[发明专利]一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法

说明书

本发明涉及图像分割技术领域，提出了一种基于Mask R‑CNN神经网络的虹膜图像中虹膜区域的分割方法，S100，建立用于虹膜分割的改进的Mask R‑CNN神经网络；S200，训练神经网络前，标注训练用的样本虹膜图像集；S300，将已标注的样本虹膜图像分别输入到神经网络中，对神经网络进行训练直到收敛；S400，将需要进行虹膜区域分割的虹膜图像，输入到完成训练的改进的Mask R‑CNN神经网络中，得到虹膜区域的双圆边界信息和二值掩码图；S500，根据S400得到的虹膜区域的双圆边界信息和二值掩码图完成虹膜分割。本发明通过将改进的Mask R‑CNN神经网络用在虹膜分割与定位中，实现自动学习得到归一化的虹膜图像以及虹膜区域二值掩码图，也可得到精确的虹膜区域双圆边界信息，方便后续虹膜识别的操作。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法。

背景技术

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，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。对于虹膜识别技术，在实际应用中，遇到许多技术挑战。特别是对于人们不是完全配合的场景(即复杂的、不可控制的场景)下，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。使得将图像中的虹膜区域精确地分割出来尤为困难，进而影响了对人们进行虹膜识别的准确率和及时性。

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：基于图像处理的传统方法和基于深度学习的分割方法。在文献中，已经提出了各种基于传统图像处理的虹膜分割方法，包括积分微分算子法，无监督学习，改进的Hough变换等。除了这些依赖于手工特征和专用的预处理和后处理的传统方法之外，基于深度学习的现代方法最近获得了普及，并达到了最先进的准确性。这些方法通常使用深度神经网络进行像素方式的语义分割，以区分虹膜和非虹膜区域。然而，这类方法存在的问题是，它们没有明确地定位出虹膜区域的内外边界圆。而我们知道，确定虹膜区域的内外圆边界是虹膜分割的重要步骤，是后续虹膜归一化算法的重要输入参数。因此准确虹膜定位对虹膜识别的整体准确性非常重要。

发明内容

针对现有技术的不足，本发明提出一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法，解决了现有技术中存在的至少一个问题。

本发明的技术方案是这样实现的：

一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法，包括如下步骤：

S100，建立用于虹膜分割的改进的Mask R-CNN神经网络，所述神经网络的输入为待分割的虹膜图像；

S200，训练所述神经网络前，标注训练用的样本虹膜图像集，所述标注包括：1)生成每幅样本虹膜图像的虹膜区域二值掩码图；2)标注虹膜区域的双圆边界信息；由于可以使用在通用目标检测数据集上已经训练好的Mask R-CNN做为预训练模型，因此不需要标注大量数据就能完成模型训练。

S300，将已标注的所述样本虹膜图像分别输入到所述分割神经网络中，对所述神经网络进行训练，直到所述神经网络的模型收敛；

S400，将需要进行虹膜区域分割的虹膜图像，输入到完成训练的所述Mask R-CNN神经网络中，得到虹膜区域的双圆边界信息和二值掩码图；

S500：根据S400得到的虹膜区域的双圆边界信息和二值掩码图完成虹膜区域的分割。

进一步的，所述改进的Mask R-CNN神经网络具体包括：

卷积神经网络骨干架构，用于对输入的待分割虹膜图像进行特征提取，得到所述待分割虹膜图像的特征图(feature maps)；