[发明专利]一种基于迁移学习的美瞳识别方法及系统

权利要求书

1.一种基于迁移学习的美瞳识别方法，其特征在于，包括：

获取待测对象的待测眼睛区域图像；

获取所述待测眼睛区域图像的待测虹膜图像；

对所述待测虹膜图像进行图像处理后，获取待测矩形图像；

将所述待测矩形图像输入至迁移学习网络模型，获取与所述待测眼睛区域图像相对应的待测对象识别结果；

其中，所述迁移学习网络模型是基于虹膜图像训练样本的样本图像以及对应的检测对象结果标签进行训练后得到的；

所述迁移学习网络模型包括：

以去除VGG16网络结构模型的后三个连接层后，所保留的前13个卷积层为基础，依次增加两个卷积层、一个最大池化层、两个全连接层以及一个softmax分类器，并在增加的所述两个全连接层之间增加一个dropout单元。

2.根据权利要求1所述的基于迁移学习的美瞳识别方法，其特征在于，在将所述待测矩形图像输入至迁移学习网络模型之前，还包括：获取多个眼睛区域图像训练样本，并获取与每个所述眼睛区域图像训练样本对应的虹膜图像训练样本，以组建训练样本集；

对所述训练样本集中的每个虹膜图像训练样本进行归一化处理之后，获取样本矩形图像；

将每个所述样本矩形图像作为所述迁移学习网络模型的输入，以与所述每个虹膜图像训练样本相对应的检测对象结果标签分数作为输出，通过优化损失函数实现对所述迁移学习网络的迭代训练；

其中，所述虹膜图像训练样本包括虹膜图像训练正样本和虹膜图像训练负样本；所述虹膜图像训练负样本是基于所述训练样本集中的美瞳样本获取的，所述虹膜图像训练正样本是基于所述训练样本集中的虹膜样本获取的。

3.根据权利要求2所述的基于迁移学习的美瞳识别方法，其特征在于，所述对所述训练样本集中的每个虹膜图像训练样本进行归一化处理，包括：

获取每个虹膜图像训练样本中包含的瞳孔和巩膜之间形成的虹膜环形区域，并利用极坐标方式展开成预设大小的矩形图像；

对每个所述矩形图像进行像素变换，使每个所述矩形图像的像素值均映射至预设像素范围；

对经过像素变换后的矩形图像的数据值进行归一化处理，获取所述样本矩形图像的特征数据。

4.根据权利要求3所述的基于迁移学习的美瞳识别方法，其特征在于，所述获取每个虹膜图像训练样本中包含的瞳孔和巩膜之间形成的虹膜环形区域，并利用极坐标方式展开成预设大小的矩形图像，转换公式为：

其中，P*Q为所述矩形图像的预设大小，其中P为宽度值，Q为高度值，(x_r，y_r)为半径为r的瞳孔圆心坐标，(x_R，y_R)为半径为R的虹膜圆心坐标，i为所述虹膜环形区域的每个像素点在矩形图像中索引位置的编号，L_i为所述虹膜环形区域每个像素点所在的环形的半径。

5.根据权利要求3所述的基于迁移学习的美瞳识别方法，其特征在于，所述对每个所述矩形图像进行像素变换的计算公式为：

其中，(L1-L2)为所述预设像素范围，min为所述矩形图像中的点像素最小值，max为所述矩形图像中的点像素最大值，m为所述矩形图像进行像素变换前的像素值，M为所述矩形图像进行像素变换后的像素值。

6.根据权利要求5所述的基于迁移学习的美瞳识别方法，其特征在于，所述对经过像素变换后的矩形图像进行归一化处理中，所述归一化处理的计算公式为：

I_i＝(I_i-L1)/(L2-L1)

其中，I_i为经过归一化处理后的矩形图像中索引位置为i处的像素值。