[發明專利]基于深度學習虹膜識別算法快速識別技術

在審

• 申請號: 202010056562.3
• 申請日: 2020-01-18
• 公開（公告）號: CN113139404A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 西安艾瑞生物識別科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T7/11;G06T7/13
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于深度學習虹膜識別算法快速識別技術，包括虹膜分割、虹膜歸一化、基于卷積神經網絡的特征提取和分類判別，步驟一：虹膜的采集分割，步驟二：對虹膜采集圖像的多余部分進行分割，步驟三：對虹膜的特征圖像進行提取，步驟四：對提取的特征圖像進行自動化識別，所述虹膜分割鑒于虹膜的幾何形狀，在拍攝虹膜圖像的時候難以僅保留虹膜區域，本發明通過虹膜分割、虹膜歸一化、基于卷積神經網絡的特征提取和分類判別的使用，能夠使虹膜的檢測更加精確，檢測時間更短，基于檢測方法的使用，使虹膜檢測的適用性更強，提高虹膜識別的距離；在復雜環境下也能快速識別通過，保護用戶虹膜圖像安全。

技術領域

本發明涉及虹膜識別技術領域，具體為基于深度學習虹膜識別算法快速識別技術。

背景技術

深度學習是機器學習領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能，深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。

在計算機視覺領域，圖像識別這幾年的發展突飛猛進，目前先進算法的表現甚至超過了人類，圖像識別技術的高價值應用就發生在你我身邊，例如視頻監控、自動駕駛和智能醫療等，而這些圖像識別最新進展的背后推動力是深度學習，深度學習的成功主要得益于三個方面：大規模數據集的產生、強有力的模型的發展以及可用的大量計算資源，對于各種各樣的圖像識別任務，精心設計的深度神經網絡已經遠遠超越了以前那些基于人工設計的圖像特征的方法。

現有的虹膜技術在識別使用中存在以下問題：識別速度慢；識別錯誤；無法識別；識別距離受到限制；復雜環境下無法識別；虹膜圖像數據易丟失的問題，本發明在于提供基于深度學習虹膜識別算法快速識別技術，提高虹膜識別速度；提高虹膜識別的距離；在復雜環境下也能快速識別通過，保護用戶虹膜圖像安全。

發明內容

本發明的目的在于提供基于深度學習虹膜識別算法快速識別技術，具備識別速度快的優點，解決了現有市場上虹膜識別速度慢，使用局限性大的問題。

為實現上述目的，本發明提供如下技術方案：基于深度學習虹膜識別算法快速識別技術，包括虹膜分割、虹膜歸一化、基于卷積神經網絡的特征提取和分類判別。

步驟一：虹膜的采集分割。

步驟二：對虹膜采集圖像的多余部分進行分割。

步驟三：對虹膜的特征圖像進行提取。

步驟四：對提取的特征圖像進行自動化識別。

優選的，所述虹膜分割鑒于虹膜的幾何形狀，在拍攝虹膜圖像的時候難以僅保留虹膜區域，因此采集到的圖像一般包括整個眼部信息，根據虹膜圖像的特點，虹膜一般呈圓環狀結構，虹膜圖像提取的工作主要是人眼圖像上分割出此環狀結構。

優選的，所述虹膜歸一化是基于Daugman定位算法，對虹膜圖像進行處理，在處理的過程中一般包括虹膜內外邊緣的檢測以及虹膜區域歸一化。

優選的，所述基于卷積神經網絡的特征提取主要是在網絡模型中利用網絡自適應選擇提取到的虹膜特征，不需要人為刪減虹膜特征，這樣既保證了虹膜特征的可表示性，還不會丟失虹膜特征中的關鍵特征，本算法基于CNN提取移動端虹膜圖像的魯棒的深度特征，探索有效的深度神經網絡結構。

優選的，所述分類判別主要采用Iris網絡對采集的虹膜數據進行判別，Iris網絡由不同的卷積層、池化層和全連接層堆疊構成，類似于VGGNet的結構。

與現有技術相比，本發明的有益效果如下：

本發明通過虹膜分割、虹膜歸一化、基于卷積神經網絡的特征提取和分類判別的使用，能夠使虹膜的檢測更加精確，檢測時間更短，基于檢測方法的使用，使虹膜檢測的適用性更強，提高虹膜識別的距離；在復雜環境下也能快速識別通過，保護用戶虹膜圖像安全。

附圖說明