[发明专利]一种基于迁移学习的美瞳识别方法及系统

说明书

本发明实施例提供一种基于迁移学习的美瞳识别方法及系统，该方法包括：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。本发明实施例提供的基于迁移学习的美瞳识别方法及系统，有效的提高了美瞳检测的识别率和检验算法的鲁棒性。

技术领域

本发明涉及生物识别技术领域，尤其涉及一种基于迁移学习的美瞳识别方法及系统。

背景技术

目前，人工智能技术(AI技术)已经成为了各行各业突破行业技术瓶颈的热门技术，其中AI领域中的生物特征识别技术在例如网上购物付款、乘坐公共交通、旅游住宿等方面的运用，为人们的生活提供了更加安全的保障和全方位的服务以及更加便捷和舒适的使用体验。

由于人脸识别技术容易受光照条件、化妆、孪生等因素影响；而指纹识别具有指纹容易复制，且指纹痕迹容易留存；声纹识别也容易遭受声音盗录，变音等因素影响，因此，均存在不可克服的缺陷。虹膜作为人体唯一外部可见的内部器官，具有相互交错的细丝、条纹、冠状、斑点、隐窝等细节特征，具有唯一性、防伪性，虹膜识别技术被认为是应用最方便最安全的生物识别技术。

虹膜识别技术是通过匹配已预先存储的注册人的虹膜信息，来识别身份信息。可用于监控、支付、智能识别等领域。为了保证身份识别的安全性和准确性，必须要求在虹膜采集注册和识别过程中确保虹膜未受到外部条件干扰，尤其是彩色隐形眼睛(简称美瞳)的干扰。如果用户在采集注册过程中佩戴了美瞳，采集的实际信息将不是该用户独一无二的虹膜特征信息，不仅会污染采集库，也会对识别结果产生不利影响，因此，有必要在进行虹膜识别之前，先确定待测对象是否佩戴美瞳。

目前对于美瞳的检测技术，大多是利用传统的图像处理方法，如提取灰度共生矩阵，LBP(局部二值化)向量特征等来进行识别，该类方法不能够适用于大范围的应用场景，实际工程应用中不同光照环境影响拍摄的图像，以及不同花色纹理的美瞳图案，均会对该类传统方法的效果产生影响，造成上述算法的识别率较低，鲁棒性较差。

发明内容

本发明实施例提供一种基于迁移学习的美瞳识别方法及系统，用以解决现有技术中对于美瞳检测的识别率低、检验算法鲁棒性差的缺陷。

第一方面，本发明实施例提供一种基于迁移学习的美瞳识别方法，包括：

获取待测对象的待测眼睛区域图像；获取该待测眼睛区域图像的待测虹膜图像；对该待测虹膜图像进行图像处理后，获取待测矩形图像；将所获取的待测矩形图像输入至迁移学习网络模型，获取与该待测眼睛区域图像相对应的待测对象识别结果；

其中，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。

进一步地，本实施例提供的基于迁移学习的美瞳识别方法，该迁移学习网络模型，具体包括：以去除VGG16网络结构模型的后三个连接层后，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，并在增加的两个全连接层之间增加一个dropout单元。

进一步地，在将待测矩形图像输入至迁移学习网络模型之前，还包括：

获取多个眼睛区域训练样本，并获取与每个眼睛区域训练样本对应的虹膜图像训练样本，以组建训练样本集；对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；将每个样本矩形图像作为迁移学习网络模型的输入，以与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迁移学习网络模型的迭代训练；其中，上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；虹膜图像训练负样本是基于训练样本集中的美瞳样本获取的，虹膜图像训练正样本是基于训练样本集中的虹膜样本获取的。