基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法

    公开(公告)号:CN107256385A

    公开(公告)日:2017-10-17

    申请号:CN201710368673.6

    申请日:2017-05-22

    IPC分类号: G06K9/00

    摘要: 基于2D Log Gabor与复合编码法的红外虹膜认证系统及方法,认证系统包括:用于采集待识别虹膜图像的红外虹膜图像采集模块;用于通过2D Log Gabor滤波器提取虹膜二维纹理特征的虹膜特征提取模块;用于通过复合编码法对所提取特征向量进行编码的虹膜特征向量编码模块;用于采用投影极速学习机作为分类器进行特征分类与识别的虹膜特征码匹配模块。认证方法包括:采集待识别红外虹膜图像并进行图像预处理;提取虹膜纹理特征;对所提取虹膜纹理特征的特征向量进行编码;采用投影极速学习机作为分类器进行特征分类,再根据分类结果计算海明距离,根据海明距离判断虹膜是否来自同一个人。本发明认证精度较高。

    信息处理设备、信息处理方法及程序

    公开(公告)号:CN106999038A

    公开(公告)日:2017-08-01

    申请号:CN201580065242.1

    申请日:2015-09-03

    申请人: 索尼公司

    发明人: 鹤见辰吾

    IPC分类号: A61B3/113

    摘要: 提供了一种信息处理设备,该信息处理设备设置有:检测单元,其用于从捕获图像中检测与从光源发出并且由角膜反射的光对应的角膜反射图像,在所述捕获图像中,用来自光源的光照射的眼睛被捕获。检测单元基于多个时间序列捕获图像来估计眼球中心位置,基于所估计的眼球中心位置来估计角膜中心位置,基于所估计的角膜中心位置来估计角膜反射图像的候选位置,以及基于所估计的角膜反射图像的候选位置从捕获图像中检测角膜反射图像。

    双摄像头成像及虹膜采集识别一体化设备

    公开(公告)号:CN106934349A

    公开(公告)日:2017-07-07

    申请号:CN201710091321.0

    申请日:2017-02-17

    发明人: 吴燕燕

    IPC分类号: G06K9/00 G06K9/20

    摘要: 本发明适用于智能终端技术领域,公开了一种双摄像头成像及虹膜采集识别一体化设备,包括设备本体,所述设备本体具有用来提取实际图像的主摄像头和用于参考计算景深的副摄像头,所述设备本体还设置有虹膜采集照明件。本发明提供的双摄像头成像及虹膜采集识别一体化设备,其其虹膜采集照明件可以使在样本图像中形成一个相对灰度值较高的区域。通过对一系列样本图像的照明区域的提取,然后提取出最优的虹膜成像区域,虹膜采集效果佳,而且能够满足一般成像过程中的景深测量的辅助功能。

    一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法

    公开(公告)号:CN106778631A

    公开(公告)日:2017-05-31

    申请号:CN201611196794.9

    申请日:2016-12-22

    申请人: 江苏大学

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本发明公开了一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法,此分类器的设计包括改进的伪造虹膜数据库的设计、基于MSE分析的虹膜图像评估、基于SNR分析的虹膜图像评估、边缘检测、基于改进的边缘锐度分析的虹膜图像评估流程。在虹膜识别领域创新性的采用了双边滤波、MSE分析以及SNR分析相结合的虹膜图像评估体系针对无关类别虹膜攻击、散焦虹膜图像、运动模糊虹膜图像、美瞳虹膜图像的灰度特征及噪声分布特征实现对其高效且稳定的滤除。进一步针对仿真度较高的合成虹膜的边缘锐度特征创新性的设计基于改进的边缘锐度分析的虹膜图像评估体系。最终实现虹膜识别预处理过程中伪造虹膜快速、稳定的滤除。

    虹膜识别方法及装置
    40.
    发明公开

    公开(公告)号:CN106709431A

    公开(公告)日:2017-05-24

    申请号:CN201611099294.3

    申请日:2016-12-02

    发明人: 陈书楷 朱思霖

    IPC分类号: G06K9/00

    CPC分类号: G06K9/0061

    摘要: 本发明适用于图像识别技术领域,提供了一种虹膜识别方法及装置,该方法包括:获取用户的虹膜图像;通过两个以上的卷积神经网络模型对所述虹膜图像中的虹膜区域分阶段进行定位;对所述虹膜区域的图像进行特征提取,并根据提取出的特征进行识别。上述方法在虹膜图像中的虹膜区域定位上均通过两个以上的卷积神经网络模型分阶段进行,与现有技术相比,采用深度学习的方式,得到的深度特征能够组合较多的局部信息,对虹膜图像的表现力更强,从而能够提高虹膜识别的精准度,降低误判率。