[发明专利]基于深度学习的虹膜图像分割及定位方法、系统、装置

权利要求书

1.一种基于深度学习的虹膜图像分割方法，其特征在于，包括：

步骤S10，获取待处理虹膜图像，作为第一虹膜图像；

步骤S20，将所述第一虹膜图像输入训练好的全卷积编解码多任务神经网络模型进行前向传播，得到第一瞳孔中心映射图、第一虹膜内边界映射图、第一虹膜外边界映射图和第一虹膜分割掩模映射图；

步骤S30，采用阈值分割处理所述第一虹膜分割掩模映射图，获得二值虹膜分割掩模图，完成虹膜分割；

所述训练好的全卷积编解码多任务神经网络模型，其获取方式为：

步骤S21，获取虹膜图像，作为第二虹膜图像，对所述第二虹膜图像进行标记，获得第三虹膜图像；融入注意力机制，构建全卷积的编解码多任务神经网络；

步骤S22，将所述第三虹膜图像输入所述全卷积的编解码多任务神经网络进行训练，获得训练好的全卷积的编解码多任务神经网络模型。

2.根据权利要求1所述的基于深度学习的虹膜图像分割方法，其特征在于，步骤S21“对第二虹膜图像进行标记”，其步骤为：

步骤S211，采用二进制码标签，对所述第二虹膜图像中有效的虹膜像素进行标记；使用两个最接近虹膜内外边界的椭圆，作为虹膜的内外边界的标记；

步骤S212，将标记好的虹膜内椭圆边界的中心标记为瞳孔的中心，获得有效虹膜区分标记图像、虹膜内外边界标记图像和瞳孔中心标记图像的虹膜图像作为第三虹膜图像。

3.根据权利要求1所述的基于深度学习的虹膜图像分割方法，其特征在于，所述全卷积的编解码多任务神经网络包括编码层和解码层；

所述编码层通过多个连续的卷积、ReLu以及池化操作来编码特征，对原始输入图像的映射图分辨率进行连续缩小，得到低分辨率映射图；

所述解码层通过与解码层对应的层进行跳跃连接，使用双线性上采样对所述编码层连续缩小后的低分辨率映射图进行分辨率恢复，输出与原始输入大小相同的四个映射图，对应瞳孔中心映射图、虹膜内边界映射图、虹膜外边界映射图和虹膜分割掩模映射图。

4.根据权利要求1所述的基于深度学习的虹膜图像分割方法，其特征在于，步骤S22中所述“将所述第三虹膜图像输入所述全卷积的编解码多任务神经网络进行训练”，其步骤为：

步骤S221，将所述第三虹膜图像输入所述全卷积的编解码多任务神经网络中，通过前向传播得到第二瞳孔中心映射图、第二虹膜内边界映射图、第二虹膜外边界映射图和第二虹膜分割掩模映射图；

步骤S222，计算所述第二瞳孔中心映射图、第二虹膜内边界映射图、第二虹膜外边界映射图和第二虹膜分割掩模映射图与所述第三虹膜图像的误差，基于计算所得的总的损失函数值，对全卷积的编解码多任务神经网络使用反向传播算法和随机梯度下降法进行参数更新；

步骤S223，重复步骤S222，直到总的损失函数计算值达到预设的条件，获得训练好的全卷积的编解码多任务神经网络模型。

5.根据权利要求4所述的基于深度学习的虹膜图像分割方法，其特征在于，所述总的损失函数包括针对瞳孔中心的焦点损失、针对虹膜内外边界的平衡的交叉熵损失和针对分割的交叉熵损失；

所述针对瞳孔中心的焦点损失L_pupil为：

其中，α,γ为超参数；P＝{p_j,j＝1,...,|X|}，p_j为多任务网络预测的第j个像素为瞳孔中心的概率，|X|为虹膜图像的像素个数；为虹膜图像中第j个像素的标签，1表示为真实的虹膜瞳孔中心，0为不是；

所述针对虹膜内外边界的平衡的交叉熵损失L_edge为：

其中，表示虹膜图像中第j个像素属于虹膜内边界或者虹膜外边界的概率，k＝1代表虹膜内边界，k＝2代表虹膜外边界，1表示为真实的虹膜边界，0为不是；β为虹膜图像中非边缘像素所占的比例，非边缘像素为除虹膜内边界和外边界以外的像素；

所述针对分割的交叉熵损失为L_seg为：

其中，S＝{s_j,j＝1,...|X|}，s_j表示虹膜图像中第j个像素属于真实的虹膜纹理的概率；表示虹膜图像中第j个像素属于真实的虹膜纹理的标签。