本發(fā)明涉及虹膜識(shí)別技術(shù)，具體涉及一種虹膜識(shí)別方法及終端。

背景技術(shù)：

虹膜識(shí)別技術(shù)已有幾十年的歷史，最早可以追溯至上個(gè)世紀(jì)初期。現(xiàn)有虹膜識(shí)別技術(shù)多為在可控場景下，利用專用的光源和光學(xué)采集儀器采集人眼圖像，之后再進(jìn)行圖像處理和比對(duì)。通常情況下圖像質(zhì)量較高，紋理清晰且類內(nèi)差異小。

隨著電子設(shè)備的發(fā)展，越來越多的終端設(shè)備具有虹膜識(shí)別功能。但是終端在獲取圖像進(jìn)行虹膜識(shí)別時(shí)，通常處于不可控場景，例如環(huán)境光線不可控、圖像采集距離不可控或者用戶姿態(tài)不可控等等；并且由于終端的前置攝像頭分辨率通常較小，且近紅外光源較微弱，導(dǎo)致采集的圖像質(zhì)量通常較低，容易出現(xiàn)低分辨率、離焦模糊、運(yùn)動(dòng)模糊等情況，影響虹膜識(shí)別準(zhǔn)確率和識(shí)別效率。另一方面，由于很多用戶有帶美瞳的習(xí)慣，這樣也會(huì)影響虹膜識(shí)別準(zhǔn)確率和識(shí)別效率。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有存在的技術(shù)問題，本發(fā)明實(shí)施例提供一種虹膜識(shí)別方法及終端，能夠提高虹膜識(shí)別準(zhǔn)確率，提升虹膜識(shí)別效率。

為達(dá)到上述目的，本發(fā)明實(shí)施例的技術(shù)方案是這樣實(shí)現(xiàn)的：

本發(fā)明實(shí)施例提供了一種虹膜識(shí)別方法，所述方法包括：

獲得第一圖像，所述第一圖像為終端采集的顯示參數(shù)低于第一閾值的圖像；

在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像；所述第二圖像為顯示參數(shù)高于第二閾值的圖像；所述第二閾值大于所述第一閾值；

分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的紋理基元；所述紋理基元表征所述虹膜區(qū)域中重復(fù)出現(xiàn)的局部特征；

基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜；

確定所述第二圖像的分類是活體虹膜時(shí)，對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。

上述方案中，所述在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像之前，所述方法還包括：

針對(duì)同一目標(biāo)分別采集高分辨率圖像和低分辨率圖像；所述高分辨率圖像為顯示參數(shù)高于第二閾值的圖像；所述低分辨率圖像為顯示參數(shù)低于第一閾值的圖像；

建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫。

上述方案中，所述建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫，包括：

分別對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理，建立所述高分辨率圖像的每一個(gè)第一分塊圖像與其相對(duì)應(yīng)的低分辨率圖像的第二分塊圖像的第一關(guān)聯(lián)關(guān)系；

基于所述第一分塊圖像、與所述第一分塊圖像具有第一關(guān)聯(lián)關(guān)系的第二分塊圖像生成訓(xùn)練庫。

上述方案中，所述在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像，包括：

對(duì)所述第一圖像進(jìn)行分塊處理獲得多個(gè)第三分塊圖像；

查詢所述訓(xùn)練庫對(duì)獲得與所述多個(gè)第三分塊圖像相匹配的多個(gè)第二分塊圖像；

獲得與所述多個(gè)第二分塊圖像關(guān)聯(lián)的多個(gè)第一分塊圖像，將所述多個(gè)第一分塊圖像組合生成所述第二圖像。

上述方案中，所述分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的 紋理基元，包括：

采用尺度不變換特征變換(sift)算法抽取所述第二圖像的局部特征，獲得所述第二圖像的局部特征集合；

分析所述局部特征集合，獲得所述局部特征集合中重復(fù)出現(xiàn)的特征作為紋理基元。

上述方案中，所述基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜，包括：

獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)；

判斷所述第一屬性參數(shù)與預(yù)先學(xué)習(xí)獲得的第一類型的屬性參數(shù)集合相匹配，或是與預(yù)先學(xué)習(xí)獲得的第二類型的屬性參數(shù)集合相匹配；

當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；

當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

上述方案中，所述對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，包括：

采用深度學(xué)習(xí)算法對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)。

本發(fā)明實(shí)施例還提供了一種終端，所述終端包括：圖像獲取單元、圖像增強(qiáng)單元、檢測單元和特征表達(dá)與匹配單元；其中，

所述圖像獲取單元，用于獲得第一圖像，所述第一圖像為終端采集的顯示參數(shù)低于第一閾值的圖像；

所述圖像增強(qiáng)單元，用于在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像，將所述第二圖像發(fā)送至所述檢測單元；所述第二圖像為顯示參數(shù)高于第二閾值的圖像；所述第二閾值大于所述第一閾值；

所述檢測單元，用于分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的紋理基元；所述紋理基元表征所述虹膜區(qū)域中重復(fù)出現(xiàn)的局部特征；基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜；

所述特征表達(dá)與匹配單元，用于當(dāng)所述檢測單元確定所述第二圖像的分類 是活體虹膜時(shí)，對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。

上述方案中，所述圖像增強(qiáng)單元，用于在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像之前，針對(duì)同一目標(biāo)分別采集高分辨率圖像和低分辨率圖像；所述高分辨率圖像為顯示參數(shù)高于第二閾值的圖像；所述低分辨率圖像為顯示參數(shù)低于第一閾值的圖像；建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫。

上述方案中，所述圖像增強(qiáng)單元，用于分別對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理，建立所述高分辨率圖像的每一個(gè)第一分塊圖像與其相對(duì)應(yīng)的低分辨率圖像的第二分塊圖像的第一關(guān)聯(lián)關(guān)系；基于所述第一分塊圖像、與所述第一分塊圖像具有第一關(guān)聯(lián)關(guān)系的第二分塊圖像生成訓(xùn)練庫。

上述方案中，所述圖像增強(qiáng)單元，用于對(duì)所述第一圖像進(jìn)行分塊處理獲得多個(gè)第三分塊圖像；查詢所述訓(xùn)練庫對(duì)獲得與所述多個(gè)第三分塊圖像相匹配的多個(gè)第二分塊圖像；獲得與所述多個(gè)第二分塊圖像關(guān)聯(lián)的多個(gè)第一分塊圖像，將所述多個(gè)第一分塊圖像組合生成所述第二圖像。

上述方案中，所述檢測單元，用于采用尺度不變換特征變換(sift)算法抽取所述第二圖像的局部特征，獲得所述第二圖像的局部特征集合；分析所述局部特征集合，獲得所述局部特征集合中重復(fù)出現(xiàn)的特征作為紋理基元。

上述方案中，所述檢測單元，用于獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)；判斷所述第一屬性參數(shù)與預(yù)先學(xué)習(xí)獲得的第一類型的屬性參數(shù)集合相匹配，或是與預(yù)先學(xué)習(xí)獲得的第二類型的屬性參數(shù)集合相匹配；當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

上述方案中，所述特征表達(dá)與匹配單元，用于采用深度學(xué)習(xí)算法對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)。

本發(fā)明實(shí)施例提供的虹膜識(shí)別方法及終端，所述方法包括：獲得第一圖像， 所述第一圖像為終端采集的顯示參數(shù)低于第一閾值的圖像；在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像；所述第二圖像為顯示參數(shù)高于第二閾值的圖像；所述第二閾值大于所述第一閾值；識(shí)別出所述第二圖像中的虹膜區(qū)域，分析所述虹膜區(qū)域獲得所述虹膜區(qū)域的紋理基元；所述紋理基元表征所述虹膜區(qū)域中重復(fù)出現(xiàn)的結(jié)構(gòu)；基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜；當(dāng)確定所述第二圖像的分類是活體虹膜時(shí)，對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。本發(fā)明實(shí)施例的技術(shù)方案，一方面，采用圖像增強(qiáng)方案，將終端采集的低分辨率的第一圖像增強(qiáng)為高分辨率的第二圖像，解決了現(xiàn)有技術(shù)中由于環(huán)境條件的不可控或者人機(jī)配合度的影響，使采集的圖像質(zhì)量較低，從而影響虹膜識(shí)別效率和準(zhǔn)確率的問題；另一方面，采用活體虹膜檢測的方案，保留檢測出的活體虹膜類型的圖像，濾除假體虹膜類型的圖像，解決了現(xiàn)有技術(shù)中由于用戶佩戴美瞳等導(dǎo)致的虹膜識(shí)別效率低和準(zhǔn)確率低的問題；基于此，本發(fā)明實(shí)施例的技術(shù)方案大大提高了虹膜識(shí)別的正確率，提升了虹膜識(shí)別效率。

附圖說明

圖1為本發(fā)明實(shí)施例的虹膜識(shí)別方法的流程示意圖；

圖2a和圖2b分別為本發(fā)明實(shí)施例中建立訓(xùn)練庫時(shí)采集的低分辨率圖像和高分辨率圖像的示意圖；

圖3為本發(fā)明實(shí)施例中判斷所述第二圖像的分類是活體虹膜或假體虹膜的一種流程示意圖；

圖4為本發(fā)明實(shí)施例中采用深度學(xué)習(xí)算法進(jìn)行特征抽取的示意圖；

圖5為本發(fā)明實(shí)施例的終端的組成結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。

實(shí)施例一

本發(fā)明實(shí)施例提供了一種虹膜識(shí)別方法。圖1為本發(fā)明實(shí)施例的虹膜識(shí)別方法的流程示意圖；如圖1所示，所述方法包括：

步驟101：獲得第一圖像，所述第一圖像為終端采集的顯示參數(shù)低于第一閾值的圖像。

本實(shí)施例中，所述虹膜識(shí)別方法應(yīng)用于終端中，所述終端具體可以為移動(dòng)終端，當(dāng)然不限于移動(dòng)終端，其他個(gè)人計(jì)算機(jī)(pc)等支持虹膜識(shí)別功能的終端也可適用。

本實(shí)施例中，所述終端獲得的第一圖像為針對(duì)人眼采集的圖像。所述第一圖像的顯示參數(shù)低于第一閾值，所述顯示參數(shù)可以為分辨率，所述第一閾值可以依據(jù)圖像采集組件(例如攝像頭)技術(shù)的發(fā)展設(shè)定?？梢岳斫鉃?，類比于高清圖像采集組件和非高清圖像采集組件，所述第一圖像可以為低分辨率圖像。

步驟102：在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像；所述第二圖像為顯示參數(shù)高于第二閾值的圖像；所述第二閾值大于所述第一閾值。

本實(shí)施例中，所述在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像之前，所述方法還包括：針對(duì)同一目標(biāo)分別采集高分辨率圖像和低分辨率圖像；所述高分辨率圖像為顯示參數(shù)高于第二閾值的圖像；所述低分辨率圖像為顯示參數(shù)低于第一閾值的圖像；建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫。

具體的，所述終端預(yù)先建立訓(xùn)練庫，所述訓(xùn)練庫中包括在可控環(huán)境下針對(duì)同一目標(biāo)(所述目標(biāo)可以為人眼)采集的高分辨率圖像和低分辨率圖像；圖2a和圖2b分別為本發(fā)明實(shí)施例中建立訓(xùn)練庫時(shí)采集的低分辨率圖像和高分辨率圖像的示意圖；如圖2a和圖2b所示，所述高分辨率圖像和低分辨率圖像類比于高清圖像采集組件和非高清圖像采集組件，所述高分辨率圖像質(zhì)量較高、高分辨率、聚焦清晰等等；所述低分辨率圖像質(zhì)量較低、低分辨率、聚焦模糊等等。所述訓(xùn)練庫中包括針對(duì)多個(gè)目標(biāo)(所述目標(biāo)可以為人眼)對(duì)應(yīng)的高分辨率圖像和低分辨率圖像。

其中，所述建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫，包括：分別對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理，建立所述高分辨率圖像的每一個(gè)第一分塊圖像與其相對(duì)應(yīng)的低分辨率圖像的第二分塊圖像的第一關(guān)聯(lián)關(guān)系；基于所述第一分塊圖像、與所述第一分塊圖像具有第一關(guān)聯(lián)關(guān)系的第二分塊圖像生成訓(xùn)練庫。

具體的，針對(duì)同一目標(biāo)的高分辨率圖像和低分辨率圖像，按相同的分塊原則對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理；所述相同的分塊原則可以理解為，在所述高分辨率圖像和所述低分辨率圖像處于相同尺寸并且圖像中的人眼區(qū)域的尺寸也相同時(shí)，所述高分辨率圖像的第一分塊圖像和所述低分辨率圖像的第二分塊圖像的尺寸也相同，即所述高分辨率圖像的每一個(gè)第一分塊圖像與所述低分辨率圖像中的第二分塊圖像是一一對(duì)應(yīng)的。在本實(shí)施例中，由于是針對(duì)虹膜的識(shí)別方案，則可以濾除所述高分辨率圖像和所述低分辨率圖像中除虹膜以外的分塊圖像，例如刪除僅含有眼皮區(qū)域的分塊圖像或者被睫毛遮擋的分塊圖像等虹膜顯露不明顯的分塊圖像。

本實(shí)施例中，以低分辨率圖像作為依據(jù)，建立所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系。所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系的建立可采用最大后驗(yàn)概率算法、馬氏距離度量算法等方式。以最大后驗(yàn)概率算法為例，則所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系可滿足表達(dá)式(1)：

其中，h表示高分辨率圖像；表示對(duì)高分辨率圖像h的估計(jì)；l1至ln表示低分辨率圖像的第一分塊圖像；lnp(h)表示正則項(xiàng)，所述正則項(xiàng)用于控制最終的圖像質(zhì)量還可以有其他多種形式表示，在超分辨率重建的過程中，為了保證圖像邊緣等信息，從而保留圖像的高頻信息。

基于上述描述，終端建立訓(xùn)練庫。

本實(shí)施例中，所述在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像，包括：對(duì)所述第一圖像進(jìn)行分塊處理獲得多個(gè)第三分塊圖像；查詢所述訓(xùn)練庫對(duì)獲得與所述多個(gè)第三分塊圖像相匹配的多個(gè)第二分塊圖像；獲得與所述多個(gè)第二分塊圖像關(guān)聯(lián)的多個(gè)第一分塊圖像，將所述多個(gè)第一分塊圖像組合生成所述第二圖像。

具體的，所述終端獲得的第一圖像可以理解為獲得待識(shí)別的低分辨率圖像。所述終端依據(jù)訓(xùn)練庫建立過程中的分塊方式對(duì)所述第一圖像進(jìn)行分塊處理，濾除除虹膜以外的分塊圖像，例如刪除僅含有眼皮區(qū)域的分塊圖像或者被睫毛遮擋的分塊圖像等虹膜顯露不明顯的分塊圖像，獲得有效的僅包含有虹膜的第三分塊圖像。進(jìn)一步地，在所述訓(xùn)練庫中搜索與所述第三分塊圖像匹配的第二分塊圖像，依據(jù)所述訓(xùn)練庫中的低分辨率的第二分塊圖像與高分辨率的第一分塊圖像的第一關(guān)聯(lián)關(guān)系，從而獲得與所述第三分塊圖像相匹配的第一分塊圖像，可以理解為，以獲得的低分辨率的第三分塊圖像為依據(jù)，獲得與其相對(duì)應(yīng)的高分辨率的第一分塊圖像。最后將獲得的第一分塊圖像進(jìn)行拼接組合成完整的第二圖像。

步驟103：分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的紋理基元；所述紋理基元表征所述虹膜區(qū)域中重復(fù)出現(xiàn)的局部特征。

經(jīng)過觀察發(fā)現(xiàn)，假體虹膜(例如美瞳等)和活體虹膜(即裸眼的虹膜)的紋理具有很大的差異，活體虹膜的紋理較細(xì)膩，而假體虹膜則較為粗糙雜亂，并且在頻域中也有不同的展現(xiàn)?；诖?，提出本發(fā)明實(shí)施例的活體虹膜的檢測方案。

本實(shí)施例中，所述分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的紋理基元，包括：采用尺度不變換特征變換(sift，scaleinvariantfeaturetransform)算法抽取所述第二圖像的局部特征，獲得所述第二圖像的局部特征集合；分析所述局部特征集合，獲得所述局部特征集合中重復(fù)出現(xiàn)的特征作為紋理基元。

具體的，圖3為本發(fā)明實(shí)施例中判斷所述第二圖像的分類是活體虹膜或假 體虹膜的一種流程示意圖；如圖3所示，獲得所述第二圖像后，首先對(duì)所述第二圖像(也即圖中所示的虹膜圖像)進(jìn)行預(yù)處理，識(shí)別所述第二圖像中的虹膜區(qū)域，針對(duì)所述虹膜區(qū)域進(jìn)行紋理基元的識(shí)別。本實(shí)施例中，可采用密集采樣的sift算法對(duì)虹膜圖像進(jìn)行底層特征抽取，所抽取的特征可以理解為上述的局部特征。根據(jù)圖像的底層特征訓(xùn)練學(xué)習(xí)得到圖像中反復(fù)出現(xiàn)的微結(jié)構(gòu)，即紋理基元。本實(shí)施例可以利用視覺詞典編碼方法更加完備地描述紋理基元以及表達(dá)虹膜圖像紋理分布。視覺詞典可以理解為局部特征集合，也即底層特征集合；所述層級(jí)的視覺詞典編碼可以理解為對(duì)局部特征集合(或底層特征集合)中的局部特征(或底層特征)進(jìn)行編碼。

步驟104：基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜。

這里，所述基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜，包括：獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)；判斷所述第一屬性參數(shù)與預(yù)先學(xué)習(xí)獲得的第一類型的屬性參數(shù)集合相匹配，或是與預(yù)先學(xué)習(xí)獲得的第二類型的屬性參數(shù)集合相匹配；當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

本實(shí)施例中，預(yù)先采集標(biāo)明為活體虹膜類型的圖像以及假體虹膜類型的圖像，對(duì)采集的圖像按照步驟103中的處理方法進(jìn)行紋理基元的識(shí)別。進(jìn)一步地，以標(biāo)明為活體虹膜類型的圖像為例，獲得活體虹膜類型的圖像的紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的屬性參數(shù)，所述屬性參數(shù)可以為頻率和直方圖分布。當(dāng)預(yù)先采集多個(gè)標(biāo)明為活體虹膜類型的圖像時(shí)，則對(duì)應(yīng)多個(gè)屬性參數(shù)生成第一類型的屬性參數(shù)集合。相應(yīng)的，以標(biāo)明為假體虹膜類型的圖像為例，獲得假體虹膜類型的圖像的紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的屬性參數(shù)，所述屬性參數(shù)可以為頻率和直方圖分布。當(dāng)預(yù)先采集多個(gè)標(biāo)明為假體虹膜類型的圖像時(shí)，則對(duì)應(yīng)多個(gè)屬性參數(shù)生成第二類型的屬性參數(shù)集合。

基于此，可如圖3所示，獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)，所述第一屬性參數(shù)可以為所述紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的頻率和直方圖分布。判斷所述第一屬性參數(shù)與第一類型的屬性參數(shù)集合相匹配，或是與第二類型的屬性參數(shù)集合相匹配；當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

步驟105：確定所述第二圖像的分類是活體虹膜時(shí)，對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。

這里，所述對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，包括：采用深度學(xué)習(xí)算法對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)。作為一種實(shí)施方式，所述深度學(xué)習(xí)算法可以為深度信念網(wǎng)絡(luò)算法。

圖4為本發(fā)明實(shí)施例中采用深度學(xué)習(xí)算法進(jìn)行特征抽取的示意圖；如圖4所示，v1、v2、v3、v4、v5表示針對(duì)同一目標(biāo)輸入的不同圖像，也即針對(duì)同一目標(biāo)采集多個(gè)第一圖像，按照上述步驟101至步驟104進(jìn)行處理，獲得多個(gè)第二圖像進(jìn)行輸入。作為一種實(shí)施方式，對(duì)獲得的多個(gè)第二圖像進(jìn)行歸一化處理，獲得歸一化圖像，將所述歸一化圖像作為輸入的圖像。如圖4所示，v1、v2、v3、v4、v5也叫做顯性神經(jīng)元，(visibleunits)，簡稱“顯元”，每個(gè)顯元之間沒有互聯(lián)；h1、h2、h3，代表經(jīng)過映射之后得到的特征或者聚類結(jié)果，也叫做隱形神經(jīng)元(hiddenunits)，簡稱“隱元”，每個(gè)隱元之間同樣沒有互聯(lián)。在僅由一層顯元和一層隱元構(gòu)成的結(jié)構(gòu)中，假設(shè)所有節(jié)點(diǎn)都是隨機(jī)二值變量，并且假設(shè)全概率分布滿足玻爾茲曼分布，即為受限玻爾茲曼機(jī)(rbm，restrictedboltzmannmachines)。在受限玻爾茲曼機(jī)結(jié)構(gòu)中，顯層和隱層內(nèi)部的神經(jīng)元均沒有互連，則在給定所有顯元的條件下，隱元的取值互相獨(dú)立，即滿足：

同樣，在給定隱元的條件下，顯元的取值也互相獨(dú)立，即滿足：

基于上述描述，可以在每一步并行的計(jì)算整層神經(jīng)元。

深度信念網(wǎng)絡(luò)實(shí)質(zhì)是多層受限玻爾茲曼機(jī)的堆疊，訓(xùn)練時(shí)通過由低到高逐層訓(xùn)練受限玻爾茲曼機(jī)來實(shí)現(xiàn)，即分層求出概率分布，并且在這個(gè)概率分布中訓(xùn)練樣本的概率最大。

基于深度學(xué)習(xí)的特征抽取過程可以看作是一個(gè)黑匣子，輸入為圖像數(shù)據(jù)，而輸出為特征數(shù)據(jù)。網(wǎng)絡(luò)的內(nèi)部構(gòu)造、節(jié)點(diǎn)之間的權(quán)重可以通過最優(yōu)化方法學(xué)習(xí)獲得。網(wǎng)絡(luò)的深度、每一層的節(jié)點(diǎn)數(shù)目及連接方式等均需要根據(jù)先驗(yàn)知識(shí)預(yù)先設(shè)定。

本實(shí)施例中，采用上述深度信念網(wǎng)絡(luò)的基本思路對(duì)所述第二圖像進(jìn)行特征抽?。惠斎氲膱D像作為顯元，如果采用多層受限玻爾茲曼機(jī)的堆疊，則每一層的隱元可以理解為特征抽取過程中的中間變量，而最終獲得的時(shí)輸入的圖像所對(duì)應(yīng)的特征參數(shù)。

本實(shí)施例中，獲得所述第二圖像的特征參數(shù)后，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，具體可比對(duì)特征之間的歐式距離和/或漢明距離等，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。具體的比對(duì)方式可采用現(xiàn)有技術(shù)中的任何特征比對(duì)方式，本實(shí)施例中不做詳細(xì)描述。

本發(fā)明實(shí)施例的技術(shù)方案的有益效果在于以下幾個(gè)方面：

1、本發(fā)明實(shí)施例采用圖像增強(qiáng)方案，將終端采集的低分辨率的第一圖像增強(qiáng)為高分辨率的第二圖像，解決了現(xiàn)有技術(shù)中由于環(huán)境條件的不可控或者人機(jī)配合度的影響，使采集的圖像質(zhì)量較低，從而影響虹膜識(shí)別效率和準(zhǔn)確率的問題。

2、本發(fā)明實(shí)施例采用活體虹膜檢測的方案，保留檢測出的活體虹膜類型的圖像，濾除假體虹膜類型的圖像，解決了現(xiàn)有技術(shù)中由于用戶佩戴美瞳等導(dǎo)致的虹膜識(shí)別效率低和準(zhǔn)確率低的問題。

3、現(xiàn)有技術(shù)的虹膜識(shí)別方案中，對(duì)虹膜特征的抽取通常采用人工設(shè)定特征類型并選取特征參數(shù)，這需要扎實(shí)的專業(yè)背景和經(jīng)驗(yàn)。并且調(diào)節(jié)參數(shù)耗時(shí)耗力，同樣的特征表達(dá)方法用于不同的數(shù)據(jù)集，可能需要多次調(diào)整參數(shù)，需要很多的經(jīng)驗(yàn)和技巧，而且經(jīng)過調(diào)節(jié)的算法往往不穩(wěn)定且不能保證結(jié)果最優(yōu)。針對(duì)移動(dòng)端虹膜識(shí)別問題，現(xiàn)有的方法已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足需求。虹膜圖像規(guī)模大，而且質(zhì)量參差不齊，這就對(duì)智能化分析和預(yù)測提出了巨大需求。而本發(fā)明實(shí)施例采用基于深度學(xué)習(xí)算法的特征抽取，通過自動(dòng)及其學(xué)習(xí)和特征選擇，表達(dá)虹膜最本征的特征，在特征控件增大類間差異減小類內(nèi)差異，大大提高了虹膜識(shí)別的正確率，提升了虹膜識(shí)別效率。

實(shí)施例二

本發(fā)明實(shí)施例還提供了一種終端。圖5為本發(fā)明實(shí)施例的終端的組成結(jié)構(gòu)示意圖；如圖5所示，所述終端包括：圖像獲取單元51、圖像增強(qiáng)單元52、檢測單元53和特征表達(dá)與匹配單元54；其中，

所述圖像獲取單元51，用于獲得第一圖像，所述第一圖像為終端采集的顯示參數(shù)低于第一閾值的圖像；

所述圖像增強(qiáng)單元52，用于在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像，將所述第二圖像發(fā)送至所述檢測單元53；所述第二圖像為顯示參數(shù)高于第二閾值的圖像；所述第二閾值大于所述第一閾值；

所述檢測單元53，用于分析所述第二圖像，獲得所述第二圖像中的虹膜區(qū)域的紋理基元；所述紋理基元表征所述虹膜區(qū)域中重復(fù)出現(xiàn)的局部特征；基于所述紋理基元判斷所述第二圖像的分類是活體虹膜或假體虹膜；

所述特征表達(dá)與匹配單元54，用于當(dāng)所述檢測單元53確定所述第二圖像的分類是活體虹膜時(shí)，對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。

本實(shí)施例中，所述終端具體可以為移動(dòng)終端，當(dāng)然不限于移動(dòng)終端，其他個(gè)人計(jì)算機(jī)(pc)等支持虹膜識(shí)別功能的終端也可適用。

本實(shí)施例中，所述圖像獲取單元51獲得的第一圖像為針對(duì)人眼采集的圖像。所述第一圖像的顯示參數(shù)低于第一閾值，所述顯示參數(shù)可以為分辨率，所述第一閾值可以依據(jù)圖像采集組件(例如攝像頭)技術(shù)的發(fā)展設(shè)定?？梢岳斫鉃?，類比于高清圖像采集組件和非高清圖像采集組件，所述第一圖像可以為低分辨率圖像。

本實(shí)施例中，所述圖像增強(qiáng)單元52，用于在訓(xùn)練庫中選擇與所述第一圖像相對(duì)應(yīng)的第二圖像之前，針對(duì)同一目標(biāo)分別采集高分辨率圖像和低分辨率圖像；所述高分辨率圖像為顯示參數(shù)高于第二閾值的圖像；所述低分辨率圖像為顯示參數(shù)低于第一閾值的圖像；建立所述高分辨率圖像和所述低分辨率圖像的關(guān)聯(lián)關(guān)系生成訓(xùn)練庫。

其中，所述圖像增強(qiáng)單元52，用于分別對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理，建立所述高分辨率圖像的每一個(gè)第一分塊圖像與其相對(duì)應(yīng)的低分辨率圖像的第二分塊圖像的第一關(guān)聯(lián)關(guān)系；基于所述第一分塊圖像、與所述第一分塊圖像具有第一關(guān)聯(lián)關(guān)系的第二分塊圖像生成訓(xùn)練庫。

具體的，所述圖像增強(qiáng)單元52預(yù)先建立訓(xùn)練庫，所述訓(xùn)練庫中包括在可控環(huán)境下針對(duì)同一目標(biāo)(所述目標(biāo)可以為人眼)采集的高分辨率圖像和低分辨率圖像；如圖2a和圖2b所示，所述高分辨率圖像和低分辨率圖像類比于高清圖像采集組件和非高清圖像采集組件，所述高分辨率圖像質(zhì)量較高、高分辨率、聚焦清晰等等；所述低分辨率圖像質(zhì)量較低、低分辨率、聚焦模糊等等。所述訓(xùn)練庫中包括針對(duì)多個(gè)目標(biāo)(所述目標(biāo)可以為人眼)對(duì)應(yīng)的高分辨率圖像和低分辨率圖像。

針對(duì)同一目標(biāo)的高分辨率圖像和低分辨率圖像，按相同的分塊原則對(duì)所述高分辨率圖像和所述低分辨率圖像進(jìn)行分塊處理；所述相同的分塊原則可以理解為，在所述高分辨率圖像和所述低分辨率圖像處于相同尺寸并且圖像中的人眼區(qū)域的尺寸也相同時(shí)，所述高分辨率圖像的第一分塊圖像和所述低分辨率圖像的第二分塊圖像的尺寸也相同，即所述高分辨率圖像的每一個(gè)第一分塊圖像與所述低分辨率圖像中的第二分塊圖像是一一對(duì)應(yīng)的。在本實(shí)施例中，由于是 針對(duì)虹膜的識(shí)別方案，則可以濾除所述高分辨率圖像和所述低分辨率圖像中除虹膜以外的分塊圖像，例如刪除僅含有眼皮區(qū)域的分塊圖像或者被睫毛遮擋的分塊圖像等虹膜顯露不明顯的分塊圖像。

本實(shí)施例中，以低分辨率圖像作為依據(jù)，建立所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系。所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系的建立可采用最大后驗(yàn)概率算法、馬氏距離度量算法等方式。以最大后驗(yàn)概率算法為例，則所述低分辨率圖像的每一個(gè)第二分塊圖像與高分辨率圖像的第一分塊圖像的第一關(guān)聯(lián)關(guān)系可滿足表達(dá)式(1)：

其中，h表示高分辨率圖像；表示對(duì)高分辨率圖像h的估計(jì)；l1至ln表示低分辨率圖像的第一分塊圖像；lnp(h)表示正則項(xiàng)，所述正則項(xiàng)用于控制最終的圖像質(zhì)量還可以有其他多種形式表示，在超分辨率重建的過程中，為了保證圖像邊緣等信息，從而保留圖像的高頻信息。

基于上述描述，終端建立訓(xùn)練庫。

本實(shí)施例中，所述圖像增強(qiáng)單元52，用于對(duì)所述第一圖像進(jìn)行分塊處理獲得多個(gè)第三分塊圖像；查詢所述訓(xùn)練庫對(duì)獲得與所述多個(gè)第三分塊圖像相匹配的多個(gè)第二分塊圖像；獲得與所述多個(gè)第二分塊圖像關(guān)聯(lián)的多個(gè)第一分塊圖像，將所述多個(gè)第一分塊圖像組合生成所述第二圖像。

具體的，所述圖像獲取單元51獲得的第一圖像可以理解為獲得待識(shí)別的低分辨率圖像。所述圖像增強(qiáng)單元52依據(jù)訓(xùn)練庫建立過程中的分塊方式對(duì)所述第一圖像進(jìn)行分塊處理，濾除除虹膜以外的分塊圖像，例如刪除僅含有眼皮區(qū)域的分塊圖像或者被睫毛遮擋的分塊圖像等虹膜顯露不明顯的分塊圖像，獲得有效的僅包含有虹膜的第三分塊圖像。進(jìn)一步地，在所述訓(xùn)練庫中搜索與所述第三分塊圖像匹配的第二分塊圖像，依據(jù)所述訓(xùn)練庫中的低分辨率的第二分塊圖像與高分辨率的第一分塊圖像的第一關(guān)聯(lián)關(guān)系，從而獲得與所述第三分塊圖像 相匹配的第一分塊圖像，可以理解為，以獲得的低分辨率的第三分塊圖像為依據(jù)，獲得與其相對(duì)應(yīng)的高分辨率的第一分塊圖像。最后將獲得的第一分塊圖像進(jìn)行拼接組合成完整的第二圖像。

本實(shí)施例中，所述檢測單元53，用于采用尺度不變換特征變換(sift)算法抽取所述第二圖像的局部特征，獲得所述第二圖像的局部特征集合；分析所述局部特征集合，獲得所述局部特征集合中重復(fù)出現(xiàn)的特征作為紋理基元。

所述檢測單元53，用于獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)；判斷所述第一屬性參數(shù)與預(yù)先學(xué)習(xí)獲得的第一類型的屬性參數(shù)集合相匹配，或是與預(yù)先學(xué)習(xí)獲得的第二類型的屬性參數(shù)集合相匹配；當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

具體的，如圖3所示，獲得所述第二圖像后，首先對(duì)所述第二圖像(也即圖中所示的虹膜圖像)進(jìn)行預(yù)處理，識(shí)別所述第二圖像中的虹膜區(qū)域，針對(duì)所述虹膜區(qū)域進(jìn)行紋理基元的識(shí)別。本實(shí)施例中，可采用密集采樣的sift算法對(duì)虹膜圖像進(jìn)行底層特征抽取，所抽取的特征可以理解為上述的局部特征。根據(jù)圖像的底層特征訓(xùn)練學(xué)習(xí)得到圖像中反復(fù)出現(xiàn)的微結(jié)構(gòu)，即紋理基元。本實(shí)施例可以利用視覺詞典編碼方法更加完備地描述紋理基元以及表達(dá)虹膜圖像紋理分布。視覺詞典可以理解為局部特征集合，也即底層特征集合；所述層級(jí)的視覺詞典編碼可以理解為對(duì)局部特征集合(或底層特征集合)中的局部特征(或底層特征)進(jìn)行編碼。

本實(shí)施例中，所述檢測單元53預(yù)先采集標(biāo)明為活體虹膜類型的圖像以及假體虹膜類型的圖像，對(duì)采集的圖像進(jìn)行紋理基元的識(shí)別。進(jìn)一步地，以標(biāo)明為活體虹膜類型的圖像為例，獲得活體虹膜類型的圖像的紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的屬性參數(shù)，所述屬性參數(shù)可以為頻率和直方圖分布。當(dāng)預(yù)先采集多個(gè)標(biāo)明為活體虹膜類型的圖像時(shí)，則對(duì)應(yīng)多個(gè)屬性參數(shù)生成第一類型的屬性參數(shù)集合。相應(yīng)的，以標(biāo)明為假體虹膜類型的圖像為例，獲得假體 虹膜類型的圖像的紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的屬性參數(shù)，所述屬性參數(shù)可以為頻率和直方圖分布。當(dāng)預(yù)先采集多個(gè)標(biāo)明為假體虹膜類型的圖像時(shí)，則對(duì)應(yīng)多個(gè)屬性參數(shù)生成第二類型的屬性參數(shù)集合。

基于此，可如圖3所示，所述檢測單元53獲得所述紋理基元在所述局部特征集合中的第一屬性參數(shù)，所述第一屬性參數(shù)可以為所述紋理基元在視覺詞典(即局部特征集合)中出現(xiàn)的頻率和直方圖分布。判斷所述第一屬性參數(shù)與第一類型的屬性參數(shù)集合相匹配，或是與第二類型的屬性參數(shù)集合相匹配；當(dāng)所述第一屬性參數(shù)與所述第一類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是活體虹膜；當(dāng)所述第一屬性參數(shù)與所述第二類型的屬性參數(shù)集合相匹配時(shí)，確定所述第二圖像的分類是假體虹膜。

本實(shí)施例中，所述特征表達(dá)與匹配單元54，用于采用深度學(xué)習(xí)算法對(duì)所述第二圖像進(jìn)行特征抽取獲得特征參數(shù)。作為一種實(shí)施方式，所述深度學(xué)習(xí)算法可以為深度信念網(wǎng)絡(luò)算法。

具體的，如圖4所示，v1、v2、v3、v4、v5表示針對(duì)同一目標(biāo)輸入的不同圖像，也即針對(duì)同一目標(biāo)采集多個(gè)第一圖像，按照上述描述進(jìn)行處理，獲得多個(gè)第二圖像進(jìn)行輸入。作為一種實(shí)施方式，對(duì)獲得的多個(gè)第二圖像進(jìn)行歸一化處理，獲得歸一化圖像，將所述歸一化圖像作為輸入的圖像。如圖4所示，v1、v2、v3、v4、v5也叫做顯性神經(jīng)元，(visibleunits)，簡稱“顯元”，每個(gè)顯元之間沒有互聯(lián)；h1、h2、h3，代表經(jīng)過映射之后得到的特征或者聚類結(jié)果，也叫做隱形神經(jīng)元(hiddenunits)，簡稱“隱元”，每個(gè)隱元之間同樣沒有互聯(lián)。在僅由一層顯元和一層隱元構(gòu)成的結(jié)構(gòu)中，假設(shè)所有節(jié)點(diǎn)都是隨機(jī)二值變量，并且假設(shè)全概率分布滿足玻爾茲曼分布，即為受限玻爾茲曼機(jī)(rbm，restrictedboltzmannmachines)。在受限玻爾茲曼機(jī)結(jié)構(gòu)中，顯層和隱層內(nèi)部的神經(jīng)元均沒有互連，則在給定所有顯元的條件下，隱元的取值互相獨(dú)立，即滿足：

同樣，在給定隱元的條件下，顯元的取值也互相獨(dú)立，即滿足：

基于上述描述，可以在每一步并行的計(jì)算整層神經(jīng)元。

深度信念網(wǎng)絡(luò)實(shí)質(zhì)是多層受限玻爾茲曼機(jī)的堆疊，訓(xùn)練時(shí)通過由低到高逐層訓(xùn)練受限玻爾茲曼機(jī)來實(shí)現(xiàn)，即分層求出概率分布，并且在這個(gè)概率分布中訓(xùn)練樣本的概率最大。

基于深度學(xué)習(xí)的特征抽取過程可以看作是一個(gè)黑匣子，輸入為圖像數(shù)據(jù)，而輸出為特征數(shù)據(jù)。網(wǎng)絡(luò)的內(nèi)部構(gòu)造、節(jié)點(diǎn)之間的權(quán)重可以通過最優(yōu)化方法學(xué)習(xí)獲得。網(wǎng)絡(luò)的深度、每一層的節(jié)點(diǎn)數(shù)目及連接方式等均需要根據(jù)先驗(yàn)知識(shí)預(yù)先設(shè)定。

本實(shí)施例中，采用上述深度信念網(wǎng)絡(luò)的基本思路對(duì)所述第二圖像進(jìn)行特征抽?。惠斎氲膱D像作為顯元，如果采用多層受限玻爾茲曼機(jī)的堆疊，則每一層的隱元可以理解為特征抽取過程中的中間變量，而最終獲得的時(shí)輸入的圖像所對(duì)應(yīng)的特征參數(shù)。

本實(shí)施例中，所述特征表達(dá)與匹配單元54獲得所述第二圖像的特征參數(shù)后，將所述特征參數(shù)與預(yù)設(shè)特征庫中的特征參數(shù)進(jìn)行比對(duì)，具體可比對(duì)特征之間的歐式距離和/或漢明距離等，獲得與所述特征參數(shù)對(duì)應(yīng)的身份結(jié)果。具體的比對(duì)方式可采用現(xiàn)有技術(shù)中的任何特征比對(duì)方式，本實(shí)施例中不做詳細(xì)描述。

本發(fā)明實(shí)施例中，所述終端中的圖像增強(qiáng)單元52、檢測單元53和特征表達(dá)與匹配單元54，在實(shí)際應(yīng)用中均可由所述終端中的中央處理器(cpu，centralprocessingunit)、數(shù)字信號(hào)處理器(dsp，digitalsignalprocessor)、微控制單元(mcu，microcontrollerunit)或可編程門陣列(fpga，field－programmablegatearray)實(shí)現(xiàn)；所述終端中的圖像獲取單元51，在實(shí)際應(yīng)用中可由所述終端的攝像頭實(shí)現(xiàn)。

在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過其它的方式實(shí)現(xiàn)。以上所描述的設(shè)備實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式， 如：多個(gè)單元或組件可以結(jié)合，或可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討論的各組成部分相互之間的耦合、或直接耦合、或通信連接可以是通過一些接口，設(shè)備或單元的間接耦合或通信連接，可以是電性的、機(jī)械的或其它形式的。

上述作為分離部件說明的單元可以是、或也可以不是物理上分開的，作為單元顯示的部件可以是、或也可以不是物理單元，即可以位于一個(gè)地方，也可以分布到多個(gè)網(wǎng)絡(luò)單元上；可以根據(jù)實(shí)際的需要選擇其中的部分或全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各實(shí)施例中的各功能單元可以全部集成在一個(gè)處理單元中，也可以是各單元分別單獨(dú)作為一個(gè)單元，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中；上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用硬件加軟件功能單元的形式實(shí)現(xiàn)。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述方法實(shí)施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成，前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，執(zhí)行包括上述方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括：移動(dòng)存儲(chǔ)設(shè)備、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

或者，本發(fā)明上述集成的單元如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明實(shí)施例的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)、服務(wù)器、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分。而前述的存儲(chǔ)介質(zhì)包括：移動(dòng)存儲(chǔ)設(shè)備、rom、ram、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于 此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。