基于深度神经网络的人脸虹膜识别系统的制作方法

本发明属于图像识别领域，特别是涉及一种基于深度神经网络的人脸虹膜识别系统。

背景技术：

自从人类产生了对自身安全和保密的防护需要后，就产生了各种应对这种需求的方法和设施，从最原始的门闩和锁匙，到今天的以密码、ic卡为代表的数字化安防措施，都是为了满足人们的这种需要。近年来随着科技的不断发展，人们对各种保密措施安全性能的要求也在不断提高，传统的身份鉴别具有易遗忘，易假冒的等缺点，已经不符合现代数字社会的需求。基于生物特征的识别技术就是利用人本身所拥有的生物特征来判别别人的身份，这些生物特征具有“人各有异、终身不变、随身携带”的三个特点，具有稳定、便捷、不易伪造等优点，近年来已成为身份鉴别的热点。

所谓的生物特征识别，是指通过计算机对人体所固有的生理特征或行为特征进行收集并处理，从而完成个人身份鉴别的技术。其中，虹膜识别就是一种重要而且有效的生物特征识别手段，虹膜在人眼睛中位于眼角膜之后，晶状体之前，巩膜和瞳孔之间的环形可视膜，在虹膜上面有很多的细微特征，这些特征包括水晶体、细小的丝状分布、斑点、凹状小点、放射性线条、皱纹和细纹等。一次你虹膜是最不容易伪造的个体证明。

而在虹膜图像采集的过程中往往难以获取清晰的完整的虹膜图像，经常为不完整的图像，传统的daugman算法或wildes算法往往效果不理想，现有的虹膜识别系统往往的单独的一套设备，没有后台服务器的支撑，在运算、处理、存储方面由于设备的成本原因往往存在不足，对一些较为复杂的算法硬件上无法适应。

技术实现要素：

本发明的目的在于提供一种基于深度神经网络的人脸虹膜识别系统，通过同步进行虹膜图像的处理和深度神经网络的构建，对虹膜图像处理前，先进行图像的清洁并利用算法将虹膜图像分离出来提取特征值，输入虹膜特征模板进行识别，解决了现有的虹膜识别处理效率慢、没有后台服务器支撑管理的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度神经网络的人脸虹膜识别系统，包括虹膜图像处理单元、神经网络构建单元、虹膜识别分类模块和后台云服务器；

所述虹膜图像处理单元、神经网络构建单元和后台云服务器均与虹膜识别分类模块连接，且所述虹膜识别分类模块与后台云服务器双向通讯连接；

所述虹膜图像处理单元包括虹膜采集模块、数据清洗模块、数据预处理模块和特征提取模块；所述虹膜采集模块用以通过中控机采集用户虹膜数据；所述数据清洗模块用以清洗掉用户虹膜信息的无用数据；所述数据预处理用以对虹膜图像定位，找出虹膜圆心和内外径；所述特征提取模块用以进行虹膜图像的特征提取并进行编码；

所述神经网络构建单元包括初始化模块、参数训练模块和虹膜特征模板；所述初始化模块用以对深度神经网络进行初始化；所述初始化包括确定深度神经网络的拓扑结构；所述参数训练模块用以利用训练数据训练深度神经网络的模型参数；所述虹膜特征模板用以在模型训练工程中，基于深度神经网络的拓扑结果在训练数据上的分布特征对深度神经网络进行模块化处理；

所述虹膜识别分类模块用以对虹膜进行识别，将学习样本进行训练，并对监测样本进行检测；

所述后台云服务器用以接收识别对象的清晰虹膜图像数据及相应的识别结果，并实时的识别结果进行验证，训练得到的新的虹膜特征模板再发送至安装有虹膜识别装置的工控机上。

优选地，所述用户虹膜信息的无用数据包括虹膜采集图片中眼睑、睫毛、眼白；所述虹膜预处理模采用灰度题图的虹膜定位算法，确定虹膜圆形的位置和内外径的位置，确定出虹膜的内外边缘后，将虹膜从整幅图像中分割出来。

优选地，所述后台云服务器接收识别对象的清晰虹膜图像数据以及相应的识别结果，并将虹膜采集模块的采集时间以时间戳的形式发送至云服务器，然后后台云服务器将识别对象清晰的虹膜图像数据保留，作为后续模型训练的样本，若图像不清晰或时间戳顺序不对，则相应的虹膜图像数据丢弃。

本发明为一种基于深度神经网络的人脸虹膜识别系统的识别方法，包括如下步骤：

s1：工控机内部虹膜采集模块采集人体虹膜图像；

s2：工控机对采集的图像进行清洗；

s3：工控机对虹膜清洗完成的图像进行预处理得到虹膜图像；

s4：对虹膜图像进行特征值提取；

s5：将深度神经网络初始化处理；

s6：利用训练数据训练深度神经网络的模型参数得到虹膜特征模板；

s7：将步骤s4得到的虹膜图像特征值输入虹膜特征模板进行识别；

s8：工控机将相应的识别结果发送至后台员服务器。

优选地，所述步骤s3中，虹膜图像的预处理包括如下步骤：

p1：用二值化的方法对虹膜的内边界进行提取，并用投影法获得内边界的圆心和半径；

p2：用canny算子检测外边界，用hough变换对虹膜的外边界进行提取并确定外边界的圆心和半径；

p3：用极坐标的方法对虹膜图像进行归一化处理；

p4：用直方图均衡的方法对虹膜图像进行增强；

p5：用gabor滤波对虹膜图像进行编码。

本发明具有以下有益效果：

本发明通过同步进行虹膜图像的处理和深度神经网络的构建，对虹膜图像处理前，先进行图像的清洁并利用算法将虹膜图像分离出来提取特征值，输入虹膜特征模板进行识别，提高了工控机的虹膜识别效率和后台服务器的管理水平。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于深度神经网络的人脸虹膜识别系统结构示意图。

图2为本发明的一种基于深度神经网络的人脸虹膜识别方法步骤图；

图3为虹膜图像预处理的步骤图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于深度神经网络的人脸虹膜识别系统，包括虹膜图像处理单元、神经网络构建单元、虹膜识别分类模块和后台云服务器；

虹膜图像处理单元、神经网络构建单元和后台云服务器均与虹膜识别分类模块连接，且虹膜识别分类模块与后台云服务器双向通讯连接；

虹膜图像处理单元包括虹膜采集模块、数据清洗模块、数据预处理模块和特征提取模块；虹膜采集模块用以通过中控机采集用户虹膜数据；数据清洗模块用以清洗掉用户虹膜信息的无用数据；数据预处理用以对虹膜图像定位，找出虹膜圆心和内外径；特征提取模块用以进行虹膜图像的特征提取并进行编码；

神经网络构建单元包括初始化模块、参数训练模块和虹膜特征模板；初始化模块用以对深度神经网络进行初始化；初始化包括确定深度神经网络的拓扑结构；参数训练模块用以利用训练数据训练深度神经网络的模型参数；虹膜特征模板用以在模型训练工程中，基于深度神经网络的拓扑结果在训练数据上的分布特征对深度神经网络进行模块化处理；

虹膜识别分类模块用以对虹膜进行识别，将学习样本进行训练，并对监测样本进行检测；

后台云服务器用以接收识别对象的清晰虹膜图像数据及相应的识别结果，并实时的识别结果进行验证，训练得到的新的虹膜特征模板再发送至安装有虹膜识别装置的工控机上。

其中，用户虹膜信息的无用数据包括虹膜采集图片中眼睑、睫毛、眼白，当用户眼睛对准虹膜采集系统时，摄像头采集的是眼睛即眼睛周围的皮肤，如果摄像头采集的图片直接进行预处理，会极大的影响计算机获取虹膜的效率；虹膜预处理模采用灰度题图的虹膜定位算法，确定虹膜圆形的位置和内外径的位置，确定出虹膜的内外边缘后，将虹膜从整幅图像中分割出来，灰度梯度的虹膜定位算法简便易懂，运算速度块、定位准确的优点。

其中，后台云服务器接收识别对象的清晰虹膜图像数据以及相应的识别结果，并将虹膜采集模块的采集时间以时间戳的形式发送至云服务器，然后后台云服务器将识别对象清晰的虹膜图像数据保留，作为后续模型训练的样本，若图像不清晰或时间戳顺序不对，则相应的虹膜图像数据丢弃，避免系统处理过多的无用图像，影响图像的识别效率。

请参阅图2所示，本发明为一种基于深度神经网络的人脸虹膜识别系统的识别方法，包括如下步骤：

s1：工控机内部虹膜采集模块采集人体虹膜图像；

s2：工控机对采集的图像进行清洗；

s3：工控机对虹膜清洗完成的图像进行预处理得到虹膜图像；

s4：对虹膜图像进行特征值提取；

s5：将深度神经网络初始化处理；

s6：利用训练数据训练深度神经网络的模型参数得到虹膜特征模板；

s7：将步骤s4得到的虹膜图像特征值输入虹膜特征模板进行识别；

s8：工控机将相应的识别结果发送至后台员服务器。

其中，步骤s3中，虹膜图像的预处理包括如下步骤：

p1：用二值化的方法对虹膜的内边界进行提取，并用投影法获得内边界的圆心和半径；

p2：用canny算子检测外边界，用hough变换对虹膜的外边界进行提取并确定外边界的圆心和半径；

p3：用极坐标的方法对虹膜图像进行归一化处理；

p4：用直方图均衡的方法对虹膜图像进行增强；

p5：用gabor滤波对虹膜图像进行编码。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。