[發(fā)明專利]一種基于遷移學習的美瞳識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910995389.0
• 申請日: 2019-10-18
• 公開（公告）號: CN110991223B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設計）人: 高俊雄;易開軍;托馬斯·費爾蘭德斯;劉坤;蔣海岳;楊華
• 申請（專利權）人: 武漢虹識技術有限公司
• 主分類號: G06V40/18
• 分類號: G06V40/18;G06V10/82;G06N3/0464;G06N3/048;G06N3/096
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 馬瑞

1.一種基于遷移學習的美瞳識別方法，其特征在于，包括：

獲取待測對象的待測眼睛區(qū)域圖像；

獲取所述待測眼睛區(qū)域圖像的待測虹膜圖像；

對所述待測虹膜圖像進行圖像處理后，獲取待測矩形圖像；

將所述待測矩形圖像輸入至遷移學習網絡模型，獲取與所述待測眼睛區(qū)域圖像相對應的待測對象識別結果；

其中，所述遷移學習網絡模型是基于虹膜圖像訓練樣本的樣本圖像以及對應的檢測對象結果標簽進行訓練后得到的；

所述遷移學習網絡模型包括：

以去除VGG16網絡結構模型的后三個連接層后，所保留的前13個卷積層為基礎，依次增加兩個卷積層、一個最大池化層、兩個全連接層以及一個softmax分類器，并在增加的所述兩個全連接層之間增加一個dropout單元。

2.根據權利要求1所述的基于遷移學習的美瞳識別方法，其特征在于，在將所述待測矩形圖像輸入至遷移學習網絡模型之前，還包括：獲取多個眼睛區(qū)域圖像訓練樣本，并獲取與每個所述眼睛區(qū)域圖像訓練樣本對應的虹膜圖像訓練樣本，以組建訓練樣本集；

對所述訓練樣本集中的每個虹膜圖像訓練樣本進行歸一化處理之后，獲取樣本矩形圖像；

將每個所述樣本矩形圖像作為所述遷移學習網絡模型的輸入，以與所述每個虹膜圖像訓練樣本相對應的檢測對象結果標簽分數作為輸出，通過優(yōu)化損失函數實現對所述遷移學習網絡的迭代訓練；

其中，所述虹膜圖像訓練樣本包括虹膜圖像訓練正樣本和虹膜圖像訓練負樣本；所述虹膜圖像訓練負樣本是基于所述訓練樣本集中的美瞳樣本獲取的，所述虹膜圖像訓練正樣本是基于所述訓練樣本集中的虹膜樣本獲取的。

3.根據權利要求2所述的基于遷移學習的美瞳識別方法，其特征在于，所述對所述訓練樣本集中的每個虹膜圖像訓練樣本進行歸一化處理，包括：

獲取每個虹膜圖像訓練樣本中包含的瞳孔和鞏膜之間形成的虹膜環(huán)形區(qū)域，并利用極坐標方式展開成預設大小的矩形圖像；

對每個所述矩形圖像進行像素變換，使每個所述矩形圖像的像素值均映射至預設像素范圍；

對經過像素變換后的矩形圖像的數據值進行歸一化處理，獲取所述樣本矩形圖像的特征數據。

4.根據權利要求3所述的基于遷移學習的美瞳識別方法，其特征在于，所述獲取每個虹膜圖像訓練樣本中包含的瞳孔和鞏膜之間形成的虹膜環(huán)形區(qū)域，并利用極坐標方式展開成預設大小的矩形圖像，轉換公式為：

其中，P*Q為所述矩形圖像的預設大小，其中P為寬度值，Q為高度值，(x_r，y_r)為半徑為r的瞳孔圓心坐標，(x_R，y_R)為半徑為R的虹膜圓心坐標，i為所述虹膜環(huán)形區(qū)域的每個像素點在矩形圖像中索引位置的編號，L_i為所述虹膜環(huán)形區(qū)域每個像素點所在的環(huán)形的半徑。

5.根據權利要求3所述的基于遷移學習的美瞳識別方法，其特征在于，所述對每個所述矩形圖像進行像素變換的計算公式為：

其中，(L1-L2)為所述預設像素范圍，min為所述矩形圖像中的點像素最小值，max為所述矩形圖像中的點像素最大值，m為所述矩形圖像進行像素變換前的像素值，M為所述矩形圖像進行像素變換后的像素值。

6.根據權利要求5所述的基于遷移學習的美瞳識別方法，其特征在于，所述對經過像素變換后的矩形圖像進行歸一化處理中，所述歸一化處理的計算公式為：

I_i＝(I_i-L1)/(L2-L1)

其中，I_i為經過歸一化處理后的矩形圖像中索引位置為i處的像素值。