[发明专利]一种虹膜图像中虹膜区域的分割方法及其装置

权利要求书

1.一种虹膜图像中虹膜区域的分割方法，其特征在于，包括步骤：

第一步：建立多尺度的卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的卷积层和采样层；

第二步：预先对一个预先选择的虹膜图像中的预设关键点进行标注；

第三步：将已标注预设关键点的所述虹膜图像输入到所述卷积神经网络中，对所述卷积神经网络进行训练，使得卷积神经网络的模型收敛；

第四步：将需要进行虹膜区域分割的待测试虹膜图像，输入到完成训练的所述卷积神经网络中，获得所述待测试虹膜图像的二值编码图，该二值编码图即为最终分割好的虹膜区域；

卷积神经网络的网络结构为：以现有的VGG-19 layers的模型为基础，只由卷积层和下采样层组合而成，然后从前至后分别将图像输入层，pool3、pool6、pool9、pool12、pool16这五个下采样层的五个输出结果，在图像融合输出层进行融合后输出；

所述第二步具体为：将所述预先选择的虹膜图像中分别属于虹膜的像素和非虹膜像素的预设关键点分别进行标注；

所述虹膜图像中属于虹膜的像素的预设关键点包括黑色瞳孔和白色巩膜；所述非虹膜像素的预设关键点包括头发，眼皮，睫毛和光斑；

所述第三步具体为：

将已标注预设关键点的所述虹膜图像输入到所述卷积神经网络中，使用随机梯度下降法对所述卷积神经网络进行训练，并通过前向传播算法计算输入虹膜图像的每个像素的类别，通过计算其与所述虹膜图像预先标注好的真实类别之间的误差，使用反向传播方法进行卷积层参数的更替，对所述卷积神经网络的模型进行训练，直至模型收敛，完成训练过程；

卷积神经网络的图像融合输出层的输出图像，与原输入的图像大小一致，在第三步中，针对所述多个下采样层的每一个输出图像与已标注关键点的虹膜图像进行误差计算，其损失函数loss如下：

其中，x(p，q)为图像中每个像素的坐标，在像素(p,q)点的损失计算为J；θ为模型的参数；1{y(p,q)＝j}表示当y(p,q)＝j的时候，该表达式等于1，否则为0。

2.如权利要求1所述的方法，其特征在于，所述虹膜的像素与非虹膜像素分别标注为二进制码0和1。