一种虹膜识别方法和相关装置与流程

1.本技术涉及数据处理技术领域，特别是涉及一种虹膜识别方法和相关装置。


背景技术：

2.随着科技的进步，生物特征识别被广泛应用在人们的日常生活中。其中，虹膜特征是最受欢迎的生物特征之一，虹膜识别也成为了生物特征识别中被广泛采用的识别技术。
3.在虹膜识别中，通过采集待识别对象的虹膜数据，并搜索记录在虹膜数据库中的所有虹膜数据，进行对比以确定待识别对象的身份。
4.然而，随着虹膜识别的广泛应用，虹膜数据库的规模不断扩大，导致了从虹膜数据库中搜索某一个虹膜数据所需的时间大幅增加。


技术实现要素：

5.为了解决上述技术问题，本技术提供了一种虹膜识别方法和相关装置，提高了虹膜识别效率。
6.本技术实施例公开了如下技术方案：
7.一方面，本技术实施例提供了一种虹膜识别方法，所述方法包括：
8.获取待识别虹膜数据；
9.分别计算所述待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据；所述多个虹膜聚类中心一一对应于多个集群，所述多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到的；
10.根据所述距离数据确定与所述待识别虹膜数据距离最近的待匹配虹膜聚类中心；
11.将所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，获得所述待识别虹膜数据的识别结果。
12.可选的，所述将所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，获得所述待识别虹膜数据的识别结果，包括：
13.计算所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据的海明距离；
14.若所述海明距离的最小值小于或等于预设距离阈值，确定所述识别结果为所述待识别虹膜数据匹配成功。
15.可选的，还包括：
16.将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
17.可选的，所述将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群，包括：
18.若所述识别结果为所述待识别虹膜数据匹配失败，将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
19.可选的，所述获取待识别的虹膜数据，包括：
20.通过虹膜相机采集待识别虹膜图像；
21.对所述待识别虹膜图像进行虹膜边界定位处理，获得所述待识别虹膜图像的虹膜区域；
22.对所述虹膜区域进行矩阵化处理，获得所述待识别虹膜图像的虹膜矩阵；
23.对所述虹膜矩阵进行滤波处理和编码处理，获得所述待识别虹膜图像的第一特征编码数据；
24.根据所述第一特征编码数据确定所述待识别虹膜数据。
25.可选的，所述根据所述第一特征编码数据确定所述待识别虹膜数据，包括：
26.对所述第一特征编码数据进行降维处理，获得第二特征编码数据；
27.将所述第二特征编码数据作为所述待识别虹膜数据。
28.另一方面，本技术实施例提供了一种虹膜识别装置，所述装置包括获取单元、计算单元、确定单元和匹配单元：
29.所述获取单元：用于获取待识别虹膜数据；
30.所述计算单元，用于分别计算所述待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据；所述多个虹膜聚类中心一一对应于多个集群，所述多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到的；
31.所述确定单元，用于根据所述距离数据确定与所述待识别虹膜数据距离最近的待匹配虹膜聚类中心；
32.所述匹配单元，用于将所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，获得所述待识别虹膜数据的识别结果。
33.可选的，所述匹配单元还用于：
34.计算所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据的海明距离；
35.若所述海明距离的最小值小于或等于预设距离阈值，确定所述识别结果为所述待识别虹膜数据匹配成功。
36.可选的，所述装置还包括存储单元：
37.所述存储单元，用于将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
38.可选的，所述存储单元还用于：
39.若所述识别结果为所述待识别虹膜数据匹配失败，将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
40.可选的，所述获取单元还用于：
41.通过虹膜相机采集待识别虹膜图像；
42.对所述待识别虹膜图像进行虹膜边界定位处理，获得所述待识别虹膜图像的虹膜区域；
43.对所述虹膜区域进行矩阵化处理，获得所述待识别虹膜图像的虹膜矩阵；
44.对所述虹膜矩阵进行滤波处理和编码处理，获得所述待识别虹膜图像的第一特征编码数据；
45.根据所述第一特征编码数据确定所述待识别虹膜数据。
46.可选的，所述获取单元还用于：
47.对所述第一特征编码数据进行降维处理，获得第二特征编码数据；
48.将所述第二特征编码数据作为所述待识别虹膜数据。
49.又一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器以及存储器：
50.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
51.所述处理器用于根据所述程序代码中的指令执行以上方面所述的虹膜识别方法。
52.又一方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行以上方面所述的虹膜识别方法。
53.又一方面，本技术实施例提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行以上方面所述的虹膜识别方法。
54.由上述技术方案可以看出，在虹膜识别过程中，计算待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据，并根据距离数据确定出与待识别虹膜数据距离最近的待匹配虹膜聚类中心，进而将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，获得待识别虹膜数据的识别结果。由于多个虹膜聚类中心一一对应于多个集群，而多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到，因此，从多个虹膜聚类中心确定出与待识别虹膜数据最近的待匹配虹膜聚类中心，使得待识别虹膜数据只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，即可获得识别结果。基于此，针对待识别虹膜数据，只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配即可，无需与虹膜数据库中的所有虹膜数据进行匹配，从而提高了虹膜识别效率。
附图说明
55.为了更清楚地说明本技术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技术的一些实施例，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。
56.图1为本技术实施例提供的一种虹膜识别方法的流程图；
57.图2为本技术实施例提供的一种虹膜区域的矩阵化处理方法示意图；
58.图3为本技术实施例提供的一种虹膜数据的编码原理示意图；
59.图4为本技术实施例提供的一种虹膜识别方法的识别逻辑示意图；
60.图5为本技术实施例提供的一种虹膜识别装置的结构图。
具体实施方式
61.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
62.目前，虹膜识别逐渐成为了生物特征识别中被广泛采用的识别技术。在虹膜识别中，通过采集待识别对象的虹膜数据，并搜索记录在虹膜数据库中的所有虹膜数据，进行对
比以确定待识别对象的身份。
63.然而，随着虹膜识别的广泛应用，虹膜数据库的规模不断扩大，导致了从虹膜数据库中搜索某一个虹膜数据所需的时间大幅增加，导致虹膜识别效率较低。
64.为了解决上述技术问题，本技术提供了一种虹膜识别方法和相关装置，使得待识别虹膜数据只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，即可获得识别结果，无需与虹膜数据库中的所有虹膜数据进行匹配，从而提高了虹膜识别效率。
65.本技术实施例所提供的虹膜识别方法可以通过计算机设备实施，该计算机设备可以是终端设备或服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术对此不做任何限制。
66.需要说明的是，本技术提供的一种虹膜识别方法和相关装置可用于人工智能领域、大数据领域或金融领域。上述仅为示例，并不对本技术提供的一种虹膜识别方法和相关装置的应用领域进行限定。
67.具体通过如下实施例进行说明：
68.图1为本技术实施例提供的一种虹膜识别方法的流程图，在本实施例中，以终端设备作为前述计算机设备为例进行说明，所述方法包括s101-s104：
69.s101：获取待识别虹膜数据。
70.虹膜作为一种生物特征，可以用于待识别对象的身份验证、信息采集等虹膜识别过程。比如，虹膜识别可以应用在虹膜支付、门禁系统、信息采集等各类使用场景。具体的，在虹膜识别过程中，可以利用虹膜数据作为待识别对象的特征数据，进而通过对虹膜数据进行处理完成对待识别对象的身份验证、信息采集等。
71.在进行虹膜识别之前，首先可以获取待识别对象的虹膜数据作为待识别虹膜数据，用于完成后续的识别等过程。比如，虹膜支付是一种利用付款者的虹膜数据对付款者身份进行验证的新型支付方式，在付款者利用手机终端选择虹膜支付时，手机终端获取付款者的虹膜数据作为待识别虹膜数据，进而当待识别虹膜数据识别通过后，完成从付款者的支付钱包扣款等具体的支付过程。
72.一般，在虹膜识别过程中，可以通过采集待识别对象的虹膜图像，进而通过对虹膜图像进行处理确定待识别对象的虹膜数据作为前述的待识别虹膜数据，以便对待识别对象进行身份验证等。因此，在一种可能的实现方式中，s101可以包括以下步骤：
73.通过虹膜相机采集待识别虹膜图像；
74.对待识别虹膜图像进行虹膜边界定位处理，获得待识别虹膜图像的虹膜区域；
75.对虹膜区域进行矩阵化处理，获得待识别虹膜图像的虹膜矩阵；
76.对虹膜矩阵进行滤波处理和编码处理，获得待识别虹膜图像的第一特征编码数据；
77.根据第一特征编码数据确定待识别虹膜数据。
78.显然，待识别虹膜数据是对待识别虹膜图像进行一系列处理后得到的，故待识别虹膜图像的质量在一定程度上会影响待识别虹膜数据的质量，进而影响虹膜识别的效率以及准确性等。因此，在一种可能的实现方式中，可以使用高精度的虹膜相机采集待识别虹膜
图像，提高待识别虹膜图像的精确度，从而在一定程度上保证了待识别虹膜数据的质量。
79.一般，待识别虹膜图像还包括眼眶、睫毛以及睫毛形成的阴影区等部分，因此，首先对待识别虹膜图像进行虹膜边界定位处理，确定虹膜所在区域作为虹膜区域。在一种可能的实现方式中，可以使用霍夫变换(hough transform)对待识别虹膜图像进行虹膜边界定位处理。
80.在确定出虹膜区域后，还可以对虹膜区域进行矩阵化处理，得到虹膜矩阵，该虹膜矩阵能够表征待识别虹膜图像的虹膜数据信息。在一种可能的实现方式中，可以使用daugman橡胶板模型对虹膜区域进行矩阵化处理，如图2所示，为本技术实施例提供的一种虹膜区域的矩阵化处理方法示意图，具体的：
81.虹膜是位于眼睛的巩膜与瞳孔之间的环状组织，可以以瞳孔所在区域为内圆，将其边界作为虹膜内边界，以虹膜与巩膜的分界线为外圆，将其边界作为虹膜外边界。进而以瞳孔中心作为原点，建立直角坐标系(x，y)，在daugman橡胶板模型中，将直角坐标系转换成极坐标系(r，θ)。其中，r为极径，定义域为[0，1]，θ为极角，定义域为[0，2π]。
[0082]
在上述直角坐标向极坐标的转换中，由于daugman橡胶板模型针对虹膜区域因瞳孔大小的改变而产生拉伸或收缩的特性，产生了一个恒定不变的矩形区域以表示原有的虹膜区域。可见，利用daugman橡胶板模型对虹膜区域进行矩阵化处理，能够实现将圆环所标识的虹膜区域映射到矩形所在区域。
[0083]
具体的，将直角坐标转换成极坐标的方法如公式(1-1)所示
[0084]
i(x(r,θ),y(r,θ))
→
i(r,θ)
ꢀꢀ
(1-1)
[0085]
两个坐标系的具体关系如公式(1-2)所示：
[0086][0087]
其中，i(x,y)为虹膜区域，(x
p
(θ),y
p
(θ))为极坐标系中虹膜内边界的位置，(x1(θ),y1(θ))为虹膜外边界的位置。(x,y)为直角坐标系中的坐标，(r,θ)为极坐标系中的坐标。
[0088]
可知，在使用daugman橡胶板模型对虹膜区域进行矩阵化处理后，得到了可标识虹膜区域的矩形区域，矩形区域可以表示a*b的矩形图像，将其作为待识别虹膜图像的虹膜矩阵。比如，针对待识别虹膜图像，经处理后得到20*240的矩形图像作为虹膜矩阵。
[0089]
进而对虹膜矩阵进行滤波处理和编码处理，得到待识别虹膜图像的第一特征编码数据，便于进行后续的虹膜识别等过程。
[0090]
具体的，可以对a*b的矩形图像的每一个像素点进行滤波处理以及编码处理，并与在虹膜边界定位处理中产生的损坏掩码结合得到a*b*2的第一特征编码数据。比如，针对虹膜矩阵为20*240的矩形图像，进行滤波处理和编码处理后得到20*240*2的第一特征编码数据，共9600位。
[0091]
由于gabor滤波器在对图像进行滤波处理的过程中，可以通过改变波的大小、位置和旋转角度得到一系列相似的小波，即gabor小波，而gabor小波能够描述图像的多尺度、多方位的纹理信息，且可以用于对图像进行变换，即gabor小波变换。因此，在一种可能的实现方式中，可以使用gabor滤波器对虹膜矩阵进行滤波处理，以便得到多尺寸、多方位的虹膜
纹理信息，用于生成待识别虹膜数据。其中，虹膜矩阵可以是a*b的矩形图像。
[0092]
在平面坐标系中，gabor滤波器的函数表达式如公式(1-3)所示：
[0093][0094]
其中，(x0,y0)为滤波器在进行滤波处理的图像中的位置，(α,β)为滤波器的有效宽度和长度，(u0,v0)为滤波器的频率调制，调制频率调制方向
[0095]
通过对gabor滤波器的输出进行解调以及相位量化，并根据量化后的相位在复平面中所处的相位来记录虹膜矩阵的数据特征，完成对虹膜矩阵的编码处理。图3为本技术实施例提供的一种虹膜数据的编码原理示意图，复平面中的四个象限分别代表四个相位，利用[0，0]、[0，1]、[1，1]和[1，0]分别代表各个象限所对应的相位的相位特征；其中，0代表负，1代表正，前一位数字代表复数i实部的正负，后一位数字代表复数i虚部的正负。比如，[0，1]表示在复平面内处于该相位的所有复数的实部为负、虚部为正。
[0096]
由于在利用daugman橡胶板模型对虹膜区域进行矩阵化处理中，将直角坐标系转换为了极坐标系，以得到可标识虹膜区域的矩形区域，而矩形区域可以表示a*b的矩形图像，可作为待识别虹膜图像的虹膜矩阵。因此，在一种可能的实现方式中，可以利用极坐标系中的参数进行上述的解调和相位量化，具体的，在极坐标系中gabor滤波器函数表达式如公式(1-4)所示：
[0097][0098]
该公式为高斯函数与复指数的乘积，其中(α,β)为滤波器的有效宽度和长度，(r0,θ0)决定频率调制的方向。
[0099]
进而，解调和相位量化的过程如公式(1-5)所示：
[0100][0101]
其中，h
{re,im}
可为复平面内的任意复数，其实部和虚部取决于2d积分的符号，是极坐标系中的待识别虹膜图像。
[0102]
通过上述的虹膜边界定位处理、矩阵化处理、滤波处理和编码处理后，得到待识别虹膜图像的第一特征编码数据，进而根据第一特征编码数据确定待识别虹膜图像对应的待识别虹膜数据。针对根据第一特征编码数据确定待识别虹膜数据的方式，本技术实施例提供了以下方式作为示例，具体的还可以根据实际情况进行选择，本技术对此不做任何限定。
[0103]
第一特征编码数据是通过对待识别虹膜图像进行上述的一系列处理所得到的，其能够表征待识别虹膜图像的虹膜特征，因此在一种可能的实现方式中，可以直接将第一特征编码数据作为待识别虹膜数据，用于后续的虹膜识别等。由此，能够更快速地确定出用于虹膜识别的待识别虹膜数据，节省时间成本。
[0104]
由于在复平面中的四个象限均使用两位数据表示，使得作为虹膜矩阵的a*b的矩形图像中的每一个像素点都对应于第一特征编码数据中的两位数据，当a*b的矩形图像所
标识的像素点数目较大时，第一特征编码数据的数据位数较大，因此在一种可能的实现方式中，还可以对第一特征编码数据进行降维处理，获得第二特征编码数据，并将第二特征编码数据作为待识别虹膜数据。由此，相较于第一特征编码数据，第二特征编码数据在能够表征待识别虹膜图像的虹膜特征的同时，其数据位数更小，将其作为待识别虹膜数据，能够在一定程度上提高虹膜识别的识别效率。
[0105]
在一种可能的实现方式中，可以使用基于fastmap或pca的降维算法对第一特征编码数据进行降维处理。比如，第一特征编码数据的大小为m
×
n，其中m为虹膜特征编码个数，n为一个虹膜特征编码的维数。具体的，使用降维算法对上述m
×
n的矩阵进行降维处理，生成一个m
×
k的矩阵，其中k代表降维后一个虹膜特征编码的维数。
[0106]
s102：分别计算待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据。
[0107]
其中，多个虹膜聚类中心一一对应于多个集群，多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到的。
[0108]
具体的，随着虹膜识别的广泛使用，虹膜数据库的规模越来越大，这使得从虹膜数据库中搜索某一个虹膜数据所需的时间大幅增加，从而导致虹膜识别效率降低。因此，可以对虹膜数据库中的虹膜数据进行聚类处理，得到多个集群，每一个集群的集群中心对应于一个虹膜聚类中心。
[0109]
由于聚类是一种根据聚类对象之间的特征相似度，对聚类对象进行分组分类的一种处理方法。具体的，在对虹膜数据库中的虹膜数据进行聚类处理时，聚类对象可以是虹膜数据库中的虹膜数据，进而通过计算虹膜数据的数据特征的特征相似度，并根据计算所得的特征相似度将虹膜数据库中的虹膜数据划分为多个集群，无需人为设计分类结果的类别标签等，即可实现对规模宏大的虹膜数据库中的虹膜数据的分类。
[0110]
可以理解的是，在虹膜识别过程中，是将待识别虹膜数据与虹膜数据库中的数据进行匹配，以完成对待识别虹膜数据的识别，因此，待识别虹膜数据和虹膜数据库中的虹膜数据可以是相同的数据格式。即，虹膜数据库中的虹膜数据可以是对虹膜图像进行了如前述的针对待识别虹膜图像进行的虹膜边界定位处理、矩阵化处理、滤波处理、编码处理以及降维处理所得到特征编码数据，进而使用聚类算法对虹膜数据库中的虹膜数据对应的特征编码数据进行聚类处理，得到多个集群。
[0111]
其中，聚类算法可以是基于k-means的硬聚类算法和基于fcm的软聚类算法。需要说明的是，针对聚类算法的选择，可以根据实际情况进行选择，本技术对此不做任何限定。
[0112]
在虹膜识别过程中，首先获取到待识别虹膜数据，进而可以分别计算待识别虹膜数据与多个虹膜聚类中心的距离，得到距离数据，以便根据距离数据从多个虹膜聚类中心中筛选出满足特定要求的虹膜聚类中心。其中，距离数据为待识别虹膜数据与虹膜聚类中心之间的距离，距离数据的大小用于表征待识别虹膜数据与虹膜聚类中心所对应集群中的虹膜数据的相似程度。
[0113]
由于海明距离的计算原理是通过比较两个编码数据相对应的位的值是否相等，将不相等的值的个数记录下来并计算该值与总维数的比例，以此比例作为两个编码数据之间的距离，而待识别虹膜数据可以是第一特征编码数据或第二特征编码数据，是一种编码数据类型，因此在一种可能的实现方式中，上述距离数据可以是海明距离。
[0114]
s103：根据距离数据确定与待识别虹膜数据距离最近的待匹配虹膜聚类中心。
[0115]
s104：将待识别虹膜数据与待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，获得待识别虹膜数据的识别结果。
[0116]
由于待匹配虹膜聚类中心是与待识别虹膜数据距离最近的虹膜聚类中心，因此，待识别虹膜数据与待匹配虹膜聚类中心所对应集群中的虹膜数据最为相似。进而在虹膜识别阶段，将待识别虹膜数据与待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，即可获得待识别虹膜数据的识别结果。
[0117]
上述的匹配过程，具体可以是将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的所有虹膜数据进行一一比对，通过比对确定待匹配虹膜聚类中心对应集群中是否存储有与待识别虹膜数据相似的虹膜数据，从而确定出待识别虹膜数据的识别结果。
[0118]
由于数据之间的相似度可以通过计算数据之间的距离进行表征，因此在一种可能的实现方式中，可以通过计算待识别虹膜数据与待匹配虹膜聚类中心对应的集群中的虹膜数据的海明距离，进而根据所得到的海明距离确定待识别虹膜数据的识别结果。具体的，若海明距离的最小值小于或等于预设距离阈值，则表明待匹配虹膜聚类中心对应的集群中存储有与待识别虹膜数据相似的虹膜数据，而在虹膜识别中，与待识别虹膜数据相似的虹膜数据可以认为是和待识别虹膜数据来自于同一对象，进而确定识别结果为待识别虹膜数据匹配成功。其中，预设距离阈值可以用于评估两个数据是否相似，具体可以根据实际的虹膜识别场景对识别结果准确性的具体要求进行设置。
[0119]
可以理解的是，在不同的虹膜识别场景中，当确定识别结果为待识别虹膜数据匹配成功后，还可以进一步进行后续的相关处理。具体的后续相关处理可以根据实际的虹膜识别场景进行设置，本技术实施例对此不做任何限定。比如，某小区门禁系统采用了虹膜识别技术，当对访问人员的虹膜数据的识别结果为匹配成功时，为该访问人员开门。
[0120]
此外，若识别结果为待识别虹膜数据匹配成功，还可以显示匹配成功的提示信息以及具体的匹配信息。比如，某小区门禁系统采用了虹膜识别技术，当对访问人员的虹膜数据的识别结果为匹配成功时，在为该访问人员开门的同时，还可以在门禁系统的显示屏上显示“验证已通过”作为匹配成功的提示信息。
[0121]
除了上述的身份验证场景，虹膜识别还可以应用在人员信息采集登记等场景中，比如某小区门禁系统采用了虹膜识别技术，当小区有新入住人员时，需采集新入住人员的虹膜数据并存储至小区的虹膜数据库中，以便新入住人员使用门禁系统进出小区。因此，在一种可能的实现方式中，在s103之后，还包括以下步骤：
[0122]
将待识别虹膜数据存储至待匹配虹膜聚类中心对应的集群。
[0123]
即，将待识别虹膜数据存储至待匹配虹膜聚类中心对应的集群，完成对待识别虹膜数据的存储，且是存储至与待识别虹膜数据最近的待匹配虹膜聚培中心所对应的集群中，可见，在对待识别虹膜数据的进行存储的同时也完成了对待识别虹膜数据的分类，便于存储以后的使用。
[0124]
由于数据的存储会占用一定的存储资源，为了避免因重复存储了同一数据而造成存储资源的浪费，在一种可能的实现方式中，还可以是当识别结果为待识别虹膜数据匹配失败时，将待识别虹膜数据存储至待匹配虹膜聚类中心对应的集群。也就是说，当识别结果为待识别虹膜数据匹配失败时，表明待匹配虹膜聚类中心对应的集群中未存储有与待识别虹膜数据相似的虹膜数据，即，待匹配虹膜聚类中心对应的集群中未存储有待识别虹膜数
据对应的待识别对象的虹膜数据，此时，将待识别虹膜数据存储至待匹配虹膜聚类中心对应的集群，完成对待识别对象的虹膜数据的采集存储，从而避免了重复存储同一数据，提高存储资源利用率。
[0125]
由上述技术方案可以看出，在虹膜识别过程中，计算待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据，并根据距离数据确定出与待识别虹膜数据距离最近的待匹配虹膜聚类中心，进而将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，获得待识别虹膜数据的识别结果。由于多个虹膜聚类中心一一对应于多个集群，而多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到，因此，从多个虹膜聚类中心确定出与待识别虹膜数据最近的待匹配虹膜聚类中心，使得待识别虹膜数据只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，即可获得识别结果。基于此，针对待识别虹膜数据，只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配即可，无需与虹膜数据库中的所有虹膜数据进行匹配，从而提高了虹膜识别效率。
[0126]
图4为本技术实施例提供的一种虹膜识别方法的识别逻辑示意图，具体的，通过虹膜相机采集待识别虹膜图像，并对待识别虹膜图像进行处理，得到待识别虹膜数据，进一步从n个虹膜聚类中心中确定出与待识别虹膜数据最近的待匹配虹膜聚类中心，并将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，获得待识别虹膜数据的识别结果；若识别结果为待识别虹膜数据匹配成功，则显示匹配信息，若识别结果为待识别虹膜数据匹配失败，则将待识别虹膜数据存储至待匹配虹膜聚类中心对应的集群。其中，n个虹膜聚类中心一一对应于n个集群，而n个集群是对虹膜数据库中的虹膜数据进行聚类处理得到。可见，待匹配虹膜聚类中心对应的集群是n个集群中的，而在匹配过程中也是将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，因此，在匹配过程中，可以从虹膜数据库中选择待匹配虹膜聚类中心对应的集群的虹膜数据与待识别虹膜数据进行匹配。
[0127]
可以理解的是，其基本对应于方法实施例，所以相关之处可以参见方法实施例的部分说明。
[0128]
图5为本技术实施例提供的一种虹膜识别装置的结构图，所述装置包括获取单元501、计算单元502、确定单元503和匹配单元504：
[0129]
所述获取单元501：用于获取待识别虹膜数据；
[0130]
所述计算单元502，用于分别计算所述待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据；所述多个虹膜聚类中心一一对应于多个集群，所述多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到的；
[0131]
所述确定单元503，用于根据所述距离数据确定与所述待识别虹膜数据距离最近的待匹配虹膜聚类中心；
[0132]
所述匹配单元504，用于将所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据进行匹配，获得所述待识别虹膜数据的识别结果。
[0133]
可选的，所述匹配单元还用于：
[0134]
计算所述待识别虹膜数据与所述待匹配虹膜聚类中心对应的集群中的虹膜数据的海明距离；
[0135]
若所述海明距离的最小值小于或等于预设距离阈值，确定所述识别结果为所述待
识别虹膜数据匹配成功。
[0136]
可选的，所述装置还包括存储单元：
[0137]
所述存储单元，用于将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
[0138]
可选的，所述存储单元还用于：
[0139]
若所述识别结果为所述待识别虹膜数据匹配失败，将所述待识别虹膜数据存储至所述待匹配虹膜聚类中心对应的集群。
[0140]
可选的，所述获取单元还用于：
[0141]
通过虹膜相机采集待识别虹膜图像；
[0142]
对所述待识别虹膜图像进行虹膜边界定位处理，获得所述待识别虹膜图像的虹膜区域；
[0143]
对所述虹膜区域进行矩阵化处理，获得所述待识别虹膜图像的虹膜矩阵；
[0144]
对所述虹膜矩阵进行滤波处理和编码处理，获得所述待识别虹膜图像的第一特征编码数据；
[0145]
根据所述第一特征编码数据确定所述待识别虹膜数据。
[0146]
可选的，所述获取单元还用于：
[0147]
对所述第一特征编码数据进行降维处理，获得第二特征编码数据；
[0148]
将所述第二特征编码数据作为所述待识别虹膜数据。
[0149]
由上述技术方案可以看出，在虹膜识别过程中，计算待识别虹膜数据与多个虹膜聚类中心的距离，获得距离数据，并根据距离数据确定出与待识别虹膜数据距离最近的待匹配虹膜聚类中心，进而将待识别虹膜数据与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，获得待识别虹膜数据的识别结果。由于多个虹膜聚类中心一一对应于多个集群，而多个集群是通过对虹膜数据库中的虹膜数据进行聚类处理得到，因此，从多个虹膜聚类中心确定出与待识别虹膜数据最近的待匹配虹膜聚类中心，使得待识别虹膜数据只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配，即可获得识别结果。基于此，针对待识别虹膜数据，只需与待匹配虹膜聚类中心对应集群中的虹膜数据进行匹配即可，无需与虹膜数据库中的所有虹膜数据进行匹配，从而提高了虹膜识别效率。
[0150]
又一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器以及存储器：
[0151]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0152]
所述处理器用于根据所述程序代码中的指令执行上述实施例提供的虹膜识别方法。
[0153]
该计算机设备可以包括终端设备或服务器，前述的虹膜识别装置可以配置在该计算机设备中。
[0154]
又一方面，本技术实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的虹膜识别方法。
[0155]
另外，本技术实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的虹膜识别方法。
[0156]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过
程序指令硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：rom)、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0158]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0159]
以上对本技术实施例提供的一种虹膜识别方法和相关装置进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法。同时，对于本领域的一般技术人员，依据本技术的方法，在具体实施方式及应用范围上均会有改变之处。
[0160]
综上所述，本说明书内容不应理解为对本技术的限制，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。而且本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。