虹膜图像采集方法、虹膜识别方法及装置与流程

1.本发明涉及图像采集和模式识别领域技术领域，尤其涉及一种虹膜图像采集方法、虹膜识别方法及装置。


背景技术：

2.随着生物特征识别技术的逐步成熟，虹膜识别技术以其准确度高、唯一性好、防伪性强等优势，已经在防疫安全、公安刑侦、嫌疑人排查、矿山人员出勤、出入境检查等身份管理中得到广泛应用。但随着虹膜识别环境的复杂化，固定距离和近距离的虹膜识别已经无法满足社会需求，远距离虹膜识别技术已经成为发展的趋势。
3.虹膜采集是虹膜识别系统中一个重要的环节，近距离采集时，由于自动曝光收敛慢，导致图像过曝；远距离采集时，由于虹膜直径非常小、近红外光线不足等原因无法获取符合虹膜识别要求的虹膜图像；此外，云台的位置调整也会直接影响虹膜的清晰度，虹膜图像质量不好，则会导致图像采集速度慢、识别率低、用户体验性和产品易用性差等。
4.虹膜采集是虹膜识别系统中关键的一步，然而，高质量的虹膜图像采集并不容易，需要有支持采集高解析力图像的相机模组，还要在采集时提供良好的光照条件，从而保证采集的虹膜能用于有效识别。
5.一般的虹膜采集装置的补光方式为持续照明或者固定频率脉冲照明，采用单侧或者两侧左右一组或者多组的红外灯光结构来调整补光强度，然而，这也带来了高功耗、散热差、打光不均匀等问题。为了降低功耗，可采用左右交替打光的方案，然而，左右红外光源的照明时序难以与图像传感器对每帧图像的曝光时间保持同步，会导致左右光源交替时对应的图像帧曝光时间内没有得到均匀的红外照明，从而造成图像坏帧的现象。而且，云台的调整极易造成运动模糊现象，使得成像清晰度下降，无法满足用户在移动过程中进行虹膜识别的场景，用户体验性差。
6.有的虹膜采集方法和装置采用两组不同角度的光源进行补光，根据距离提示进行打光增强，这样在30至80cm的范围内取得比较好的效果。然而，实际虹膜采集时，容易出现曝光之前和曝光过程中目标人物的位置已经发生较大移动，对焦和曝光都不准确，造成虹膜图像模糊的情况。高质量虹膜图像易受光强、曝光参数、增益以及调焦参数的影响。此外，合适的成像位置和打光方案直接影响着虹膜图像的质量。


技术实现要素：

7.有鉴于此，本发明提供了一种虹膜图像采集方法、虹膜识别方法及装置，以提高虹膜采集质量。
8.为了达到上述目的，本发明采用以下方案实现：
9.根据本发明实施例的一个方面，提供了一种虹膜图像采集方法，包括：
10.获取利用可见光图像采集设备采集的待采集对象的可见光图像和利用近红外图像采集设备采集的待采集对象的近红外图像；
11.对所述可见光图像和所述近红外图像进行坐标映射，得到坐标映射关系；
12.对所述可见光图像进行人脸检测，在检测到人脸的情况下，得到人脸检测结果；
13.根据人脸检测结果和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像；
14.将所述初始虹膜图像输入至预训练后的深度卷积网络图像采集参数调优模型，得到调优后的图像采集参数；图像采集参数包括打光参数，打光参数包括红外打光参数和/或可见光打光参数；
15.根据人脸检测结果并利用强化学习云台参数调优模型，得到调优后的云台参数；
16.利用调优后的云台参数调整所述可见光图像采集设备和所述近红外图像采集设备的云台位置，基于调整后的云台位置和调优后的图像采集参数采集所述待采集对象的可见光人脸图像和近红外人脸图像；
17.对所述可见光人脸图像进行人脸检测，并根据所述可见光人脸图像的人脸检测结果从所述近红外人脸图像，扣取得到用于虹膜识别的虹膜图像。
18.在一些实施例中，打光参数包括打光位置和打光光强；图像采集参数还包括曝光时间、增益及调焦参数；云台参数包括向左移动、向右移动、向上转动、及向下转动。
19.在一些实施例中，对所述可见光图像和所述近红外图像进行坐标映射，得到坐标映射关系，包括：
20.根据可见光图像采集设备的位置信息和近红外图像采集设备的位置信息，对所述可见光图像和所述近红外图像进行坐标映射，得到坐标映射关系。
21.在一些实施例中，所述的虹膜图像采集方法，还包括：
22.在未检测到人脸的情况下，重新获取利用可见光图像采集设备重新采集的待采集对象的可见光图像和利用近红外图像采集设备重新采集的待采集对象的近红外图像。
23.在一些实施例中，所述可见光图像的人脸检测结果包括人脸检测框位置信息和人脸关键点位置信息；
24.根据人脸检测结果和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像，包括：
25.根据人脸检测结果中的人脸关键点位置信息和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像；
26.根据人脸检测结果并利用强化学习云台参数调优模型，得到调优后的云台参数，包括：
27.根据人脸检测结果中的人脸检测框位置信息并利用强化学习云台参数调优模型，得到调优后的云台参数。
28.在一些实施例中，所述的虹膜图像采集方法，其特征在于，还包括：对策略函数进行训练，得到强化学习云台参数调优模型；
29.对策略函数进行训练，得到强化学习云台参数调优模型，包括：
30.获取训练样本集；其中，所述训练样本集中的训练样本包括：可见光图像对应的设备空间位置环境和相应可见光图像的真实人脸检测框；
31.将训练样本中可见光图像对应的设备空间位置环境输入至策略函数，以可见光图像对应的设备空间位置作为所述策略函数中的环境状态，以云台的调整方式及幅度作为可
能的动作，以根据执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向作为奖励值，训练策略函数，得到云台参数的调优值，在执行动作之后的人脸检测框与真实人脸检测框的重复率超过设定阈值后，根据训练后的策略函数得到强化学习云台参数调优模型。
32.在一些实施例中，根据执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向作为奖励值，包括：
33.利用检测框对角上的两个像素点表示检测框位置的方式，分别计算执行动作之后的人脸检测框的位置、执行动作之前的人脸检测框的位置、及真实人脸检测框的位置；
34.利用目标检测算法，根据执行动作之前的人脸检测框的位置和真实人脸检测框的位置，计算执行动作之前的人脸检测框和真实人脸检测框的第一重复率；
35.利用目标检测算法，根据执行动作之后的人脸检测框的位置和真实人脸检测框的位置，计算执行动作之后的人脸检测框和真实人脸检测框的第二重复率；
36.计算所述第一重复率减去所述第二重复率差值，并将该差值的符号作为执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向，从而得到奖励值。
37.在一些实施例中，所述的虹膜图像采集方法，还包括：对初始深度卷积网络进行训练，得到预训练后的深度卷积网络图像采集参数调优模型；
38.对初始深度卷积网络进行训练，得到预训练后的深度卷积网络图像采集参数调优模型，包括：
39.获取训练样本集；其中，所述训练样本集中的训练样本包括：虹膜图像和已知图像采集参数；
40.将训练样本中的虹膜图像输入至初始深度卷积网络，得到预测的图像采集参数；
41.根据训练样本中的已知图像采集参数和预测的图像采集参数计算损失，将计算的损失反馈至初始深度卷积网络，以训练初始深度卷积网络，得到预训练后的深度卷积网络图像采集参数调优模型。
42.根据本发明实施例的另一个方面，提供了一种虹膜识别方法，包括：
43.利用上述任一实施例所述的虹膜图像采集方法采集得到待识别对象的虹膜图像；
44.利用采集得到的虹膜图像识别所述待识别对象的身份。
45.在一些实施例中，利用采集得到的虹膜图像识别所述待识别对象的身份之前，所述方法还包括：
46.对采集得到的虹膜图像进行虹膜质量评价，在虹膜质量评价结果符合虹膜识别要求的情况下，执行利用采集得到的虹膜图像识别所述待识别对象的身份的步骤，在虹膜质量评价结果不符合虹膜识别要求的情况下，重新执行利用上述任一实施例所述的虹膜图像采集方法采集得到待识别对象的虹膜图像的步骤；和/或，
47.对所述的虹膜图像采集方法采集过程中得到的初始虹膜图像进行虹膜质量评价，在虹膜质量评价结果符合虹膜识别要求的情况下，执行利用采集得到的虹膜图像识别所述待识别对象的身份的步骤。
48.在一些实施例中，对采集得到的虹膜图像进行虹膜质量评价，包括：
49.计算采集得到的虹膜图像的光强、清晰度、及亮度分布；
50.通过判断采集得到的虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判
断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求；
51.对所述的虹膜图像采集方法采集过程中得到的初始虹膜图像进行虹膜质量评价，包括：
52.计算初始虹膜图像的光强、清晰度、及亮度分布；
53.通过判断初始虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
54.在一些实施例中，计算采集得到的虹膜图像的光强、清晰度、及亮度分布，包括：
55.通过计算采集得到的虹膜图像的像素值均值得到虹膜图像的光强；
56.利用高斯拉普拉斯核对采集得到的虹膜图像进行滤波，滤波后的虹膜图像的功率值，利用所述功率值计算采集得到的虹膜图像的清晰度；
57.利用采集得到的虹膜图像的各像素值和图像大小计算采集得到的虹膜图像的亮度分布；
58.通过判断采集得到的虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求，包括：
59.通过判断采集得到的虹膜图像的光强是否大于设定光强阈值，其清晰度是否大于设定清晰度阈值，及其亮度分布是否符合设定亮度分布要求，判断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求；
60.计算初始虹膜图像的光强、清晰度、及亮度分布，包括：
61.通过计算初始虹膜图像的像素值均值得到虹膜图像的光强；
62.利用高斯拉普拉斯核对初始虹膜图像进行滤波，滤波后的虹膜图像的功率值，利用所述功率值计算初始虹膜图像的清晰度；
63.利用初始虹膜图像的各像素值和图像大小计算初始虹膜图像的亮度分布；
64.通过判断初始虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求，包括：
65.通过判断初始虹膜图像的光强是否大于设定光强阈值，其清晰度是否大于设定清晰度阈值，及其亮度分布是否符合设定亮度分布要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
66.根据本发明实施例的另一个方面，还提供了一种虹膜图像采集系统，包括：
67.可见光图像采集设备，用于采集待采集对象的可见光图像；
68.近红外图像采集设备，用于采集待采集对象的近红外图像；
69.可见光补光灯，用于在采集待采集对象的可见光图像时根据可见光打光参数对待采集对象进行可见光补光；
70.红外补光灯，用于在采集待采集对象的近红外图像时根据红外打光参数对待采集对象进行红外补光；
71.云台，用于基于云台参数支撑可见光图像采集设备的可见光摄像头、近红外图像采集设备中的近红外摄像头、可见光补光灯、及红外补光灯；
72.虹膜采集装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述方法的步骤，以获取所述可见光图像和所述近红外图像，并调优图像采集参数和所述云台参数；其中，图像采集参数
中的打光参数包括所述可见光打光参数和所述红外打光参数。
73.在一些实施例中，所述红外补光灯包括设置于所述近红外图像采集设备中的近红外摄像头周围的多组红外灯，所述红外打光参数包括红外灯的组的信息；和/或，
74.所述可见光灯包括设置于所述可见光图像采集设备中的可见光摄像头周围的多组可见光灯，所述可见光打光参数包括可见光灯的组的信息。
75.在一些实施例中，所述可见光图像采集设备和所述近红外图像采集设备为vcm相机，图像采集参数还包括调焦参数，所述调焦参数为vcm相机的vcm距离对应的vcm驱动电流。
76.根据本发明实施例的另一个方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述方法的步骤。
77.根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述方法的步骤。
78.本发明实施例的虹膜图像采集方法、虹膜识别方法、虹膜图像采集系统、电子设备及计算机可读存储介质，通过利用深度卷积网络调优图像采集参数，能够调优打光参数，从而在图像采集时能够快速、合适地进行打光，从而能够在光线均匀、光强适宜的情况下采集图像，另外，通过打光可以克服自动曝光收敛慢的问题。利用强化学习调优云台参数，能够快速以合适角度采集到图像。如此一来，在各种光线环境和各种采集位置都能快速采集到便于进行识别的虹膜图像。因此，本方案能够解决现有虹膜采集时存在的曝光收敛慢、红外补光不均衡、虹膜图像质量差、虹膜图像模糊等问题，从而提高虹膜采集质量和速度。
附图说明
79.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
80.图1是本发明一实施例的虹膜图像采集方法的流程示意图；
81.图2是本发明一实施例的虹膜图像采集系统的结构示意图；
82.图3是本发明一具体实施例的虹膜图像采集方法的流程示意图；
83.图4是本发明一具体实施例的虹膜图像采集流程示例。
具体实施方式
84.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
85.需要预先说明的是，下述实施例或示例的描述或其中所提及的特征可以以相同或类似的方式，与其他实施例或示例中的特征组合，或替换其他实施例或示例中的特征，以形成可能的实施方式。另外，本文所使用的术语“包括/包含”是指特征、要素、步骤或组件的存在，但并不排除还存在一个或多个其他特征、要素、步骤或组件。
86.随着虹膜采集技术的发展，虹膜采集的距离已经从固定的距离发展为30至100cm甚至更广泛的范围，为远距离虹膜识别奠定基础。然而，一方面，红外光强度会随着距离而衰减，造成近距离光照强图像亮度过高、远距离打光不够、光照弱、虹膜纹理模糊等现象，增加光源数量又会导致功耗的增加；另一方面，虹膜采集装置的调整过程(例如云台，打光位置)对虹膜采集也会产生极大的影响，造成图像亮度不均匀，运动模糊等。
87.现有图像自动曝光方法(调节曝光时间及增益)不仅收敛慢，造成自动曝光时目标人物的位置已经发生较大偏移，对焦和曝光都不准确，图像离焦模糊和运动模糊明显；远距离采集时，增加曝光时间容易导致曝光之前和曝光过程中目标人物的位置发生较大移动，对焦和曝光都不准确，虹膜图像模糊，而继续提高增益又可能会增加噪声，导致虹膜图像质量下降。
88.针对上述问题，本发明提供了一种虹膜图像采集方法，以避免由于曝光收敛慢导致的曝光前与曝光过程中目标人物的位置已经发生变化，进而导致虹膜对焦和曝光都不准确的现象，同时，解决因云台调整和打光位置不准确导致的图像模糊和亮度不均的问题，以稳定获取高质量虹膜图像。
89.图1是本发明一实施例的虹膜图像采集方法的流程示意图。如图1所示，该些实施例的虹膜图像采集方法，具体可包括以下步骤s110～步骤s180。
90.下面将对步骤s110至步骤s180的具体实施方式进行详细说明。
91.步骤s110：获取利用可见光图像采集设备采集的待采集对象的可见光图像和利用近红外图像采集设备采集的待采集对象的近红外图像。
92.该步骤s110中，可见光图像采集设备可为可见光相机，可以为vcm相机(音圈驱动镜头变焦的相机)。近红外图像采集设备可为红外相机，可以为vcm相机。获取可见光图像、近红外图像，可以是指接收可见光图像、近红外图像，或者可以是指通过相应相机采集可见光图像、近红外图像。
93.步骤s120：对所述可见光图像和所述近红外图像进行坐标映射，得到坐标映射关系。
94.该步骤s120，具体地，可包括步骤：s121，根据可见光图像采集设备的位置信息和近红外图像采集设备的位置信息，对所述可见光图像和所述近红外图像进行坐标映射，得到坐标映射关系。
95.该步骤s121中，可见光图像采集设备的位置信息和近红外图像采集设备的位置信息可以得知可见光图像采集设备和近红外图像采集设备的相对位置，据此可以得到待采集对象在可见光图像和近红外图像中的对应位置，即，得到可见光图像和近红外图像的坐标映射关系。
96.在其他实施例中，可以通过识别算法分别对可见光图像和近红外图像进行识别，得到二者的坐标映射关系。
97.通过该步骤s120，可以便于利用可见光图像进行人脸检测，然后根据可见光图像中的人脸位置，找到近红外图像中的人脸位置等信息。
98.步骤s130：对所述可见光图像进行人脸检测，在检测到人脸的情况下，得到人脸检测结果。
99.该步骤s130中，可以利用现有的算法对可见光图像进行人脸检测，可以得到可见
光图像中人脸位置相关信息。得到的人脸检测结果可包括人脸框位置信息和人脸关键点位置信息。其中，人脸框位置信息可以用人脸矩形框的顶点位置表示，如用对角两个顶点的位置表示。人脸关键点位置信息可以包括人眼位置、眼角位置等，据此可以便于找到近红外图像中的虹膜位置。
100.进一步的实施例中，图1所示的虹膜图像采集方法还可包括步骤：s190，在未检测到人脸的情况下，重新获取利用可见光图像采集设备重新采集的待采集对象的可见光图像和利用近红外图像采集设备重新采集的待采集对象的近红外图像。该步骤s190中，若为检测到人脸，可以认为此时镜头前没有人或人脸偏离镜头，可以重新采集图像，直到在重新采集的图像中检测到人脸。
101.步骤s140：根据人脸检测结果和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像。
102.该步骤s140中，所述的初始虹膜图像是指虹膜区域的图像。依据坐标映射关系，可以在近红外图像中找到对应于可见光图像中人脸检测结果对应区域的位置，从而可以找到近红外图像中的虹膜区域，得到虹膜图像。具体地，可以找到近红外图像中虹膜的边界，然后将虹膜图像从中扣取或提取出来。
103.在所述可见光图像的人脸检测结果包括人脸关键点位置信息的情况下，上述步骤s140，即，根据人脸检测结果和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像，具体可包括步骤：s141，根据人脸检测结果中的人脸关键点位置信息和所述坐标映射关系，扣取所述近红外图像中的初始虹膜图像。
104.该步骤s141中，人脸关键点位置信息可以包括眼睛的内眼角位置、外眼角位置等。根据人脸关键点位置信息可以快速、准确地得到虹膜图像。
105.步骤s150：将所述初始虹膜图像输入至预训练后的深度卷积网络图像采集参数调优模型，得到调优后的图像采集参数；图像采集参数包括打光参数，打光参数包括红外打光参数和/或可见光打光参数。
106.该步骤s150中，若图像采集参数包括红外打光参数可以依据该参数在红外图像采集装置采集近红外图像时对采集对象进行红外补光，以采集到的更清晰的虹膜图像。若图像采集参数包括可见光打光参数可以依据该参数在可见光图像采集装置采集可见光图像时对采集对象进行可见光补光，以采集到更清晰的人脸图像。打光参数可包括打光光强相应信息和/或打光位置信息，则红外打光参数可包括红外打光光强相应信息和/或红外打光位置信息，可见光打光参数可包括可见光打光光强相应信息和/或可见光打光位置信息。
107.打光参数具体可包括打光位置和打光光强，例如，红外打光参数可包括红外打光位置和红外打光光强，可见光打光参数可包括可见光打光位置和可见光打光光强。图像采集参数还可以包括曝光时间、增益及调焦参数等。
108.该步骤s150中，通过深度卷积网络图像采集参数调优模型调优图像采集参数，可使各种图像采集参数快速收敛，从而提高收敛速度。图像采集参数包括打光参数，则即使在光照条件不佳的情况下，也能快速采集光强和亮度分布合适的图像，另外，通过打光可以克服自动曝光收敛慢的问题。另外，图像采集参数可以包括曝光时间，以此可以快速调节合适的曝光时间参数，从而能够得到光强更佳的图像。图像采集参数可以包括增益，能够快速调节增益参数，从而取得更清晰的图像。图像采集参数可以包括调焦参数，可以调节相机(如
可见光图像采集设备/相机、红外图像采集设备/相机)的对焦参数，从而可以较快调节好参数，提高了用户体验。
109.该步骤s150中，深度卷积网络图像采集参数调优模型可以是训练好的模型。可以通过训练深度卷积网络学习预测图像采集参数以达到图像清晰、亮度均匀等目的。
110.在一些实施例中，图1所示虹膜图像采集方法还可包括步骤：s1100，对初始深度卷积网络进行训练，得到预训练后的深度卷积网络图像采集参数调优模型。该步骤s1100，具体可包括步骤：s1101，获取训练样本集；其中，所述训练样本集中的训练样本包括：虹膜图像和已知图像采集参数；s1102，将训练样本中的虹膜图像输入至初始深度卷积网络，得到预测的图像采集参数；s1103，根据训练样本中的已知图像采集参数和预测的图像采集参数计算损失，将计算的损失反馈至初始深度卷积网络，以训练初始深度卷积网络，得到预训练后的深度卷积网络图像采集参数调优模型。
111.该步骤s1101，已知图像采集参数与该深度卷积网络图像采集参数调优模型所要输出的图像采集参数相对应，例如，可包括打光参数，打光参数具体可包括红外打光参数和/或可见光打光参数。已知图像采集参数还可以包括曝光时间、增益及调焦参数等。打光参数具体可包括打光位置和打光光强，红外打光参数可包括红外打光位置和红外打光光强，可见光打光参数可包括可见光打光位置和可见光打光光强。
112.该步骤s1103中，对于打光参数，可以根据已知打光位置和预测的打光位置的差异计算损失；对于打光参数，另外可以根据已知打光光强和预测的打光光强的差值计算损失；对于曝光时间，可以根据已知曝光时间和预测的曝光时间的差值计算损失；对于增益，可以根据已知曝光时间和预测的曝光时间的差值计算损失；对于调焦参数可以根据已知调焦参数和预测调焦参数的差值计算损失。
113.步骤s160：根据人脸检测结果并利用强化学习云台参数调优模型，得到调优后的云台参数。
114.该步骤s160中，该强化学习云台参数调优模型可以是各种强化学习模型得到，可以是标准的马尔科夫决策过程，是模式化强化学习或无模式强化学习，可以是主动学习过程或被动学习过程。例如，该强化学习云台参数调优模型可以是策略函数。
115.云台可以用于支撑各种设备，可以一个云台支撑多个设备或者可以不同设备利用不同云台进行调节，其中，云台可调节设备包括可见光图像采集设备、红外图像采集设备，还可包括可见光打光灯、红外打光灯等。可以调节的云台参数可包括向左移动、向右移动、向上转动、向下转动等。通过向左移动或向右移动可使人脸图像在图像横向中心位置，且不易变形，通过向上转动或向下转动，可以配合人脸上仰或俯视。其他实施例中，可以包括向左移动和向右移动，或向上转动和向下转动，或者，可包括向左转动和向右转动。通过强化学习给出云台参数，能够使得快速调整到合适的图像采集角度，提高了用户体验。
116.在所述可见光图像的人脸检测结果包括人脸检测框位置信息的情况下，上述步骤s160，即，根据人脸检测结果并利用强化学习云台参数调优模型，得到调优后的云台参数，具体可包括步骤：s161，根据人脸检测结果中的人脸检测框位置信息并利用强化学习云台参数调优模型，得到调优后的云台参数。以此可以根据人脸框位置学习到较优的云台参数，以采集到较佳的图像。
117.在一些实施例中，可以通过对某种强化学习模型，如决策函数，进行训练得到强化
学习云台参数调优模型。图1所示虹膜图像采集方法还可包括步骤：s1110，对策略函数进行训练，得到强化学习云台参数调优模型。该步骤s1110，具体可包括步骤：s1111，获取训练样本集；其中，所述训练样本集中的训练样本包括：可见光图像对应的设备空间位置环境和相应可见光图像的真实人脸检测框；s1112，将训练样本中可见光图像对应的设备空间位置环境输入至策略函数，以可见光图像对应的设备空间位置作为所述策略函数中的环境状态，以云台的调整方式及幅度作为可能的动作，以根据执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向作为奖励值，训练策略函数，得到云台参数的调优值，在执行动作之后的人脸检测框与真实人脸检测框的重复率超过设定阈值后，根据训练后的策略函数得到强化学习云台参数调优模型。
118.该实施例中，真实人脸检测框可以通过人工标注得到。一幅可见光图像对应一个采集环境，所以可以利用可见光图像对应的设备空间位置环境(如可见光图像采集设备和红外图像采集设备的相对位置，还可以包括其二者分别与可见光打光灯和红外打光灯之间的相对位置)作为策略函数中的环境的状态，可以以云台可以进行的动作(如转动方向及幅度大小)作为执行动作。
119.上述步骤s1112中，根据执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向作为奖励值，更具体地，可包括步骤：s11121，利用检测框对角上的两个像素点表示检测框位置的方式，分别计算执行动作之后的人脸检测框的位置、执行动作之前的人脸检测框的位置、及真实人脸检测框的位置；s11122，利用目标检测算法，根据执行动作之前的人脸检测框的位置和真实人脸检测框的位置，计算执行动作之前的人脸检测框和真实人脸检测框的第一重复率；s11123，利用目标检测算法，根据执行动作之后的人脸检测框的位置和真实人脸检测框的位置，计算执行动作之后的人脸检测框和真实人脸检测框的第二重复率；s11124，计算所述第一重复率减去所述第二重复率差值，并将该差值的符号作为执行动作之后相对于之前的人脸检测框与真实人脸检测框的重复率的变化方向，从而得到奖励值。
120.该步骤s11121中，人脸检测框的位置可以表示为：
121.δw＝δ
×
(x
2-x1)，δh＝δ
×
(y
2-y1)，δ∈[0,1]
[0122]
其中，δw表示新的人脸框的宽度，δ表示系数，x1和y1表示新的人脸框的第一顶点的横坐标和纵坐标，x2和y2分别表示新的人脸框的与第一顶点的相对的第二顶点的横坐标和纵坐标，δh表示新的人脸框的高度。
[0123]
奖励值可以表示为γ
t
＝sign(iou(b',g)-iou(b,g))，其中，γ
t
表示奖励值，iou(b,g)为当前帧的人脸框与真实人脸框的重复率(第一重复率)，iou(b',g)为下一帧的人脸框与真实人脸框的重复率(第二重复率)。其中，b’表示当前帧的人脸框，g表示真实人脸框，b表示下一帧的人脸框。奖励值γ
t
为一个符号函数γ
t
∈{0,1}。
[0124]
步骤s170：利用调优后的云台参数调整所述可见光图像采集设备和所述近红外图像采集设备的云台位置，基于调整后的云台位置和调优后的图像采集参数采集所述待采集对象的可见光人脸图像和近红外人脸图像。
[0125]
该步骤s170中，可以将调优后的云台参数传输给云台的调节器件，以调节云台的转动动作及幅度。可以将调优后的图像采集参数传输给相应的设备，例如，可以将曝光时间、增益、调焦参数传给相应相机(可见光图像采集设备、红外图像采集设备)，以对相应相
机进行调节。可以将打光参数传输给打光灯或打光装置，可以调节打光位置和/或强度。
[0126]
步骤s180：对所述可见光人脸图像进行人脸检测，并根据所述可见光人脸图像的人脸检测结果从所述近红外人脸图像，扣取得到用于虹膜识别的虹膜图像。
[0127]
该步骤s180，通过前述步骤采集到的合适的人脸图像后，可以从近红外人脸图像扣取虹膜图像，可以用于虹膜识别，或者做进一步评估。
[0128]
另外，本发明实施例还提供了一种虹膜识别方法，可以用来对根据上述任一实施例所述的虹膜图像采集方法得到的虹膜图像进行虹膜识别。
[0129]
该些实施例的虹膜识别方法，可包括步骤：s210，利用如上述任一实施例所述的虹膜图像采集方法采集得到待识别对象的虹膜图像；s220，利用采集得到的虹膜图像识别所述待识别对象的身份。
[0130]
进一步地，上述实施例所述的虹膜识别方法，上述步骤s220之前，即，利用采集得到的虹膜图像识别所述待识别对象的身份之前，还可包括步骤：s230，对采集得到的虹膜图像进行虹膜质量评价，在虹膜质量评价结果符合虹膜识别要求的情况下，执行利用采集得到的虹膜图像识别所述待识别对象的身份的步骤(即步骤s220)，在虹膜质量评价结果不符合虹膜识别要求的情况下，重新执行上述任一实施例所述的虹膜图像采集方法采集得到待识别对象的虹膜图像的步骤(即步骤s210)。
[0131]
具体实施例中，上述步骤s230中，对采集得到的虹膜图像进行虹膜质量评价，具体可包括步骤：s231，计算采集得到的虹膜图像的光强、清晰度、及亮度分布；s232，通过判断采集得到的虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
[0132]
更具体地，上述步骤s231中，计算采集得到的虹膜图像的光强、清晰度、及亮度分布，具体可包括步骤：s2311，通过计算采集得到的虹膜图像的像素值均值得到虹膜图像的光强；s2312，利用高斯拉普拉斯核对采集得到的虹膜图像进行滤波，滤波后的虹膜图像的功率值，利用所述功率值计算采集得到的虹膜图像的清晰度；s2313，利用采集得到的虹膜图像的各像素值和图像大小计算采集得到的虹膜图像的亮度分布。
[0133]
上述步骤s232，即，通过判断采集得到的虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求，具体可包括步骤：s2321，通过判断采集得到的虹膜图像的光强是否大于设定光强阈值，其清晰度是否大于设定清晰度阈值，及其亮度分布是否符合设定亮度分布要求，判断采集得到的虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
[0134]
该些实施例中，通过本发明实施例采集到的虹膜图像，进一步进行质量判断，可以进一步确保虹膜图像的质量，从而可以进一步提高虹膜识别的精度。
[0135]
另一些实施例中，上述实施例所述的虹膜识别方法，上述步骤s220之前，即，利用采集得到的虹膜图像识别所述待识别对象的身份之前，还可包括步骤：s2302，对所述的虹膜图像采集方法采集过程中得到的初始虹膜图像进行虹膜质量评价，在虹膜质量评价结果符合虹膜识别要求的情况下，执行利用采集得到的虹膜图像识别所述待识别对象的身份的步骤(即步骤s220)。另外，不符合虹膜识别要求的情况下，可以继续执行虹膜图像采集方法采集过程中的其余步骤，以得到采集的虹膜图像。
[0136]
具体实施例中，上述步骤s2302中，对所述的虹膜图像采集方法采集过程中得到的
初始虹膜图像进行虹膜质量评价，具体可包括步骤：s23021，计算初始虹膜图像的光强、清晰度、及亮度分布；s23022，通过判断初始虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
[0137]
更具体地，上述步骤s23021中，计算初始虹膜图像的光强、清晰度、及亮度分布，具体可包括步骤：s23121，通过计算初始虹膜图像的像素值均值得到虹膜图像的光强；s23221，利用高斯拉普拉斯核对初始虹膜图像进行滤波，滤波后的虹膜图像的功率值，利用所述功率值计算初始虹膜图像的清晰度；s23321，利用初始虹膜图像的各像素值和图像大小计算初始虹膜图像的亮度分布。
[0138]
上述步骤s23022，通过判断初始虹膜图像的光强、清晰度、及亮度分布是否符合设定要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求，具体可包括步骤：通过判断初始虹膜图像的光强是否大于设定光强阈值，其清晰度是否大于设定清晰度阈值，及其亮度分布是否符合设定亮度分布要求，判断初始虹膜图像的虹膜质量评价结果是否符合虹膜识别要求。
[0139]
该些实施例中，在虹膜图像采集过程中，对开始采集到的初始虹膜图像进行质量评估，若满足要求，则可直接用于虹膜识别，而不必执行完整个虹膜图像采集过程，以此可以避免过滤掉可用的虹膜图像，从而可以提高虹膜识别的速度。
[0140]
例如，光强可以表示为：
[0141][0142]
其中，l表示光强，i(x,y)表示图像(x，y)位置处的像素值，w和h分别表示图像的宽和高。
[0143]
清晰度可以表示为：
[0144][0145][0146][0147]
x∈[1,5,.....w]，y∈[1,5,.....h]，
[0148]
其中，sharpness表示清晰度，power表示功率值，if(x,y)表示图像i(x,y)滤波后的输出w和h分别表示图像i(x,y)的宽和高。wf和hf分别表示滤波后图像if(x,y)的宽和高。i、j表示整数变量。
[0149]
基于与图1所示的虹膜图像采集方法相同的发明构思，本发明实施例还提供了一种虹膜图像采集系统，如下面实施例所述。由于该虹膜图像采集系统解决问题的原理与虹膜图像采集方法相似，因此该虹膜图像采集系统的实施可以参见虹膜图像采集方法的实
施，重复之处不再赘述。
[0150]
图2是本发明一实施例的虹膜图像采集系统的结构示意图。参见图2，该些实施例的虹膜图像采集系统，可包括：可见光图像采集设备310、近红外图像采集设备320、可见光补光灯330、红外补光灯340、云台350及虹膜采集装置360。可见光图像采集设备310、近红外图像采集设备320均可为相机，如vcm相机。可见光补光灯330和红外补光灯340均可为led灯。虹膜采集装置360可以是能够实现上述任一实施例所述的虹膜图像采集方法的装置。
[0151]
可见光图像采集设备310，用于采集待采集对象的可见光图像。
[0152]
近红外图像采集设备320，用于采集待采集对象的近红外图像。
[0153]
可见光补光灯330，用于在采集待采集对象的可见光图像时根据可见光打光参数对待采集对象进行可见光补光。
[0154]
红外补光灯340，用于在采集待采集对象的近红外图像时根据红外打光参数对待采集对象进行红外补光。
[0155]
云台350，用于基于云台参数支撑可见光图像采集设备的可见光摄像头、近红外图像采集设备中的近红外摄像头、可见光补光灯、及红外补光灯。
[0156]
虹膜采集装置360，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述虹膜图像采集方法的步骤，以获取所述可见光图像和所述近红外图像，并调优图像采集参数和所述云台参数；其中，图像采集参数中的打光参数包括所述可见光打光参数和所述红外打光参数。
[0157]
进一步的实施例中，所述红外补光灯可包括设置于所述近红外图像采集设备中的近红外摄像头周围的多组红外灯，所述红外打光参数包括红外灯的组的信息；和/或，所述可见光灯可包括设置于所述可见光图像采集设备中的可见光摄像头周围的多组可见光灯，所述可见光打光参数包括可见光灯的组的信息。其中，不同位置的等可以用不同的信号控制，以此可以实现对不同位置打光。根据打光参数打光，能够准确快速打光，可以减短打光时间，降低功耗，提高图像采集质量。
[0158]
在一些实施例中，所述可见光图像采集设备和所述近红外图像采集设备可为vcm相机，图像采集参数还可包括调焦参数，所述调焦参数可为vcm相机的vcm距离对应的vcm驱动电流。其中，vcm距离可以是指vcm相机(音圈相机)中音圈电机移动的距离，或者可以是指物距，或者可以是指像距。vcm驱动电流是指驱动到达相应距离的音圈电机的驱动电流。可以通过校准得到vcm距离和vcm驱动电流之间的对应关系表，在使用时可以训练卷积网络学习查对照表来学习预测vcm驱动电流，得到调焦参数。
[0159]
另外，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的虹膜图像采集方法或上述任一实施例所述的虹膜识别方法的步骤。
[0160]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的虹膜图像采集方法或上述任一实施例所述的虹膜识别方法的步骤。
[0161]
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本技术，并不构成对本技术的不当限定。
[0162]
图3是本发明一具体实施例的虹膜图像采集方法的流程示意图。参见图3，该虹膜
图像采集方法是基于深度强化学习实现，可以采用在线学习的闭环控制方式，以确保控制参数的准确性。该虹膜图像采集方法可包括以下步骤s1～s7。云台：可以进行“上转”、“下转”、“左转”(左移)、“右转”(右移)四种状态的可移动装置，云台上包括可见光摄像头及补光灯、近红外摄像头以及围绕近红外摄像头四周的多组红外灯。
[0163]
步骤s1：可见光与近红外图像坐标映射。
[0164]
由于可见光图像与近红外图像的大小不一样，因此先进行两者位置坐标映射，进而可以从可见光图像的某一位置扣取对应的近红外图像。
[0165]
步骤s2：云台、曝光和打光调整。
[0166]
为采集装置根据深度强化学习给出的参数进行云台位置调整，进行曝光参数、调焦参数及打光位置调整，从而指导采集装置快速到达合适的成像位置和设置准确的图像采集参数，进行图像采集。
[0167]
需要说明的是，现有补光方式均采用一侧或者两侧持续的照明方式，容易造成功耗增加和亮度不均匀等现象，本实施例采用的是一种新的补光装置和补光方式。其中，该补光装置中，可以在摄像头四周布置多组红外灯。该补光方式，可以是根据人脸的位置、距离和虹膜图像的亮度分布决定哪些位置的红外灯开启情况。虹膜摄像头四周的多组红外灯光可根据对应的参数开启相应位置的灯光。
[0168]
步骤s3：可见光人脸检测。
[0169]
采用的可见光人脸检测算法可以为经过标注的人脸数据训练好的深度学习网络模型，输入例如为480*640像素大小的可见光图像，输出例如为人脸检测框坐标与人脸关键点坐标。
[0170]
步骤s4：深度强化学习参数调优。
[0171]
深度强化学习参数调优可包括云台参数调优和图像采集参数调优。其中，云台参数可包括云台“上转”、“下转”、“左转”、“右转”、“不动”5种状态的幅度。图像采集参数可包括光强、曝光时间、增益、调焦参数和打光位置。其中，调焦参数可以为预先标定的“vcm(音圈电机)距离-电流对照表”，打光位置可为根据图像亮度分布决定的红外开灯情况。
[0172]
关于深度强化学习参数调优：
[0173]
强化学习是一种基于试错的学习方法，通过环境反馈过来的奖励值迭代地进行学习。深度强化学习采用强化学习加上一个神经网络的结构，比起以值为基础的方法,深度强化学习直接输出动作的最大好处就是,它能在一个连续区间内挑选动作，并且具有更好的收敛性。
[0174]
可以采用卷积神经网络vgg-m模型，网络的最后一层的全连接层可为策略函数，即，深度强化学习参数调优包括卷积神经网络vgg-m模型和策略函数两个分支，共享人脸检测结果进行训练或预测，前者输出曝光、打光等参数，后者输出云台位置。
[0175]
通过强化学习网络近似表示，通过随机策略梯度法训练策略函数，云台可根据最优策略函数执行最佳动作，可在前一帧目标位置的基础上确定云台的移动状态。可通过两个像素点(左上角和右下角)来表示人脸位置框，人脸位置框l可表示为：l＝[x1,y1,x2,y2]，其中，x1和y1表示人脸位置框第一顶点的横坐标和纵坐标位置，x2和y2表示人脸位置框的与第一顶点相对的第二顶点的横坐标和纵坐标位置。云台对当前人脸框执行动作后，得到的新的人脸框位置可以表示为：
[0176]
δw＝δ
×
(x
2-x1)，δh＝δ
×
(y
2-y1)，δ∈[0,1]
[0177]
其中，δw表示新的人脸框的宽度，δ表示系数，x1和y1表示新的人脸框的第一顶点的横坐标和纵坐标，x2和y2分别表示新的人脸框的与第一顶点的相对的第二顶点的横坐标和纵坐标，δh表示新的人脸框的高度。
[0178]
在训练阶段，云台执行动作后会收到一个奖励值。在实际测试阶段，云台不会收到奖励值而是遵循策略函数。
[0179]
其中，奖励值γ
t
可定义为：
[0180]
γ
t
＝sign(iou(b',g)-iou(b,g))
[0181]
其中，iou(b,g)为当前帧的人脸框与真实人脸框的重复率，iou(b',g)为下一帧的人脸框与真实人脸框的重复率。其中，b’表示当前帧的人脸框，g表示真实人脸框，b表示下一帧的人脸框。奖励值γ
t
为一个符号函数γ
t
∈{0,1}，如果云台执行动作后反馈过来的奖励值为 1，则继续强化该动作，如果奖励值为-1，则惩罚该动作，逐步执行动作，例如直到iou(b',g)＞0.95执行停止动作。
[0182]
关于策略函数的训练：
[0183]
在vgg-m模型的最后一层全连接层学习策略函数π＝(a
t
|s
t
；θ)，将单幅可见光人脸图像视为环境，云台视为智能体，云台通过一系列动作到达合适的成像位置。用s
t
表示环境的状态，a
t
表示可能的动作，r
t
表示即时奖励值，因此一个马尔科夫决策过程可描述为τ＝{...,(s
t
,a
t
,r
t
),(s
t 1
,a
t 1
,r
t 1
)...}。训练策略函数的目的就是在已知环境状态的前提下，指导云台知道哪个或哪些动作(如“上转”、“下转”、“左转”、“右转”、“不动”)是最优抉择。训练策略函数需要一个中间函数即状态值函数v(s
t
；θv)，可表示为：
[0184]
v(s
t
；θv)＝e[r
t
|s
t
＝s]，
[0185]
其中，θv表示学习过程中的网络参数，e表示数学期望，s表示环境的状态s
t
的取值。s
t
表示t时刻的目标状态。r
t
表示未来总的折扣奖励函数，可表示为：
[0186][0187]
其中，k表示训练过程中的迭代次数，γk表示从t到t k的动作的奖励函数，r
t k
表示从t到t k的动作的奖励值。
[0188]
应用随机梯度下降法更新参数θ和θv，可表示为：
[0189][0190]
θv←
θ
v-α(r
t-v(s
t
))
[0191]
其中，θ表示网络参数，表示表示对θ求梯度，α表示动作变量，β表示超参数，θv表示在状态值v下的网络参数。h表示熵，可表示为：
[0192][0193]
其中，a表示动作变量，s表示环境的状态变量，a
t
表示执行t动作，s
t
表示执行t动作时的环境的状态变量。超参数β控制着熵正则化的强度。直到未来总的折扣奖励函数r
t
不再增加时停止迭代。
[0194]
关于深度卷积网络模型：
[0195]
(1)根据虹膜采集装置设置不同的光强、曝光参数、增益、调焦参数和打光策略，采集对应的1920*1080像素大小的虹膜图像，从而准备带有标签的正、负样本训练集、验证集和测试集。
[0196]
(2)由(1)中准备的测试集，选取较轻量的深度学习网络如(alexnet、mobilenet等)在卷积层后连接多个全连接层，对不同质量的图像进行多任务的训练。
[0197]
(3)根据(2)中训练好的模型，应用到实际虹膜采集中。
[0198]
步骤s5：虹膜采集指近红外图像根据人脸检测给出的人脸关键点扣取1920*1080像素大小的近红外虹膜图像。
[0199]
步骤s6：虹膜图像质量评价是对当前采集的虹膜图像进行质量验证，通过计算虹膜图像的光强、亮度分布和清晰度，从而判断当前虹膜图像是否可用于虹膜识别。
[0200]
(1)光强的计算：
[0201][0202]
其中，l表示光强，i(x,y)表示图像(x，y)位置处的像素值，w和h分别表示图像的宽和高。
[0203]
(2)清晰度的计算：
[0204]
可利用高斯拉普拉斯核对图像进行滤波，根据滤波结果得到功率值，再根据所得功率值推算出清晰度。
[0205]
对图像进行滤波，可表示为：
[0206][0207]
x∈[1,5,.....w]，y∈[1,5,.....h]，
[0208]
其中，i(x,y)表示图像，if(x,y)表示图像i(x,y)滤波后的输出，w和h分别表示图像i(x,y)的宽和高。
[0209]
根据图像滤波结果得到功率值power，可表示为：
[0210][0211]
其中，wf和hf分别表示滤波后图像if(x,y)的宽和高。
[0212]
根据功率值得到清晰度sharpness，可表示为：
[0213][0214]
(3)亮度分布的计算：
[0215][0216]
其中，q表示亮度分布，ni为图像中像素值为i的个数，s为图像的大小。
[0217]
如果各指标大于规定的阈值则可以用于虹膜识别流程，保存当前虹膜图像，进行虹膜识别，如果各指标小于规定的阈值则不能用于虹膜识别流程，继续采集下一帧图像。
[0218]
步骤s7：虹膜识别是指采集到符合识别要求的高质量虹膜图像，可以进行虹膜识别流程。
[0219]
图4是本发明一具体实施例的虹膜图像采集流程示例。参见图4，在拍摄视野102内，人脸检测模块103不停的检测人脸，若没有检测到人脸则继续检测，若检测到人脸，则可根据人脸检测关键点坐标在近红外图像上扣取1920*1080大小的近红外虹膜图像；将人脸图像和虹膜图像送给深度强化学习模型进行参数调优，可以得到不同的虹膜图像101，当获取了最优的调整参数后，云台可根据云台调整参数将人脸放在成像区域的中心位置，采集装置根据虹膜图像调整参数设置准确的光强、曝光时间、增益、调焦参数和打光位置，得到参数调优后得到的虹膜图像104，虹膜质量评价根据当前图像的光强、亮度分布和清晰度给出当前图像各指标得分，若各指标得分小于设定的阈值则放弃当前虹膜图像，进行下一次采集，若各指标得分大于设定的阈值则输出当前虹膜图像，进而进行虹膜识别流程。
[0220]
本实施例中，通过深度强化学习和深度神经网络参数调优(云台参数、光强、曝光参数、增益、调焦参数和打光位置)，结合补光装置及补光方式，能够实现高质量虹膜图像采集。该采集方式，具有曝光收敛快、对焦和曝光准确的优点，而且虹膜图像质量高，用户体验大幅提高，能够适应不同距离的虹膜采集和识别。本实施例的方法综合了光强、曝光参数、增益和调焦参数以及合适的成像位置和打光方案，极大提高了虹膜质量。
[0221]
综上所述，本发明实施例的虹膜图像采集方法、虹膜识别方法、虹膜图像采集系统、电子设备及计算机可读存储介质，通过利用深度卷积网络调优图像采集参数，能够调优打光参数，从而在图像采集时能够快速、合适地进行打光，从而能够在光线均匀、光强适宜的情况下采集图像，另外，通过打光可以克服自动曝光收敛慢的问题。利用强化学习调优云台参数，能够快速以合适角度采集到图像。如此一来，在各种光线环境和各种采集位置都能快速采集到便于进行识别的虹膜图像。进一步地，图像采集参数还可以包括曝光时间、增益及调焦参数，通过卷积网络得到曝光时间和能够得到图像光强更合适的图像，通过卷积网络得到增益能够得到快速得到更清晰的图像，通过卷积网络得到调焦参数，能够在各种采集距离下都能快速调焦，拍摄到清晰图像。因此，本方案能够解决现有虹膜采集时存在的曝光收敛慢、红外补光不均衡、虹膜图像质量差、虹膜图像模糊等问题，从而提高了虹膜采集的质量和速度，提高了用户体验。
[0222]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
[0223]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0224]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0225]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0226]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0227]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。