[发明专利]一种虹膜图像中虹膜区域的分割方法及其装置

说明书

本发明公开了一种虹膜图像中虹膜区域的分割方法，包括步骤：第一步：建立多尺度的卷积神经网络；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，即为最终分割好的虹膜区域。本发明公开的虹膜图像中虹膜区域的分割方法及其装置，其可以对非可控场景下采集的虹膜图像中的虹膜区域进行及时、准确的分割，满足用户对虹膜分割的要求，能够提高用户的工作效率。

技术领域

本发明涉及模式识别和计算机视觉等技术领域，特别是涉及一种虹膜图像中虹膜区域的分割方法及其装置。

背景技术

目前，随着人类科学技术的不断发展，虹膜识别技术在人们日常生活中越来越普及，虹膜识别是利用虹膜的纹理的不变性，唯一性等鉴定身份的一种生物特征识别方法，其已经成功应用于国家安防、边境控制、银行金融、门禁考勤以及移动终端等领域。可以说，无论在人工智能研究还是公共安全应用方面，虹膜识别技术一直是一项前沿、热门技术，拥有举足轻重的地位。

对于虹膜识别技术，在实际应用中，遇到许多技术挑战。特别是对于远距离场景和人们不是完全配合的场景(如运动场景)等非可控场景(即复杂的、不可控制的场景)下，参见图1所示，所采集到的人们的虹膜图像由于存在光照和距离变化，因此虹膜图像具有低分辨率、高噪声、斜眼、模糊和被遮挡等特性，因此使得将虹膜图像中的虹膜区域精确地分割出来尤为困难，因此影响了对人们进行虹膜识别的准确率和及时性。需要说明的是，虹膜分割的目的是为了将位于眼球的黑色瞳孔和白色巩膜之间且不被各种噪声遮挡的虹膜区域有效的分割出来，其作为虹膜识别的预处理步骤，对虹膜识别的准确率具有着直接的影响。

目前，为了分割虹膜图像中的虹膜区域，典型的虹膜分割方法可以分为两大类：基于边缘检测的方法以及基于像素点的方法。其中，基于边缘检测的方法，需要分别将虹膜内外边缘，上下眼皮等边缘分别检测出来，从而确定虹膜的有效区域，该方法的步骤不仅繁琐，而且这类方法往往基于虹膜区域是标准的圆形以及虹膜和眼皮的边缘清晰可见。但在非可控的场景下，虹膜边界更加模糊，或者虹膜已经扭曲变形不再是一个圆形，因此这类方法不能有效解决非可控场景下的虹膜分割。另一类虹膜分割方法为基于像素点的方法，这类方法利用了虹膜的纹理，颜色等表观特征对每一个像素点进行判断是否属于有效的虹膜区域，从而有效的避免了上述缺陷。但是这类方法往往需要优先对光照，模糊等进行预处理，而且往往难以设计出有效特征来对像素点进行分类。

因此，目前迫切需要开发出一种技术，其可以对非可控场景下采集的虹膜图像中的虹膜区域进行及时、准确的分割，满足用户对虹膜分割的要求，能够提高用户的工作效率，节约人们宝贵的时间，有效保证对虹膜图像进行虹膜识别时的准确率。

发明内容

有鉴于此，本发明的目的是提供一种虹膜图像中虹膜区域的分割方法及其装置，其可以对非可控场景下采集的虹膜图像中的虹膜区域进行及时、准确的分割，满足用户对虹膜分割的要求，能够提高用户的工作效率，节约人们宝贵的时间，有效保证对虹膜图像进行虹膜识别时的准确率，具有重大的生产实践意义。

为此，本发明提供了一种虹膜图像中虹膜区域的分割方法，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。