[发明专利]基于深度学习虹膜识别算法快速识别技术

说明书

本发明公开了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，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，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。

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