[發明專利]一種基于Mask R-CNN神經網絡的虹膜圖像中虹膜區域的分割方法

有效

• 申請號: 201910252493.0
• 申請日: 2019-03-29
• 公開（公告）號: CN110059589B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 馮春陽
• 申請（專利權）人: 昆山杜克大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 佛山幫專知識產權代理事務所(普通合伙) 44387
• 代理人: 顏德昊

本發明涉及圖像分割技術領域，提出了一種基于Mask R?CNN神經網絡的虹膜圖像中虹膜區域的分割方法，S100，建立用于虹膜分割的改進的Mask R?CNN神經網絡；S200，訓練神經網絡前，標注訓練用的樣本虹膜圖像集；S300，將已標注的樣本虹膜圖像分別輸入到神經網絡中，對神經網絡進行訓練直到收斂；S400，將需要進行虹膜區域分割的虹膜圖像，輸入到完成訓練的改進的Mask R?CNN神經網絡中，得到虹膜區域的雙圓邊界信息和二值掩碼圖；S500，根據S400得到的虹膜區域的雙圓邊界信息和二值掩碼圖完成虹膜分割。本發明通過將改進的Mask R?CNN神經網絡用在虹膜分割與定位中，實現自動學習得到歸一化的虹膜圖像以及虹膜區域二值掩碼圖，也可得到精確的虹膜區域雙圓邊界信息，方便后續虹膜識別的操作。

技術領域

本發明涉及圖像分割技術領域，具體涉及一種基于Mask R-CNN神經網絡的虹膜圖像中虹膜區域的分割方法。

背景技術

隨著人類科學技術的不斷發展，虹膜識別技術在人們日常生活中越來越普及，其已經成功應用于國家安防、邊境控制、銀行金融、門禁考勤以及移動終端等領域。對于虹膜識別技術，在實際應用中，遇到許多技術挑戰。特別是對于人們不是完全配合的場景(即復雜的、不可控制的場景)下，所采集到的人們的虹膜圖像由于存在光照和距離變化，因此虹膜圖像具有低分辨率、高噪聲、斜眼、模糊和被遮擋等特性。使得將圖像中的虹膜區域精確地分割出來尤為困難，進而影響了對人們進行虹膜識別的準確率和及時性。

目前，為了分割虹膜圖像中的虹膜區域，典型的虹膜分割方法可以分為兩大類：基于圖像處理的傳統方法和基于深度學習的分割方法。在文獻中，已經提出了各種基于傳統圖像處理的虹膜分割方法，包括積分微分算子法，無監督學習，改進的Hough變換等。除了這些依賴于手工特征和專用的預處理和后處理的傳統方法之外，基于深度學習的現代方法最近獲得了普及，并達到了最先進的準確性。這些方法通常使用深度神經網絡進行像素方式的語義分割，以區分虹膜和非虹膜區域。然而，這類方法存在的問題是，它們沒有明確地定位出虹膜區域的內外邊界圓。而我們知道，確定虹膜區域的內外圓邊界是虹膜分割的重要步驟，是后續虹膜歸一化算法的重要輸入參數。因此準確虹膜定位對虹膜識別的整體準確性非常重要。

發明內容

針對現有技術的不足，本發明提出一種基于Mask R-CNN神經網絡的虹膜圖像中虹膜區域的分割方法，解決了現有技術中存在的至少一個問題。

本發明的技術方案是這樣實現的：

一種基于Mask R-CNN神經網絡的虹膜圖像中虹膜區域的分割方法，包括如下步驟：

S100，建立用于虹膜分割的改進的Mask R-CNN神經網絡，所述神經網絡的輸入為待分割的虹膜圖像；

S200，訓練所述神經網絡前，標注訓練用的樣本虹膜圖像集，所述標注包括：1)生成每幅樣本虹膜圖像的虹膜區域二值掩碼圖；2)標注虹膜區域的雙圓邊界信息；由于可以使用在通用目標檢測數據集上已經訓練好的Mask R-CNN做為預訓練模型，因此不需要標注大量數據就能完成模型訓練。

S300，將已標注的所述樣本虹膜圖像分別輸入到所述分割神經網絡中，對所述神經網絡進行訓練，直到所述神經網絡的模型收斂；

S400，將需要進行虹膜區域分割的虹膜圖像，輸入到完成訓練的所述Mask R-CNN神經網絡中，得到虹膜區域的雙圓邊界信息和二值掩碼圖；

S500：根據S400得到的虹膜區域的雙圓邊界信息和二值掩碼圖完成虹膜區域的分割。

進一步的，所述改進的Mask R-CNN神經網絡具體包括：

卷積神經網絡骨干架構，用于對輸入的待分割虹膜圖像進行特征提取，得到所述待分割虹膜圖像的特征圖(feature maps)；