【技术领域】
本发明涉及模式识别领域，具体涉及一种共享售货设备中虹膜识别的方法及装置。
背景技术：
近年来，随着计算机行业的快速发展，计算机技术已经深入人们的生活，已经开始逐渐和我们的居住环境结合起来，出现了共享售货的概念。所谓售货，就是利用计算机、通信、传感器、家电等技术，将家庭中的各种共享售货设备都连接到一起，由一个终端进行控制，从而给人们提供一个极其便利的生活环境。
在售货系统中，识别用户身份是售货系统智能化水平的一个重要体现。现有技术中，可以通过用户携带rfid卡片或其他电子装置的方式进行用户身份识别，但是如果该硬件装置被非用户本人的其他人获取，则会出现身份被盗用的情况，并且需随身携带相应硬件装置，降低用户使用体验，同时提高了售货系统的成本。现有技术中，还可以通过模式识别的方法，例如检测用户生物特征，进行用户身份识别，例如用户脸部识别、指纹识别，但是以上方法需要用户进行固定操作，或是执行识别方法所要求的识别步骤，例如用户需要正面站立于脸部识别装置前，指纹识别需要用户将手指放置于采集装置上，这些方法一定程度上限制了用户的操作，降低了用户体验。现有技术中，还存在通过目标跟踪结合目标检测的方式，用户在运动中即可完成对于用户身份的识别，但是，普遍存在的问题是目标跟踪方法与目标检测方法缺乏耦合性，即各自是独立的功能模块，目标跟踪和目标检测之间仅仅是跟踪方法输出结果、检测方法接收结果的关系，缺乏系统的整体性，因而识别效果较差。
技术实现要素：
为了解决现有的售货用户身份识别问题，本发明提出了一种共享售货设备中虹膜识别的方法及装置，用于进行虹膜识别用户身份。
所述共享售货设备包括：售货设备主体、货物扫描器、身份识别装置、货物柜和计费单元；
所述货物扫描器和计费单元均连接一控制单元；货物放置在所述货物柜上，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；用户通过所述身份识别装置确认身份后打开所述售货设备，用户取完货物关闭售货设备的柜门后，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；所述计费单元通过所述控制单元进行计费，并从用户注册账号中扣费。
其中，所述身份识别装置通过对用户的视网膜进行识别获取用户身份；
本发明提供的实施例中，将身份认证装置安装在售货设备主体上，利用身份认证装置控制售货设备的柜门及计费单元，其中，本申请中的身份认证装置为虹膜识别装置，利用采集消费者的视网膜信息，判断消费者身份，首先，消费者注册身份信息，共享设备后台保存消费者身份信息，当消费者使用共享设备时，设置于共享设备上的身份认证装置采集消费者的视网膜信息，并与共享设备后台存储的消费者身份信息进行匹配，确定用户身份后，解锁共享设备柜门，消费者取完货物关闭售货设备的柜门后，共享设备的货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；所述计费单元通过所述控制单元进行计费，并从用户注册账号中扣费。
其中，用户注册账号可以通过相应的设置绑定银行卡或者支付宝微信等支付方式，在消费者使用共享设备后进行支付。
所述用户通过所述身份识别装置确认身份后打开所述售货设备，包括：
步骤一：通过所述售货系统中的虹膜图像采集装置采集用户虹膜图像，利用所述售货系统中目标跟踪模块对用户进行跟踪，所述目标跟踪模块采用lucus-kanade光流法对用户进行追踪，并输出跟踪结果，所述lucus-kanade光流法的具体步骤为：lucas-kanade方法是以局部约束为基础的，该方法认为如果虹膜图像帧中(x,y)处的光流为(u,v)，那么该点的某个小邻域内所有点的光流也都相同，也就是说邻域内各点的光流都能够近似表示为(u,v)，并对该邻域内不同的点分配不同的权重值来计算光流，假设点(x,y)的邻域内有n个点，根据局部约束所有点的光流都可以用(u,v)来代替，所以(u,v)应满足以下的n个基本方程：
ixiu+iyiv+iti＝0i＝1,2,...,n(1)
式(1)是关于(u,v)的含有n个方程的超定线性方程组，能够采用最小二乘法来求解，其中，其中，ixi、iyi、iti分别为邻域内第i个像素在x、y、t方向上的梯度值，记作
根据亮度恒常性假设中光流约束方程的误差形式：
ec(u,v)＝∫∫[ixu+iyv+it]2dxdy(2)
则lucas-kanade光流计算方法的误差可以表示如下：
elk(u,v)＝∫∫w2(x,y)·(ixu+iyv+it)2dxdy(3)
其中，w(x,y)＝{wi|i＝1,2,...,n}是(x,y)邻域内所有点的权重值，这说明邻域中心点对光流的贡献要比其他点的大，求解(x,y)点处lucas-kanade光流，就是求解使式(3)在(x,y)邻域内取得的最小值，通常计算都是在数字虹膜图像上进行，所以上式需要转变成离散化的形式才能求得真实的u和v，因为邻域内共有n个像素点，则求解离散化后，上式在(x,y)点处的lucas-kanade光流约束方程组为：
wi为邻域内第i个像素权重，若记
式(4)的解可表示为：
基于求得的(u,v)，可以找到对应的点(x,y)，进而得到以点的集合的形式的跟踪结果；
步骤二：所述售货系统还包括目标检测模块，所述目标检测模块对跟踪结果进行整合，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，输入到检测模块中的特征分类器进行分类，所述特征分类器基于改进的boosting方法进行训练，训练过程包括以下步骤：
a1.所述用户训练样本为预先采集的用户连续运动的全身虹膜图像，训练样本中有用户存在的包括n个，即n个正样本，用户不存在的包括l个，即l个负样本；
a2.获取训练样本的特征向量x，即x＝(f1(x),f2(x),...fk(x))t，f(x)表示虹膜图像样本特征；样本标签表示为y，y＝1表示正样本标签，y＝0表示负样本标签，x是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(7)和式(8)，后验概率可以表示为
p(y＝1|x)＝δ(hk(x))(10)
对于特征向量x的分类器hk(x)可表示为
其中，
将正负样本分别放入两个集合：正样本集合{x1j,j＝0,...n-1}和负样本集合{x0j,j＝n,...n+l-1}，从正负样本集合中使用多组样本不断对弱分类器进行选择，进而构造出识别率最高的组合分类器，已知单个样本的后验概率表示为
pij＝δ(hk(xij))(12)
其中，i的值代表样本集合的编号，i＝1表示正样本集合，i＝0表示负样本集合，j是样本编号，设定分类器hk(fk(xij))中的条件概率是高斯分布的，即条件概率为
p(fk(xij)|y＝1)～n(μ1,σ1)
p(fk(xij)|y＝0)～n(μ0,σ0)(13)
其中，μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同；通过式(7)和式(8)可以求得pij，这样，样本集合i的后验概率可以表示为
特征分类器首先生成一个大的弱分类集合{h1...hm}，然后从中选择k个，构成识别率最高的组合分类器，选择的方法表示为
其中，
l＝∑i(yilogpi+(1-yi)log(1-pi))(17)
对于所述虹膜图像块样本的特征向量，将其输入训练好的特征分类器中，得到分类结果，将分类结果与预设阈值进行比对，如果大于阈值则得到身份识别结果，即当前目标为用户，如果小于阈值则继续进行跟踪与检测；
步骤三：所述售货系统还包括前溯匹配模块，所述前溯匹配模块对所述步骤一得到的跟踪结果进行前溯匹配，删除跟踪结果中准确性差的跟踪点，所述前溯匹配的具体步骤为：假设s＝(it,it+1,...,it+k)为虹膜图像序列，并且xt为时刻t时一个特征点的位置，点xt接连跟踪k帧，跟踪的轨迹为
距离越大表明该跟踪点越不准确，将前溯匹配获得的距离与预设阈值进行比较，删除距离较大的跟踪点，最终获得高准确性的跟踪点的位置及数目；
步骤四：对于跟踪结果中高准确性的跟踪点的数目及每个跟踪点的准确度超过阈值的，将该跟踪结果再输入到目标检测模块，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，记作xn，与目标检测模块中的正样本的特征向量进行最近邻匹配，所述最近邻匹配基于非度量的相似性函数s(x1j,xn)来进行比较，比较方法为：
这是个对称函数，当x1j和xn具有相似性时，函数值就比较大，将函数值大于预定阈值的特征向量添加到所述正样本的特征向量集合中，利用新的正样本的特征向量对特征分类器进行再训练。
优选地，所述特征向量中的特征可以是haar-like特征或surf特征。
所述装置包括：虹膜图像采集模块，用于采集用户虹膜图像；
目标跟踪模块，用于对用户进行跟踪，所述目标跟踪模块被设置为采用lucus-kanade光流法对用户进行追踪，并输出跟踪结果，所述lucus-kanade光流法的具体步骤为：lucas-kanade方法是以局部约束为基础的，该方法认为如果虹膜图像帧中(x,y)处的光流为(u,v)，那么该点的某个小邻域内所有点的光流也都相同，也就是说邻域内各点的光流都能够近似表示为(u,v)，并对该邻域内不同的点分配不同的权重值来计算光流，假设点(x,y)的邻域内有n个点，根据局部约束所有点的光流都可以用(u,v)来代替，所以(u,v)应满足以下的n个基本方程：
ixiu+iyiv+iti＝0i＝1,2,...,n(1)
式(1)是关于(u,v)的含有n个方程的超定线性方程组，能够采用最小二乘法来求解，其中，其中，ixi、iyi、iti分别为邻域内第i个像素在x、y、t方向上的梯度值，记作
根据亮度恒常性假设中光流约束方程的误差形式：
ec(u,v)＝∫∫[ixu+iyv+it]2dxdy(2)
则lucas-kanade光流计算方法的误差可以表示如下：
elk(u,v)＝∫∫w2(x,y)·(ixu+iyv+it)2dxdy(3)
其中，w(x,y)＝{wi|i＝1,2,...,n}是(x,y)邻域内所有点的权重值，这说明邻域中心点对光流的贡献要比其他点的大，求解(x,y)点处lucas-kanade光流，就是求解使式(3)在(x,y)邻域内取得的最小值，通常计算都是在数字虹膜图像上进行，所以上式需要转变成离散化的形式才能求得真实的u和v，因为邻域内共有n个像素点，则求解离散化后，上式在(x,y)点处的lucas-kanade光流约束方程组为：
wi为邻域内第i个像素权重，若记
式(4)的解可表示为：
基于求得的(u,v)，可以找到对应的点(x,y)，进而得到以点的集合的形式的跟踪结果；
目标检测模块，用于对跟踪结果进行处理，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，输入到目标检测模块中的特征分类器进行分类，所述特征分类器基于改进的boosting方法进行训练，训练过程包括以下步骤：
a1.所述用户训练样本为预先采集的用户连续运动的全身虹膜图像，训练样本中有用户存在的包括n个，即n个正样本，用户不存在的包括l个，即l个负样本；
a2.获取训练样本的特征向量x，即x＝(f1(x),f2(x),...fk(x))t，f(x)表示虹膜图像样本特征；样本标签表示为y，y＝1表示正样本标签，y＝0表示负样本标签，x是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(7)和式(8)，后验概率可以表示为
p(y＝1|x)＝δ(hk(x))(10)
对于特征向量x的分类器hk(x)可表示为
其中，
将正负样本分别放入两个集合：正样本集合{x1j,j＝0,...n-1}和负样本集合{x0j,j＝n,...n+l-1}，从正负样本集合中使用多组样本不断对弱分类器进行选择，进而构造出识别率最高的组合分类器，已知单个样本的后验概率表示为
pij＝δ(hk(xij))(12)
其中，i的值代表样本集合的编号，i＝1表示正样本集合，i＝0表示负样本集合，j是样本编号，设定分类器hk(fk(xij))中的条件概率是高斯分布的，即条件概率为
p(fk(xij)|y＝1)～n(μ1,σ1)
p(fk(xij)|y＝0)～n(μ0,σ0)(13)
其中，μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同；通过式(7)和式(8)可以求得pij，这样，样本集合i的后验概率可以表示为
特征分类器首先生成一个大的弱分类集合{h1...hm}，然后从中选择k个，构成识别率最高的组合分类器，选择的方法表示为
其中，
l＝∑i(yilogpi+(1-yi)log(1-pi))(17)
对于所述虹膜图像块样本的特征向量，将其输入训练好的特征分类器中，得到分类结果，将分类结果与预设阈值进行比对，如果大于阈值则得到身份识别结果，即当前目标为用户，如果小于阈值则继续进行跟踪与检测；
前溯匹配模块，用于对所述目标跟踪模块得到的跟踪结果进行前溯匹配，删除跟踪结果中准确性差的跟踪点，所述前溯匹配的具体步骤为：假设s＝(it,it+1,...,it+k)为虹膜图像序列，并且xt为时刻t时一个特征点的位置，点xt接连跟踪k帧，跟踪的轨迹为
距离越大表明该跟踪点越不准确，将前溯匹配获得的距离与预设阈值进行比较，删除距离较大的跟踪点，最终获得高准确性的跟踪点的位置及数目；
更新模块，用于对目标检测模块的特征分类器进行更新、再训练，所述更新模块被设置为，对于跟踪结果中高准确性的跟踪点的数目及每个跟踪点的准确度超过阈值的，将该跟踪结果再输入到目标检测模块，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，记作xn，与目标检测模块中的正样本的特征向量进行最近邻匹配，所述最近邻匹配基于非度量的相似性函数s(x1j,xn)来进行比较，比较方法为：
这是个对称函数，当x1j和xn具有相似性时，函数值就比较大，将函数值大于预定阈值的特征向量添加到所述正样本的特征向量集合中，利用新的正样本的特征向量对特征分类器进行再训练。
优选地，所述特征向量中的特征可以是haar-like特征或surf特征。
本发明所实现的有益效果是：本发明采用的售货系统中用户身份识别的方法及装置，不需要用户额外携带硬件设备，并且用户只需出现在售货系统中，不需要执行特定识别步骤，即可对用户进行身份识别，便于用户使用，提高了用户的使用体验。并且，针对lucus-kanade光流法的跟踪结果，利用前溯匹配方法进行结果验证，将验证结果作为检测方法中的正样本以对分类器进行更新，所述方法提高了识别的准确性。。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1是本发明方法流程图。
【具体实施方式】
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
本发明提供的售货设备包括：售货设备主体、货物扫描器、身份识别装置、货物柜和计费单元；
所述货物扫描器和计费单元均连接一控制单元；货物放置在所述货物柜上，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；用户通过所述身份识别装置确认身份后打开所述售货设备，用户取完货物关闭售货设备的柜门后，所述货物扫描器扫描货物，获取货物信息并传输至所述控制单元内；所述计费单元通过所述控制单元进行计费，并从用户注册账号中扣费。
参见附图1，示出了本发明中的身份识别方法流程图。共享售货设备中用户身份识别的方法用于共享售货设备中，具体的，用于对用户进行虹膜识别，以确认用户身份，所述方法包括以下步骤，步骤一：通过所述售货系统中的虹膜图像采集装置采集用户虹膜图像，利用所述售货系统中目标跟踪模块对用户进行跟踪，所述目标跟踪模块采用lucus-kanade光流法对用户进行追踪，并输出跟踪结果，所述lucus-kanade光流法的具体步骤为：lucas-kanade方法是以局部约束为基础的，该方法认为如果虹膜图像帧中(x,y)处的光流为(u,v)，那么该点的某个小邻域内所有点的光流也都相同，也就是说邻域内各点的光流都能够近似表示为(u,v)，并对该邻域内不同的点分配不同的权重值来计算光流，假设点(x,y)的邻域内有n个点，根据局部约束所有点的光流都可以用(u,v)来代替，所以(u,v)应满足以下的n个基本方程：
ixiu+iyiv+iti＝0i＝1,2,...,n(1)
式(1)是关于(u,v)的含有n个方程的超定线性方程组，能够采用最小二乘法来求解，其中，其中，ixi、iyi、iti分别为邻域内第i个像素在x、y、t方向上的梯度值，记作
根据亮度恒常性假设中光流约束方程的误差形式：
ec(u,v)＝∫∫[ixu+iyv+it]2dxdy(2)
则lucas-kanade光流计算方法的误差可以表示如下：
elk(u,v)＝∫∫w2(x,y)·(ixu+iyv+it)2dxdy(3)
其中，w(x,y)＝{wi|i＝1,2,...,n}是(x,y)邻域内所有点的权重值，这说明邻域中心点对光流的贡献要比其他点的大，求解(x,y)点处lucas-kanade光流，就是求解使式(3)在(x,y)邻域内取得的最小值，通常计算都是在数字虹膜图像上进行，所以上式需要转变成离散化的形式才能求得真实的u和v，因为邻域内共有n个像素点，则求解离散化后，上式在(x,y)点处的lucas-kanade光流约束方程组为：
wi为邻域内第i个像素权重，若记
式(4)的解可表示为：
基于求得的(u,v)，可以找到对应的点(x,y)，进而得到以点的集合的形式的跟踪结果；
步骤二：所述售货系统还包括目标检测模块，所述目标检测模块对跟踪结果进行整合，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，输入到检测模块中的特征分类器进行分类，所述特征分类器基于改进的boosting方法进行训练，训练过程包括以下步骤：
a1.所述用户训练样本为预先采集的用户连续运动的全身虹膜图像，训练样本中有用户存在的包括n个，即n个正样本，用户不存在的包括l个，即l个负样本；
a2.获取训练样本的特征向量x，即x＝(f1(x),f2(x),...fk(x))t，f(x)表示虹膜图像样本特征；样本标签表示为y，y＝1表示正样本标签，y＝0表示负样本标签，x是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(7)和式(8)，后验概率可以表示为
p(y＝1|x)＝δ(hk(x))(10)
对于特征向量x的分类器hk(x)可表示为
其中，
将正负样本分别放入两个集合：正样本集合{x1j,j＝0,...n-1}和负样本集合{x0j,j＝n,...n+l-1}，从正负样本集合中使用多组样本不断对弱分类器进行选择，进而构造出识别率最高的组合分类器，已知单个样本的后验概率表示为
pij＝δ(hk(xij))(12)
其中，i的值代表样本集合的编号，i＝1表示正样本集合，i＝0表示负样本集合，j是样本编号，设定分类器hk(fk(xij))中的条件概率是高斯分布的，即条件概率为
p(fk(xij)|y＝1)～n(μ1,σ1)
p(fk(xij)|y＝0)～n(μ0,σ0)(13)
其中，μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同；通过式(7)和式(8)可以求得pij，这样，样本集合i的后验概率可以表示为
特征分类器首先生成一个大的弱分类集合{h1...hm}，然后从中选择k个，构成识别率最高的组合分类器，选择的方法表示为
其中，
l＝∑i(yilogpi+(1-yi)log(1-pi))(17)
对于所述虹膜图像块样本的特征向量，将其输入训练好的特征分类器中，得到分类结果，将分类结果与预设阈值进行比对，如果大于阈值则得到身份识别结果，即当前目标为用户，如果小于阈值则继续进行跟踪与检测；
步骤三：所述售货系统还包括前溯匹配模块，所述前溯匹配模块对所述步骤一得到的跟踪结果进行前溯匹配，删除跟踪结果中准确性差的跟踪点，所述前溯匹配的具体步骤为：假设s＝(it,it+1,...,it+k)为虹膜图像序列，并且xt为时刻t时一个特征点的位置，点xt接连跟踪k帧，跟踪的轨迹为
距离越大表明该跟踪点越不准确，将前溯匹配获得的距离与预设阈值进行比较，删除距离较大的跟踪点，最终获得高准确性的跟踪点的位置及数目；
步骤四：对于跟踪结果中准确的跟踪点的数目及每个跟踪点的准确度超过阈值的，将该跟踪结果再输入到目标检测模块，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，记作xn，与目标检测模块中的正样本的特征向量进行最近邻匹配，所述最近邻匹配基于非度量的相似性函数s(x1j,xn)来进行比较，比较方法为：
这是个对称函数，当x1j和xn具有相似性时，函数值就比较大，将函数值大于预定阈值的特征向量添加到所述正样本的特征向量集合中，利用新的正样本的特征向量对特征分类器进行再训练。
优选地，其特征在于：所述特征向量中的特征可以是haar-like特征或surf特征。
所述装置包括：虹膜图像采集模块，用于采集用户虹膜图像；
目标跟踪模块，用于对用户进行跟踪，所述目标跟踪模块被设置为采用lucus-kanade光流法对用户进行追踪，并输出跟踪结果，所述lucus-kanade光流法的具体步骤为：lucas-kanade方法是以局部约束为基础的，该方法认为如果虹膜图像帧中(x,y)处的光流为(u,v)，那么该点的某个小邻域内所有点的光流也都相同，也就是说邻域内各点的光流都能够近似表示为(u,v)，并对该邻域内不同的点分配不同的权重值来计算光流，假设点(x,y)的邻域内有n个点，根据局部约束所有点的光流都可以用(u,v)来代替，所以(u,v)应满足以下的n个基本方程：
ixiu+iyiv+iti＝0i＝1,2,...,n(1)
式(1)是关于(u,v)的含有n个方程的超定线性方程组，能够采用最小二乘法来求解，其中，其中，ixi、iyi、iti分别为邻域内第i个像素在x、y、t方向上的梯度值，记作
根据亮度恒常性假设中光流约束方程的误差形式：
ec(u,v)＝∫∫[ixu+iyv+it]2dxdy(2)
则lucas-kanade光流计算方法的误差可以表示如下：
elk(u,v)＝∫∫w2(x,y)·(ixu+iyv+it)2dxdy(3)
其中，w(x,y)＝{wi|i＝1,2,...,n}是(x,y)邻域内所有点的权重值，这说明邻域中心点对光流的贡献要比其他点的大，求解(x,y)点处lucas-kanade光流，就是求解使式(3)在(x,y)邻域内取得的最小值，通常计算都是在数字虹膜图像上进行，所以上式需要转变成离散化的形式才能求得真实的u和v，因为邻域内共有n个像素点，则求解离散化后，上式在(x,y)点处的lucas-kanade光流约束方程组为：
wi为邻域内第i个像素权重，若记
式(4)的解可表示为：
基于求得的(u,v)，可以找到对应的点(x,y)，进而得到以点的集合的形式的跟踪结果；
目标检测模块，用于对跟踪结果进行处理，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，输入到目标检测模块中的特征分类器进行分类，所述特征分类器基于改进的boosting方法进行训练，训练过程包括以下步骤：
a1.所述用户训练样本为预先采集的用户连续运动的全身虹膜图像，训练样本中有用户存在的包括n个，即n个正样本，用户不存在的包括l个，即l个负样本；
a2.获取训练样本的特征向量x，即x＝(f1(x),f2(x),...fk(x))t，f(x)表示虹膜图像样本特征；样本标签表示为y，y＝1表示正样本标签，y＝0表示负样本标签，x是正样本的后验概率可以表示为
其中函数δ(z)定义为
从而建立起分类器模型
结合式(7)和式(8)，后验概率可以表示为
p(y＝1|x)＝δ(hk(x))(10)
对于特征向量x的分类器hk(x)可表示为
其中，
将正负样本分别放入两个集合：正样本集合{x1j,j＝0,...n-1}和负样本集合{x0j,j＝n,...n+l-1}，从正负样本集合中使用多组样本不断对弱分类器进行选择，进而构造出识别率最高的组合分类器，已知单个样本的后验概率表示为
pij＝δ(hk(xij))(12)
其中，i的值代表样本集合的编号，i＝1表示正样本集合，i＝0表示负样本集合，j是样本编号，设定分类器hk(fk(xij))中的条件概率是高斯分布的，即条件概率为
p(fk(xij)|y＝1)～n(μ1,σ1)
p(fk(xij)|y＝0)～n(μ0,σ0)(13)
其中，μ1,σ1,μ0,σ0会进行增量更新
μ0,σ0的更新与上式相同；通过式(7)和式(8)可以求得pij，这样，样本集合i的后验概率可以表示为
特征分类器首先生成一个大的弱分类集合{h1...hm}，然后从中选择k个，构成识别率最高的组合分类器，选择的方法表示为
其中，
l＝∑i(yilogpi+(1-yi)log(1-pi))(17)
对于所述虹膜图像块样本的特征向量，将其输入训练好的特征分类器中，得到分类结果，将分类结果与预设阈值进行比对，如果大于阈值则得到身份识别结果，即当前目标为用户，如果小于阈值则继续进行跟踪与检测；
前溯匹配模块，用于对所述目标跟踪模块得到的跟踪结果进行前溯匹配，删除跟踪结果中准确性差的跟踪点，所述前溯匹配的具体步骤为：假设s＝(it,it+1,...,it+k)为虹膜图像序列，并且xt为时刻t时一个特征点的位置，点xt接连跟踪k帧，跟踪的轨迹为
距离越大表明该跟踪点越不准确，将前溯匹配获得的距离与预设阈值进行比较，删除距离较大的跟踪点，最终获得高准确性的跟踪点的位置及数目；
更新模块，用于对目标检测模块的特征分类器进行更新、再训练，所述更新模块被设置为，对于跟踪结果中高准确性的跟踪点的数目及每个跟踪点的准确度超过阈值的，将该跟踪结果再输入到目标检测模块，生成虹膜图像块样本，提取该虹膜图像块样本的特征向量，记作xn，与目标检测模块中的正样本的特征向量进行最近邻匹配，所述最近邻匹配基于非度量的相似性函数s(x1j,xn)来进行比较，比较方法为：
这是个对称函数，当x1j和xn具有相似性时，函数值就比较大，将函数值大于预定阈值的特征向量添加到所述正样本的特征向量集合中，利用新的正样本的特征向量对特征分类器进行再训练。
优选地，所述特征向量中的特征可以是haar-like特征或surf特征。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。