基于深度学习虹膜识别算法快速识别技术

技术领域

本发明涉及虹膜识别技术领域，具体为基于深度学习虹膜识别算法快速识别技术。

背景技术

深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。

在计算机视觉领域，图像识别这几年的发展突飞猛进，目前先进算法的表现甚至超过了人类，图像识别技术的高价值应用就发生在你我身边，例如视频监控、自动驾驶和智能医疗等，而这些图像识别最新进展的背后推动力是深度学习，深度学习的成功主要得益于三个方面：大规模数据集的产生、强有力的模型的发展以及可用的大量计算资源，对于各种各样的图像识别任务，精心设计的深度神经网络已经远远超越了以前那些基于人工设计的图像特征的方法。

现有的虹膜技术在识别使用中存在以下问题：识别速度慢；识别错误；无法识别；识别距离受到限制；复杂环境下无法识别；虹膜图像数据易丢失的问题，本发明在于提供基于深度学习虹膜识别算法快速识别技术，提高虹膜识别速度；提高虹膜识别的距离；在复杂环境下也能快速识别通过，保护用户虹膜图像安全。

发明内容

本发明的目的在于提供基于深度学习虹膜识别算法快速识别技术，具备识别速度快的优点，解决了现有市场上虹膜识别速度慢，使用局限性大的问题。

为实现上述目的，本发明提供如下技术方案：基于深度学习虹膜识别算法快速识别技术，包括虹膜分割、虹膜归一化、基于卷积神经网络的特征提取和分类判别。

步骤一：虹膜的采集分割。

步骤二：对虹膜采集图像的多余部分进行分割。

步骤三：对虹膜的特征图像进行提取。

步骤四：对提取的特征图像进行自动化识别。

优选的，所述虹膜分割鉴于虹膜的几何形状，在拍摄虹膜图像的时候难以仅保留虹膜区域，因此采集到的图像一般包括整个眼部信息，根据虹膜图像的特点，虹膜一般呈圆环状结构，虹膜图像提取的工作主要是人眼图像上分割出此环状结构。

优选的，所述虹膜归一化是基于Daugman定位算法，对虹膜图像进行处理，在处理的过程中一般包括虹膜内外边缘的检测以及虹膜区域归一化。

优选的，所述基于卷积神经网络的特征提取主要是在网络模型中利用网络自适应选择提取到的虹膜特征，不需要人为删减虹膜特征，这样既保证了虹膜特征的可表示性，还不会丢失虹膜特征中的关键特征，本算法基于CNN提取移动端虹膜图像的鲁棒的深度特征，探索有效的深度神经网络结构。

优选的，所述分类判别主要采用Iris网络对采集的虹膜数据进行判别，Iris网络由不同的卷积层、池化层和全连接层堆叠构成，类似于VGGNet的结构。

与现有技术相比，本发明的有益效果如下：

本发明通过虹膜分割、虹膜归一化、基于卷积神经网络的特征提取和分类判别的使用，能够使虹膜的检测更加精确，检测时间更短，基于检测方法的使用，使虹膜检测的适用性更强，提高虹膜识别的距离；在复杂环境下也能快速识别通过，保护用户虹膜图像安全。

附图说明

图1为本发明流程图。

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做出创造性劳动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。

在发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1，基于深度学习虹膜识别算法快速识别技术，包括虹膜分割、虹膜归一化、基于卷积神经网络的特征提取和分类判别。

步骤一：虹膜的采集分割。

步骤二：对虹膜采集图像的多余部分进行分割。

步骤三：对虹膜的特征图像进行提取。

步骤四：对提取的特征图像进行自动化识别。

虹膜分割鉴于虹膜的几何形状，在拍摄虹膜图像的时候难以仅保留虹膜区域，因此采集到的图像一般包括整个眼部信息，根据虹膜图像的特点，虹膜一般呈圆环状结构，虹膜图像提取的工作主要是人眼图像上分割出此环状结构。

虹膜归一化是基于Daugman定位算法，对虹膜图像进行处理，在处理的过程中一般包括虹膜内外边缘的检测以及虹膜区域归一化。

基于卷积神经网络的特征提取主要是在网络模型中利用网络自适应选择提取到的虹膜特征，不需要人为删减虹膜特征，这样既保证了虹膜特征的可表示性，还不会丢失虹膜特征中的关键特征，本算法基于CNN提取移动端虹膜图像的鲁棒的深度特征，探索有效的深度神经网络结构。

分类判别主要采用Iris网络对采集的虹膜数据进行判别，Iris网络由不同的卷积层、池化层和全连接层堆叠构成，类似于VGGNet的结构。

使用时，本发明通过虹膜分割、虹膜归一化、基于卷积神经网络的特征提取和分类判别的使用，能够使虹膜的检测更加精确，检测时间更短，基于检测方法的使用，使虹膜检测的适用性更强，提高虹膜识别的距离；在复杂环境下也能快速识别通过，保护用户虹膜图像安全，本发明选择了轻量级的卷积神经网络结构，只包含4个卷积层和2个全连接层，此外，还使用了一个新的激活函数单元来提取更加紧凑和鲁棒的特征，激活函数被证实比常用的ReLU激活函数效率更高也更为有效，提取到虹膜的深度特征后，测试时我们还使用了不同的分类器来得到最佳的识别结果，考虑到移动端应用，我们选择了简单高效的分类器，包枯余弦距离、L1距离、欧式距离和相关系数，在我们的1000人的虹膜库中实验，能在几秒内完成虹膜的验证，识别率为100％。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。