一种眼周特征提取方法、装置、设备及介质制造方法及图纸

本申请涉及眼周特征提取的技术领域，尤其是涉及一种眼周特征提取方法、装置、设备及介质，该方法包括：获取待检测眼周图像；将待检测眼周图像输入眼周特征提取网络，得到眼周特征，其中，眼周特征提取网络为基于多个眼周图像样本进行训练后得到的。本申请能够提取眼周特征。特征。特征。

【技术实现步骤摘要】
一种眼周特征提取方法、装置、设备及介质


[0001]本申请涉及眼周特征提取的
，尤其是涉及一种眼周特征提取方法、装置、设备及介质。

技术介绍

[0002]最近二十年，由于生物特征具有普遍性、唯一性、稳定性、方便性等优点，并且很难伪造和模仿，所以在很多领域中都作出了巨大的贡献。在众多的生物特征里面，眼周特征因在一定时间内具有稳定性、唯一性和非侵犯性，使其具有非常大的优势，有着广泛的市场前景和科学研究价值。
[0003]因此，如何提取眼周特征成为一个重要的问题。

技术实现思路

[0004]为了提取眼周特征，本申请提供了一种眼周特征提取方法、装置、设备及介质。
[0005]第一方面，本申请提供一种眼周特征提取方法，采用如下的技术方案：获取待检测眼周图像；将所述待检测眼周图像输入眼周特征提取网络，得到眼周特征，其中，所述眼周特征提取网络为基于多个眼周图像样本进行训练后得到的。
[0006]通过采用上述技术方案，将待检测的眼周图像通过由多个眼周图像样本训练得到的眼周特征提取网络进行眼周特征提取，从而可以得到眼周特征。
[0007]在一种可能实现的方式中，所述眼周特征用于身份识别。
[0008]通过上述技术方案，利用提取的眼周特征能够进行身份识别。
[0009]在一种可能实现的方式中，所述将所述待检测眼周图像输入眼周特征提取网络，得到眼周特征包括：对所述待检测眼周图像进行特征提取，得到局部特征；基于所述局部特征进行特征处理，得到全局特征；将所述局部特征与所述全局特征进行特征融合，得到眼周特征。
[0010]通过采用上述技术方案，通过将局部特征和全局特征进行融合得到眼周特征，避免了单一的局部特征或全局特征准确率不足的情况，提高了眼周特征提取的可靠性。
[0011]在一种可能实现的方式中，所述对所述待检测眼周图像进行特征提取，得到局部特征，包括：基于所述待检测眼周图像通过特征提取模块，得到所述局部特征，其中，所述特征提取模块包括：多组残差模块以及多组卷积组件。
[0012]通过采用上述技术方案，通过多组残差模块和多组卷积操作从待检测眼周图像中提取局部特征，提高了局部特征提取的准确性。
[0013]在一种可能实现的方式中，所述基于所述待检测眼周图像通过特征提取模块，得到所述局部特征，包括：
将所述待检测眼周图像输入第一残差模块，得到第一局部特征；将所述第一局部特征输入第二残差模块，得到第二局部特征，并将所述第二局部特征输入第三残差模块，得到第三局部特征；将所述第二局部特征与第三局部特征进行融合，得到初始第一局部融合特征；将所述初始第一局部融合特征进行卷积，得到第一局部融合特征；将所述第一局部融合特征输入到第四残差模块，得到第四局部特征；将所述第一局部特征与第四局部特征进行融合，得到第二局部融合特征；将所述第二局部融合特征依次通过多组卷积组件，得到所述局部特征。
[0014]通过采用上述技术方案，利用四组残差模块和三组卷积组件对局部特征进行提取，相比于残差模块为三组，卷积组件为三组的情况，由于将第二局部特征与第三局部特征进行融合，并将融合后的初始第一局部融合特征进行卷积，再输入第四残差模块，得到第二局部融合特征，在经过三组卷积组件得到的局部特征，因此所得到的局部特征相比于经过三组残差模块和三组卷积组件所得到的局部特征更加精准，并且相较于五组及以上残差模块和多组卷积组件，计算速度更快。
[0015]在一种可能实现的方式中，所述基于所述局部特征进行特征处理，得到全局特征，包括：基于所述局部特征通过第一卷积组件，得到第一目标特征；基于所述第一目标特征通过第二卷积组件，得到第二目标特征；基于所述第一目标特征通过多个transformer结构，得到第三目标特征；基于所述第二目标特征与所述第三目标特征进行特征融合，得到全局特征。
[0016]通过采用上述技术方案，根据局部特征依次通过第一卷积组件、第二卷积组件、多个transformer结构得到第三目标特征；再将第三目标特征与第二目标特征进行融合得到全局特征，由于是通过局部特征经过特征处理得到的，因此提高了全局特征的准确性。
[0017]在一种可能实现的方式中，所述基于所述第一目标特征通过多个transformer结构，得到第三目标特征包括：基于所述第一目标特征，得到第一特征图、第二特征图、第三特征图；将所述第一特征图与所述第二特征图进行矩阵乘积计算，得到特征图乘积；对所述特征图乘积进行缩放，得到特征图乘积的权重；将所述特征图乘积的权重进行池化，得到池化后的权重；将所述池化后的权重进行归一化，得到归一化权重；基于所述第三特征图中每一特征的位置信息进行加法计算，得到特征和；基于所述特征和与所述归一化权重进行矩阵计算，得到计算结果；将所述第一目标特征进行池化，得到池化后第一目标特征，并将所述池化后第一目标特征与所述计算结果进行融合，得到初始第三目标特征；将所述初始第三目标特征作为所述第一目标特征，通过下一transformer结构，直至得到所述第三目标特征。
[0018]通过采用上述技术方案，通过第一目标特征和计算结果进行融合得到第三目标特征，增加了第三目标特征的层次性。
[0019]在一种可能实现的方式中，所述将所述局部特征与所述全局特征进行特征融合，
得到眼周特征，包括：将所述局部特征与所述全局特征进行融合，得到初始融合特征；将所述初始融合特征顺序输入多组残差模块，得到目标融合特征；将所述目标融合特征顺序输入多组全连接层，得到所述眼周特征。
[0020]通过采用上述技术方案，将初始融合特征输入多组残差模块和多组全连接层，提高了得到的眼周特征的精准度。
[0021]在一种可能实现的方式中，所述眼周特征提取网络的训练过程，包括：获取多个眼周图像样本，所述多个眼周图像样本包括多个眼周图像样本图片与各自对应的标签；获取待训练眼周特征提取网络；根据所述多个眼周图像样本对所述待训练眼周特征提取网络进行训练，得到所述眼周特征提取网络。
[0022]通过采用上述技术方案，通过基于眼周图像样本对待训练眼周特征提取网络进行训练，最终得到符合要求的眼周特征提取网络，用于对待检测眼周图像进行眼周特征提取。
[0023]在一种可能实现的方式中，所述标签包括身份信息标签，所述根据所述多个眼周图像样本对所述待训练眼周特征提取网络进行训练，得到所述眼周特征提取网络，包括：将所述多个眼周图像样本图片输入到待训练模型，得到预测的各样本图片对应的身份信息，其中，所述待训练模型包括：待训练眼周特征提取网络与待训练全连接层以及待训练分类器，其中，所述待训练眼周特征提取网络用于提取样本图片的眼周特征；根据所述预测的各眼周图像样本图片对应的身份信息与各自对应的身份信息标签利用预设损失函数，确定损失值；根据所述损失值和所述多个眼周图像样本图片对所述待训练模型进行迭代训练，直至所述损失值达到预设损失阈值，得到最终训练模型，其中最终训练模型包括：眼周特征提取网络、全连接层以及分类器；从所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种眼周特征提取方法，其特征在于，包括：获取待检测眼周图像；将所述待检测眼周图像输入眼周特征提取网络，得到眼周特征，其中，所述眼周特征提取网络为基于多个眼周图像样本进行训练后得到的。2.根据权利要求1所述的眼周特征提取方法，其特征在于，所述眼周特征用于身份识别。3.根据权利要求1所述的眼周特征提取方法，其特征在于，所述将所述待检测眼周图像输入眼周特征提取网络，得到眼周特征，包括：对所述待检测眼周图像进行特征提取，得到局部特征；基于所述局部特征进行特征处理，得到全局特征；将所述局部特征与所述全局特征进行特征融合，得到眼周特征。4.根据权利要求3所述的眼周特征提取方法，其特征在于，所述对所述待检测眼周图像进行特征提取，得到局部特征，包括：基于所述待检测眼周图像通过特征提取模块，得到所述局部特征，其中，所述特征提取模块包括：多组残差模块以及多组卷积组件。5.根据权利要求4所述的眼周特征提取方法，其特征在于，所述基于所述待检测眼周图像通过特征提取模块，得到所述局部特征，包括：将所述待检测眼周图像输入第一残差模块，得到第一局部特征；将所述第一局部特征输入第二残差模块，得到第二局部特征，并将所述第二局部特征输入第三残差模块，得到第三局部特征；将所述第二局部特征与第三局部特征进行融合，得到初始第一局部融合特征；将所述初始第一局部融合特征进行卷积，得到第一局部融合特征；将所述第一局部融合特征输入到第四残差模块，得到第四局部特征；将所述第一局部特征与第四局部特征进行融合，得到第二局部融合特征；将所述第二局部融合特征依次通过多组卷积组件，得到所述局部特征。6.根据权利要求3所述的眼周特征提取方法，其特征在于，所述基于所述局部特征进行特征处理，得到全局特征，包括：基于所述局部特征通过第一卷积组件，得到第一目标特征；基于所述第一目标特征通过第二卷积组件，得到第二目标特征；基于所述第一目标特征通过多个transformer结构，得到第三目标特征；基于所述第二目标特征与所述第三目标特征进行特征融合，得到全局特征。7.根据权利要求6所述的眼周特征提取方法，其特征在于，所述基于所述第一目标特征通过多个transformer结构，得到第三目标特征包括：基于所述第一目标特征，得到第一特征图、第二特征图、第三特征图；将所述第一特征图与所述第二特征图进行矩阵乘积计算，得到特征图乘积；对所述特征图乘积进行缩放，得到特征图乘积的权重；将所述特征图乘积的权重进行池化，得到池化后的权重；将所述池化后的权重进行归一化，得到归一化权重；基于所述第三特征图中每一特征的位置信息进行加法计算，得到特征和；
基于所述特征和与所述归一化权重进行矩阵计算，得到...

【专利技术属性】
技术研发人员：李茂林，张小亮，戚纪纲，
申请(专利权)人：北京万里红科技有限公司，
类型：发明
国别省市：