一种自动获取虹膜内外圆边界坐标的方法技术

本发明专利技术公开了一种自动获取虹膜内外圆边界坐标的方法，其包括步骤：步骤S1，将原始人眼虹膜图像输入到卷积神经网络中，获得对应的特征图；步骤S2，将每个卷积层所输出的特征图，分别上采样到与原始人眼虹膜图像相同的尺寸大小，然后拼接获得拼接后的特征图；步骤S3，将拼接后的特征图分别输入到第一多层感知机和第二多层感知机中，预测获得虹膜外圆和虹膜内圆的参数化主动轮廓模型所需的参数；步骤S4，将预测得到的参数分别输入到对应的参数化主动轮廓模型中，得到虹膜外圆和虹膜内圆的边界坐标。本发明专利技术提能够自动地从人眼虹膜图像中获取到虹膜内外圆的边界坐标，准确定位虹膜的内外圆边界，为后续虹膜归一化提供准确的输入参数。数。数。

【技术实现步骤摘要】
一种自动获取虹膜内外圆边界坐标的方法


[0001]本专利技术涉及图像识别
，特别是涉及一种自动获取虹膜内外圆边界坐标的方法。

技术介绍

[0002]目前，虹膜识别作为一种生物特征识别技术，比人脸和指纹识别更具有安全性，也是公认的最精确有效的生物特征识别方法。
[0003]但是，在实际应用中，仍遇到许多技术挑战，尤其在某些复杂不可控的场景下采集到的人们的虹膜图像，因为存在光照、距离、遮挡等诸多变化，导致传统分割算法在精确地分割出虹膜区域时有些困难。
[0004]而现有的基于深度学习的虹膜分割的方法中，大部分方法是通过对图像像素的分类实现虹膜区域的分割，这些方法存在的问题是：常常会出现过分割和欠分割的问题，无法明确地定位虹膜的内外圆边界。而定位虹膜内外圆边界是虹膜分割的重要步骤，是后续虹膜归一化算法的重要输入参数。因此准确定位虹膜的内外圆边界，对保证虹膜识别的整体准确性，具有十分重要的意义。
[0005]但是，目前还没有一种技术，能够准确定位虹膜的内外圆边界，从而保证虹膜识别的整体准确性。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种自动获取虹膜内外圆边界坐标的方法，其特征在于，包括以下步骤：步骤S1，将原始人眼虹膜图像输入到卷积神经网络中，通过卷积神经网络提取获得所述原始人眼虹膜图像对应的特征图；其中，所述原始人眼虹膜图像对应的特征图，是由卷积神经网络中每个卷积层所输出的特征图；步骤S2，通过卷积神经网络，将每个卷积层所输出的特征图，分别上采样到与原始人眼虹膜图像相同的尺寸大小，然后将上采样过的全部卷积层所输出的特征图按通道进行拼接，获得拼接后的特征图；步骤S3，将步骤S2获得的拼接后的特征图，分别输入到结构相同的第一多层感知机和第二多层感知机中，通过第一多层感知机和第二多层感知机分别预测获得虹膜外圆的参数化主动轮廓模型所需的参数和虹膜内圆的参数化主动轮廓模型所需的参数；步骤S4，训练获得虹膜外圆的参数化主动轮廓模型和虹膜内圆的参数化主动轮廓模型，然后将通过步骤S2获得的虹膜外圆的参数化主动轮廓模型所需的参数和虹膜外圆初始的轮廓点坐标，输入到相对应的虹膜外圆参数化主动轮廓模型中，以及将通过步骤S3获得的虹膜内圆的参数化主动轮廓模型所需的参数和虹膜内圆初始的轮廓点坐标，输入到相对应的虹膜内圆参数化主动轮廓模型中，分别得到虹膜外圆的边界坐标和虹膜内圆的边界坐标。2.如权利要求1所述的方法，其特征在于，步骤S1具体包括以下步骤：步骤S11，卷积神经网络对输入的原始人眼虹膜图像进行数据增广处理，得到数据增广处理后的人眼虹膜图像；步骤S12，对步骤S11得到的数据增广处理后的人眼虹膜图像，进行归一化处理，得到归一化的人眼虹膜图像；步骤S13，将步骤S12得到的归一化的人眼虹膜图像，输入到卷积神经网络中，提取获得所述原始人眼虹膜图像对应的特征图。3.如权利要求1所述的方法，其特征在于，在步骤S3中，第一层多层感知机和第二多层感知机是通过以下步骤训练得到的：步骤S31，将步骤S2获得的拼接后的特征图，分别输入到第一多层感知机和第二多层感知机中；步骤S32，由第一多层感知机和第二多层感知机，分别预测输出虹膜外圆的参数化主动轮廓模型所需的参数以及虹膜内圆的参数化主动轮廓模型所需的参数。4.如权利要求1所述的方法，其特征在于，在步骤S1中，原始人眼虹膜图像为已进行增强操作的原始人眼虹膜图像；该原始人眼虹膜图像的增强操作具体包括：以任意角度旋转、高斯噪声扰动、亮度随机扰动中的一种操作或多种操作。5.如权利要求1所述的方法，其特征在于，在步骤S1中，使用的卷积神经网络的模型结构如下：第一层是输入层，其输入的原始人眼虹膜图像是300*400*3像素的矩阵；第二层是卷积模块，包含有卷积层、批标准化层、激活函数ReLU层、最大池化层；其中，卷积层中卷积核大小为3*3，步长为1，该层使用了SAME模式填充；
其中，最大池化层使用的是2*2大小的池化窗，步长为2，最后输出的特征图大小为150*200*32，将最后输出的特征图上采样到原始人眼虹膜图像的尺寸大小300*400，即将卷积神经网络模型的第二层输出的特征图从150*200*32上采样至300*400*32；对于卷积神经网络模型，其第三层和第二层一样，只是输出的通道数不同，最后输出的特征图大小为75*100*64，将其上采样到原图300*400尺寸大小，即将第一层输出的特征图从75*100*64上采样至300*400*64；第四层同第三层一样，该层输出大小为38*50*64，将其上采样到原图300*400尺寸大小，即将第一层输出的特征图从38*50*64上采样至300*400*64；第五层与第四层一样，其输出的特征图大小为19*25*128，将其上采样到原图300*400尺寸大小，即将第一层输出的特征图从19*25*128上采样至300*400*128；第六层与第五层一样，其输出的特征图大小为10*13*128，将其上采样到原图300*400尺寸大小，...

【专利技术属性】
技术研发人员：孙哲南，王云龙，伍湘琼，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：