[發明專利]一種基于遷移學習的美瞳識別方法及系統

有效

• 申請號: 201910995389.0
• 申請日: 2019-10-18
• 公開（公告）號: CN110991223B
• 公開（公告）日: 2023-07-28
• 發明（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

本發明實施例提供一種基于遷移學習的美瞳識別方法及系統，該方法包括：獲取待測對象的待測眼睛區域圖像；獲取所述待測眼睛區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。本發明實施例提供的基于遷移學習的美瞳識別方法及系統，有效的提高了美瞳檢測的識別率和檢驗算法的魯棒性。

技術領域

本發明涉及生物識別技術領域，尤其涉及一種基于遷移學習的美瞳識別方法及系統。

背景技術

目前，人工智能技術(AI技術)已經成為了各行各業突破行業技術瓶頸的熱門技術，其中AI領域中的生物特征識別技術在例如網上購物付款、乘坐公共交通、旅游住宿等方面的運用，為人們的生活提供了更加安全的保障和全方位的服務以及更加便捷和舒適的使用體驗。

由于人臉識別技術容易受光照條件、化妝、孿生等因素影響；而指紋識別具有指紋容易復制，且指紋痕跡容易留存；聲紋識別也容易遭受聲音盜錄，變音等因素影響，因此，均存在不可克服的缺陷。虹膜作為人體唯一外部可見的內部器官，具有相互交錯的細絲、條紋、冠狀、斑點、隱窩等細節特征，具有唯一性、防偽性，虹膜識別技術被認為是應用最方便最安全的生物識別技術。

虹膜識別技術是通過匹配已預先存儲的注冊人的虹膜信息，來識別身份信息。可用于監控、支付、智能識別等領域。為了保證身份識別的安全性和準確性，必須要求在虹膜采集注冊和識別過程中確保虹膜未受到外部條件干擾，尤其是彩色隱形眼睛(簡稱美瞳)的干擾。如果用戶在采集注冊過程中佩戴了美瞳，采集的實際信息將不是該用戶獨一無二的虹膜特征信息，不僅會污染采集庫，也會對識別結果產生不利影響，因此，有必要在進行虹膜識別之前，先確定待測對象是否佩戴美瞳。

目前對于美瞳的檢測技術，大多是利用傳統的圖像處理方法，如提取灰度共生矩陣，LBP(局部二值化)向量特征等來進行識別，該類方法不能夠適用于大范圍的應用場景，實際工程應用中不同光照環境影響拍攝的圖像，以及不同花色紋理的美瞳圖案，均會對該類傳統方法的效果產生影響，造成上述算法的識別率較低，魯棒性較差。

發明內容

本發明實施例提供一種基于遷移學習的美瞳識別方法及系統，用以解決現有技術中對于美瞳檢測的識別率低、檢驗算法魯棒性差的缺陷。

第一方面，本發明實施例提供一種基于遷移學習的美瞳識別方法，包括：

獲取待測對象的待測眼睛區域圖像；獲取該待測眼睛區域圖像的待測虹膜圖像；對該待測虹膜圖像進行圖像處理后，獲取待測矩形圖像；將所獲取的待測矩形圖像輸入至遷移學習網絡模型，獲取與該待測眼睛區域圖像相對應的待測對象識別結果；

其中，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。

進一步地，本實施例提供的基于遷移學習的美瞳識別方法，該遷移學習網絡模型，具體包括：以去除VGG16網絡結構模型的后三個連接層后，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，并在增加的兩個全連接層之間增加一個dropout單元。

進一步地，在將待測矩形圖像輸入至遷移學習網絡模型之前，還包括：

獲取多個眼睛區域訓練樣本，并獲取與每個眼睛區域訓練樣本對應的虹膜圖像訓練樣本，以組建訓練樣本集；對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；將每個樣本矩形圖像作為遷移學習網絡模型的輸入，以與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，通過優化損失函數實現對遷移學習網絡模型的迭代訓練；其中，上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；虹膜圖像訓練負樣本是基于訓練樣本集中的美瞳樣本獲取的，虹膜圖像訓練正樣本是基于訓練樣本集中的虹膜樣本獲取的。