[發明專利]基于多任務神經網絡的虹膜圖像分割、定位和歸一化方法

有效

• 申請號: 202011259747.0
• 申請日: 2020-11-12
• 公開（公告）號: CN112287872B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 王財勇;田啟川;郭茂祖;何召鋒;孫哲南;王云龍;張琪
• 申請（專利權）人: 北京建筑大學
• 主分類號: G06V40/18
• 分類號: G06V40/18;G06V10/26;G06K9/62;G06V10/774;G06N3/08;G06N3/04
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于模式識別、計算機視覺與生物特征識別領域，具體涉及了一種基于多任務神經網絡的虹膜圖像分割、定位和歸一化方法，旨在解決非受控場景下虹膜圖像分割、定位和歸一化的精度不高、耗時較長、限制較多的問題。本發明包括：將虹膜圖像在多任務神經網絡中前向傳播，獲得虹膜掩膜映射圖、內外邊界中心點熱力圖和回歸映射圖，并提取內外邊界中心點坐標；進行雙線性插值，結合極坐標變換獲取虹膜內外邊界點坐標；均勻采樣獲取極坐標系下角度節點和半徑節點，并以角度和半徑為權重進行線性插值，獲得虹膜環狀有效區域點的坐標；雙線性插值獲得歸一化虹膜圖像和虹膜掩模。本發明可以實現非受控場景下的虹膜圖像高效、準確的分割、定位及歸一化。

技術領域

本發明屬于模式識別、計算機視覺與生物特征識別領域，具體涉及了一種基于多任務神經網絡的虹膜圖像分割、定位和歸一化方法。

背景技術

在眾多的生物特征識別技術中，虹膜識別因其呈現的高度穩定性、準確性、非接觸性和防偽性等特性，被公認為是一種最有前途的身份識別方法之一，廣泛應用于門禁考勤、邊境控制、銀行金融、司法鑒定等領域。

一般地，虹膜識別系統包含虹膜圖像獲取、虹膜預處理、虹膜特征提取和特征匹配等模塊，其中，虹膜預處理進一步地包含虹膜圖像質量評估、虹膜活體檢測、虹膜分割、虹膜定位和虹膜歸一化。在眾多的預處理模塊中，虹膜分割、定位和歸一化是影響整個虹膜識別性能最關鍵的三個部分。

虹膜分割用于提取有效的虹膜紋理區域，排除各類噪聲的干擾，輸出虹膜掩模。虹膜定位用于檢測虹膜-瞳孔和虹膜-鞏膜之間的內外邊界。基于虹膜分割和定位的結果，通過虹膜歸一化將原始的虹膜圖像和分割后的虹膜掩模從笛卡爾坐標系映射到極坐標系下大小固定的矩形區域，從而減少虹膜尺寸和瞳孔縮放帶來的類內變化。歸一化的圖像將被用作后續的虹膜特征提取和匹配。

傳統的虹膜分割、定位和歸一化方法主要是為受控的虹膜識別系統而開發，這類系統在對成像光源和用戶配合上做了較多限制后，通常可以獲取清晰良好的虹膜圖像，因此產生了準確魯棒的預處理結果。近些年來，面向遠距離、移動端和可見光條件下的非受控虹膜識別獲得了快速的發展，然而在此條件下，獲取的虹膜圖像經常遭受遮擋、模糊、旋轉、斜眼、鏡面反射等噪聲的干擾。面對這類圖像，傳統的方法由于依賴大量的先驗知識、繁雜的前后處理操作，并且往往需要預設經驗性的超參數等，經常導致預處理操作失敗，嚴重影響了虹膜識別的性能。此外，很多傳統的方法只能處理某一類或者幾類噪聲虹膜圖像，不具備普適性，增加了處理未知類別虹膜圖像的難度。

近些年來，深度學習技術在各類計算機視覺、生物特征識別任務中有著卓越的表現。特別地，對于虹膜圖像預處理，也有大量的研究致力于提升圖像質量評估、虹膜活體檢測、虹膜分割等方面的性能，尤其是對于虹膜分割，許多學者提出了基于全卷積神經網絡(FCN，FullyConvolutional Network)的通用的虹膜分割方法，在各類非受控虹膜圖像上取得了良好的效果。然而對于虹膜定位以及歸一化，目前仍然缺乏一種快速魯棒的通用的解決方案。一些方法通過基于FCN預測的虹膜掩模定位虹膜內外圓，然而經常因虹膜掩模的不完整性而導致失敗，此外將虹膜邊界參數化為圓也不適用于斜眼等虹膜圖像。也有方法提出將虹膜定位建模成虹膜內外邊界曲線的預測，并基于全卷積神經網絡而實現，但是網絡預測的曲線經常是噪聲的，且沒有參數化，因此需要預設參數化的形式(設置邊界為圓或者橢圓)和依賴較多繁雜耗時的后處理操作才能獲取虹膜歸一化所需的定位結果。

總的來說，為了能夠有效地處理非受控場景下的虹膜識別問題，本領域還急需一種通用的、準確的、實時的虹膜圖像分割、定位和歸一化方法，通過新的基于深度學習的通用建模方式，徹底去除任何繁雜的前后處理操作,并且無需提前預設虹膜的尺寸或者指定虹膜邊界的參數化形式，從而有效提高虹膜圖像分割、定位和歸一化的精度和效率。

發明內容

為了解決現有技術中的上述問題，即非受控場景下虹膜圖像分割、定位和歸一化的精度不高、耗時較長、限制較多的問題，本發明提供了一種基于多任務神經網絡的虹膜圖像分割、定位方法，該虹膜圖像分割、定位方法包括：