[发明专利]模型生成方法、虹膜检测方法及装置

权利要求书

1.一种虹膜检测模型生成方法，其特征在于，包括：

获取训练样本集；其中，所述训练样本集包括多个训练样本子集，每个训练样本子集中每个训练样本包括虹膜图像、相应的类型标签、及相应的真实虹膜包围框位置信息，且每个训练样本子集中训练样本的类型包括真人虹膜、美瞳虹膜及假体虹膜；

利用所述训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，得到虹膜检测模型；其中，所述虹膜检测神经网络包括：特征提取层、虹膜定位层、感兴趣区池化层、美瞳检测层、及假体检测层；所述特征提取层、所述虹膜定位层、所述感兴趣区池化层、及所述美瞳检测层依次连接，所述特征提取层的输出还与所述感兴趣区池化层和所述假体检测层连接。

2.如权利要求1所述的虹膜检测模型生成方法，其特征在于，

所述特征提取层为深度卷积网络；和/或

所述虹膜定位层为回归网络；和/或

所述美瞳检测层为二分类网络；和/或

所述假体检测层为二分类网络。

3.如权利要求1所述的虹膜检测模型生成方法，其特征在于，利用所述训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，包括：

将训练样本子集中每个训练样本的虹膜图像输入至所述特征提取层，得到相应的第一特征图；

将训练样本子集中每个训练样本对应的第一特征图输入至所述虹膜定位层，得到相应的虹膜包围框位置检测信息；

将训练样本子集中每个训练样本对应的第一特征图和虹膜包围框位置检测信息输入至所述感兴趣区池化层，以从相应的第一特征图中截取对应于相应的虹膜包围框位置检测信息的虹膜所在区域，得到具有设定维度的相应的第二特征图；

将从训练样本子集中真人虹膜类型和美瞳虹膜类型的所有训练样本中选取的训练样本对应的第二特征图输入至所述美瞳检测层，得到相应的美瞳检测分类判别结果，以及将从训练样本子集中真人虹膜类型和假体虹膜类型的所有训练样本中选取的训练样本对应的第一特征图输入至所述假体检测层，得到相应的假体检测分类判别结果；

根据训练样本子集中各训练样本对应的虹膜包围框位置检测信息和真实虹膜包围框位置信息计算得到相应训练样本子集对应的虹膜包围框位置预测误差，根据训练样本子集中各训练样本对应的类型标签和美瞳检测分类判别结果计算得到相应训练样本子集对应的美瞳预测分类误差，根据训练样本子集中各训练样本对应的类型标签和假体检测分类判别结果计算得到相应训练样本子集对应的假体预测类误差，根据训练样本子集对应的虹膜包围框位置预测误差、美瞳预测分类误差、及假体预测类误差计算得到相应训练样本子集对应的总体损失函数的值；

将训练样本子集对应的总体损失函数的值在所述虹膜检测神经网络中反向传播，以更新所述虹膜检测神经网络的参数并进行下一次训练。

4.如权利要求3所述的虹膜检测模型生成方法，其特征在于，利用所述训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，还包括：

在所述虹膜检测神经网络的训练次数达到设定次数或训练精度达到设定精度的情况下，得到训练后的所述虹膜检测神经网络。

5.如权利要求3所述的虹膜检测模型生成方法，其特征在于，虹膜包围框位置检测信息为虹膜包围框相对坐标，虹膜包围框相对坐标包括虹膜包围框中心坐标、虹膜包围框的宽、及虹膜包围框的高；所述虹膜定位层为回归网络，虹膜包围框位置预测误差是根据回归损失函数得到，在回归损失函数中，虹膜包围框的宽和虹膜包围框的高均为平方根形式。

6.一种虹膜检测方法，其特征在于，包括：

获取待检测虹膜图像；

将所述待检测虹膜图像输入至根据如权利要求1至5任一项所述的虹膜检测模型生成方法得到的虹膜检测模型，得到所述待检测虹膜图像的虹膜包围框位置检测信息、美瞳检测分类判别结果、及假体检测分类判别结果中的至少一个信息；

根据得到的所述至少一个信息得到所述待检测虹膜图像的虹膜检测结果。