本發(fā)明涉及模式識別和計算機視覺等技術(shù)領(lǐng)域，特別是涉及一種人眼圖像中的虹膜識別方法及其裝置。

背景技術(shù)：

目前，隨著人類科學技術(shù)的不斷發(fā)展，虹膜識別技術(shù)在人們?nèi)粘Ｉ钪性絹碓狡占?，虹膜識別是利用虹膜的紋理的不變性，唯一性等鑒定身份的一種生物特征識別方法，其已經(jīng)成功應(yīng)用于國家安防、邊境控制、銀行金融、門禁考勤以及移動終端等領(lǐng)域。可以說，無論在人工智能研究還是公共安全應(yīng)用方面，虹膜識別技術(shù)一直是一項前沿、熱門技術(shù)，擁有舉足輕重的地位。

對于虹膜識別技術(shù)，在實際應(yīng)用中，可控場景下的虹膜識別已經(jīng)被廣泛研究，其技術(shù)也趨于成熟。然而在實際應(yīng)用中，虹膜識別技術(shù)還有很多挑戰(zhàn)，尤其是對于遠距離場景和人們不是完全配合的場景(如運動場景)等非可控場景(即復(fù)雜的、不可控制的場景)，所采集到的人們的人眼圖像由于存在光照和距離變化，因此人眼圖像具有低分辨率、高噪聲、斜眼、模糊和被遮擋等特性。此外，隨著虹膜圖像獲取裝置的廣泛發(fā)展，多源異質(zhì)虹膜識別也超越了傳統(tǒng)算法的處理能力范圍。因此為了滿足實際應(yīng)用的需求，亟待提出更有效的虹膜識別算法。

目前，對于傳統(tǒng)的虹膜識別技術(shù)，其一般的工作流程包括：圖像獲取、圖像預(yù)處理(例如虹膜分割)、特征抽取和模式分類。其中，魯棒的虹膜特征抽取對于準確的實現(xiàn)虹膜識別起到關(guān)鍵性作用。需要說明的是，典型的虹膜特征有局部特征和相關(guān)性特征。局部特征關(guān)注一張虹膜圖像的紋理細節(jié)，而相關(guān)性特征則關(guān)注兩張圖像的相關(guān)性，判斷它們是否為同類。早期的虹膜特征抽取方法基于人工設(shè)計濾波器，不僅費時費力，還通常得不到最優(yōu)結(jié)果。通過特征選擇獲取最佳濾波器參數(shù)的方法也存在需要產(chǎn)生高維度、過完備特征池的弊端。因此，當前傳統(tǒng)的虹膜識別方法識別準確率低，很難處理的異質(zhì)虹膜識別以及遠距離、移動終端等等非可控應(yīng)用場景。

因此，目前迫切需要開發(fā)出一種技術(shù)，其可以對可控場景和非可控場景下采集的人眼圖像中的虹膜進行及時、準確的識別，滿足用戶對虹膜識別的要求，能夠提高用戶的工作效率，節(jié)約人們寶貴的時間，有效保證對人眼圖像進行虹膜識別時的準確率。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提供一種人眼圖像中的虹膜識別方法及其裝置，其可以對可控場景和非可控場景下采集的人眼圖像中的虹膜進行及時、準確的識別，滿足用戶對虹膜識別的要求，能夠提高用戶的工作效率，節(jié)約人們寶貴的時間，有效保證對人眼圖像進行虹膜識別時的準確率，具有重大的生產(chǎn)實踐意義。

為此，本發(fā)明提供了一種人眼圖像中的虹膜識別方法，包括步驟：

第一步：建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層；

第二步：預(yù)先選擇多個人眼圖像，對所述多個人眼圖像進行圖像預(yù)處理，獲得多個預(yù)設(shè)大小的虹膜圖像；

第三步：將所述多個虹膜圖像，預(yù)先根據(jù)每個虹膜圖像所預(yù)設(shè)的類別，選取類別相同的任意兩張虹膜圖像作為正樣本對，以及選取類別不相同的任意兩張虹膜圖像作為負樣本對，分別以兩通道的方式輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂；

第四步：將一對需要進行虹膜識別的待測試人眼圖像進行第二步所述的圖像預(yù)處理，獲得對應(yīng)的預(yù)設(shè)大小的待測試虹膜圖像對；

第五步：將所述待測試虹膜圖像對，分別以兩通道的方式輸入到第三步中已經(jīng)完成訓練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，獲得輸入的所述待測試虹膜圖像對的相關(guān)性分數(shù)，并判斷所述待測試虹膜圖像對的相關(guān)性分數(shù)是否位于預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍內(nèi)，如果是，則判斷所述待測試虹膜圖像對為類別相同，否則，判斷為類別不相同。

其中，還包括第六步：

對所述待測試虹膜圖像對進行多次平移操作，獲得對應(yīng)的多個待測試虹膜圖像對，輸入到第三步已經(jīng)完成訓練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理，輸出最終的虹膜識別結(jié)果。

其中，在第六步中，所述多組相關(guān)性分數(shù)的融合處理操作包括：對多組相關(guān)性分數(shù)取平均值、最小值或者最大值。

其中，在第三步中，從所述多個虹膜圖像中，首先選取類別相同的任意兩張虹膜圖像作為正樣本對，然后，在剩下的虹膜圖像中，隨機選取數(shù)量與正樣本對相同的負樣本對。

其中，在第三步中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練的步驟，具體為：將構(gòu)造好的正樣本對和負樣本對作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化和全連接操作，得到最末層的輸出，即匹配結(jié)果，比較其與真實標簽的誤差，根據(jù)誤差反向傳播算法訓練卷積神經(jīng)網(wǎng)絡(luò)模型，直到模型收斂。

此外，本發(fā)明還提供了一種人眼圖像中的虹膜識別裝置，包括：

網(wǎng)絡(luò)建立單元，用于建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層；

圖像預(yù)先選擇單元，用于預(yù)先選擇多個人眼圖像，對所述多個人眼圖像進行圖像預(yù)處理操作，獲得多個預(yù)設(shè)大小的虹膜圖像，然后發(fā)送給網(wǎng)絡(luò)訓練單元；

網(wǎng)絡(luò)訓練單元，分別與網(wǎng)絡(luò)建立單元、圖像預(yù)先選擇單元相連接，用于將所述圖像預(yù)先選擇單元處理過的多個虹膜圖像，預(yù)先根據(jù)每個虹膜圖像所預(yù)設(shè)的類別，選取類別相同的任意兩張虹膜圖像作為正樣本對，以及選取類別不相同的任意兩張虹膜圖像作為負樣本對，分別以兩通道的方式輸入到所述網(wǎng)絡(luò)建立單元建立的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂；

圖像預(yù)先處理單元，用于將一對需要進行虹膜識別的待測試人眼圖像進行所述圖像預(yù)處理操作，獲得對應(yīng)的預(yù)設(shè)大小的待測試虹膜圖像對，然后發(fā)送給圖像分類單元；

圖像分類識別判斷單元，分別與網(wǎng)絡(luò)訓練單元、圖像預(yù)先處理單元相連接，用于將所述圖像預(yù)先處理單元處理過的待測試虹膜圖像對，分別以兩通道的方式輸入到所述網(wǎng)絡(luò)訓練單元中已經(jīng)完成訓練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，獲得輸入的所述待測試虹膜圖像對的相關(guān)性分數(shù)，并判斷所述待測試虹膜圖像對的相關(guān)性分數(shù)是否位于預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍內(nèi)，如果是，則判斷所述待測試虹膜圖像對為類別相同，否則，判斷為類別不相同。

其中，所述圖像分類識別判斷單元，還用于對所述待測試虹膜圖像對進行多次平移操作，獲得對應(yīng)的多個待測試虹膜圖像對，輸入到網(wǎng)絡(luò)訓練單元已經(jīng)完成訓練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理，輸出最終的虹膜識別結(jié)果。

其中，所述多組相關(guān)性分數(shù)的融合處理操作包括：對多組相關(guān)性分數(shù)取平均值、最小值或者最大值。

其中，所述網(wǎng)絡(luò)訓練單元，用于從所述多個虹膜圖像中，首先選取類別相同的任意兩張虹膜圖像作為正樣本對，然后在剩下的虹膜圖像中，隨機選取數(shù)量與正樣本對相同的負樣本對。

其中，所述網(wǎng)絡(luò)訓練單元，用于將構(gòu)造好的正樣本對和負樣本對作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化和全連接操作，得到最末層的輸出，即匹配結(jié)果，比較其與真實標簽的誤差，根據(jù)誤差反向傳播算法訓練卷積神經(jīng)網(wǎng)絡(luò)模型，直到模型收斂。

由以上本發(fā)明提供的技術(shù)方案可見，與現(xiàn)有技術(shù)相比較，本發(fā)明提供了一種人眼圖像中的虹膜識別方法及其裝置，其可以對可控場景和非可控場景下采集的人眼圖像中的虹膜進行及時、準確的識別，滿足用戶對虹膜識別的要求，能夠提高用戶的工作效率，節(jié)約人們寶貴的時間，有效保證對人眼圖像進行虹膜識別時的準確率，具有重大的生產(chǎn)實踐意義。

附圖說明

圖1為本發(fā)明提供的一種人眼圖像中的虹膜識別方法的流程圖；

圖2為本發(fā)明提供的一種人眼圖像中的虹膜識別方法中，輸入圖像以成對的方式送入卷積神經(jīng)網(wǎng)絡(luò)的示意圖；

圖3為本發(fā)明提供的一種人眼圖像中的虹膜識別方法中，類間比對的相關(guān)性示意圖；

圖4為本發(fā)明提供的一種人眼圖像中的虹膜識別方法中，類內(nèi)比對的相關(guān)性示意圖；

圖5為本發(fā)明提供的一種人眼圖像中的虹膜識別裝置的結(jié)構(gòu)方框圖；

圖6為本發(fā)明提供的一種人眼圖像中的虹膜識別方法及其裝置中，預(yù)算卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和實施方式對本發(fā)明作進一步的詳細說明。

隨著圖形處理器GPU等硬件的不斷加速，基于深度學習的方法逐漸顯示出不可比擬的優(yōu)勢：第一，通過數(shù)據(jù)訓練，深度網(wǎng)絡(luò)模型可以自動學習到對于識別最有效的特征，無需人工參與；第二，深度學習是端到端的方法，省去了傳統(tǒng)識別方法中特征抽取再分類的復(fù)雜流程。卷積神經(jīng)網(wǎng)絡(luò)(CNNs)作為深度學習的一個重要分支，具有權(quán)值共享和稀疏連接等特點，已經(jīng)被成功應(yīng)用于人臉識別、物體檢測等領(lǐng)域。

本發(fā)明通過將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于虹膜識別中，能夠進一步提升虹膜識別的準確率，尤其是能夠有效地應(yīng)用于當前傳統(tǒng)方法很難處理的異質(zhì)虹膜識別以及遠距離、移動終端等等非可控應(yīng)用場景。

圖1為本發(fā)明提供的一種人眼圖像中的虹膜識別方法的流程圖；

參見圖1，本發(fā)明提供的一種人眼圖像中的虹膜識別方法，該方法通過以一對虹膜圖像作為輸入數(shù)據(jù)可以直接檢測它們的相關(guān)性，判斷是否為同類，本發(fā)明還可以解決小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)易出現(xiàn)的過擬合問題，從而獲得比傳統(tǒng)識別方法更高的準確率，更好的應(yīng)對異質(zhì)虹膜識別以及非可控場景的應(yīng)用。

本發(fā)明提供的一種人眼圖像中的虹膜識別方法，具體包括以下步驟：

第一步：建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層；

在本發(fā)明中，需要說明的是，在實際應(yīng)用中，虹膜識別技術(shù)還有很多挑戰(zhàn)，尤其是非可控場景，如遠距離和移動終端應(yīng)用等，存在光照和距離變化、高噪聲、低分辨率以及模糊等干擾。此外，隨著虹膜圖像獲取裝置的泛在發(fā)展，多源異質(zhì)虹膜識別也超越了傳統(tǒng)算法的處理能力范圍。傳統(tǒng)的虹膜特征抽取方法基于人工設(shè)計濾波器，不僅費時費力，還通常得不到最優(yōu)結(jié)果。通過特征選擇獲取最佳濾波器參數(shù)的方法也存在需要產(chǎn)生高維度、過完備特征池的弊端。本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜識別方法，以一對虹膜圖像作為輸入，通過端到端的方式直接得到輸入圖像對的相關(guān)性分數(shù)，判斷為類內(nèi)或類間，同時本方法也解決了小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的過擬合問題。

第二步：預(yù)先選擇多個人眼圖像，對所述多個人眼圖像進行圖像預(yù)處理，獲得多個預(yù)設(shè)大小的虹膜圖像；

第三步：將所述多個虹膜圖像，預(yù)先根據(jù)每個虹膜圖像所預(yù)設(shè)的類別，選取類別相同(即同類，也就是同屬一只眼睛)的任意兩張虹膜圖像作為正樣本對，以及選取類別不相同(即不同類，不同屬一只眼睛)的任意兩張虹膜圖像作為負樣本對，分別以兩通道的方式(每個通道輸入一張圖像)輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中(如圖2所示)，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂；

第四步：將一對需要進行虹膜識別的待測試人眼圖像進行第二步所述的圖像預(yù)處理，獲得對應(yīng)的預(yù)設(shè)大小的待測試虹膜圖像對；

第五步：將所述待測試虹膜圖像對，分別以兩通道的方式輸入到第三步中已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，獲得輸入的所述待測試虹膜圖像對的相關(guān)性分數(shù)(即一對圖像中，兩張圖像之間的相似度，百分比)，并判斷所述待測試虹膜圖像對的相關(guān)性分數(shù)是否位于預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍內(nèi)，如果是，則判斷所述待測試虹膜圖像對為類別相同(即同類，同屬一只眼睛的虹膜圖像)，否則，判斷為類別不相同。

在本發(fā)明中，具體實現(xiàn)上，所述預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍可以根據(jù)用戶的需要預(yù)先進行設(shè)置，例如可以為60％～100％。

具體實現(xiàn)上，對于本發(fā)明，還包括第六步：對所述待測試虹膜圖像對進行多次平移操作，獲得對應(yīng)的多個待測試虹膜圖像對，輸入到第三步已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，輸出最終的虹膜識別結(jié)果。也就是說，將經(jīng)過第二步的圖像預(yù)處理(含人眼檢測、邊緣檢測和歸一化等處理)多個待測試虹膜圖像在進行平移處理后，輸入到已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，輸出最終的虹膜識別結(jié)果。

需要說明的是，本發(fā)明，考慮待測試虹膜圖像的旋轉(zhuǎn)差異，因此，對經(jīng)過第二步圖像預(yù)處理(即歸一化處理后)的待測試虹膜圖像對進行平移，將平移后的待測試虹膜圖像也輸入到訓練好的卷積神經(jīng)網(wǎng)絡(luò)中，可以得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后，對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，克服旋轉(zhuǎn)差異帶來的不利影響，輸出最終的虹膜識別結(jié)果。

在本發(fā)明中，需要說明的是，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層。所述輸出層是指網(wǎng)絡(luò)的最后一層。其中，所述圖像對輸入層，用于將兩幅虹膜圖像以兩通道的方式(每個通道輸入一張圖像)輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，輸入圖像對的目的是直接測量它們的相關(guān)性。所述卷積層，用于對輸入圖像對進行卷積，每一個卷積濾波器共享相同參數(shù)，降低了網(wǎng)絡(luò)模型的參數(shù)量，通過卷積層可以得到輸入圖像對的特征圖。所述池化層，使用了最大值池化和平均值池化，可減少要處理的數(shù)據(jù)量，同時可保證所提取的特征有空間不變性。所述全連接層：把高維的特征通過全連接的方式轉(zhuǎn)化為更緊湊的一維特征向量。

具體實現(xiàn)上，對于所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)所包含的各層，前一層的輸出即為后一層的輸入。

對于本發(fā)明，需要說明的是，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)通過以兩通道的方式輸入一對虹膜圖像，可以直接得到它們的相關(guān)性分數(shù)，判斷是否為同類。通過神經(jīng)網(wǎng)絡(luò)自動學習，解決了傳統(tǒng)方法人工設(shè)計濾波器費時費力的弊端。通過權(quán)值共享可減少網(wǎng)絡(luò)參數(shù)。池化層可以減少數(shù)據(jù)量同時得到具有空間不變性的特征。

在第二步中，具體實現(xiàn)上，所述圖像預(yù)處理包括以下步驟：

對于預(yù)先選擇或者獲取的人眼圖像使用人眼檢測器，檢測是否有人眼出現(xiàn)，如果有，則給出人眼的大概位置和尺度，然后使用邊緣檢測子對虹膜的內(nèi)外圓邊界進行定位，得到內(nèi)外圓心和半徑，獲得人眼圖像中的虹膜圖像，然后對虹膜圖像進行歸一化處理，得到相同尺寸的虹膜圖像，如得到128×128像素的虹膜圖像。

在本發(fā)明中，具體實現(xiàn)上，所述人眼檢測器為現(xiàn)有的一種人眼檢測器，例如為：Viola等人提出的基于類Haar特征及AdaBoost的人眼檢測器。用于檢測一張圖像中是否有人眼。

在本發(fā)明中，具體實現(xiàn)上，所述給出人眼在圖像上的大概位置和尺度，即通過人眼檢測器，給出人眼的邊界框。

在本發(fā)明中，具體實現(xiàn)上，所述邊緣檢測子可以為現(xiàn)有的一種通用邊緣檢測子。例如可以為：Wildes等人提出的基于梯度的通用邊緣檢測子檢測虹膜邊緣點，再基于得到的邊緣點進行霍夫變換，從而得到虹膜內(nèi)外邊界曲線參數(shù)。

在本發(fā)明中，具體實現(xiàn)上，所述內(nèi)外圓心和半徑可以通過邊緣檢測子得到，用于進行虹膜歸一化。

在本發(fā)明中，具體實現(xiàn)上，對虹膜圖像進行歸一化處理，即將環(huán)狀的虹膜展開為矩形形狀，如使用Daugman提出的橡皮膠模型。歸一化的目的是將虹膜的大小調(diào)整到固定的尺寸，盡量減少虹膜形變的影響。

對于本發(fā)明，在第二步中，對于一張圖像，首先使用人眼檢測器得到眼睛的位置，然后使用邊緣檢測子從人眼圖上得到虹膜的內(nèi)外圓心和半徑，再根據(jù)圓心和半徑進行虹膜歸一化，得到相同尺寸的虹膜圖像。

對于本發(fā)明，在第二步中，所述構(gòu)建正樣本對和負樣本對屬于訓練過程。訓練數(shù)據(jù)是包含類別信息的。即在圖像采集時就知道哪些圖像為同一類(即同屬一只眼睛)，哪些圖像為不同類。具體表現(xiàn)在圖像命名上，圖像名有幾位是用于標識類別信息的，來自同一類(即同一只眼睛)的所有圖像的名稱中標識類別信息的那幾位相同。

在第三步中，具體為：選取類別相同的兩張虹膜圖像作為正樣本對，選取類別不同的兩張虹膜圖像作為負樣本對，由于類間(即虹膜圖像不屬于同一只眼睛，也就是不同類的虹膜圖像之間)的比對次數(shù)要遠多于類內(nèi)(即虹膜圖像屬于同一只眼睛，也就是同類的虹膜圖像之間)的比對次數(shù)，如果不加約束的選取，將會出現(xiàn)正樣本對太少的情況，進而導(dǎo)致基于卷積神經(jīng)網(wǎng)絡(luò)的模型在訓練時出現(xiàn)過擬合，因此，對于本發(fā)明，在第三步中，具體實現(xiàn)上，先選取類內(nèi)全比對(即從所述多個虹膜圖像中，首先選取類別相同的任意兩張虹膜圖像作為正樣本對，比對即比較)，然后，在剩下的虹膜圖像中，隨機選取數(shù)量與正樣本對(類內(nèi)比對次數(shù))相當?shù)呢摌颖緦?類間比對)；

所構(gòu)建的正負樣本對以兩通道的方式輸入到卷積神經(jīng)網(wǎng)絡(luò)中，如圖2所示，得到的輸出結(jié)果可以用下式來表達：

$Y_j=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{X}_i*W_{i,j}+B_j,$

其中，(X₁,X₂)為輸入圖像對，W_1,j和W_2,j是第j個成對濾波器，B_j為偏置項。

對于本發(fā)明，通過選取兩張圖像構(gòu)建正樣本對和負樣本對的方式，有效的擴大了樣本空間，可以解決小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的過擬合問題，例如訓練圖像有200類，每類有30張圖像，那么共有200*30*(30-1)/2＝87000對的類內(nèi)樣本對(即正樣本對)。

在第三步中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練的步驟，具體為：將構(gòu)造好的圖像對(正樣本對和負樣本對)作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化和全連接操作，得到最末層的輸出，即匹配結(jié)果，比較其與真實標簽的誤差，根據(jù)誤差反向傳播算法訓練卷積神經(jīng)網(wǎng)絡(luò)模型，直到模型收斂。

在第三步中，具體實現(xiàn)上，將構(gòu)造好的圖像對作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化、全連接等操作，得到最末層的輸出，即匹配結(jié)果，從而可以比較其與真實標簽之間的誤差。

需要說明的是，所述匹配結(jié)果是預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)最末層的輸出值，此輸出值為二維向量，每一維分別代表輸入圖像對屬于同類和異類的概率值。通過預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的自動學習和反向調(diào)節(jié)，可以使預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸出盡可能逼近真實標簽。目的是用于驗證輸入的兩張圖像是同類還是異類。

還需要說明的是，所述真實標簽是用來表征輸入圖像對是否為同類的標簽。根據(jù)已知的輸入圖像的類別信息，即可比較得出兩張輸入圖像是否屬于同一類。此真實標簽實際上是卷積神經(jīng)網(wǎng)絡(luò)的學習目標，用來監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的學習訓練過程，讓神經(jīng)網(wǎng)絡(luò)的輸出盡可能地逼近真實標簽。

在本發(fā)明中，所述訓練是一個神經(jīng)網(wǎng)絡(luò)的學習過程，即通過比較神經(jīng)網(wǎng)絡(luò)的輸出與真實標簽的誤差來自我調(diào)節(jié)網(wǎng)絡(luò)參數(shù)的過程。

在本發(fā)明中，所述前向傳播算法即對神經(jīng)網(wǎng)絡(luò)由前至后進行逐層計算。所述反向傳播算法是指根據(jù)網(wǎng)絡(luò)輸出結(jié)果與真實標簽間的誤差，由后往前逐層調(diào)節(jié)網(wǎng)絡(luò)參數(shù)的過程，進行此操作是為了優(yōu)化網(wǎng)絡(luò)參數(shù)，減少輸出結(jié)果與真實標簽間的誤差。

在本發(fā)明中，當預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型在訓練集上的輸出與真實標簽間的誤差低于某一閾值時，即可認為模型收斂。此閾值的設(shè)定可根據(jù)用戶的經(jīng)驗和不同的訓練集而定。

在第四步中，具體實現(xiàn)上，對需要進行虹膜識別的待測試人眼圖對進行處理的所述圖像預(yù)處理，同第二步的處理過程一致,具體包括以下步驟：

對一對需要進行虹膜識別的待測試人眼圖像使用人眼檢測器，檢測是否有人眼出現(xiàn)，如果有，則給出人眼的大概位置和尺度，然后使用邊緣檢測子對虹膜的內(nèi)外圓邊界進行定位，得到內(nèi)外圓心和半徑，獲得人眼圖像中的虹膜圖像，然后對虹膜圖像進行歸一化處理，得到相同尺寸的虹膜圖像，如得到128×128像素的虹膜圖像。

在第五步中，具體實現(xiàn)上，待測試虹膜圖像對按照如同第二步和第三步的方式，進行圖像預(yù)處理和構(gòu)建樣本對后，輸入到第三步中已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，可以直接得到輸入圖像對的相關(guān)性(即輸入的所述待測試虹膜圖像的每個正樣本對和每個負樣本對的相關(guān)性分數(shù))，如圖3、圖4所示，分別為類間(虹膜圖像不屬于同一只眼睛)和類內(nèi)(虹膜圖像屬于同一只眼睛)比對的相關(guān)性圖(需要說明的是，一個人的左右眼虹膜是不相同的，一個人的左右眼虹膜為兩類)，其中深顏色(深黑色)代表低響應(yīng)，意味著更高的相似性，因此，類間比對的相關(guān)性圖顏色偏淺而類內(nèi)比對的相關(guān)性圖顏色偏深。

在第六步中，具體實現(xiàn)上，對所述待測試虹膜圖像對進行多次平移操作，將獲得對應(yīng)的多個待測試虹膜圖像對。如果用X₁和X₂表示輸入的一個待測試的虹膜圖像對，假設(shè)輸入的待測試虹膜圖像向左平移一個像素，記為X_1L，向右平移一個像素X_1R，同時考慮輸入待測試虹膜圖像對的順序，那么一共產(chǎn)生六組輸入圖像對：X₁-X₂、X_1L-X₂、X_1R-X₂、X₂-X₁、X₂-X_1L、X₂-X_1R，之后，再對六組結(jié)果進行分數(shù)層融合，如取均值、最小值和最大值融合等方法，從而得到最終的所輸入的待測試虹膜圖像對的相關(guān)性分數(shù)(相似度)，獲得最終的虹膜識別結(jié)果。

具體實現(xiàn)上，所述多組相關(guān)性分數(shù)的融合處理操作包括：對多組相關(guān)性分數(shù)取平均值、最小值或者最大值。

需要說明的是，當待測試虹膜圖像對的相關(guān)性分數(shù)(相似度)達到預(yù)設(shè)值時，可以判斷該待測試虹膜圖像對中的兩張待測試虹膜圖像為屬于同一個人，具有很高相關(guān)性，屬于同類。反之，屬于不同類。

在第六步中，需要說明的是，由于在實際使用過程中，難以對虹膜圖像進行精確定位校準。為模擬這種差異，在訓練時會人為加入擾動，如將圖像在不同方向上平移若干像素。

基于上述本發(fā)明提供的一種人眼圖像中的虹膜識別方法，參見圖4，本發(fā)明提供的一種人眼圖像中的虹膜識別裝置，包括：

網(wǎng)絡(luò)建立單元501，用于建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層；

圖像預(yù)先選擇單元502，用于預(yù)先選擇多個人眼圖像，對所述多個人眼圖像進行圖像預(yù)處理操作，獲得多個預(yù)設(shè)大小的虹膜圖像，然后發(fā)送給網(wǎng)絡(luò)訓練單元503；

網(wǎng)絡(luò)訓練單元503，分別與網(wǎng)絡(luò)建立單元501、圖像預(yù)先選擇單元502相連接，用于將所述圖像預(yù)先選擇單元502處理過的多個虹膜圖像，預(yù)先根據(jù)每個虹膜圖像所預(yù)設(shè)的類別，選取類別相同(即同類，也就是同屬一只眼睛)的任意兩張虹膜圖像作為正樣本對，以及選取類別不相同(即不同類，不同屬一只眼睛)的任意兩張虹膜圖像作為負樣本對，分別以兩通道的方式(每個通道輸入一張圖像)輸入到所述網(wǎng)絡(luò)建立單元501建立的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中(如圖2所示)，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂；

圖像預(yù)先處理單元504，用于將一對需要進行虹膜識別的待測試人眼圖像進行所述圖像預(yù)處理操作(同圖像預(yù)先選擇單元502中的圖像預(yù)處理操作)，獲得對應(yīng)的預(yù)設(shè)大小的待測試虹膜圖像對，然后發(fā)送給圖像分類單元505；

圖像分類識別判斷單元505，分別與網(wǎng)絡(luò)訓練單元503、圖像預(yù)先處理單元504相連接，用于將所述圖像預(yù)先處理單元504處理過的待測試虹膜圖像對，分別以兩通道的方式輸入到所述網(wǎng)絡(luò)訓練單元503中已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，獲得輸入的所述待測試虹膜圖像對的相關(guān)性分數(shù)(即一對圖像中，兩張圖像之間的相似度，百分比)，并判斷所述待測試虹膜圖像對的相關(guān)性分數(shù)是否位于預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍內(nèi)，如果是，則判斷所述待測試虹膜圖像對為類別相同(即同類，同屬一只眼睛的虹膜圖像)，否則，判斷為類別不相同。

在本發(fā)明中，具體實現(xiàn)上，所述預(yù)設(shè)的同類相關(guān)性分數(shù)取值范圍可以根據(jù)用戶的需要預(yù)先進行設(shè)置，例如可以為60％～100％。

具體實現(xiàn)上，對于本發(fā)明，所述圖像分類識別判斷單元505，還用于對所述待測試虹膜圖像對進行多次平移操作，獲得對應(yīng)的多個待測試虹膜圖像對，輸入到網(wǎng)絡(luò)訓練單元503已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，輸出最終的虹膜識別結(jié)果。也就是說，將經(jīng)過圖像預(yù)先處理單元504(即經(jīng)過歸一化)處理的多個待測試虹膜圖像在進行平移處理后，輸入到網(wǎng)絡(luò)訓練單元503已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，輸出最終的虹膜識別結(jié)果。

具體實現(xiàn)上，所述多組相關(guān)性分數(shù)的融合處理操作包括：對多組相關(guān)性分數(shù)取平均值、最小值或者最大值。

在本發(fā)明中，所述網(wǎng)絡(luò)建立單元501、圖像預(yù)先選擇單元502、網(wǎng)絡(luò)訓練單元503、圖像預(yù)先處理單元504和圖像分類識別判斷單元505可以分別為本發(fā)明裝置主板上安裝的中央處理器CPU、數(shù)字信號處理器DSP或者單片機MCU。

在本發(fā)明中，所述網(wǎng)絡(luò)建立單元501、圖像預(yù)先選擇單元502、網(wǎng)絡(luò)訓練單元503、圖像預(yù)先處理單元504和圖像分類識別判斷單元505可以為單獨設(shè)置的器件，也可以集成設(shè)置在一起。

需要說明的是，本發(fā)明，考慮待測試虹膜圖像的旋轉(zhuǎn)差異，因此，對經(jīng)過圖像預(yù)先選擇單元502中圖像預(yù)處理(即歸一化處理后)操作的待測試虹膜圖像對進行平移，將平移后的待測試虹膜圖像也輸入到訓練好的卷積神經(jīng)網(wǎng)絡(luò)中，可以得到多組輸入的待測試虹膜圖像對的相關(guān)性分數(shù)，然后，對多組相關(guān)性分數(shù)進行分數(shù)融合處理(例如取平均值、最小值或者最大值等方法)，克服旋轉(zhuǎn)差異帶來的不利影響，輸出最終的虹膜識別結(jié)果。

在本發(fā)明中，需要說明的是，在實際應(yīng)用中，虹膜識別技術(shù)還有很多挑戰(zhàn)，尤其是非可控場景，如遠距離和移動終端應(yīng)用等，存在光照和距離變化、高噪聲、低分辨率以及模糊等干擾。此外，隨著虹膜圖像獲取裝置的泛在發(fā)展，多源異質(zhì)虹膜識別也超越了傳統(tǒng)算法的處理能力范圍。傳統(tǒng)的虹膜特征抽取方法基于人工設(shè)計濾波器，不僅費時費力，還通常得不到最優(yōu)結(jié)果。通過特征選擇獲取最佳濾波器參數(shù)的方法也存在需要產(chǎn)生高維度、過完備特征池的弊端。本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜識別方法，以一對虹膜圖像作為輸入，通過端到端的方式直接得到輸入圖像對的相關(guān)性分數(shù)，判斷為類內(nèi)或類間，同時本方法也解決了小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的過擬合問題。

在本發(fā)明中，需要說明的是，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的圖像對輸入層、預(yù)設(shè)多個卷積層、預(yù)設(shè)多個池化層、預(yù)設(shè)全連接層。所述輸出層是指網(wǎng)絡(luò)的最后一層。其中，所述圖像對輸入層，用于將兩幅虹膜圖像以兩通道的方式(每個通道輸入一張圖像)輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，輸入圖像對的目的是直接測量它們的相關(guān)性。所述卷積層，用于對輸入圖像對進行卷積，每一個卷積濾波器共享相同參數(shù)，降低了網(wǎng)絡(luò)模型的參數(shù)量，通過卷積層可以得到輸入圖像對的特征圖。所述池化層，使用了最大值池化和平均值池化，可減少要處理的數(shù)據(jù)量，同時可保證所提取的特征有空間不變性。所述全連接層：把高維的特征通過全連接的方式轉(zhuǎn)化為更緊湊的一維特征向量。

具體實現(xiàn)上，對于所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)所包含的各層，前一層的輸出即為后一層的輸入。

對于本發(fā)明，需要說明的是，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)通過以兩通道的方式輸入一對虹膜圖像，可以直接得到它們的相關(guān)性分數(shù)，判斷是否為同類。通過神經(jīng)網(wǎng)絡(luò)自動學習，解決了傳統(tǒng)方法人工設(shè)計濾波器費時費力的弊端。通過權(quán)值共享可減少網(wǎng)絡(luò)參數(shù)。池化層可以減少數(shù)據(jù)量同時得到具有空間不變性的特征。

在圖像預(yù)先選擇單元502中，具體實現(xiàn)上，所述圖像預(yù)處理包括以下步驟：

對于預(yù)先選擇或者獲取的人眼圖像使用人眼檢測器，檢測是否有人眼出現(xiàn)，如果有，則給出人眼的大概位置和尺度，然后使用邊緣檢測子對虹膜的內(nèi)外圓邊界進行定位，得到內(nèi)外圓心和半徑，獲得人眼圖像中的虹膜圖像，然后對虹膜圖像進行歸一化處理，得到相同尺寸的虹膜圖像，如得到128×128像素的虹膜圖像。

在本發(fā)明中，具體實現(xiàn)上，所述人眼檢測器為現(xiàn)有的一種人眼檢測器，例如為：Viola等人提出的基于類Haar特征及AdaBoost的人眼檢測器。用于檢測一張圖像中是否有人眼。

在本發(fā)明中，具體實現(xiàn)上，所述給出人眼在圖像上的大概位置和尺度，即通過人眼檢測器，給出人眼的邊界框。

在本發(fā)明中，具體實現(xiàn)上，所述邊緣檢測子可以為現(xiàn)有的一種通用邊緣檢測子。例如可以為：Wildes等人提出的基于梯度的通用邊緣檢測子檢測虹膜邊緣點，再基于得到的邊緣點進行霍夫變換，從而得到虹膜內(nèi)外邊界曲線參數(shù)。

在本發(fā)明中，具體實現(xiàn)上，所述內(nèi)外圓心和半徑可以通過邊緣檢測子得到，用于進行虹膜歸一化。

在本發(fā)明中，具體實現(xiàn)上，對虹膜圖像進行歸一化處理，即將環(huán)狀的虹膜展開為矩形形狀，如使用Daugman提出的橡皮膠模型。歸一化的目的是將虹膜的大小調(diào)整到固定的尺寸，盡量減少虹膜形變的影響。

對于本發(fā)明，對于圖像預(yù)先選擇單元502，對于一張圖像，首先使用人眼檢測器得到眼睛的位置，然后使用邊緣檢測子從人眼圖上得到虹膜的內(nèi)外圓心和半徑，再根據(jù)圓心和半徑進行虹膜歸一化，得到相同尺寸的虹膜圖像。

對于本發(fā)明，對于圖像預(yù)先選擇單元502，所述構(gòu)建正樣本對和負樣本對屬于訓練過程。訓練數(shù)據(jù)是包含類別信息的。即在圖像采集時就知道哪些圖像為同一類(即同屬一只眼睛)，哪些圖像為不同類。具體表現(xiàn)在圖像命名上，圖像名有幾位是用于標識類別信息的，來自同一個類(即同一只眼睛)的所有圖像的名稱中標識類別信息的那幾位相同。

在網(wǎng)絡(luò)訓練單元503中，具體處理操作為：選取類別相同的兩張虹膜圖像作為正樣本對，選取類別不同的兩張虹膜圖像作為負樣本對，由于類間(即虹膜圖像不屬于同一只眼睛，也就是不同類的虹膜圖像之間)的比對次數(shù)要遠多于類內(nèi)(即虹膜圖像屬于同一只眼睛，也就是同類的虹膜圖像之間)的比對次數(shù)，如果不加約束的選取，將會出現(xiàn)正樣本對太少的情況，進而導(dǎo)致基于卷積神經(jīng)網(wǎng)絡(luò)的模型在訓練時出現(xiàn)過擬合，因此，對于本發(fā)明，對于所述網(wǎng)絡(luò)訓練單元503，具體實現(xiàn)上，先選取類內(nèi)全比對(即從所述多個虹膜圖像中，首先選取類別相同的任意兩張虹膜圖像作為正樣本對，比對即比較)，然后，在剩下的虹膜圖像中，隨機選取數(shù)量與正樣本對(類內(nèi)比對次數(shù))相當?shù)呢摌颖緦?類間比對)；

所構(gòu)建的正負樣本對以兩通道的方式輸入到卷積神經(jīng)網(wǎng)絡(luò)中，如圖2所示，得到的輸出結(jié)果可以用下式來表達：

$Y_j=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{X}_i*W_{i,j}+B_j,$

其中，(X₁,X₂)為輸入圖像對，W_1,j和W_2,j是第j個成對濾波器，B_j為偏置項。

對于本發(fā)明，通過選取兩張圖像構(gòu)建正樣本對和負樣本對的方式，有效的擴大了樣本空間，可以解決小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的過擬合問題，例如訓練圖像有200類，每類有30張圖像，那么共有200*30*(30-1)/2＝87000對的類內(nèi)樣本對(即正樣本對)。

在網(wǎng)絡(luò)訓練單元503中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓練的步驟，具體為：將構(gòu)造好的圖像對(正樣本對和負樣本對)作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化和全連接等操作，得到最末層的輸出，即匹配結(jié)果，比較其與真實標簽的誤差，根據(jù)誤差反向傳播算法訓練卷積神經(jīng)網(wǎng)絡(luò)模型，直到模型收斂。

在網(wǎng)絡(luò)訓練單元503中，具體實現(xiàn)上，將構(gòu)造好的圖像對作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，逐層進行卷積、池化、全連接等操作，得到最末層的輸出，即匹配結(jié)果，從而可以比較其與真實標簽之間的誤差。

需要說明的是，所述匹配結(jié)果是預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)最末層的輸出值，此輸出值為二維向量，每一維分別代表輸入圖像對屬于同類和異類的概率值。通過預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的自動學習和反向調(diào)節(jié)，可以使預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的輸出盡可能逼近真實標簽。目的是用于驗證輸入的兩張圖像是同類還是異類。

還需要說明的是，所述真實標簽是用來表征輸入圖像對是否為同類的標簽。根據(jù)已知的輸入圖像的類別信息，即可比較得出兩張輸入圖像是否屬于同一類。此真實標簽實際上是卷積神經(jīng)網(wǎng)絡(luò)的學習目標，用來監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的學習訓練過程，讓神經(jīng)網(wǎng)絡(luò)的輸出盡可能地逼近真實標簽。

在本發(fā)明中，所述訓練是一個神經(jīng)網(wǎng)絡(luò)的學習過程，即通過比較神經(jīng)網(wǎng)絡(luò)的輸出與真實標簽的誤差來自我調(diào)節(jié)網(wǎng)絡(luò)參數(shù)的過程。

在本發(fā)明中，所述前向傳播算法即對神經(jīng)網(wǎng)絡(luò)由前至后進行逐層計算。所述反向傳播算法是指根據(jù)網(wǎng)絡(luò)輸出結(jié)果與真實標簽間的誤差，由后往前逐層調(diào)節(jié)網(wǎng)絡(luò)參數(shù)的過程，進行此操作是為了優(yōu)化網(wǎng)絡(luò)參數(shù)，減少輸出結(jié)果與真實標簽間的誤差。

在本發(fā)明中，當預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型在訓練集上的輸出與真實標簽間的誤差低于某一閾值時，即可認為模型收斂。此閾值的設(shè)定可根據(jù)用戶的經(jīng)驗和不同的訓練集而定。

在圖像預(yù)先處理單元504中，具體實現(xiàn)上，對需要進行虹膜識別的待測試人眼圖像對進行處理的所述圖像預(yù)處理，同圖像預(yù)先選擇單元502中的圖像預(yù)處理操作，處理過程一致，具體包括以下步驟：

對一對需要進行虹膜識別的待測試人眼圖像使用人眼檢測器，檢測是否有人眼出現(xiàn)，如果有，則給出人眼的大概位置和尺度，然后使用邊緣檢測子對虹膜的內(nèi)外圓邊界進行定位，得到內(nèi)外圓心和半徑，獲得人眼圖像中的虹膜圖像，然后對虹膜圖像進行歸一化處理，得到相同尺寸的虹膜圖像，如得到128×128像素的虹膜圖像。

在圖像分類識別判斷單元505中，具體實現(xiàn)上，待測試虹膜圖像對按照如同圖像預(yù)先選擇單元502和網(wǎng)絡(luò)訓練單元503的方式進行圖像預(yù)處理和構(gòu)建樣本對后，輸入到所述網(wǎng)絡(luò)訓練單元503中已經(jīng)完成訓練(即訓練好的)的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，可以直接得到輸入圖像對的相關(guān)性(即輸入的所述待測試虹膜圖像的每個正樣本對和每個負樣本對的相關(guān)性分數(shù))，如圖3、圖4所示，分別為類間(膜圖像不屬于同一只眼睛)和類內(nèi)(虹膜圖像屬于同一只眼睛)比對的相關(guān)性圖(需要說明的是，一個人的左右眼虹膜是不相同的，一個人的左右眼虹膜為兩類)，其中深顏色(深黑色)代表低響應(yīng)，意味著更高的相似性，因此，類間比對的相關(guān)性圖顏色偏淺而類內(nèi)比對的相關(guān)性圖顏色偏深。

在圖像分類識別判斷單元505中，具體實現(xiàn)上，對所述待測試虹膜圖像對進行多次平移操作，將獲得對應(yīng)的多個待測試虹膜圖像對。如果用X₁和X₂表示輸入的一個待測試的虹膜圖像對，假設(shè)輸入的待測試虹膜圖像向左平移一個像素，記為X_1L，向右平移一個像素X_1R，同時考慮輸入待測試虹膜圖像對的順序，那么一共產(chǎn)生六組輸入圖像對：X₁-X₂、X_1L-X₂、X_1R-X₂、X₂-X₁、X₂-X_1L、X₂-X_1R，之后，再對六組結(jié)果進行分數(shù)層融合，如取均值、最小值和最大值融合等方法，從而得到最終的所輸入的待測試虹膜圖像對的相關(guān)性分數(shù)(相似度)，獲得最終的虹膜識別結(jié)果。

需要說明的是，當待測試虹膜圖像對的相關(guān)性分數(shù)(相似度)達到預(yù)設(shè)值時，可以判斷該待測試虹膜圖像對中的兩張待測試虹膜圖像為屬于同一個人，具有很高相關(guān)性，屬于同類。反之，屬于不同類。

在第六步中，需要說明的是，由于在實際使用過程中，難以對虹膜圖像進行精確定位校準。為模擬這種差異，在訓練時會人為加入擾動，如將圖像在不同方向上平移若干像素。

為更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合具體實施例做進一步說明。

實施例1

本發(fā)明提供的一種人眼圖像中的虹膜識別方法及其裝置，基于卷積神經(jīng)網(wǎng)絡(luò)，在異質(zhì)虹膜識別中的應(yīng)用。

本發(fā)明可應(yīng)用于提升異質(zhì)虹膜識別的準確率。隨著科學技術(shù)和圖像獲取裝置的發(fā)展，虹膜圖像呈現(xiàn)多源異質(zhì)性，存在光源波段、傳感器、圖像分辨率、距離遠近等方面的不同，這會造成很大的類內(nèi)差異，使錯誤拒絕率增大，大大降低了系統(tǒng)識別的準確率。例如一個人在注冊時采用高清虹膜圖像獲取裝置，在近距離采集，而在識別時采用便攜式虹膜圖像獲取裝置，不限定距離采集，因此用于注冊和識別的虹膜圖像存在分辨率、距離等異質(zhì)因素。傳統(tǒng)方法對于異質(zhì)虹膜圖像使用相同的濾波器模板，沒有針對異質(zhì)源進行特殊的設(shè)計，往往得不到最佳結(jié)果，而本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)，可以根據(jù)不同的異質(zhì)源自動學習最適合的濾波器，并且通過輸入圖像對的方式有效擴大了樣本空間，對數(shù)據(jù)進行了充分的利用，從而能夠得到比傳統(tǒng)方法更高的準確率。

實施例2

本發(fā)明提供的一種人眼圖像中的虹膜識別方法及其裝置，基于卷積神經(jīng)網(wǎng)絡(luò)，在移動終端的應(yīng)用。

本發(fā)明可應(yīng)用于移動終端。移動設(shè)備已經(jīng)廣泛應(yīng)用于人們的日常生活中，如手機支付，存儲私人信息等，如何保證其安全性越來越受到關(guān)注。生物特征識別相比于輸入密碼等方法具有用戶友好性好、可靠性高等優(yōu)勢，而虹膜又是區(qū)分性最強、防偽性最好的模態(tài)，虹膜識別已經(jīng)成為保障移動設(shè)備安全的新技術(shù)。然而移動端獲取的虹膜圖像質(zhì)量較低，存在高噪聲、低分辨率、離焦和運動模糊等因素，傳統(tǒng)識別方法很難獲得較高的準確率。隨著GPU等硬件的發(fā)展，深度學習方法已經(jīng)能夠在移動終端應(yīng)用。本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)，能夠自動提取對識別最有效的特征，魯棒性較高，并且本發(fā)明為端到端的識別方法，省去了傳統(tǒng)方法特征提取再分類的復(fù)雜流程，因此本發(fā)明的效率較高，尤其適用于注冊和識別樣本數(shù)較少的移動終端應(yīng)用。

因此，對于本發(fā)明提供的一種人眼圖像中的虹膜識別方法及其裝置，其基于多尺度全卷積神經(jīng)網(wǎng)絡(luò)，對于提高虹膜識別的準確率具有重要意義，其有益效果體現(xiàn)在以下幾個方面：

1、本發(fā)明是首次將卷積神經(jīng)網(wǎng)絡(luò)用在虹膜識別中，能夠自動學習得到對識別最有效的特征，無需人工參與。

2、本發(fā)明是端到端的方法，省去了傳統(tǒng)虹膜識別的復(fù)雜流程，能夠直接得到輸入圖像對的相關(guān)性分數(shù)，判斷它們是否為同類。

3、與以往訓練卷積神經(jīng)網(wǎng)絡(luò)需要大量有標簽的數(shù)據(jù)不同，本發(fā)明通過輸入圖像對的方法有效的擴大了樣本空間，可以解決小規(guī)模數(shù)據(jù)庫訓練卷積神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的過擬合問題。

綜上所述，與現(xiàn)有技術(shù)相比較，本發(fā)明提供了一種人眼圖像中的虹膜識別方法及其裝置，其可以對可控場景和非可控場景下采集的人眼圖像中的虹膜進行及時、準確的識別，滿足用戶對虹膜識別的要求，能夠提高用戶的工作效率，節(jié)約人們寶貴的時間，有效保證對人眼圖像進行虹膜識別時的準確率，具有重大的生產(chǎn)實踐意義。

通過使用本發(fā)明提供的技術(shù)，可以使得人們工作和生活的便利性得到很大的提高，極大地提高了人們的生活水平。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。