轻量级虹膜图像分割方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种轻量级虹膜图像分割方法、装置、设备及存储介质，本发明专利技术基于深度空洞卷积与水平集方法结合的轻量级虹膜内外圆定位框架，利用深度学习模型学习并得到水平集方法所需的初始化轮廓，再通过水平集算法拟合得到最终的虹膜内外圆分割轮廓，避免了单一的以像素做分类来实现分割的方法，粗定位

【技术实现步骤摘要】
轻量级虹膜图像分割方法、装置、电子设备及存储介质


[0001]本专利技术属于生物识别
，特别涉及一种轻量级虹膜图像分割方法、装置、设备及存储介质。

技术介绍

[0002]虹膜识别为一种生物特征识别技术。目前已有的基于深度学习的虹膜区域分割方法在分割虹膜边界时要么精度高但是速度不大理想且计算成本高，要么速度快但是分割精度不高，而且绝大部分的分割均是对像素进行直接分类，少有针对轮廓的获取方法。

技术实现思路

[0003]针对现有技术的以上缺陷或改进需求，本专利技术的目的在于提供了一种轻量级虹膜图像分割方法、装置、电子设备及存储介质。
[0004]为了实现上述目的，
[0005]第一方面，本专利技术提供了一种轻量级虹膜图像分割方法，包括以下步骤：
[0006]步骤一：对获取的虹膜图像进行预处理，得到归一化后的虹膜图像数据；
[0007]步骤二：将归一化后的虹膜图像数据输入训练好的轻量级分割模型中，得到虹膜内外圆的分割掩膜；
[0008]步骤三：针对虹膜内外圆的分割掩膜，利用距离变换函数得到虹膜内外圆的带符号距离的曲面图；
[0009]步骤四：利用水平集算法在曲面图上拟合出虹膜内外圆的边界轮廓。
[0010]其中，
[0011]所述轻量级分割模型的网络结构包括：卷积层C0、通道金字塔卷积块CFB0以及第一组合通道金字塔卷积块、分路卷积块SP0、第二组合通道金字塔卷积块、分路卷积块SP1、空间
‑
通道融合模块SC0、空间r/>‑
通道融合模块SC1、卷积层C1、上采样U0，
[0012]归一化后的虹膜图像数据依次输入卷积层C0、通道金字塔卷积块CFB0、第一组合通道金字塔卷积块、分路卷积块SP0、第二组合通道金字塔卷积块、分路卷积块SP1；
[0013]第一组合通道金字塔卷积块包括三个相同结构的通道金字塔卷积块，且第一组合通道金字塔卷积块最终的输出是由第一个通道金字塔卷积块的输出与最后一个通道金字塔卷积块的输出相加得到的，将相加的结果再通过分路卷积块SP0输出；.
[0014]第二组合通道金字塔卷积块包括六个相同结构的通道金字塔卷积块，且第二组合通道金字塔卷积块最终的输出是由第一个通道金字塔卷积块的输出与最后一个通道金字塔卷积块的输出相加得到的，将相加的结果再通过分路卷积块SP1输出；.
[0015]空间
‑
通道融合模块SC0用于融合分路卷积块SP0输出和分路卷积块SP1输出；空间
‑
通道融合模块SC1用于融合通道金字塔卷积块CFB0的输出和空间
‑
通道融合模块SC0的输出；
[0016]空间
‑
通道融合模块SC1的输出进入卷积层C1后进行上采样U0至输入图像大小，生
成分割掩膜；
[0017]所述卷积层C0卷积核为3*3，步长为2。
[0018]其中，
[0019]所述通道金字塔卷积块包括卷积层F0和卷积层F9、注意力层SE，输入通道金字塔卷积块的数据经过卷积层F0，卷积之后的输出通道分成4份{f0,f1,f2,f3}，除第一份直接过3*3卷积层F1之外，其他三份均需接连与上一份的卷积输出相加再过一个3*3卷积层，最后将四份结果{B0,B1,B2,B3}以通道维度进行拼接，再将拼接的输出经过一个卷积层F9后再过注意力层SE和原本的输入相加得到输出结果；
[0020]所述卷积层F0卷积核为1*1。
[0021]其中，
[0022]所述分路卷积块由一个3*3的卷积层加两个分支和一个1*1的卷积层组成的，输入过一个3*3的卷积层S0通道数减半后分别过一个3*1的深度卷积层S1加一个3*1的深度空洞卷积层S3的分支，另一个分支是由一个1*3的深度卷积层S2与一个1*3的深度空洞卷积层S4组成的，两个分支的输出结果相加A4后过一个1*1的卷积层S5与输入相加A5得到最终的输出。
[0023]其中，
[0024]所述空间
‑
通道融合模块有两个输入，输入1为底层信息L，过一个1*1的卷积层L0之后再沿通道维度求平均M0后，再过一个1*1的卷积层L1与一个sigmoid激活函数，得到底层信息的空间注意力特征图SF；输入2为高层特征H，同样过一个1*1的卷积层H0之后再平均池化AP，再过一个1*1的卷积层H1与一个ReLU激活函数和一个sigmoid激活函数，得到通道注意力特征图CF；通道的注意力特征图CF与底层信息刚过1*1卷积层L0后得到的信息相乘，实现通道注意力机制的加权操作，空间注意力特征图SF与高层特征过1*1卷积层H0之后得到的信息相乘，实现空间注意力机制的加权操作，将通道注意力机制加权之后的输出cf与空间注意力机制加权之后的输出sf相加得到空间与通道特征融合的输出。
[0025]其中，
[0026]获取的虹膜图像是在不同光照条件下采集的虹膜图像，包括红外光环境下的图像数据和可见光环境下的图像数据。
[0027]其中，
[0028]所述水平集算法的能量公式如下：
[0029]假设{u:u(t)＝0}表示闭合的曲线,
[0030][0031]其中，c为常数，k为曲率即g(I)代表边缘停止函数，即I表示去噪后的灰度图像。
[0032]第二方面，
[0033]本专利技术提供了一种轻量级虹膜图像分割装置，包括：
[0034]图像预处理单元，其用于对获取的虹膜图像进行预处理，得到归一化后的虹膜图
像数据；
[0035]分割掩膜获取单元，其用于将归一化后的虹膜图像数据输入训练好的轻量级分割模型中，得到虹膜内外圆的分割掩膜；
[0036]曲面图获取单元，其用于针对虹膜内外圆的分割掩膜，利用距离变换函数得到虹膜内外圆的带符号距离的曲面图；
[0037]边界计算单元，其用于利用水平集算法在曲面图上拟合出虹膜内外圆的边界轮廓。
[0038]第三方面，
[0039]本专利技术提供了一种电子设备，包括：
[0040]存储器，其用于存储指令；所述存储器存储有至少一条指令、至少一段程序、代码集或指令集；
[0041]处理器，其用于加载并执行所述至少一条指令、所述至少一段程序、所述代码集或指令集，以实现上述的轻量级虹膜图像分割方法；
[0042]电源组件，其用于为设备提供电源；
[0043]通信组件，其用于为设备提供通信功能；
[0044]输入/输出接口，其用于接收输入指令及向外输出信息。
[0045]第四方面，
[0046]本专利技术提供了一种存储介质，
[0047]所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的轻量级虹膜图像分割方法。
[0048]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级虹膜图像分割方法，其特征在于，包括以下步骤：步骤一：对获取的虹膜图像进行预处理，得到归一化后的虹膜图像数据；步骤二：将归一化后的虹膜图像数据输入训练好的轻量级分割模型中，得到虹膜内外圆的分割掩膜；步骤三：针对虹膜内外圆的分割掩膜，利用距离变换函数得到虹膜内外圆的带符号距离的曲面图；步骤四：利用水平集算法在曲面图上拟合出虹膜内外圆的边界轮廓。2.根据权利要求1所述的轻量级虹膜图像分割方法，其特征在于，所述轻量级分割模型的网络结构包括：卷积层C0、通道金字塔卷积块CFB0以及第一组合通道金字塔卷积块、分路卷积块SP0、第二组合通道金字塔卷积块、分路卷积块SP1、空间
‑
通道融合模块SC0、空间
‑
通道融合模块SC1、卷积层C1、上采样U0，归一化后的虹膜图像数据依次输入卷积层C0、通道金字塔卷积块CFB0、第一组合通道金字塔卷积块、分路卷积块SP0、第二组合通道金字塔卷积块、分路卷积块SP1；第一组合通道金字塔卷积块包括三个相同结构的通道金字塔卷积块，且第一组合通道金字塔卷积块最终的输出是由第一个通道金字塔卷积块的输出与最后一个通道金字塔卷积块的输出相加得到的，将相加的结果再通过分路卷积块SP0输出；.第二组合通道金字塔卷积块包括六个相同结构的通道金字塔卷积块，且第二组合通道金字塔卷积块最终的输出是由第一个通道金字塔卷积块的输出与最后一个通道金字塔卷积块的输出相加得到的，将相加的结果再通过分路卷积块SP1输出；.空间
‑
通道融合模块SC0用于融合分路卷积块SP0输出和分路卷积块SP1输出；空间
‑
通道融合模块SC1用于融合通道金字塔卷积块CFB0的输出和空间
‑
通道融合模块SC0的输出；空间
‑
通道融合模块SC1的输出进入卷积层C1后进行上采样U0至输入图像大小，生成分割掩膜；所述卷积层C0卷积核为3*3，步长为2。3.根据权利要求2所述的轻量级虹膜图像分割方法，其特征在于，所述通道金字塔卷积块包括卷积层F0和卷积层F9、注意力层SE，输入通道金字塔卷积块的数据经过卷积层F0，卷积之后的输出通道分成4份{f0，f1，f2，f3}，除第一份直接过3*3卷积层F1之外，其他三份均需接连与上一份的卷积输出相加再过一个3*3卷积层，最后将四份结果{B0,B1,B2,B3}以通道维度进行拼接，再将拼接的输出经过一个卷积层F9后再过注意力层SE和原本的输入相加得到输出结果；所述卷积层F0卷积核为1*1。4.根据权利要求2所述的轻量级虹膜图像分割方法，其特征在于，所述分路卷积块由一个3*3的卷积层加两个分支和一个1*1的卷积层组成的，输入过一个3*3的卷积层S0通道数减半后分别过一个3*1的深度卷积...

【专利技术属性】
技术研发人员：孙哲南，伍湘琼，王云龙，
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：