一种人眼图像中的虹膜识别方法及其装置制造方法及图纸

本发明专利技术公开了一种人眼图像中的虹膜识别方法，包括步骤：建立预设卷积神经网络；预先选择多个人眼图像，对所述多个人眼图像进行图像预处理；对预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛；将一对需进行虹膜识别的待测试人眼图像进行第二步所述图像预处理，获得对应的预设大小的待测试虹膜图像对；将所述待测试虹膜图像对分别以两通道的方式输入到已完成训练的预设卷积神经网络中，获得待测试虹膜图像对的相关性分数并判断是否类别相同。本发明专利技术还公开了一种人眼图像中的虹膜识别装置，本发明专利技术可对可控场景和非可控场景下采集的人眼图像中的虹膜进行及时、准确的识别，满足用户对虹膜识别的要求，能够提高用户的工作效率。

【技术实现步骤摘要】

本专利技术涉及模式识别和计算机视觉等
，特别是涉及一种人眼图像中的虹膜识别方法及其装置。
技术介绍
目前，随着人类科学技术的不断发展，虹膜识别技术在人们日常生活中越来越普及，虹膜识别是利用虹膜的纹理的不变性，唯一性等鉴定身份的一种生物特征识别方法，其已经成功应用于国家安防、边境控制、银行金融、门禁考勤以及移动终端等领域。可以说，无论在人工智能研究还是公共安全应用方面，虹膜识别技术一直是一项前沿、热门技术，拥有举足轻重的地位。对于虹膜识别技术，在实际应用中，可控场景下的虹膜识别已经被广泛研究，其技术也趋于成熟。然而在实际应用中，虹膜识别技术还有很多挑战，尤其是对于远距离场景和人们不是完全配合的场景(如运动场景)等非可控场景(即复杂的、不可控制的场景)，所采集到的人们的人眼图像由于存在光照和距离变化，因此人眼图像具有低分辨率、高噪声、斜眼、模糊和被遮挡等特性。此外，随着虹膜图像获取装置的广泛发展，多源异质虹膜识别也超越了传统算法的处理能力范围。因此为了满足实际应用的需求，亟待提出更有效的虹膜识别算法。目前，对于传统的虹膜识别技术，其一般的工作流程包括：图像获取、图像预处理(例如虹膜分割)、特征抽取和模式分类。其中，鲁棒的虹膜特征抽取对于准确的实现虹膜识别起到关键性作用。需要说明的是，典型的虹膜特征有局部特征和相关性特征。局部特征关注一张虹膜图像的纹理细节，而相关性特征则关注两张图像的相关性，判断它们是否为同类。早期的虹膜特征抽取方法基于人工设计滤波器，不仅费时费力，还通常得不到最优结果。通过特征选择获取最佳滤波器参数的方法也存在需要产生高维度、过完备特征池的弊端。因此，当前传统的虹膜识别方法识别准确率低，很难处理的异质虹膜识别以及远距离、移动终端等等非可控应用场景。因此，目前迫切需要开发出一种技术，其可以对可控场景和非可控场景下采集的人眼图像中的虹膜进行及时、准确的识别，满足用户对虹膜识别的要求，能够提高用户的工作效率，节约人们宝贵的时间，有效保证对人眼图像进行虹膜识别时的准确率。
技术实现思路
有鉴于此，本专利技术的目的是提供一种人眼图像中的虹膜识别方法及其装置，其可以对可控场景和非可控场景下采集的人眼图像中的虹膜进行及时、准确的识别，满足用户对虹膜识别的要求，能够提高用户的工作效率，节约人们宝贵的时间，有效保证对人眼图像进行虹膜识别时的准确率，具有重大的生产实践意义。为此，本专利技术提供了一种人眼图像中的虹膜识别方法，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的图像对输入层、预设多个卷积层、预设多个池化层、预设全连接层；第二步：预先选择多个人眼图像，对所述多个人眼图像进行图像预处理，获得多个预设大小的虹膜图像；第三步：将所述多个虹膜图像，预先根据每个虹膜图像所预设的类别，选取类别相同的任意两张虹膜图像作为正样本对，以及选取类别不相同的任意两张虹膜图像作为负样本对，分别以两通道的方式输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛；第四步：将一对需要进行虹膜识别的待测试人眼图像进行第二步所述的图像预处理，获得对应的预设大小的待测试虹膜图像对；第五步：将所述待测试虹膜图像对，分别以两通道的方式输入到第三步中已经完成训练的所述预设卷积神经网络中，获得输入的所述待测试虹膜图像对的相关性分数，并判断所述待测试虹膜图像对的相关性分数是否位于预设的同类相关性分数取值范围内，如果是，则判断所述待测试虹膜图像对为类别相同，否则，判断为类别不相同。其中，还包括第六步：对所述待测试虹膜图像对进行多次平移操作，获得对应的多个待测试虹膜图像对，输入到第三步已经完成训练的所述预设卷积神经网络中，得到多组输入的待测试虹膜图像对的相关性分数，然后对多组相关性分数进行分数融合处理，输出最终的虹膜识别结果。其中，在第六步中，所述多组相关性分数的融合处理操作包括：对多组相关性分数取平均值、最小值或者最大值。其中，在第三步中，从所述多个虹膜图像中，首先选取类别相同的任意两张虹膜图像作为正样本对，然后，在剩下的虹膜图像中，随机选取数量与正样本对相同的负样本对。其中，在第三步中，对所述预设卷积神经网络进行训练的步骤，具体为：将构造好的正样本对和负样本对作为预设卷积神经网络的输入，逐层进行卷积、池化和全连接操作，得到最末层的输出，即匹配结果，比较其与真实标签的误差，根据误差反向传播算法训练卷积神经网络模型，直到模型收敛。此外，本专利技术还提供了一种人眼图像中的虹膜识别装置，包括：网络建立单元，用于建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的图像对输入层、预设多个卷积层、预设多个池化层、预设全连接层；图像预先选择单元，用于预先选择多个人眼图像，对所述多个人眼图像进行图像预处理操作，获得多个预设大小的虹膜图像，然后发送给网络训练单元；网络训练单元，分别与网络建立单元、图像预先选择单元相连接，用于将所述图像预先选择单元处理过的多个虹膜图像，预先根据每个虹膜图像所预设的类别，选取类别相同的任意两张虹膜图像作为正样本对，以及选取类别不相同的任意两张虹膜图像作为负样本对，分别以两通道的方式输入到所述网络建立单元建立的预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛；图像预先处理单元，用于将一对需要进行虹膜识别的待测试人眼图像进行所述图像预处理操作，获得对应的预设大小的待测试虹膜图像对，然后发送给图像分类单元；图像分类识别判断单元，分别与网络训练单元、图像预先处理单元相连接，用于将所述图像预先处理单元处理过的待测试虹膜图像对，分别以两通道的方式输入到所述网络训练单元中已经完成训练的所述预设卷积神经网络中，获得输入的所述待测试虹膜图像对的相关性分数，并判断所述待测试虹膜图像对的相关性分数是否位于预设的同类相关性分数取值范围内，如果是，则判断所述待测试虹膜图像对为类别相同，否则，判断为类别不相同。其中，所述图像分类识别判断单元，还用于对所述待测试虹膜图像对进行多次平移操作，获得对应的多个待测试虹膜图像对，输入到网络训练单元已经完成训练的所述预设卷积神经网络中，得到多组输入的待测试虹膜图像对的相关性分数，然后对多组相关性分数进行分数融合处理，输出最终的虹膜识别结果。其中，所述多组相关性分数的融合处理操作包括：对多组相关性分数取平均值、最小值或者最大值。其中，所述网络训练单元，用于从所述多个虹膜图像中，首先选取类别相同的任意两张虹膜图像作为正样本对，然后在剩下的虹膜图像中，随机选取数量与正样本对相同的负样本对。其中，所述网络训练单元，用于将构造好的正样本对和负样本对作为预设卷积神经网络的输入，逐层进行卷积、池化和全连接操作，得到最末层的输出，即匹配结果，比较其与真实标签的误差，根据误差反向传播算法训练卷积神经网络模型，直到模型收敛。由以上本专利技术提供的技术方案可见，与现有技术相比较，本专利技术提供了一种人眼图像中的虹膜识别方法及其装置，其可以对可控场景和非可控场景下采集的人眼图像中的虹膜进行及时、准确的识别，满足用户对虹膜识别的要求，能够提高用户的工作效率，节约人们宝贵的时间，有效保证对人眼图像进行虹膜识别时的本文档来自技高网...

【技术保护点】
一种人眼图像中的虹膜识别方法，其特征在于，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的图像对输入层、预设多个卷积层、预设多个池化层、预设全连接层；第二步：预先选择多个人眼图像，对所述多个人眼图像进行图像预处理，获得多个预设大小的虹膜图像；第三步：将所述多个虹膜图像，预先根据每个虹膜图像所预设的类别，选取类别相同的任意两张虹膜图像作为正样本对，以及选取类别不相同的任意两张虹膜图像作为负样本对，分别以两通道的方式输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛；第四步：将一对需要进行虹膜识别的待测试人眼图像进行第二步所述的图像预处理，获得对应的预设大小的待测试虹膜图像对；第五步：将所述待测试虹膜图像对，分别以两通道的方式输入到第三步中已经完成训练的所述预设卷积神经网络中，获得输入的所述待测试虹膜图像对的相关性分数，并判断所述待测试虹膜图像对的相关性分数是否位于预设的同类相关性分数取值范围内，如果是，则判断所述待测试虹膜图像对为类别相同，否则，判断为类别不相同。

【技术特征摘要】
1.一种人眼图像中的虹膜识别方法，其特征在于，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的图像对输入层、预设多个卷积层、预设多个池化层、预设全连接层；第二步：预先选择多个人眼图像，对所述多个人眼图像进行图像预处理，获得多个预设大小的虹膜图像；第三步：将所述多个虹膜图像，预先根据每个虹膜图像所预设的类别，选取类别相同的任意两张虹膜图像作为正样本对，以及选取类别不相同的任意两张虹膜图像作为负样本对，分别以两通道的方式输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛；第四步：将一对需要进行虹膜识别的待测试人眼图像进行第二步所述的图像预处理，获得对应的预设大小的待测试虹膜图像对；第五步：将所述待测试虹膜图像对，分别以两通道的方式输入到第三步中已经完成训练的所述预设卷积神经网络中，获得输入的所述待测试虹膜图像对的相关性分数，并判断所述待测试虹膜图像对的相关性分数是否位于预设的同类相关性分数取值范围内，如果是，则判断所述待测试虹膜图像对为类别相同，否则，判断为类别不相同。2.如权利要求1所述的方法，其特征在于，还包括第六步：对所述待测试虹膜图像对进行多次平移操作，获得对应的多个待测试虹膜图像对，输入到第三步已经完成训练的所述预设卷积神经网络中，得到多组输入的待测试虹膜图像对的相关性分数，然后对多组相关性分数进行分数融合处理，输出最终的虹膜识别结果。3.如权利要求2所述的方法，其特征在于，在第六步中，所述多组相关性分数的融合处理操作包括：对多组相关性分数取平均值、最小值或者最大值。4.如权利要求1至3中任一项所述的方法，其特征在于，在第三步中，从所述多个虹膜图像中，首先选取类别相同的任意两张虹膜图像作为正样本对，然后，在剩下的虹膜图像中，随机选取数量与正样本对相同的负样本对。5.如权利要求1至3中任一项所述的方法，其特征在于，在第三步中，对所述预设卷积神经网络进行训练的步骤，具体为：将构造好的正样本对和负样本对作为预设卷积神经网络的输入，逐层进行卷积、池化和全连接操作，得到最末层的输出，即匹配结果，比较其与真实标签的误差，根据误差反向传播算法训练卷积神经网络模型，直到模型收敛。6.一种人眼图像中的虹膜识别装置，其特征在于，包括：网络建立单元，用于建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像...

【专利技术属性】
技术研发人员：谭铁牛，孙哲南，李海青，张曼，张琪，刘年丰，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：天津;12