虹膜静默活体检测方法、装置、可读存储介质及设备与流程
本发明涉及虹膜识别领域，特别是指一种虹膜静默活体检测方法、装置、可读存储介质及设备。
背景技术：
近年来，指纹、人脸、虹膜等基于生物特征识别的身份识别技术和产品，越来越被广大消费者所认知和接受，市场应用也日趋广泛。但这些技术的输入是由采集仪采集的相应人体部位的图像，都存在假体攻击的安全隐患。所以，研究评判采集图像是否来自真实活体对象的生物特征防伪技术至关重要。
虹膜识别以虹膜唯一、稳定和不可更改的特性，被公认是最可靠和安全的生物特征识别之一。随着市场需求的演变，虹膜采集条件越来越开放，特别是手机虹膜的应用，使得虹膜图像质量得不到稳定把控，也使得假体虹膜更容易绕过传统虹膜防伪算法。
目前，虹膜识别系统的防伪技术面临的主要威胁有以下几类：
1、眼睛图像：移动设备显示屏显示的虹膜照片和视频，打印纸打印的虹膜照片等。
2、打印有虹膜纹理的隐形眼镜和美瞳等。
对于移动设备显示屏在采集仪镜头前播放照片和视频的造假手段，由于虹膜采集设备需配有近红外补光灯，而电子屏幕在近红外补光灯下的成像是暗黑色，不能有效的显示播放的虹膜照片或视频，所以能够先天性的解决该类攻击威胁。因此，市场上最为常见的最为容易伪造的攻击手段是打印纸打印的虹膜照片和打印有虹膜纹理的隐形眼镜。
目前，虹膜识别防伪技术主要有以下四类：
1、基于虹膜震颤的防伪技术：虹膜神经系统会发生无意识的震颤，通过检测这种震颤，可以判断是否为活体。
该方法需要一段时间间隔内检测非常细微的虹膜震颤变化，对虹膜图像质量要求极高，需要高精摄像头，且容易因头部晃动造成误判。
2、依赖用户配合的防伪技术，该技术分为被动配合和主动配合两种。
被动配合：硬件设备设计不同光照强度或不同波长的光照，促使用户虹膜瞳孔缩放，通过检测瞳孔缩放和虹膜形成的光斑大小变化判断是否为活体。
主动配合：系统随机给出事先定义的视线轨迹，提示用户按照该轨迹转动虹膜，检测实际视线轨迹与系统给定轨迹重合度，判断是否为活体。
该方法中的被动配合需要额外硬件支持，很难做到标准化，且容易受到环境的影响(自然光照强度、镜片反光等)，同时通过对打印虹膜纸张折叠、晃动都能制造虹膜和光斑大小变化的假象。主动配合的方法对用户很不友好，一般需要较长时间采集，另外掌握技巧，也能使用打印虹膜模拟视线轨迹。
3、傅里叶频谱分析法：使用傅里叶变换，将虹膜图像转换至频域分析，按照频谱分布，判别是否为活体。
该方法容易受到模糊的影响，高清活体虹膜图像和模糊采集的假体虹膜图像的频谱分布很难区分。
4、设计检测活体虹膜与假体虹膜图像特征的提取器，按照特征分类是否为活体。
该方法为比较常用的防伪方法，一般的做法是按照先验知识，人工设计纹理特征，如lbp、gabor特征，使用机器学习方法，一般为svm，训练真实虹膜和假体虹膜图像分类器。而人工设计特征，受制于设计者的先验知识，并且需要反复实验和调整，找到有效的人工特征，这需要耗费很长时间。虹膜图像的呈现和质量与虹膜采集设备绑定，人工设计的特征往往在某些特定条件和设备上采集的图像好用，改变了条件或者采集设备，准确率会迅速下降，泛化性能极弱。
技术实现要素：
为解决上述技术问题，本发明提供一种虹膜静默活体检测方法、装置、可读存储介质及设备，本发明在用户无感知的情况下进行虹膜活体检测，具有准确率高、效率高和用户友好等优点，可以被广泛使用和推广。
本发明提供技术方案如下：
第一方面，本发明提供一种虹膜静默活体检测方法，所述方法包括：
获取虹膜图像并进行预处理；
使用虹膜分类cnn，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；
使用与虹膜图像分类到的模糊等级对应的活体检测cnn对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测cnn。
进一步的，所述虹膜分类cnn通过如下方法训练得到：
获取训练样本集，所述训练样本集包括多个训练样本；
按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第n模糊等级，其中从第一模糊等级到第n模糊等级，训练样本拍摄时与焦点的距离逐渐变远；
将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级；
使用训练样本集训练虹膜分类cnn。
进一步的，所述虹膜分类cnn包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层；
n＝3时，所述使用虹膜分类cnn，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级，包括：
虹膜图像经过虹膜分类cnn的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征；
在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0；
在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0；
将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。
进一步的，所述活体检测cnn通过如下方法训练得到：
分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测cnn。
进一步的，所述活体检测cnn包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层；
所述使用与虹膜图像分类到的模糊等级对应的活体检测cnn对虹膜图像进行活体检测，得到活体检测结果，包括：
虹膜图像经过活体检测cnn的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征；
在分类层使用活体特征构造活体分值，判断活体分值是否大于该活体检测cnn的活体阈值，若是，活体检测结果为通过，否则，活体检测结果为不通过。
第二方面，本发明提供一种与第一方面的虹膜静默活体检测方法对应的虹膜静默活体检测装置，所述装置包括：
获取模块，用于获取虹膜图像并进行预处理；
分级模块，用于使用虹膜分类cnn，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级；
检活模块，用于使用与虹膜图像分类到的模糊等级对应的活体检测cnn对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测cnn。
进一步的，所述虹膜分类cnn通过如下模块训练得到：
样本集获取模块，用于获取训练样本集，所述训练样本集包括多个训练样本；
第一分级模块，用于按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第n模糊等级，其中从第一模糊等级到第n模糊等级，训练样本拍摄时与焦点的距离逐渐变远；
第二分级模块，用于将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级；
第一训练模块，用于使用训练样本集训练虹膜分类cnn。
进一步的，所述虹膜分类cnn包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层；
n＝3时，所述分级模块包括：
第一提取单元，用于虹膜图像经过虹膜分类cnn的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征；
第一分类单元，用于在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0；
第二分类单元，用于在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0；
累加单元，用于将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。
进一步的，所述活体检测cnn通过如下模块训练得到：
第二训练模块，用于分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测cnn。
进一步的，所述活体检测cnn包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层；
所述检活模块包括：
第二提取单元，用于虹膜图像经过活体检测cnn的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征；
第三分类单元，用于在分类层使用活体特征构造活体分值，判断活体分值是否大于该活体检测cnn的活体阈值，若是，活体检测结果为通过，否则，活体检测结果为不通过。
第三方面，本发明提供一种用于虹膜静默活体检测的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括第一方面所述的虹膜静默活体检测方法的步骤。
第四方面，本发明提供一种用于虹膜静默活体检测的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述的虹膜静默活体检测方法的步骤。
本发明具有以下有益效果：
1、本发明对虹膜图像质量要求较低，不需要高精摄像头，可以使用低质量的虹膜图像进行活体检测，满足了市场对低质量虹膜识别的需求，尤其适用于手机等移动终端的虹膜活体检测。
2、本发明是一种虹膜静默活体检测方法，在用户无感知的情况下进行虹膜活体检测，不依赖用户的主动或被动配合，无需额外的硬件支持且对用户友好。网络模型直接对接单张虹膜图像，针对单张虹膜图像具有较高的判别能力。
3、本发明使用虹膜分类cnn对虹膜质量进行分类，然后针对不同质量使用不同活体检测cnn进行活体检测，这种分而治之的方法，使得活体检测cnn提取特征更具有针对性，使判别结果更加准确。
4、本发明使用特征分类的方法解决虹膜活体检测问题，不同于传统人工设计特征和机器学习的方法，本发明使用深度学习(活体检测cnn)，以大量活体虹膜和假体虹膜进行训练，自动学习能够有效判别真假虹膜的特征。泛化性强，能够标准化地适应多样的虹膜识别设备，方便应用部署。
附图说明
图1为本发明的虹膜静默活体检测方法的流程图；
图2为本发明的虹膜静默活体检测方法一个示例的示意图；
图3为虹膜分类cnn一个示例的示意图；
图4为活体检测cnn一个示例的示意图；
图5为本发明的虹膜静默活体检测装置的示意图；
图6为c1、c2和c3级虹膜图像的一个示例图；
图7为预处理的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明实施提供了一种虹膜静默活体检测方法，如图1-2所示，该方法包括：
步骤s100：获取虹膜图像并进行预处理。
本步骤并不限定获取虹膜图像的方式，可以是通过虹膜采集仪拍摄一幅虹膜图像，也可以是从虹膜采集仪拍摄的视频流中选取出一帧虹膜图像。
本发明的预处理可以包括虹膜检测、虹膜定位和虹膜归一化等，如图7所示。
从虹膜采集仪获取得到的虹膜图像，通常分辨率较大，虹膜占比很小，包含大部分眼周和背景信息。通过虹膜检测，可以精准的获取虹膜区域，去除非虹膜区域的干扰，同时提高算法效率。本发明优选采用adaboost算法进行虹膜检测，然后优选使用微积分检测算子进行虹膜定位，得到虹膜外圆，如图7所示。
虹膜归一化是以定位的虹膜外圆圆心为中心，上下左右各向外1.5倍外圆半径裁切虹膜，不足处的像素补0。最后将裁切的虹膜图像缩放成固定的大小(优选为100*100)，作为最终的虹膜图像，如图7所示。
本发明的虹膜检测算法不限于adaboost算法，只要能够获取大概的虹膜位置即可，例如还可以是灰度投影法、霍夫变换法等，或者rcnn、fasterrcnn、ssd等深度学习方法。同样，虹膜定位算法也不限于微积分检测算子，例如还可以是sdm、霍夫变换、深度学习方法等。最终获得的归一化虹膜图像，作为虹膜分类cnn和活体检测cnn的数据输入。
步骤s200：使用虹膜分类cnn(convolutionalneuralnetworks,卷积神经网络)，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级。
本步骤中，使用虹膜分类cnn对虹膜图像提取特征，并进行模糊度分类。例如，虹膜分类cnn可以将虹膜图像分类到第一模糊等级、第二模糊等级和第三模糊等级三个等级，每个模糊等级代表虹膜图像不同的模糊程度(也就是虹膜图像的质量)。
步骤s300：使用与虹膜图像分类到的模糊等级对应的活体检测cnn对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测cnn。
如果虹膜分类cnn将虹膜图像分类到三个模糊等级，则每个模糊等级都对应有一个活体检测cnn，共三个活体检测cnn。虹膜分类cnn和活体检测cnn在使用前均需要进行训练，训练时，使用各自的训练集训练虹膜分类cnn和三个活体检测cnn。
若虹膜分类cnn将虹膜图像分类到第一模糊等级，则使用第一模糊等级对应的活体检测cnn对虹膜图像进行活体检测。进行活体检测时，活体检测cnn对虹膜图像提取特征，并进行活体检测分类，得到活体检测结果。
本发明使用虹膜分类cnn将虹膜图像按照模糊程度进行分类，然后根据虹膜图像的模糊程度使用不同的活体检测cnn进行活体检测，其具有以下有益效果：
1、本发明对虹膜图像质量要求较低，不需要高精摄像头，可以使用低质量的虹膜图像进行活体检测，满足了市场对低质量虹膜识别的需求，尤其适用于手机等移动终端的虹膜活体检测。
2、本发明是一种虹膜静默活体检测方法，不依赖用户的主动或被动配合，无需额外的硬件支持且对用户友好。网络模型直接对接单张虹膜图像，针对单张虹膜图像具有较高的判别能力。
3、本发明使用虹膜分类cnn对虹膜质量进行分类，然后针对不同质量使用不同活体检测cnn进行活体检测，这种分而治之的方法，使得活体检测cnn提取特征更具有针对性，使判别结果更加准确。
4、本发明使用特征分类的方法解决虹膜活体检测问题，不同于传统人工设计特征和机器学习的方法，本发明使用深度学习(活体检测cnn)，以大量活体虹膜和假体虹膜进行训练，自动学习能够有效判别真假虹膜的特征。泛化性强，能够标准化地适应多样的虹膜识别设备，方便应用部署。
作为本发明的一种改进，虹膜分类cnn通过如下方法训练得到：
步骤s100’：获取训练样本集，训练样本集包括多个训练样本。
作为训练样本集的一个示例，其可以包括中科院公开数据库、lg公开数据库等公开数据库，还包括使用虹膜采集仪自采集得到的自采集数据库。其中，自采集数据库包含采集的真人虹膜数据、采集的由公开数据库和自采集真人虹膜抽样数据打印制作的假体虹膜数据、采集的含有虹膜纹理的美瞳数据集(真人佩戴)。
使用虹膜采集仪器采集数据过程中，不分真假虹膜，模拟实际使用场景，采集多个清晰等级的虹膜图像数据。
步骤s200’：按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第n模糊等级，其中从第一模糊等级到第n模糊等级，训练样本拍摄时与焦点的距离逐渐变远。
本发明考虑虹膜采集仪定焦镜头的属性，焦点附近图像清晰，远离焦点图像模糊，也就是离焦模糊。鉴于以上原因，所以本发明将虹膜模糊度分为n级。从第一模糊等级到第n模糊等级，训练样本拍摄时与焦点的距离逐渐变远，也逐渐变模糊。第一模糊等级离焦点最近，最清晰，后一个模糊等级比前一个模糊等级离焦点较远，因此后一个模糊等级比前一个模糊等级较模糊，最后一个模糊等级离焦点最远，最模糊。
虹膜图像模糊到一定程度，在虹膜图像上进行预处理时，虹膜检测和虹膜定位就会存在漏检和定位不到的情况，也就是虹膜图像不可用，也就没有必要做活体检测了。因此，本发明可以通过设置最后一个模糊等级的模糊程度，使得最后一个模糊等级可以被虹膜检测和虹膜定位检测和定位到(可用)，而比最后一个模糊等级更模糊的虹膜图像则不可用。也就是最后一个模糊等级刚好可用，使得本发明的模糊度分级能够覆盖可用的虹膜图像的所有模糊度程度范围。
例如n等于3时，第一模糊等级c1最清晰，为焦点附近成像。第二模糊等级c2介于清晰与模糊之间，为稍远离焦点成像。第三模糊等级c3最模糊，为远离焦点成像。
本发明中，判断第一模糊等级、第二模糊等级、…、第n模糊等级时，与焦点的距离(即为离焦距离，也就是前述的焦点附近、稍远离焦点和远离焦点)可以根据实际需要设定。
步骤s300’：将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级。
虹膜图像受眼球转动、眨眼以及人脸晃动的影响，容易产生运动模糊。若某个模糊等级的虹膜图像产生了运动模糊，那么其清晰度就降低了，而后一模糊等级比前一个模糊等级较模糊，因此将其划分到后一模糊等级中。因为没有比最后一个模糊等级更模糊的等级了，所以最后一个模糊等级中产生运动模糊的训练样本还是分类到最后一个模糊等级。
以n等于3时为例，若第一模糊等级c1的虹膜图像产生了运动模糊，那么其清晰度就降低了，因此将焦点附近成像的第一模糊等级的运动模糊图像划分为第二模糊等级c2。同理，将稍远离焦点成像的第二模糊等级的运动模糊图像划分为c3级别。将远离焦点成像的第三模糊等级的运动模糊图像也划分为c3级别。
本发明使用人工标定配合采集对象离焦距离，对整个训练样本集模糊度划分为n个等级，从第一模糊等级到第n模糊等级，模糊程度逐渐增加。
例如n＝3时，c1(清晰)、c2(较清晰)、c3(模糊)。并将焦距附近产生的运动模糊图像划分到c2等级，离焦距较远的运动模糊图像划分到c3等级。
图6给出了c1、c2和c3级虹膜图像的一个示例，第一行为活体虹膜，第二行为假体虹膜；第一列为c1级(焦距附近)，第二列为c2级(焦距附近运动模糊)，第三列为c3级(远离焦距)，第四列为c3级(远离焦距运动模糊)。
对以上标定的训练样本，使用前述的预处理方法，对虹膜图像进行归一化，用作虹膜分类cnn网络的输入。
步骤s400’：使用训练样本集训练虹膜分类cnn。
本发明的虹膜分类cnn为轻量级卷积神经网络，方便快速计算，能够达到实时检测需求，其包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层，第一分类层和第二分类层均为二分类。
虹膜分类cnn其中的一个优选示例如图3所示：经过三个卷积层之后，紧接一个全连接层，最后输出两个softmax二分类任务，每个卷积层之后经过bn层、relu激活层和maxpooling下采样层。本发明的虹膜分类cnn并不限于图3所示的结构，其他能够实现的网络结构均可。
基于上述结构的虹膜分类cnn，以n＝3为例，在训练时，本发明将标定好的3个模糊度等级顺序回归问题，转换成2个二分类子问题。
在训练时，将训练样本缩放成32*32作为虹膜分类cnn的输入。
对于每个模糊度等级的阈值ck，二分类目的是判断模糊度分值yi是否大于ck，预测结果为{0，1}，满足为1，不满足为0。
其中，
训练中，对于单个二分类子任务，使用交叉熵损失函数，整体损失函数为所有二分类子任务的损失之和，本发明中，认为两个子任务同等重要，所以每个子任务的损失函数权重为1。
训练完成后，使用虹膜分类cnn进行在线分类虹膜模糊等级。
n＝3时，步骤s200包括：
步骤s210：虹膜图像经过虹膜分类cnn的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征。
以图3所示的虹膜分类cnn为例，输入的32*32*1(大小为32*32，通道为1)的虹膜图像，经过3*3*16(卷积核大小为3*3，通道为16)的，步长为1(stride＝1)的卷积层，等到16*16*16(大小为16*16，通道为16)的特征图。以此类推，在全连接层得到1*1*64(大小为1*1，通道为64)的模糊度特征。
步骤s220：在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0。
大于第一模糊度阈值，说明是第二模糊等级或第三模糊等级，结果为1；否则，说明是第一模糊等级，结果为0。
步骤s230：在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0。
大于第二模糊度阈值，说明是第三模糊等级，结果为1；否则，说明是第一模糊等级或第二模糊等级，结果为0。
步骤s240：将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。
经过两个分类层后，将结果相加，第一模糊等级为0，第二模糊等级为1，第三模糊等级为2，再加1，即为虹膜图像的模糊等级。
相比直接使用分类网络将模糊度分为两类或三类的方法，本发明采用序回归模型，将三分类问题(c1,c2,c3)转换成两个二分类问题，从而利用了虹膜模糊度连续性的特点，每个二分类任务的输出表示是否大于当前模糊等级(0代表否，1代表是)，最终两个分类结果求和加1代表最终的等级。
作为本发明的另一种改进，活体检测cnn为轻量级卷积神经网络，方便快速计算，能够达到实时检测需求，其包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层，活体检测cnn通过如下方法训练得到：
步骤s100”：分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测cnn。
基于前述的活体检测cnn的结构，步骤s300包括：
步骤s310：虹膜图像经过活体检测cnn的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征。
步骤s320：在分类层使用活体特征构造活体分值，判断活体分值是否大于该活体检测cnn的活体阈值，若是，活体检测结果为通过，否则，活体检测结果为不通过。
示例性的，本发明有三个活体检测cnn模型，不同模糊等级的虹膜数据输入对应的活体检测cnn提取活体特征，然后使用softmax分类层计算得分，与给定的阈值进行比较，确定为活体虹膜或假体虹膜。
其中，这三个活体检测cnn优选使用相同的网路结构，只有训练数据不同。网络输入数据大小优选为64*64。活体检测cnn网络结构的一个示例如图4所示，经过4个卷积层之后，紧接一个全连接，提取128维特征向量，每个卷积层之后经过bn层、relu激活层和maxpooling下采样层，最后使用softmax计算活体得分。
本发明的活体检测cnn并不限于图4所示的结构，其他能够实现的网络结构均可。
实施例2：
本发明实施例提供了一种虹膜静默活体检测装置，如图5所示，该装置包括：
获取模块10，用于获取虹膜图像并进行预处理。
分级模块20，用于使用虹膜分类cnn，按照模糊程度将虹膜图像分类到若干模糊等级中的一个模糊等级。
检活模块30，用于使用与虹膜图像分类到的模糊等级对应的活体检测cnn对虹膜图像进行活体检测，得到活体检测结果；其中，每个模糊等级对应一个活体检测cnn。
本发明使用虹膜分类cnn将虹膜图像按照模糊程度进行分类，然后根据虹膜图像的模糊程度使用不同的活体检测cnn进行活体检测，其具有以下有益效果：
1、本发明对虹膜图像质量要求较低，不需要高精摄像头，可以使用低质量的虹膜图像进行活体检测，满足了市场对低质量虹膜识别的需求，尤其适用于手机等移动终端的虹膜活体检测。
2、本发明是一种虹膜静默活体检测方法，不依赖用户的主动或被动配合，无需额外的硬件支持且对用户友好。网络模型直接对接单张虹膜图像，针对单张虹膜图像具有较高的判别能力。
3、本发明使用虹膜分类cnn对虹膜质量进行分类，然后针对不同质量使用不同活体检测cnn进行活体检测，这种分而治之的方法，使得活体检测cnn提取特征更具有针对性，使判别结果更加准确。
4、本发明使用特征分类的方法解决虹膜活体检测问题，不同于传统人工设计特征和机器学习的方法，本发明使用深度学习(活体检测cnn)，以大量活体虹膜和假体虹膜进行训练，自动学习能够有效判别真假虹膜的特征。泛化性强，能够标准化地适应多样的虹膜识别设备，方便应用部署。
作为本发明的一种改进，虹膜分类cnn通过如下模块训练得到：
样本集获取模块，用于获取训练样本集，训练样本集包括多个训练样本。
第一分级模块，用于按照训练样本拍摄时与焦点的距离，将训练样本分类为第一模糊等级到第n模糊等级，其中从第一模糊等级到第n模糊等级，训练样本拍摄时与焦点的距离逐渐变远。
第二分级模块，用于将前一模糊等级中产生运动模糊的训练样本分类到后一模糊等级，将最后一个模糊等级中产生运动模糊的训练样本分类到最后一个模糊等级。
第一训练模块，用于使用训练样本集训练虹膜分类cnn。
本发明的虹膜分类cnn包括若干卷积层、激活层、下采样层和全连接层，以及第一分类层和第二分类层。
基于此，当n＝3时，前述的分级模块包括：
第一提取单元，用于虹膜图像经过虹膜分类cnn的若干卷积层、激活层、下采样层和全连接层，提取得到模糊度特征。
第一分类单元，用于在第一分类层使用模糊度特征构造第一模糊度分值，判断第一模糊度分值是否大于第一模糊度阈值，若是，第一分类层的分类结果为1，否则第一分类层的分类结果为0。
第二分类单元，用于在第二分类层使用模糊度特征构造第二模糊度分值，判断第二模糊度分值是否大于第二模糊度阈值，若是，第二分类层的分类结果为1，否则第二分类层的分类结果为0。
累加单元，用于将第一分类层的分类结果和第二分类层的分类结果相加后再加1，即为虹膜图像的模糊等级。
作为本发明的另一种改进，活体检测cnn通过如下模块训练得到：
第二训练模块，用于分别使用不同模糊等级的训练样本训练该模糊等级对应的活体检测cnn。
进一步的，活体检测cnn包括若干卷积层、激活层、下采样层和全连接层，以及一个分类层。
基于此，前述的检活模块包括：
第二提取单元，用于虹膜图像经过活体检测cnn的若干卷积层、激活层、下采样层和全连接层，提取得到活体特征。
第三分类单元，用于在分类层使用活体特征构造活体分值，判断活体分值是否大于该活体检测cnn的活体阈值，若是，活体检测结果为通过，否则，活体检测结果为不通过。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例1相同，为简要描述，该装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例1中的对应过程，在此不再赘述。
实施例3：
本说明书提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例1所描述方案的效果。因此，本发明还提供用于虹膜静默活体检测的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的虹膜静默活体检测方法的步骤。
本发明在用户无感知的情况下进行虹膜活体检测，具有准确率高、效率高和用户友好等优点，可以被广泛使用和推广。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
上述所述的装置根据方法实施例1的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例1的描述，在此不作一一赘述。
实施例4：
本发明还提供一种用于虹膜静默活体检测的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于虹膜静默活体检测的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述虹膜静默活体检测方法的步骤。
本发明在用户无感知的情况下进行虹膜活体检测，具有准确率高、效率高和用户友好等优点，可以被广泛使用和推广。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例1的描述，在此不作一一赘述。
需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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。
- 还没有人留言评论。精彩留言会获得点赞！