010256074A CN111611848B CN 111611848 B CN111611848 B CN 111611848B CN 202010256074 A CN202010256074 A CN 202010256074A CN 111611848 B CN111611848 B CN 111611848B
- Authority
- CN
- China
- Prior art keywords
- iris
- cadaver
- quality evaluation
- result
- quality
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 5
- 238000012790 confirmation Methods 0.000 abstract description 5
- 210000000554 iris Anatomy 0.000 description 354
- 238000011156 evaluation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000011888 autopsy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000035992 Postmortem Changes Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000016339 iris pattern Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002911 mydriatic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/197—Matching; Classification
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提供一种尸体虹膜识别方法和装置,所述方法包括以下步骤:采集尸体虹膜图像,并对采集的尸体虹膜图像进行虹膜图像质量评价;对尸体虹膜图像进行第一尸体虹膜质量评价;对于图像质量符合预定质量标准的虹膜图像,进行虹膜检测与定位;将定位到虹膜区域的尸体虹膜图像数据和活体虹膜数据库中的虹膜数据进行匹配,并获得至少一个匹配结果和相应的置信度;基于质量评价结果、匹配结果和相应的置信度综合分析输出最终识别结果。本发明实施例为高效的高精度尸体身份确认提供了一种有效手段。
Description
技术领域
本发明涉及虹膜识别技术,尤其涉及一种尸体虹膜识别方法和装置。
背景技术
由于虹膜高度的稳定性和唯一性,被视为安全性极高的生物特征,适用于精度要求高的身份识别认证场景。目前,虹膜识别技术被用于公安刑侦、监狱、嫌疑人排查、出入境等活人身份管理中,已经积累了大量嫌疑人和流动人口的虹膜图像数据。
在传统的尸体解剖身份确认中,可使用指纹比对识别、DNA比对识别、相关人认定等方式进行尸体的身份确认。当遇到指纹损坏或缺失、面部特征损坏等因素时,就只能依靠DNA比对识别,其不仅需要一定的时间且成本相对高。
因此,为尸体身份确认提供一种快速、有效的识别技术,一直是备受关注的问题。
发明内容
鉴于此,本发明实施例提供了一种尸体虹膜识别方法和装置,以快速有效地通过尸体虹膜识别来识别死者身份。
本发明的技术方案如下:
一种尸体虹膜识别方法,该方法包括以下步骤:
采集尸体虹膜图像,并对采集的尸体虹膜图像进行虹膜图像质量评价;
对尸体虹膜图像进行第一尸体虹膜质量评价;
对于图像质量符合预定质量标准的虹膜图像,进行虹膜检测与定位;
将定位到虹膜区域的尸体虹膜图像数据和活体虹膜数据库中的虹膜数据进行匹配,并获得至少一个匹配结果和相应的置信度;
基于质量评价结果、匹配结果和相应的置信度综合分析,输出最终识别结果。
可选地,所述对采集的尸体虹膜图像进行虹膜图像质量评价,包括:采用如下质量评价因素中的至少一种进行虹膜图像质量评价并获得虹膜图像评价结果:离焦模糊程度、运动模糊程度、清晰度以及有效虹膜区域比例。
可选地,所述对尸体虹膜图像进行第一虹膜质量评价,包括:利用基于深度卷积网络的、经训练的第一分类器对尸体虹膜图像进行虹膜质量等级分类,获得第一虹膜质量评价结果;其中,所述第一分类器是利用采集的多组死亡时间对应的多组不同虹膜质量的虹膜图像训练得到的分类器。
可选地,在进行虹膜检测与定位的步骤前,所述方法还包括:进行尸体虹膜图像预处理。
可选地,所述进行虹膜检测与定位之后,将定位到的虹膜区域内的数据和活体虹膜数据库中的虹膜数据进行匹配之前,所述方法还包括:对定位的虹膜区域进行第二尸体虹膜质量评价。
可选地,所述对定位到的虹膜区域进行比所述第一虹膜质量评价更高精度的第二虹膜质量评价,包括:利用基于深度卷积网络的、经训练的第二分类器对定位到虹膜区域的尸体虹膜图像进行虹膜质量等级分类,获得第二虹膜质量评价结果;其中,所述第二分类器是利用采集的多组死亡时间对应的多组不同虹膜质量的、标注了虹膜区域的虹膜图像训练得到的分类器。
可选地,所述质量评价结果包括虹膜图像质量评价结果和/或虹膜质量评价结果;所述基于质量评价结果和预存储的活体虹膜数据库进行尸体虹膜识别,并获得至少一个初步识别结果和相应的置信度,包括:在质量评价结果符合第一条件的情况下,对定位到的虹膜区域进行归一化展开和特征提取,并将提取的特征与活体虹膜数据库中的相应特征进行比对,获得前K个相似虹膜模板和对应的K个置信度,其中,K大于等于1;和/或在质量评价结果符合第二条件的情况下,采用深度卷积网络对定位到的虹膜区域进行特征提取,并计算与预存的活体虹膜数据库中不同虹膜图像的相似度,获得前L个相似虹膜模板和对应的L个置信度,其中,L大于等于1。
可选地,符合所述符合第一条件的质量评价结果优于符合所述第二条件的质量评价结果。
可选地,所述基于质量评价结果、匹配结果和相应的置信度综合分析,输出最终识别结果,包括:
基于虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度确定识别结果可信度等级,来输出最优识别结果,输出至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果;或者将虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度作为特征向量,作为分类器的输入特征,通过分类器学习方式输出第一可信度等级的单个最优识别结果,输出第二可信度等级的至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果。
可选地,所述基于质量评价结果、匹配结果和相应的置信度输出最终识别结果,包括:基于虹膜图像质量评价结果、第一虹膜质量评价结果、第二虹膜质量评价结果和初步识别结果相应的置信度确定识别结果可信度等级,来输出最优识别结果,输出至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果;或者将虹膜图像质量评价结果、第一虹膜质量评价结果、第二虹膜质量评价结果和初步识别结果相应的置信度作为特征向量,作为分类器的输入特征,通过分类器学习方式输出第一可信度等级的单个最优识别结果,输出第二可信度等级的至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果。
本发明的另一方面,还提供一种尸体虹膜识别装置,该装置包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。
本发明的另一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前所述方法的步骤。
本发明的尸体虹膜识别方法和装置能够解决尸体虹膜图像与活体虹膜图像比对识别的问题,为高效的尸体身份确认提供了一种有效手段。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。附图中的部件不是成比例绘制的,而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分,附图中对应部分可能被放大,即,相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本发明一实施例中尸体虹膜识别方法的流程示意图。
图2为本发明另一实施例中尸体虹膜识别分析的流程示意图。
图3为本发明一实施例中尸体虹膜识别装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
发明人通过采集尸体虹膜分析发现,虽然尸体的眼部可能发生散瞳,但一般情况下瞳孔并不会扩散到特别大,与活体眼睛在正常光线下的瞳孔大小一致,虹膜区域可用于识别。尸体死亡一段时间以内,虹膜基本保持与活体基本一致,形状和纹理受影响不大。随着死亡时间增长,虹膜区域会逐渐出现皱缩变形影响识别。变化同时受到自身特点、死亡原因、外界环境等多种因素的影响,每个个体的变化速度不尽相同。尸体死亡后变化过程中的各个阶段都有可能实现基于虹膜识别的身份确认,或者提供相似虹膜筛选范围供参考。因此,死亡短时间内的虹膜可用于识别,可作为尸体揭破身份确认的补充手段。发明人发现,一般情况下,死亡7小时以内的虹膜图像可正常识别的概率仍然比较高。
在现有技术中并不存在解决基于尸体虹膜图像与活体虹膜图像的比对来识别尸体身份的技术手段。
为了实现对尸体虹膜的识别,本公开提供了一种基于尸体虹膜图像与活体虹膜图像的比对进行尸体身份识别的尸体虹膜识别方法和装置,为高效的尸体身份确认提供了一种有效手段。
如图1所示为本发明一实施例中尸体虹膜识别方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S110,采集尸体虹膜图像,并对采集的尸体虹膜图像进行虹膜图像质量评价。
在本发明实施例中,可以使用手持式或便携式虹膜图像采集仪等采集设备采集尸体虹膜图像,采集设备的光谱特性、采集方式、原理等可与目前通用的虹膜识别仪一致,其他方面主要要求方便对无配合的尸体虹膜进行虹膜图像拍摄,拍摄时可借助专业工具撑开眼睑,尽量露出完成虹膜。手持式或便携式虹膜图像采集仪采集到虹膜图像后,可以有线或无线地方式将采集的尸体虹膜图像数据传送至服务器或处理终端,由服务器或处理终端基于来自虹膜图像采集仪的虹膜数据执行虹膜识别。
对采集的尸体虹膜图像进行虹膜图像质量评价,是对采集到的尸体虹膜图像的质量进行评价,尸体虹膜图像质量可记为Q_image,质量评价采用的质量因素主要包括:离焦模糊程度、运动模糊程度、清晰度以及有效虹膜区域比例,也可以是这些因素中的部分因素。虽然对尸体虹膜图像的质量评价与传统的活人虹膜识别流程中的虹膜图像质量评价类似,但是区别也较明显,即,不对光斑、虹膜与瞳孔半径比等与活体相关性较大的质量因素进行要求,而从离焦模糊程度、运动模糊程度、清晰度以及有效虹膜区域比例等方面进行评价。由于尸体虹膜的失活,随着时间推移虹膜质量不断下降,相对于活人虹膜识别,对尸体虹膜图像质量的要求需要相对降低。
对虹膜图像质量的评价结果可以用分值表示,也可按照预设的质量等级进行划分,或者采用其他的表示方式。例如,可以用虹膜图像是否合格(是否符合要求)来表示虹膜图像质量。
步骤S120,对尸体虹膜图像进行虹膜质量评价。
本步骤用于进行虹膜可识别等级评价,针对经过一定时间后的尸体虹膜纹理是否还可用于身份鉴别进行评价。不同状态的尸体虹膜是一个连续变化的状态,但很难也没必要对可识别程度采用连续函数进行评价。本发明实施例中,评价的是尸体虹膜图像中整个眼部的虹膜质量,而非定位到特定虹膜区域得到的虹膜区域的虹膜质量,因此将尸体虹膜的质量记为Q_eye,可将尸体虹膜的质量Q_eye分为M个等级进行量化,下面将以M=3为例说明该质量等级,在此,M=3仅为示例,还可以划分为其他数量的等级。作为示例,等级Q_eye=1表示可识别,且识别结果置信度高的良好虹膜状态;等级Q_eye=2表示可识别,但识别置信度相对低的虹膜状态;等级Q_eye=3表示不可识别或者识别置信度很低的虹膜状态。
本发明一实施例中,可采用分类的方式对虹膜质量进行等级分类。更具体地,利用基于深度卷积网络的、经训练的分类器对尸体虹膜图像进行虹膜质量等级分类,来获得分类的虹膜质量评价结果。分类器的训练过程中,需要采集死亡时间不同的不同质量的尸体虹膜图像,人工标注虹膜图像质量等级和/或虹膜质量等级,来进行分类器的训练。
常用的用于分类的网络模型均可用于设计分类器进行尸体虹膜质量的分类评价,例如可采用计算复杂度相对较高的VGG卷积神经网络、ResNet卷积神经网络,或者计算复杂度相对降低的深度卷积神经网络结构如MobileNet、ShuffleNet等。本发明实施例设计基于深度卷积网络的分类器进行分类,在已标注虹膜质量等级的数据集上进行训练。由于尸体虹膜识别对于实时性的要求相对低,因此可采用表达能力较强的深度卷积网络对尸体虹膜质量进行等级分类,以达到较高的分类精度。
步骤S130,对于图像质量符合预定质量标准的虹膜图像,进行虹膜检测与定位。
对于尸体虹膜图像质量Q_image达标的虹膜图像和/或虹膜质量达到预定等级的虹膜图像,可进行虹膜检测与定位,以随后用来基于检测与定位到的虹膜区域进行虹膜特征提取与比对。
在进行虹膜检测与定位之前,可对虹膜图像进行预处理。由于在识别尸体虹膜时,尸体虹膜数据是与活人虹膜数据库中的活人虹膜数据进行比对的,因此本发明实施例中尽量采用与活人虹膜识别一致的图像预处理方式进行尸体虹膜图像的预处理,例如,包括:虹膜噪声检测和滤波、虹膜有效区域划分和图像增强处理等等,这些预处理方式仅为举例,本发明并不限于此。
虹膜图像的预处理步骤可以在虹膜质量评价步骤S120之后执行。在本发明另一实施例中,虹膜图像的预处理步骤还可以在步骤S120之前执行。
在进行尸体虹膜图样预处理后,进行尸体虹膜的检测与定位。由于尸体虹膜数据是用于与活人虹膜数据库中的活人虹膜数据进行比对的,因此本发明实施例中尽量采用与活人虹膜识别一致的方式进行尸体虹膜的检测与定位,在此不再赘述。
步骤S140,虹膜检测与定位完成之后,对定位到的虹膜区域进行比步骤S120的尸体虹膜质量评价步骤更高精度的尸体虹膜质量评价。
为了便于描述,步骤S120的尸体虹膜质量评价可称为第一虹膜质量评价,其评价结果Q_eye可称为第一虹膜质量等级。本步骤S140的尸体虹膜质量评价可称为第二虹膜质量评价,其评价结果可称为第二虹膜质量等级。
本步骤S140中的第二虹膜质量评价仅对定位到的虹膜区域进行,得到的质量评价结果可记为Q_iris,或称为第二虹膜质量等级。针对定位后虹膜区域的质量评价结果会更精确,但会受到预处理、虹膜检测和定位结果的影响,因此本发明实施例中,在后面虹膜识别的最终结果分析中会综合分析三个质量评价结果(即步骤S110得到的虹膜图像质量评价结果、步骤S120中的第一虹膜质量评价结果以及本步骤S140中的第二虹膜质量评价结果)与虹膜比对结果,给出最终虹膜识别结论。
本发明实施例中,Q_iris的计算可采用分为N个等级进行量化,从1至N质量逐渐降低。下面将以N=3为例说明该虹膜质量等级,在此,N=3仅为示例,还可以划分为其他数量的等级。例如,等级Q_iris=1表示可识别,且识别结果置信度高的良好虹膜状态;等级Q_iris=2表示虹膜区域可识别,但识别置信度相对低的虹膜状态;等级Q_iris=3表示不可识别或者识别置信度低的虹膜状态。采用分类的方式对虹膜质量进行等级分类,与Q_eye类似,即利用基于深度卷积网络的、经训练的分类器对虹膜区域进行虹膜质量等级分类,来获得分类的第二虹膜质量评价结果。分类器的训练过程中,需要采集死亡时间不同的不同质量的尸体虹膜图像,标注虹膜区域并标注虹膜图像质量等级和/或虹膜质量等级,用于分类器的训练,其中该虹膜质量等级包括第二虹膜质量等级,也可以包括第一虹膜质量等级。
常用的用于分类的网络模型均可用于设计分类器进行第二虹膜质量的分类评价,例如可采用计算复杂度相对较高的VGG卷积神经网络、ResNet卷积神经网络,或者计算复杂度相对降低的深度卷积神经网络结构如MobileNet、ShuffleNet等。本发明实施例设计基于深度卷积网络的分类器进行分类,在已标注第二虹膜质量等级的数据集上进行训练。由于尸体虹膜识别对于实时性的要求相对低,可采用表达能力较强的深度卷积网络对尸体虹膜质量进行等级分类,以达到较高的分类精度。
步骤S150,将定位到的虹膜区域内的虹膜数据和活体虹膜数据库中的虹膜特征数据进行匹配(比对),并获得至少一个匹配结果(比对结果)和相应的置信度。
虹膜检测与定位完成之后,可对定位到的虹膜区域进行特征提取,基于提取的特征与活体虹膜数据库中的虹膜特征数据进行比对,也即进行匹配。在进行特征提取之前,通常还对虹膜纹理进行归一化处理,即将不同尺寸的虹膜纹理转化成固定大小的区域,以便进行匹配。本发明实施例中尽量采用与活人虹膜识别流程中一致的方法进行尸体虹膜图像的极坐标展开归一化和尸体虹膜特征提取与比对。
本发明实施例中,一方面,对于质量较好的尸体虹膜图像(例如,虹膜质量合格,且第一虹膜质量等级和第二虹膜质量等级均为1的虹膜图像),采用目前主流的活体虹膜识别方法中采用的虹膜定位、虹膜图像归一化、定序测量特征提取与选择、虹膜特征比对的算法,可获得与活人虹膜识别相同或相似的精度。采用这种尸体虹膜识别方法得到的结果和结果置信度可分别记为R_normiris和Conf_normiris。其中,R_normiris包含了前K个相似虹膜模板的信息,Conf_normiris为对应的K个置信度,K≥1。
此外,本发明实施例中,对于质量较差的虹膜图像(例如,虹膜质量合格,且第一虹膜质量等级和第二虹膜质量等级之一为1的虹膜图像),基于深度卷积网络进行虹膜识别。更具体地,为了分析质量较差的虹膜图像,从尸体虹膜数据中尽可能多的获取身份信息,基于深度卷积网络对检测或者定位到的虹膜区域进行特征抽取,并计算不同虹膜图像的相似程度,该部分虹膜识别的结果和置信度标记位分别为R_iris和Conf_iris,其中,R_iris包含了前L个相似虹膜的信息,Conf_iris为对应的L个置信度,L≥1。本发明实施例中,用于虹膜识别的深度卷积网络可采用目前已经被提出的虹膜识别网络结构,也可以借鉴人脸识别常用的网络结构来实现,例如,采用AFINet、DeepIrisNet、Facenet、LightCNN等。用于尸体虹膜识别的网络结构和参数选取有多种方式,能够在大规模活体虹膜图像数据库上训练,可以得到较好的虹膜识别结果的网络结构均可。基于深度卷积模型的虹膜识别或分类不需要虹膜图像的结构化展开和精细分割,因此对于虹膜质量的要求较低,对于虹膜检测与定位的依赖也低,可以处理更多的低质量尸体虹膜图像。在本发明另选的实施例中,对于质量较好的虹膜图像,也可以基于深度卷积网络进行虹膜识别。
也即,本发明实施例中,在质量评价结果较佳,符合第一条件(虹膜质量合格,且第一虹膜质量等级和第二虹膜质量等级均为1)的情况下,对定位到的虹膜区域进行归一化展开和特征提取,并将提取的特征与活体虹膜数据库中的相应特征进行比对,获得前K个相似虹膜模板和对应的K个置信度,其中,K大于等于1;在质量评价结果不佳,符合第二条件(虹膜质量合格,且第一虹膜质量等级和第二虹膜质量等级之一为1)的情况下,采用深度卷积网络对定位到的虹膜区域进行特征提取,并计算与活体虹膜数据库中不同虹膜图像的相似度,获得前L个相似虹膜模板和对应的L个置信度,其中,L大于等于1。
本发明另选实施例中,无论是对于质量较好的虹膜图像还是对于质量较差的虹膜图像,可以均采用上面描述的这两种虹膜比对方法,即现有的活体虹膜比对方法和基于深度卷积网络的虹膜比对方法,作为互补的比对方法,来用于最终识别结果的确定。
通用识别流程中,尸体虹膜的处理可能在检测与定位、特征抽取、比对各阶段失败,对于处理失败的图像,R_normiris与Conf_normiris做失败标记。
步骤S160,基于质量评价结果、匹配结果和相应的置信度进行综合分析,输出最终识别结果。
本步骤用于基于质量评价结果、匹配结果和相应的置信度进行综合分析并输出最终识别结果。更具体地,本步骤的作用在于:根据三组质量评价结果(如Q_image,Q_eye和Q_iris)、虹膜比对结果(如R_normiris或R_iris)及其置信度进行综合分析,得出一个尸体虹膜图像的识别结果,或者是相似的、有可能为同一人推荐一组虹膜识别结果及对应的置信度。
可以采用多种方法进行综合分析,本发明一实施例中,根据实际可用训练数据的多少不同,设计了两种综合分析方法:(1)在可用于训练的尸体虹膜图像数据较少时,采用基于规则的方法,即基于预定的分析规则来确定虹膜识别的最终输出结果;(2)在可用于训练的尸体虹膜图像数据量有一定规模时,采用基于学习的方法。下面分别进行介绍。
基于规则的方法,作为示例,采用人工设计合理的综合分析规划,给出三类结论。
基本规则如下:
1)图像质量Q_image符合要求,虹膜质量等级Q_eye、Q_iris均为1,第一置信度Conf_normiris高于预定的第一阈值Th_ir1,则可认为较高可信度可识别,输出对应识别结果;
2)图像质量Q_image符合要求,虹膜质量等级Q_eye、Q_iris为1或者2,第一识别结果置信度Conf_normiris识别置信度低于第一阈值Th_ir1并大于预定的第二阈值Th_ir2,和/或第二置信度Conf_iris大于预定的第三阈值Th_ir3,或者R_iris与R_normiris有共同的相似虹膜图像,则输出一组相似虹膜推荐结果及置信度,其中第一阈值Th_ir1、第二阈值Th_ir2和第三阈值Th_ir3可通过实验和经验确定。
3)其他,无识别分类结果。
关于基于学习的方法,作为示例,可将Q_image、Q_eye、Q_iris、R_normiris、Conf_normiris、R_iris、Conf_iris组成特征向量,作为分类器(如SVM分类器)输入特征。整理并标注对应的训练数据,采用分类器学习的方式训练并得出结论,典型输出包括三种:1)较高可信度可识别,及对应的识别结果;2)识别置信度较低,给出相似虹膜推荐供参考;3)无识别分类结果。
在本发明另选实施例中,也可以分别将Q_image、Q_eye、Q_iris、R_normiris、Conf_normiris,或者将Q_image、Q_eye、Q_iris、R_iris、Conf_iris组成特征向量,作为分类器(如SVM分类器)输入特征。整理并标注对应的训练数据,采用分类器学习的方式训练并得出结论。
也即,本发明实施例中,基于虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度确定识别结果可信度等级,来输出最优识别结果,输出至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果;或者将虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度作为特征向量,作为分类器的输入特征,通过分类器学习方式输出高可信度等级的单个最优识别结果,输出较低可信度等级的至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果。
基于如上描述的虹膜识别方法,可利用尸体死亡短期内虹膜与活人具有较高的相似度,基于虹膜识别实现对尸体快速身份鉴别。
本发明实施例提供的尸体虹膜识别流程,采用了多阶段虹膜图像或虹膜质量评价、互补的虹膜比对方法以及综合分析,使得从尸体虹膜可以尽可能准确、有效地获取到身份信息。
图2给出了本发明另一实施例中的尸体虹膜识别分析的流程图,如图2所示,其包括尸体虹膜图像采集、虹膜图像质量评价、尸体虹膜质量等级评价、尸体虹膜图像预处理、尸体虹膜检测与定位、尸体虹膜特征提取与比对、综合输出等主要步骤。
步骤S21,进行尸体虹膜图像采集。
步骤S22,进行尸体虹膜图像质量评价,得到图像质量评价结果Q_image。
步骤S23,进行尸体虹膜质量等级评价,得到虹膜质量评价结果Q_eye。
例如,在Q_eye=1的情况下,表示虹膜质量很高,可识别且识别置信度很高。在Q_eye=2的情况下,表示虹膜质量一般,可识别但识别置信度相对较低,对于这样的虹膜,后续进行虹膜识别结果分析时,适于输出一组相似虹膜的推荐及相应置信度。在Q_eye=3的情况下,表示虹膜质量很差,不可识别或者识别置信度很低,此时往往表示无分析价值。
步骤S24,进行尸体虹膜图像预处理。
步骤S25,进行尸体虹膜检测与定位,得到定位的虹膜区域。
步骤S26,基于定位到的虹膜区域,进行虹膜质量评价,得到更高精度的虹膜质量评价结果Q_iris。
例如,在Q_iris=1的情况下,表示虹膜质量很高,可识别且识别置信度很高。在Q_iris=2的情况下,表示虹膜质量一般,可识别但识别置信度相对较低,对于这样的虹膜,后续进行虹膜识别结果分析时,适于输出一组相似虹膜的推荐及相应置信度。在Q_iris=3的情况下,表示虹膜质量很差,不可识别或者识别置信度很低,此时往往表示无分析价值。
步骤S27,和步骤S28,同时采用两种互补的方式,即采用活体虹膜识别一致的方式进行尸体虹膜特征提取与比对和采用深度卷积网络进行特征提取与比对这两种互补的方式,进行尸体虹膜的识别,分别得到:(1)第一识别结果R_normiris及其置信度Conf_normiris,和(2)第二识别结果R_iris及其置信度Conf_iris。在此,第一识别结果可以是一个身份识别结果,也可以是多个相似结果推荐。
在本发明另选实施例中,可以基于虹膜图像质量和/或虹膜质量,仅择一地选择步骤S27中的比对方法或步骤S28中的比对方法,并得到相应的比对结果。
步骤S29,结合质量评价结果(包括虹膜图像质量评价和两次虹膜质量评价)和比对结果进行综合分析,通过基于规则的方法或基于学习地方法得到最终输出结果。
在本发明另选实施例中,上述步骤S23和S26可以择一执行。
本发明的如上描述的尸体虹膜识别方法为高效的尸体身份确认提供了一种有效手段。
相应地,本发明实施例还提供了一种能够执行尸体虹膜识别的计算机设备,如图3所示,该计算机设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器301和存储器302。处理器301和存储器302通过总线303连接。存储器302适于存储处理器301可执行的一条或多条指令或程序。该一条或多条指令或程序被处理器301执行以实现上述尸体虹膜识别方法中的步骤。
上述处理器301可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器301通过执行存储器302所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线303将上述多个组件连接在一起,同时将上述组件连接到显示控制器304和显示装置以及输入/输出(I/O)装置305。输入/输出(I/O)装置305可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置305通过输入/输出(I/O)控制器306与***相连。
其中,存储器302可以存储软件组件,例如操作***、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
本公开还涉及存储介质,其上可以存储有计算机程序代码,当程序代码被执行时可以实现本发明的方法的各种实施例,该存储介质可以是有形存储介质,诸如光盘、U盘、软盘、硬盘等。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,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发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
软件可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
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,本发明实施例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 (9)
1.一种尸体虹膜识别方法,其特征在于,该方法包括以下步骤:
采集尸体虹膜图像,并对采集的尸体虹膜图像进行虹膜图像质量评价;
对尸体虹膜图像进行第一尸体虹膜质量评价;
对于虹膜图像质量评价结果和第一尸体虹膜质量评价结果符合预定质量标准的尸体虹膜图像,进行虹膜检测与定位,并对定位到的虹膜区域进行比所述第一尸体虹膜质量评价更高精度的第二尸体虹膜质量评价;
基于质量评价结果将定位到虹膜区域的尸体虹膜图像数据和预存储的活体虹膜数据库中的虹膜数据进行匹配以进行尸体虹膜识别,并获得至少一个初步识别结果和相应的置信度;所述质量评价结果包括虹膜图像质量评价结果、第一尸体虹膜质量评价结果和/或第二尸体虹膜质量评价结果;
基于质量评价结果、初步识别结果和相应的置信度综合分析,输出最终识别结果;
其中,所述基于质量评价结果将定位到虹膜区域的尸体虹膜图像数据和预存储的活体虹膜数据库中的虹膜数据进行匹配以进行尸体虹膜识别,并获得至少一个初步识别结果和相应的置信度,包括:
在质量评价结果符合第一条件的情况下,对定位到的虹膜区域进行归一化展开和特征提取,并将提取的特征与活体虹膜数据库中的相应特征进行比对,获得前K个相似虹膜模板和对应的K个置信度,其中,K大于等于1;
在质量评价结果符合第二条件的情况下,采用深度卷积网络对定位到的虹膜区域进行特征提取,并计算与预存的活体虹膜数据库中不同虹膜图像的相似度,获得前L个相似虹膜模板和对应的L个置信度,其中,L大于等于1;
所述基于质量评价结果、初步识别结果和相应的置信度输出最终识别结果,包括:
基于虹膜图像质量评价结果、第一尸体虹膜质量评价结果、第二尸体虹膜质量评价结果和初步识别结果相应的置信度确定识别结果可信度等级,来输出最优识别结果,输出至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果;或者
将虹膜图像质量评价结果、第一虹膜质量评价结果、第二虹膜质量评价结果和初步识别结果相应的置信度作为特征向量,作为分类器的输入特征,通过分类器学习方式输出第一可信度等级的单个最优识别结果,输出第二可信度等级的至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对采集的尸体虹膜图像进行虹膜图像质量评价,包括:
采用如下质量评价因素中的至少一种进行虹膜图像质量评价并获得虹膜图像质量评价结果:离焦模糊程度、运动模糊程度、清晰度以及有效虹膜区域比例。
3.根据权利要求1所述的方法,其特征在于,所述对尸体虹膜图像进行第一尸体虹膜质量评价,包括:
利用基于深度卷积网络的、经训练的第一分类器对尸体虹膜图像进行虹膜质量等级分类,获得第一尸体虹膜质量评价结果;
其中,所述第一分类器是利用采集的多组死亡时间对应的多组不同虹膜质量的虹膜图像训练得到的分类器。
4.根据权利要求1所述的方法,其特征在于,在进行虹膜检测与定位的步骤前,所述方法还包括:
进行尸体虹膜图像预处理。
5.根据权利要求1所述的方法,其特征在于,所述对定位到的虹膜区域进行比所述第一尸体虹膜质量评价更高精度的第二尸体虹膜质量评价,包括:
利用基于深度卷积网络的、经训练的第二分类器对定位到虹膜区域的尸体虹膜图像进行虹膜质量等级分类,获得第二尸体虹膜质量评价结果;
其中,所述第二分类器是利用采集的多组死亡时间对应的多组不同虹膜质量的、标注了虹膜区域的虹膜图像训练得到的分类器。
6.根据权利要求1所述的方法,其特征在于,符合所述第一条件的质量评价结果优于符合所述第二条件的质量评价结果。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述基于质量评价结果、初步识别结果和相应的置信度综合分析,输出最终识别结果,包括:
基于虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度确定识别结果可信度等级,来输出最优识别结果,输出至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果;或者
将虹膜图像质量评价结果、虹膜质量评价结果和初步识别结果相应的置信度作为特征向量,作为分类器的输入特征,通过分类器学习方式输出第一可信度等级的单个最优识别结果,输出第二可信度等级的至少一个推荐识别结果及其置信度,或者输出无识别分类结果,作为最终识别结果。
8.一种尸体虹膜识别装置,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如权利要求1至7中任意一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010256074.7A CN111611848B (zh) | 2020-04-02 | 2020-04-02 | 尸体虹膜识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010256074.7A CN111611848B (zh) | 2020-04-02 | 2020-04-02 | 尸体虹膜识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611848A CN111611848A (zh) | 2020-09-01 |
CN111611848B true CN111611848B (zh) | 2024-02-06 |
Family
ID=72200147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010256074.7A Active CN111611848B (zh) | 2020-04-02 | 2020-04-02 | 尸体虹膜识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611848B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364925B (zh) * | 2020-11-16 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的滚动轴承甩油故障识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292285A (zh) * | 2017-07-14 | 2017-10-24 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
CN107368791A (zh) * | 2017-06-29 | 2017-11-21 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
CN108389207A (zh) * | 2018-04-28 | 2018-08-10 | 上海视可电子科技有限公司 | 一种牙病诊断方法、诊断设备及智能图像采集装置 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
CN110689028A (zh) * | 2019-10-09 | 2020-01-14 | 中国人民公安大学 | 现场图测评方法、现场勘查记录测评方法及其装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280119B2 (en) * | 2008-12-05 | 2012-10-02 | Honeywell International Inc. | Iris recognition system using quality metrics |
US9189686B2 (en) * | 2013-12-23 | 2015-11-17 | King Fahd University Of Petroleum And Minerals | Apparatus and method for iris image analysis |
-
2020
- 2020-04-02 CN CN202010256074.7A patent/CN111611848B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368791A (zh) * | 2017-06-29 | 2017-11-21 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
CN107292285A (zh) * | 2017-07-14 | 2017-10-24 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
CN108389207A (zh) * | 2018-04-28 | 2018-08-10 | 上海视可电子科技有限公司 | 一种牙病诊断方法、诊断设备及智能图像采集装置 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
CN110689028A (zh) * | 2019-10-09 | 2020-01-14 | 中国人民公安大学 | 现场图测评方法、现场勘查记录测评方法及其装置 |
Non-Patent Citations (2)
Title |
---|
基于WBCT的虹膜图像质量评价方法;陈瑞;林喜荣;丁天怀;;自动化学报(第05期);全文 * |
由粗到精的虹膜图像离焦模糊评价方法;李星光等;Journal of Frontiers of Computer Science and Technology;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111611848A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gottschlich | Curved-region-based ridge frequency estimation and curved Gabor filters for fingerprint image enhancement | |
KR100944247B1 (ko) | 얼굴 인식 방법 및 시스템 | |
US11449590B2 (en) | Device and method for user authentication on basis of iris recognition | |
US8498454B2 (en) | Optimal subspaces for face recognition | |
Barpanda et al. | Iris recognition with tunable filter bank based feature | |
KR20080065532A (ko) | 얼굴 인식 방법 및 시스템 | |
CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
Trokielewicz et al. | Presentation attack detection for cadaver iris | |
Ammour et al. | Face-iris multimodal biometric system based on hybrid level fusion | |
Jain et al. | Fingerprint image analysis: role of orientation patch and ridge structure dictionaries | |
Manickam et al. | Level 2 feature extraction for latent fingerprint enhancement and matching using type-2 intuitionistic fuzzy set | |
CN111611848B (zh) | 尸体虹膜识别方法和装置 | |
KR102366777B1 (ko) | 도메인 적응 기반 객체 인식 장치 및 그 방법 | |
CN113436735A (zh) | 基于人脸结构度量的体重指数预测方法、设备和存储介质 | |
Oblak et al. | Fingermark quality assessment framework with classic and deep learning ensemble models | |
Rastogi et al. | Nir palm vein pattern recognition | |
Silva et al. | POEM-based facial expression recognition, a new approach | |
CN110826384A (zh) | 增强虹膜识别精度的***和方法 | |
Borkar et al. | IRIS recognition system | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
Palanikumar et al. | Advanced palmprint recognition using unsharp masking and histogram equalization | |
CN117854138B (zh) | 基于大数据的信息采集分析方法、装置、设备及存储介质 | |
Garud et al. | Fingerprint and Palmprint Recognition using neighborhood operation and FAST features | |
CN117198468B (zh) | 基于行为识别和数据分析的干预方案智慧化管理*** | |
Suvorov et al. | Mathematical model of the biometric iris recognition system |
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 |