CN114445904B 基于全卷积神经网络的虹膜分割方法和装置、介质和设备 （北京无线电计量测试研究所）

箱基于全卷积神经网络的虹膜分割方法和装本发明公开了一种基于全卷积神经网络的图像中的特征提取得到压缩虹膜特征P；将压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配不同的权重W，最终输出虹中对应的特征融合将虹膜图像扩张至原始输入大小；对所述扩张模型的输出结果进行通道分2将预处理后的虹膜图像输入训练好的压缩模型，进行所述预处将所述压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配不同将所述虹膜特征P,作为训练好的扩张模型的输入，进行上采样通过后处理对所述虹膜掩码、瞳孔掩码和虹膜外边界进行优化去使用均值消减法对所述采集到的虹膜图像进行预处理，从而凸显心裁剪和/或缩放的方式对所述虹膜图像的尺寸进行调整以得到第四层为卷积层，包括128个尺寸为3*3*64的卷积核，步长为1，该3所述将所述压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配用256个尺寸为1*1*512的卷积核对所述压缩虹膜特征P进行卷积，最后一个卷积层的和D4将所述压缩虹膜特征P与输出权重W进行逐元素点乘，并与自身进行P'=P田(P因W)..…(8)第一层为上采样层，通过双线性插值法将上采样到输入矩第五层为上采样层，通过双线性插值法将上采样到输入矩4第九层为上采样层，通过双线性插值法将上采样到输入矩第十三层为上采样层，通过双线性插值法将上采样到输入矩第十六层为卷积层，其包括32个尺寸为3*3*64的卷积核，其输所述对所述扩张模型的输出结果进行通道分离，得到虹膜掩码、瞳孔掩将所述扩张模型的输出结果输入由3个尺寸为1*1*32的卷积核组成的卷积层，将所述所述通过后处理对所述虹膜掩码、瞳孔掩码和虹膜外边界进行优化去分别使用固定阈值对所述虹膜掩码、瞳孔掩码和虹膜两两计算虹膜掩码连通域和瞳孔掩码连通域，以及虹膜在候选三元组集中选择最大的一个三元组，其成员即为候选的从所述候选的瞳孔掩码和虹膜外边界中提取轮廓，并用轮廓上的点根据优化后的虹膜内外边界对所述候选的虹膜掩码进行优化，去5虹膜图像预处理模块，用于将虹膜图像采集模块得到的虹膜图像压缩模块，用于将虹膜图像预处理模块得到的预处理后的虹膜图像处理模块，用于通过注意力模块为所述虹膜图像压缩虹膜图像扩张模块，用于对压缩后的虹膜特征P,进在通道维度上与所述虹膜图像压缩模块输出的对应虹膜图像分割模块，用于对所述虹膜图像扩张模块的输出结果进行虹膜图像后处理模块，用于通过后处理对所述虹膜掩码、瞳孔掩码其中所述应用程序被处理器执行时实现如权利要求1至7中任一项所述的基于全卷积神经6虹膜分割对整个虹膜识别过程的速度和准确率都有重[0007]本发明第一方面提供了一种基于全卷积神经网络的虹膜分割方法，所述方法包[0010]将所述压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配7所述压缩模型中对应的特征融合将虹膜图像扩张至原过中心裁剪和/或缩放的方式对所述虹膜图像的尺寸进行调整以得到预设尺寸的虹膜图8用由256个尺寸为1*1*512的卷积核组成的卷积层进行卷积，接着用线性插值进行上采样，[0040]用256个尺寸为1*1*512的卷积核对所述压缩虹膜特征P进行卷积，最后一个卷积卷积分别包括256个尺寸为3*3*51和D4(P)在通道维度上进行[0051]P'=PB(P8W)…(8)9[0066]第十三层为上采样层，通过双线性插值法将上采样到输[0072]将所述扩张模型的输出结果输入由3个尺寸为1*1*32的卷积核组成的卷积层，将掩码连通域之间的切比雪夫距离得到候选三元组[0083]虹膜图像预处理模块，用于将虹膜图像采集模块得到的虹膜图像进行预处理操[0086]虹膜图像扩张模块，用于对压缩后的虹膜特征P,进行上采样使其扩张到原始大[0094]图1示出本发明的一个实施例提供的一种基于全卷积神经网络的虹膜分割方法的[0097]图4示出本发明实施例提供的一种基于全卷积神经网络的虹膜分割装置的示意员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范上与所述压缩模型中对应的特征融合将虹膜图像扩过中心裁剪和/或缩放的方式对所述虹膜图像的尺寸进行调整以得到预设尺寸的虹膜图这里由于虹膜分割网络输出的边界宽度会大于1，因此使用形态学膨胀将标注的圆形宽度[0111]在进行全卷积神经网络的训练时，需对采集到的虹膜图像进行人工标注和预处[0112]以所述经过人工标注和预处理的虹膜图像作为训练集训[0119]将所述经过人工标注和预处理的虹膜图像作为训练集输入至所述全卷积神经网用由256个尺寸为1*1*512的卷积核组成的卷积层进行卷积，接着用线性插值进行上采样，[0144]用256个尺寸为1*1*512的卷积核对所述压缩虹膜特征P进行卷积，最后一个卷积卷积分别包括256个尺寸为3*3*51[0147]D2(P)=conx3(P)..…(3)和D4(P)在通道维度上进行[0155]P'=PB(P8W)..…(8)[0170]第十三层为上采样层，通过双线性插值法将上采样到输[0176]将所述扩张模型的输出结果输入由3个尺寸为1*1*32的卷积核组成的卷积层，将[0179]对虹膜外边界做形态学闭运算：使用形态学闭运算连接[0184]根据候选虹膜外边界计算虹膜外边界：从候选虹膜外边界中提取虹膜外边界信[0188]虹膜图像预处理模块，用于将虹膜图像采集模块得到的虹膜图像进行预处理操[0191]虹膜图像扩张模块，用于对压缩后的虹膜特征P’进行上采样使其扩张到原始大[0198]将所述压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配所述压缩模型中对应的特征融合将虹膜图像扩张至原[0205]将所述压缩虹膜特征P作为注意力模块的输入，为所述虹膜图像的不同像素分配所述压缩模型中对应的特征融合将虹膜图像扩张至原件使用或者与其结合使用。[0210]计算机可读的信号介质可以包括在基带中或者作为载波[0212]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或[0215]总线18表示几类总线结构中的一种或多种，包括存储器存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可[0218]具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28[0219]计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域