[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

说明书

本发明属于模式识别、计算机视觉与图像处理领域，具体涉及了一种基于深度学习的虹膜图像分割及定位方法、系统、装置，旨在解决非可控场景下虹膜识别精度不高的问题。本发明方法包括：获取待处理虹膜图像；采用多任务神经网络模型生成四个映射图，分别对应瞳孔中心、虹膜内边界、虹膜外边界和虹膜分割掩模；采用阈值分割处理虹膜分割掩模映射图，完成虹膜分割；根据瞳孔中心与虹膜掩模的几何关系预测瞳孔中心位置；利用瞳孔、虹膜、巩膜之间的几何关系对映射图去噪及计算，得到虹膜内外圆参数，完成虹膜定位。本发明可对非可控环境下采集的虹膜图像进行有效的分割定位，为后续归一化和识别打下良好的基础，提高了非可控环境下虹膜识别的精度。

技术领域

本发明属于模式识别、计算机视觉与图像处理领域，具体涉及了一种基于深度学习的虹膜图像分割及定位方法、系统、装置。

背景技术

随着人工智能的兴起，人脸识别、虹膜识别、指纹识别等生物特征识别技术受到了极大的关注，其中虹膜识别技术被认为是最稳定、最准确和最可靠的验证方法之一，因此广泛应用到智能解锁、边境控制、银行金融、门禁考勤等领域。

在虹膜识别系统中，虹膜分割和定位处于整个处理流程的起始部分，因此其准确性将直接影响后续处理的精度。虹膜分割指提取有效的虹膜纹理像素，排除噪声，最终输出二值的分割掩模。虹膜定位是指准确定位虹膜的内外圆边界参数。虹膜定位的结果被用在虹膜的归一化操作；而虹膜的掩模分割将关系到虹膜图像噪声区域的处理。

传统的虹膜分割定位方法通常是合在一起的，可以统称为虹膜分割。典型的分割方法可以分为两大类：一是基于边缘的方法，需要分别定位虹膜的内外边缘、上下眼皮以及去除睫毛遮挡等来得到孤立的虹膜区域；二是基于像素的方法，直接根据像素点附近的外观特征，比如颜色、纹理等，直接区别虹膜像素与非虹膜像素。总的来说，这些方法通常需要依赖大量的先验知识，以及很多的中间操作，过程复杂，往往仅适合含有清晰虹膜内外边界的虹膜图像。随着远距离虹膜识别和移动端虹膜识别等的大范围普及，其采集的虹膜图像往往由于光照、目标运动和距离变化，导致含有镜面反射、斜眼、模糊、眼镜遮挡等各种噪声，传统的方法不能很好地处理这类图像。

因此，为了能够有效地对非可控场景下采集的虹膜图像进行准确的预处理操作，迫切需要开发一种新的、准确的、高效的虹膜图像分割和定位方法，满足用户的要求，有效提高非可控场景下的虹膜识别的精度。

发明内容

为了解决现有技术中的上述问题，即非可控场景下虹膜识别精度不高的问题，本发明提供了一种基于深度学习的虹膜图像分割方法，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。

在一些优选的实施例中，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；有效的虹膜像素标记为1，其余部位标记为0；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；边界点标记为1，其余部位标记为0；