本发明涉及虹膜识别技术,具体涉及一种虹膜识别方法及终端。
背景技术:
虹膜识别技术已有几十年的历史,最早可以追溯至上个世纪初期。现有虹膜识别技术多为在可控场景下,利用专用的光源和光学采集仪器采集人眼图像,之后再进行图像处理和比对。通常情况下图像质量较高,纹理清晰且类内差异小。
随着电子设备的发展,越来越多的终端设备具有虹膜识别功能。但是终端在获取图像进行虹膜识别时,通常处于不可控场景,例如环境光线不可控、图像采集距离不可控或者用户姿态不可控等等;并且由于终端的前置摄像头分辨率通常较小,且近红外光源较微弱,导致采集的图像质量通常较低,容易出现低分辨率、离焦模糊、运动模糊等情况,影响虹膜识别准确率和识别效率。另一方面,由于很多用户有带美瞳的习惯,这样也会影响虹膜识别准确率和识别效率。
技术实现要素:
为解决现有存在的技术问题,本发明实施例提供一种虹膜识别方法及终端,能够提高虹膜识别准确率,提升虹膜识别效率。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种虹膜识别方法,所述方法包括:
获得第一图像,所述第一图像为终端采集的显示参数低于第一阈值的图像;
在训练库中选择与所述第一图像相对应的第二图像;所述第二图像为显示参数高于第二阈值的图像;所述第二阈值大于所述第一阈值;
分析所述第二图像,获得所述第二图像中的虹膜区域的纹理基元;所述纹理基元表征所述虹膜区域中重复出现的局部特征;
基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜;
确定所述第二图像的分类是活体虹膜时,对所述第二图像进行特征抽取获得特征参数,将所述特征参数与预设特征库中的特征参数进行比对,获得与所述特征参数对应的身份结果。
上述方案中,所述在训练库中选择与所述第一图像相对应的第二图像之前,所述方法还包括:
针对同一目标分别采集高分辨率图像和低分辨率图像;所述高分辨率图像为显示参数高于第二阈值的图像;所述低分辨率图像为显示参数低于第一阈值的图像;
建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库。
上述方案中,所述建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库,包括:
分别对所述高分辨率图像和所述低分辨率图像进行分块处理,建立所述高分辨率图像的每一个第一分块图像与其相对应的低分辨率图像的第二分块图像的第一关联关系;
基于所述第一分块图像、与所述第一分块图像具有第一关联关系的第二分块图像生成训练库。
上述方案中,所述在训练库中选择与所述第一图像相对应的第二图像,包括:
对所述第一图像进行分块处理获得多个第三分块图像;
查询所述训练库对获得与所述多个第三分块图像相匹配的多个第二分块图像;
获得与所述多个第二分块图像关联的多个第一分块图像,将所述多个第一分块图像组合生成所述第二图像。
上述方案中,所述分析所述第二图像,获得所述第二图像中的虹膜区域的 纹理基元,包括:
采用尺度不变换特征变换(sift)算法抽取所述第二图像的局部特征,获得所述第二图像的局部特征集合;
分析所述局部特征集合,获得所述局部特征集合中重复出现的特征作为纹理基元。
上述方案中,所述基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜,包括:
获得所述纹理基元在所述局部特征集合中的第一属性参数;
判断所述第一属性参数与预先学习获得的第一类型的属性参数集合相匹配,或是与预先学习获得的第二类型的属性参数集合相匹配;
当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;
当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
上述方案中,所述对所述第二图像进行特征抽取获得特征参数,包括:
采用深度学习算法对所述第二图像进行特征抽取获得特征参数。
本发明实施例还提供了一种终端,所述终端包括:图像获取单元、图像增强单元、检测单元和特征表达与匹配单元;其中,
所述图像获取单元,用于获得第一图像,所述第一图像为终端采集的显示参数低于第一阈值的图像;
所述图像增强单元,用于在训练库中选择与所述第一图像相对应的第二图像,将所述第二图像发送至所述检测单元;所述第二图像为显示参数高于第二阈值的图像;所述第二阈值大于所述第一阈值;
所述检测单元,用于分析所述第二图像,获得所述第二图像中的虹膜区域的纹理基元;所述纹理基元表征所述虹膜区域中重复出现的局部特征;基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜;
所述特征表达与匹配单元,用于当所述检测单元确定所述第二图像的分类 是活体虹膜时,对所述第二图像进行特征抽取获得特征参数,将所述特征参数与预设特征库中的特征参数进行比对,获得与所述特征参数对应的身份结果。
上述方案中,所述图像增强单元,用于在训练库中选择与所述第一图像相对应的第二图像之前,针对同一目标分别采集高分辨率图像和低分辨率图像;所述高分辨率图像为显示参数高于第二阈值的图像;所述低分辨率图像为显示参数低于第一阈值的图像;建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库。
上述方案中,所述图像增强单元,用于分别对所述高分辨率图像和所述低分辨率图像进行分块处理,建立所述高分辨率图像的每一个第一分块图像与其相对应的低分辨率图像的第二分块图像的第一关联关系;基于所述第一分块图像、与所述第一分块图像具有第一关联关系的第二分块图像生成训练库。
上述方案中,所述图像增强单元,用于对所述第一图像进行分块处理获得多个第三分块图像;查询所述训练库对获得与所述多个第三分块图像相匹配的多个第二分块图像;获得与所述多个第二分块图像关联的多个第一分块图像,将所述多个第一分块图像组合生成所述第二图像。
上述方案中,所述检测单元,用于采用尺度不变换特征变换(sift)算法抽取所述第二图像的局部特征,获得所述第二图像的局部特征集合;分析所述局部特征集合,获得所述局部特征集合中重复出现的特征作为纹理基元。
上述方案中,所述检测单元,用于获得所述纹理基元在所述局部特征集合中的第一属性参数;判断所述第一属性参数与预先学习获得的第一类型的属性参数集合相匹配,或是与预先学习获得的第二类型的属性参数集合相匹配;当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
上述方案中,所述特征表达与匹配单元,用于采用深度学习算法对所述第二图像进行特征抽取获得特征参数。
本发明实施例提供的虹膜识别方法及终端,所述方法包括:获得第一图像, 所述第一图像为终端采集的显示参数低于第一阈值的图像;在训练库中选择与所述第一图像相对应的第二图像;所述第二图像为显示参数高于第二阈值的图像;所述第二阈值大于所述第一阈值;识别出所述第二图像中的虹膜区域,分析所述虹膜区域获得所述虹膜区域的纹理基元;所述纹理基元表征所述虹膜区域中重复出现的结构;基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜;当确定所述第二图像的分类是活体虹膜时,对所述第二图像进行特征抽取获得特征参数,将所述特征参数与预设特征库中的特征参数进行比对,获得与所述特征参数对应的身份结果。本发明实施例的技术方案,一方面,采用图像增强方案,将终端采集的低分辨率的第一图像增强为高分辨率的第二图像,解决了现有技术中由于环境条件的不可控或者人机配合度的影响,使采集的图像质量较低,从而影响虹膜识别效率和准确率的问题;另一方面,采用活体虹膜检测的方案,保留检测出的活体虹膜类型的图像,滤除假体虹膜类型的图像,解决了现有技术中由于用户佩戴美瞳等导致的虹膜识别效率低和准确率低的问题;基于此,本发明实施例的技术方案大大提高了虹膜识别的正确率,提升了虹膜识别效率。
附图说明
图1为本发明实施例的虹膜识别方法的流程示意图;
图2a和图2b分别为本发明实施例中建立训练库时采集的低分辨率图像和高分辨率图像的示意图;
图3为本发明实施例中判断所述第二图像的分类是活体虹膜或假体虹膜的一种流程示意图;
图4为本发明实施例中采用深度学习算法进行特征抽取的示意图;
图5为本发明实施例的终端的组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
实施例一
本发明实施例提供了一种虹膜识别方法。图1为本发明实施例的虹膜识别方法的流程示意图;如图1所示,所述方法包括:
步骤101:获得第一图像,所述第一图像为终端采集的显示参数低于第一阈值的图像。
本实施例中,所述虹膜识别方法应用于终端中,所述终端具体可以为移动终端,当然不限于移动终端,其他个人计算机(pc)等支持虹膜识别功能的终端也可适用。
本实施例中,所述终端获得的第一图像为针对人眼采集的图像。所述第一图像的显示参数低于第一阈值,所述显示参数可以为分辨率,所述第一阈值可以依据图像采集组件(例如摄像头)技术的发展设定。可以理解为,类比于高清图像采集组件和非高清图像采集组件,所述第一图像可以为低分辨率图像。
步骤102:在训练库中选择与所述第一图像相对应的第二图像;所述第二图像为显示参数高于第二阈值的图像;所述第二阈值大于所述第一阈值。
本实施例中,所述在训练库中选择与所述第一图像相对应的第二图像之前,所述方法还包括:针对同一目标分别采集高分辨率图像和低分辨率图像;所述高分辨率图像为显示参数高于第二阈值的图像;所述低分辨率图像为显示参数低于第一阈值的图像;建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库。
具体的,所述终端预先建立训练库,所述训练库中包括在可控环境下针对同一目标(所述目标可以为人眼)采集的高分辨率图像和低分辨率图像;图2a和图2b分别为本发明实施例中建立训练库时采集的低分辨率图像和高分辨率图像的示意图;如图2a和图2b所示,所述高分辨率图像和低分辨率图像类比于高清图像采集组件和非高清图像采集组件,所述高分辨率图像质量较高、高分辨率、聚焦清晰等等;所述低分辨率图像质量较低、低分辨率、聚焦模糊等等。所述训练库中包括针对多个目标(所述目标可以为人眼)对应的高分辨率图像和低分辨率图像。
其中,所述建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库,包括:分别对所述高分辨率图像和所述低分辨率图像进行分块处理,建立所述高分辨率图像的每一个第一分块图像与其相对应的低分辨率图像的第二分块图像的第一关联关系;基于所述第一分块图像、与所述第一分块图像具有第一关联关系的第二分块图像生成训练库。
具体的,针对同一目标的高分辨率图像和低分辨率图像,按相同的分块原则对所述高分辨率图像和所述低分辨率图像进行分块处理;所述相同的分块原则可以理解为,在所述高分辨率图像和所述低分辨率图像处于相同尺寸并且图像中的人眼区域的尺寸也相同时,所述高分辨率图像的第一分块图像和所述低分辨率图像的第二分块图像的尺寸也相同,即所述高分辨率图像的每一个第一分块图像与所述低分辨率图像中的第二分块图像是一一对应的。在本实施例中,由于是针对虹膜的识别方案,则可以滤除所述高分辨率图像和所述低分辨率图像中除虹膜以外的分块图像,例如删除仅含有眼皮区域的分块图像或者被睫毛遮挡的分块图像等虹膜显露不明显的分块图像。
本实施例中,以低分辨率图像作为依据,建立所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系。所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系的建立可采用最大后验概率算法、马氏距离度量算法等方式。以最大后验概率算法为例,则所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系可满足表达式(1):
其中,h表示高分辨率图像;
基于上述描述,终端建立训练库。
本实施例中,所述在训练库中选择与所述第一图像相对应的第二图像,包括:对所述第一图像进行分块处理获得多个第三分块图像;查询所述训练库对获得与所述多个第三分块图像相匹配的多个第二分块图像;获得与所述多个第二分块图像关联的多个第一分块图像,将所述多个第一分块图像组合生成所述第二图像。
具体的,所述终端获得的第一图像可以理解为获得待识别的低分辨率图像。所述终端依据训练库建立过程中的分块方式对所述第一图像进行分块处理,滤除除虹膜以外的分块图像,例如删除仅含有眼皮区域的分块图像或者被睫毛遮挡的分块图像等虹膜显露不明显的分块图像,获得有效的仅包含有虹膜的第三分块图像。进一步地,在所述训练库中搜索与所述第三分块图像匹配的第二分块图像,依据所述训练库中的低分辨率的第二分块图像与高分辨率的第一分块图像的第一关联关系,从而获得与所述第三分块图像相匹配的第一分块图像,可以理解为,以获得的低分辨率的第三分块图像为依据,获得与其相对应的高分辨率的第一分块图像。最后将获得的第一分块图像进行拼接组合成完整的第二图像。
步骤103:分析所述第二图像,获得所述第二图像中的虹膜区域的纹理基元;所述纹理基元表征所述虹膜区域中重复出现的局部特征。
经过观察发现,假体虹膜(例如美瞳等)和活体虹膜(即裸眼的虹膜)的纹理具有很大的差异,活体虹膜的纹理较细腻,而假体虹膜则较为粗糙杂乱,并且在频域中也有不同的展现。基于此,提出本发明实施例的活体虹膜的检测方案。
本实施例中,所述分析所述第二图像,获得所述第二图像中的虹膜区域的纹理基元,包括:采用尺度不变换特征变换(sift,scaleinvariantfeaturetransform)算法抽取所述第二图像的局部特征,获得所述第二图像的局部特征集合;分析所述局部特征集合,获得所述局部特征集合中重复出现的特征作为纹理基元。
具体的,图3为本发明实施例中判断所述第二图像的分类是活体虹膜或假 体虹膜的一种流程示意图;如图3所示,获得所述第二图像后,首先对所述第二图像(也即图中所示的虹膜图像)进行预处理,识别所述第二图像中的虹膜区域,针对所述虹膜区域进行纹理基元的识别。本实施例中,可采用密集采样的sift算法对虹膜图像进行底层特征抽取,所抽取的特征可以理解为上述的局部特征。根据图像的底层特征训练学习得到图像中反复出现的微结构,即纹理基元。本实施例可以利用视觉词典编码方法更加完备地描述纹理基元以及表达虹膜图像纹理分布。视觉词典可以理解为局部特征集合,也即底层特征集合;所述层级的视觉词典编码可以理解为对局部特征集合(或底层特征集合)中的局部特征(或底层特征)进行编码。
步骤104:基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜。
这里,所述基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜,包括:获得所述纹理基元在所述局部特征集合中的第一属性参数;判断所述第一属性参数与预先学习获得的第一类型的属性参数集合相匹配,或是与预先学习获得的第二类型的属性参数集合相匹配;当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
本实施例中,预先采集标明为活体虹膜类型的图像以及假体虹膜类型的图像,对采集的图像按照步骤103中的处理方法进行纹理基元的识别。进一步地,以标明为活体虹膜类型的图像为例,获得活体虹膜类型的图像的纹理基元在视觉词典(即局部特征集合)中出现的属性参数,所述属性参数可以为频率和直方图分布。当预先采集多个标明为活体虹膜类型的图像时,则对应多个属性参数生成第一类型的属性参数集合。相应的,以标明为假体虹膜类型的图像为例,获得假体虹膜类型的图像的纹理基元在视觉词典(即局部特征集合)中出现的属性参数,所述属性参数可以为频率和直方图分布。当预先采集多个标明为假体虹膜类型的图像时,则对应多个属性参数生成第二类型的属性参数集合。
基于此,可如图3所示,获得所述纹理基元在所述局部特征集合中的第一属性参数,所述第一属性参数可以为所述纹理基元在视觉词典(即局部特征集合)中出现的频率和直方图分布。判断所述第一属性参数与第一类型的属性参数集合相匹配,或是与第二类型的属性参数集合相匹配;当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
步骤105:确定所述第二图像的分类是活体虹膜时,对所述第二图像进行特征抽取获得特征参数,将所述特征参数与预设特征库中的特征参数进行比对,获得与所述特征参数对应的身份结果。
这里,所述对所述第二图像进行特征抽取获得特征参数,包括:采用深度学习算法对所述第二图像进行特征抽取获得特征参数。作为一种实施方式,所述深度学习算法可以为深度信念网络算法。
图4为本发明实施例中采用深度学习算法进行特征抽取的示意图;如图4所示,v1、v2、v3、v4、v5表示针对同一目标输入的不同图像,也即针对同一目标采集多个第一图像,按照上述步骤101至步骤104进行处理,获得多个第二图像进行输入。作为一种实施方式,对获得的多个第二图像进行归一化处理,获得归一化图像,将所述归一化图像作为输入的图像。如图4所示,v1、v2、v3、v4、v5也叫做显性神经元,(visibleunits),简称“显元”,每个显元之间没有互联;h1、h2、h3,代表经过映射之后得到的特征或者聚类结果,也叫做隐形神经元(hiddenunits),简称“隐元”,每个隐元之间同样没有互联。在仅由一层显元和一层隐元构成的结构中,假设所有节点都是随机二值变量,并且假设全概率分布满足玻尔兹曼分布,即为受限玻尔兹曼机(rbm,restrictedboltzmannmachines)。在受限玻尔兹曼机结构中,显层和隐层内部的神经元均没有互连,则在给定所有显元的条件下,隐元的取值互相独立,即满足:
同样,在给定隐元的条件下,显元的取值也互相独立,即满足:
基于上述描述,可以在每一步并行的计算整层神经元。
深度信念网络实质是多层受限玻尔兹曼机的堆叠,训练时通过由低到高逐层训练受限玻尔兹曼机来实现,即分层求出概率分布,并且在这个概率分布中训练样本的概率最大。
基于深度学习的特征抽取过程可以看作是一个黑匣子,输入为图像数据,而输出为特征数据。网络的内部构造、节点之间的权重可以通过最优化方法学习获得。网络的深度、每一层的节点数目及连接方式等均需要根据先验知识预先设定。
本实施例中,采用上述深度信念网络的基本思路对所述第二图像进行特征抽取;输入的图像作为显元,如果采用多层受限玻尔兹曼机的堆叠,则每一层的隐元可以理解为特征抽取过程中的中间变量,而最终获得的时输入的图像所对应的特征参数。
本实施例中,获得所述第二图像的特征参数后,将所述特征参数与预设特征库中的特征参数进行比对,具体可比对特征之间的欧式距离和/或汉明距离等,获得与所述特征参数对应的身份结果。具体的比对方式可采用现有技术中的任何特征比对方式,本实施例中不做详细描述。
本发明实施例的技术方案的有益效果在于以下几个方面:
1、本发明实施例采用图像增强方案,将终端采集的低分辨率的第一图像增强为高分辨率的第二图像,解决了现有技术中由于环境条件的不可控或者人机配合度的影响,使采集的图像质量较低,从而影响虹膜识别效率和准确率的问题。
2、本发明实施例采用活体虹膜检测的方案,保留检测出的活体虹膜类型的图像,滤除假体虹膜类型的图像,解决了现有技术中由于用户佩戴美瞳等导致的虹膜识别效率低和准确率低的问题。
3、现有技术的虹膜识别方案中,对虹膜特征的抽取通常采用人工设定特征类型并选取特征参数,这需要扎实的专业背景和经验。并且调节参数耗时耗力,同样的特征表达方法用于不同的数据集,可能需要多次调整参数,需要很多的经验和技巧,而且经过调节的算法往往不稳定且不能保证结果最优。针对移动端虹膜识别问题,现有的方法已经远远不能满足需求。虹膜图像规模大,而且质量参差不齐,这就对智能化分析和预测提出了巨大需求。而本发明实施例采用基于深度学习算法的特征抽取,通过自动及其学习和特征选择,表达虹膜最本征的特征,在特征控件增大类间差异减小类内差异,大大提高了虹膜识别的正确率,提升了虹膜识别效率。
实施例二
本发明实施例还提供了一种终端。图5为本发明实施例的终端的组成结构示意图;如图5所示,所述终端包括:图像获取单元51、图像增强单元52、检测单元53和特征表达与匹配单元54;其中,
所述图像获取单元51,用于获得第一图像,所述第一图像为终端采集的显示参数低于第一阈值的图像;
所述图像增强单元52,用于在训练库中选择与所述第一图像相对应的第二图像,将所述第二图像发送至所述检测单元53;所述第二图像为显示参数高于第二阈值的图像;所述第二阈值大于所述第一阈值;
所述检测单元53,用于分析所述第二图像,获得所述第二图像中的虹膜区域的纹理基元;所述纹理基元表征所述虹膜区域中重复出现的局部特征;基于所述纹理基元判断所述第二图像的分类是活体虹膜或假体虹膜;
所述特征表达与匹配单元54,用于当所述检测单元53确定所述第二图像的分类是活体虹膜时,对所述第二图像进行特征抽取获得特征参数,将所述特征参数与预设特征库中的特征参数进行比对,获得与所述特征参数对应的身份结果。
本实施例中,所述终端具体可以为移动终端,当然不限于移动终端,其他个人计算机(pc)等支持虹膜识别功能的终端也可适用。
本实施例中,所述图像获取单元51获得的第一图像为针对人眼采集的图像。所述第一图像的显示参数低于第一阈值,所述显示参数可以为分辨率,所述第一阈值可以依据图像采集组件(例如摄像头)技术的发展设定。可以理解为,类比于高清图像采集组件和非高清图像采集组件,所述第一图像可以为低分辨率图像。
本实施例中,所述图像增强单元52,用于在训练库中选择与所述第一图像相对应的第二图像之前,针对同一目标分别采集高分辨率图像和低分辨率图像;所述高分辨率图像为显示参数高于第二阈值的图像;所述低分辨率图像为显示参数低于第一阈值的图像;建立所述高分辨率图像和所述低分辨率图像的关联关系生成训练库。
其中,所述图像增强单元52,用于分别对所述高分辨率图像和所述低分辨率图像进行分块处理,建立所述高分辨率图像的每一个第一分块图像与其相对应的低分辨率图像的第二分块图像的第一关联关系;基于所述第一分块图像、与所述第一分块图像具有第一关联关系的第二分块图像生成训练库。
具体的,所述图像增强单元52预先建立训练库,所述训练库中包括在可控环境下针对同一目标(所述目标可以为人眼)采集的高分辨率图像和低分辨率图像;如图2a和图2b所示,所述高分辨率图像和低分辨率图像类比于高清图像采集组件和非高清图像采集组件,所述高分辨率图像质量较高、高分辨率、聚焦清晰等等;所述低分辨率图像质量较低、低分辨率、聚焦模糊等等。所述训练库中包括针对多个目标(所述目标可以为人眼)对应的高分辨率图像和低分辨率图像。
针对同一目标的高分辨率图像和低分辨率图像,按相同的分块原则对所述高分辨率图像和所述低分辨率图像进行分块处理;所述相同的分块原则可以理解为,在所述高分辨率图像和所述低分辨率图像处于相同尺寸并且图像中的人眼区域的尺寸也相同时,所述高分辨率图像的第一分块图像和所述低分辨率图像的第二分块图像的尺寸也相同,即所述高分辨率图像的每一个第一分块图像与所述低分辨率图像中的第二分块图像是一一对应的。在本实施例中,由于是 针对虹膜的识别方案,则可以滤除所述高分辨率图像和所述低分辨率图像中除虹膜以外的分块图像,例如删除仅含有眼皮区域的分块图像或者被睫毛遮挡的分块图像等虹膜显露不明显的分块图像。
本实施例中,以低分辨率图像作为依据,建立所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系。所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系的建立可采用最大后验概率算法、马氏距离度量算法等方式。以最大后验概率算法为例,则所述低分辨率图像的每一个第二分块图像与高分辨率图像的第一分块图像的第一关联关系可满足表达式(1):
其中,h表示高分辨率图像;
基于上述描述,终端建立训练库。
本实施例中,所述图像增强单元52,用于对所述第一图像进行分块处理获得多个第三分块图像;查询所述训练库对获得与所述多个第三分块图像相匹配的多个第二分块图像;获得与所述多个第二分块图像关联的多个第一分块图像,将所述多个第一分块图像组合生成所述第二图像。
具体的,所述图像获取单元51获得的第一图像可以理解为获得待识别的低分辨率图像。所述图像增强单元52依据训练库建立过程中的分块方式对所述第一图像进行分块处理,滤除除虹膜以外的分块图像,例如删除仅含有眼皮区域的分块图像或者被睫毛遮挡的分块图像等虹膜显露不明显的分块图像,获得有效的仅包含有虹膜的第三分块图像。进一步地,在所述训练库中搜索与所述第三分块图像匹配的第二分块图像,依据所述训练库中的低分辨率的第二分块图像与高分辨率的第一分块图像的第一关联关系,从而获得与所述第三分块图像 相匹配的第一分块图像,可以理解为,以获得的低分辨率的第三分块图像为依据,获得与其相对应的高分辨率的第一分块图像。最后将获得的第一分块图像进行拼接组合成完整的第二图像。
本实施例中,所述检测单元53,用于采用尺度不变换特征变换(sift)算法抽取所述第二图像的局部特征,获得所述第二图像的局部特征集合;分析所述局部特征集合,获得所述局部特征集合中重复出现的特征作为纹理基元。
所述检测单元53,用于获得所述纹理基元在所述局部特征集合中的第一属性参数;判断所述第一属性参数与预先学习获得的第一类型的属性参数集合相匹配,或是与预先学习获得的第二类型的属性参数集合相匹配;当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
具体的,如图3所示,获得所述第二图像后,首先对所述第二图像(也即图中所示的虹膜图像)进行预处理,识别所述第二图像中的虹膜区域,针对所述虹膜区域进行纹理基元的识别。本实施例中,可采用密集采样的sift算法对虹膜图像进行底层特征抽取,所抽取的特征可以理解为上述的局部特征。根据图像的底层特征训练学习得到图像中反复出现的微结构,即纹理基元。本实施例可以利用视觉词典编码方法更加完备地描述纹理基元以及表达虹膜图像纹理分布。视觉词典可以理解为局部特征集合,也即底层特征集合;所述层级的视觉词典编码可以理解为对局部特征集合(或底层特征集合)中的局部特征(或底层特征)进行编码。
本实施例中,所述检测单元53预先采集标明为活体虹膜类型的图像以及假体虹膜类型的图像,对采集的图像进行纹理基元的识别。进一步地,以标明为活体虹膜类型的图像为例,获得活体虹膜类型的图像的纹理基元在视觉词典(即局部特征集合)中出现的属性参数,所述属性参数可以为频率和直方图分布。当预先采集多个标明为活体虹膜类型的图像时,则对应多个属性参数生成第一类型的属性参数集合。相应的,以标明为假体虹膜类型的图像为例,获得假体 虹膜类型的图像的纹理基元在视觉词典(即局部特征集合)中出现的属性参数,所述属性参数可以为频率和直方图分布。当预先采集多个标明为假体虹膜类型的图像时,则对应多个属性参数生成第二类型的属性参数集合。
基于此,可如图3所示,所述检测单元53获得所述纹理基元在所述局部特征集合中的第一属性参数,所述第一属性参数可以为所述纹理基元在视觉词典(即局部特征集合)中出现的频率和直方图分布。判断所述第一属性参数与第一类型的属性参数集合相匹配,或是与第二类型的属性参数集合相匹配;当所述第一属性参数与所述第一类型的属性参数集合相匹配时,确定所述第二图像的分类是活体虹膜;当所述第一属性参数与所述第二类型的属性参数集合相匹配时,确定所述第二图像的分类是假体虹膜。
本实施例中,所述特征表达与匹配单元54,用于采用深度学习算法对所述第二图像进行特征抽取获得特征参数。作为一种实施方式,所述深度学习算法可以为深度信念网络算法。
具体的,如图4所示,v1、v2、v3、v4、v5表示针对同一目标输入的不同图像,也即针对同一目标采集多个第一图像,按照上述描述进行处理,获得多个第二图像进行输入。作为一种实施方式,对获得的多个第二图像进行归一化处理,获得归一化图像,将所述归一化图像作为输入的图像。如图4所示,v1、v2、v3、v4、v5也叫做显性神经元,(visibleunits),简称“显元”,每个显元之间没有互联;h1、h2、h3,代表经过映射之后得到的特征或者聚类结果,也叫做隐形神经元(hiddenunits),简称“隐元”,每个隐元之间同样没有互联。在仅由一层显元和一层隐元构成的结构中,假设所有节点都是随机二值变量,并且假设全概率分布满足玻尔兹曼分布,即为受限玻尔兹曼机(rbm,restrictedboltzmannmachines)。在受限玻尔兹曼机结构中,显层和隐层内部的神经元均没有互连,则在给定所有显元的条件下,隐元的取值互相独立,即满足:
同样,在给定隐元的条件下,显元的取值也互相独立,即满足:
基于上述描述,可以在每一步并行的计算整层神经元。
深度信念网络实质是多层受限玻尔兹曼机的堆叠,训练时通过由低到高逐层训练受限玻尔兹曼机来实现,即分层求出概率分布,并且在这个概率分布中训练样本的概率最大。
基于深度学习的特征抽取过程可以看作是一个黑匣子,输入为图像数据,而输出为特征数据。网络的内部构造、节点之间的权重可以通过最优化方法学习获得。网络的深度、每一层的节点数目及连接方式等均需要根据先验知识预先设定。
本实施例中,采用上述深度信念网络的基本思路对所述第二图像进行特征抽取;输入的图像作为显元,如果采用多层受限玻尔兹曼机的堆叠,则每一层的隐元可以理解为特征抽取过程中的中间变量,而最终获得的时输入的图像所对应的特征参数。
本实施例中,所述特征表达与匹配单元54获得所述第二图像的特征参数后,将所述特征参数与预设特征库中的特征参数进行比对,具体可比对特征之间的欧式距离和/或汉明距离等,获得与所述特征参数对应的身份结果。具体的比对方式可采用现有技术中的任何特征比对方式,本实施例中不做详细描述。
本发明实施例中,所述终端中的图像增强单元52、检测单元53和特征表达与匹配单元54,在实际应用中均可由所述终端中的中央处理器(cpu,centralprocessingunit)、数字信号处理器(dsp,digitalsignalprocessor)、微控制单元(mcu,microcontrollerunit)或可编程门阵列(fpga,field-programmablegatearray)实现;所述终端中的图像获取单元51,在实际应用中可由所述终端的摄像头实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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, 如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于 此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。