虹膜图像分割方法、装置、存储介质及电子设备
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种虹膜图像分割方法、装置、存储介质及电子设备。
背景技术
作为一种生物特征识别技术,虹膜识别相比人脸、指纹识别具有更高的安全性,被广泛认为是二十一世纪最具有发展前途的生物认证技术,未来的安防、国防、电子商务、金融等多种领域的应用,也必然的会以虹膜识别技术为重点。这种趋势已经在全球各地的各种应用中逐渐开始显现出来,市场应用前景非常广阔。
图1是本发明实施例提供的一种现有技术中的虹膜识别基本流程图,如图1所示,该基本流程包括:1、虹膜图像获取;2、虹膜图像预处理;3、特征抽取和比对;4、用户身份识别。其中虹膜图像预处理包括虹膜分割,对整个系统的性能及易用性起到了至关重要的作用。
相关技术中,虹膜分割方法,多是采用传统机器学习和图像处理的方法,而采用传统机器学习和图像处理存在以下缺点:传统机器学习和图像处理进行虹膜分割,需要人工定义的复杂算子及筛选流程进行处理,这样造成算法的鲁棒性较差,对于不同的数据集需要人工调参,费时费力;基于深度学习的方法相较于传统方法,不需要人工定义算子及调整参数,算法鲁棒性高,但是准确度低,若追求高精度的分割,深度学习方法需要庞大的计算量,这需要多层次的深度学习模型,增加了深度学习模型的复杂度,在以嵌入式为主的虹膜识别设备上无法做到实时处理。
因此需要一种新的虹膜图像分割方法、装置、存储介质及电子设备,降低了对虹膜图像进行分割的模型的复杂度以及深度,而且增加了图像分割结果的准确性。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供因此需要一种新的虹膜图像分割方法、装置、存储介质及电子设备,相比于相关技术中直接对虹膜图像进行分割的方案,本方案中根据第一模型获取虹膜图像的圆信息,排除了虹膜图像中的干扰因素以及多余区域,从而降低对归一化虹膜图像进行分割的第二模型的复杂度以及深度,增加了图像分割结果的准确性以及效率。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的第一方面,提供一种虹膜图像分割方法,其中,所述方法包括:
获取虹膜图像;
根据第一模型获取所述虹膜图像的圆信息;
根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像;
根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。
根据一些实施例,所述方法还包括:获取第一模型;
所述获取第一模型,包括:
构建卷积神经网络;
获取训练样本;
基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据一些实施例,所述获取训练样本,包括:
获取已标注虹膜及瞳孔的多个圆周坐标点的虹膜图像。
根据一些实施例,其中,所述虹膜图像的圆信息包括:所述虹膜图像内的虹膜以及瞳孔的圆心坐标以及半径;
所述根据第一模型获取所述虹膜图像的圆信息,包括:
将所述虹膜图像输入至所述第一模型,获取所述第一模型输出的所述虹膜图像内的虹膜及瞳孔的多个圆周坐标点;
基于最小二乘法分别对所述虹膜及所述瞳孔的多个圆周坐标点进行拟合,获取所述虹膜以及所述瞳孔的圆心坐标及半径。
根据一些实施例,所述方法还包括:获取第二模型;
所述获取第二模型,包括:
构建卷积神经网络;
获取训练样本;
基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据一些实施例,所述获取训练样本,包括:
获取已标注虹膜位置的二值化图像的归一化虹膜图像。
根据一些实施例,所述方法还包括:
基于所述归一化虹膜图像以及所述分割结果识别所述虹膜图像对应的对象。
根据本发明的第二方面,提供一种虹膜图像分割装置,其中,所述装置包括:
第一获取模块,配置为获取虹膜图像;
第二获取模块,配置为根据第一模型获取所述虹膜图像的圆信息;
归一化模块,配置为根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像;
分割模块,配置为根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。
根据一些实施例,所述装置还包括:第一模型获取模块,配置为获取第一模型;
所述第一模型获取模块,包括:
第一构建单元,用于构建卷积神经网络;
第一样本获取单元,用于获取训练样本;
第一模型获取单元,用于基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据一些实施例,所述第一样本获取单元,配置为获取已标注虹膜及瞳孔的多个圆周坐标点的虹膜图像。
根据一些实施例,所述虹膜图像的圆信息包括:所述虹膜图像内的虹膜以及瞳孔的圆心坐标以及半径;
所述第二获取模块,配置为将所述虹膜图像输入至所述第一模型,获取所述第一模型输出的所述虹膜图像内的虹膜及瞳孔的多个圆周坐标点;基于最小二乘法分别对所述虹膜及所述瞳孔的多个圆周坐标点进行拟合,获取所述虹膜以及所述瞳孔的圆心坐标及半径。
根据一些实施例,所述装置还包括:第二模型获取模块,配置为获取第二模型;
所述第二模型获取模块,包括:
第二构建单元,用于构建卷积神经网络;
第二样本获取单元,用于获取训练样本;
第二模型获取单元,用于基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据一些实施例,所述第二样本获取单元,配置为获取已标注虹膜位置的二值化图像的归一化虹膜图像。
根据一些实施例,所述装置还包括:识别模块,配置为基于所述归一化虹膜图像以及所述分割结果识别所述虹膜图像对应的对象。
根据本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如第一方面所述的方法步骤。
根据本发明的第四方面,提供一种电子设备,其中,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面所述的方法步骤。
本发明实施例中,获取虹膜图像,根据第一模型获取所述虹膜图像的圆信息,根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像,根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。相比于相关技术中直接对虹膜图像进行分割的方案,本方案中由于根据第一模型获取虹膜图像的圆信息,排除了虹膜图像中的干扰因素以及多余区域,从而降低对归一化虹膜图像进行分割的第二模型的复杂度以及深度,增加了图像分割结果的准确性以及效率。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是本发明实施例提供的一种现有技术中的虹膜识别基本流程图;
图2是根据一示例性实施例示出的虹膜图像分割方法的流程图;
图3是根据一示例性实施例示出的获取第一模型的方法的流程图;
图4是根据一示例性实施例示出的获取第二模型的方法的流程图;
图5是根据一示例性实施例示出的一种虹膜图像分割装置的结构示意图;
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
相关技术中,虹膜分割可以包括以下步骤:1、对虹膜图像进行分割,获取虹膜图像分割结果;2、对虹膜图像分割结果进行归一化。该方案中,由于直接对虹膜图像进行分割,需要庞大的计算量,增加了深度学习模型的复杂度以及深度,降低了虹膜图像分割的准确性,进而导致圆信息的获取以及归一化结果的准确性降低。
基于此,本发明实施例提供一种虹膜图像分割方法、装置、存储介质及电子设备,以降低对虹膜图像进行分割的模型的复杂度以及深度,而且增加了图像分割结果的准确性。
图2是根据一示例性实施例示出的虹膜图像分割方法的流程图。
如图2所示,在S210中,获取虹膜图像。
根据本发明实施例,虹膜图像可以是由虹膜检测模块输出的包含虹膜大致区域的图像。例如,当用户处于某虹膜识别设备面前,该虹膜识别设备获取该用户的图像,然后由虹膜检测模块从该用户的图像中裁剪出虹膜图像。
在S220中,根据第一模型获取所述虹膜图像的圆信息。
本发明实施例中,预先设置有第一模型,该第一模型可以用于标记出虹膜的多个圆周坐标点以及瞳孔的多个圆周坐标点。通过将上述虹膜图像输入到第一模型后,该第一模型可以输出该虹膜图像内的虹膜的多个圆周坐标点以及瞳孔的多个圆周坐标点。
需要说明的是,由于确定一个圆或者圆环的圆心需要至少3个圆周坐标点,因此,本发明实施例中,虹膜的多个圆周坐标点包括至少3个,瞳孔的多个圆周坐标点包括至少3个。为了提升圆信息的准确率,本发明实施例中虹膜以及瞳孔的圆周坐标点优选为各36点,虹膜以及瞳孔的各36点在虹膜或者瞳孔圆周均匀分布。
本发明实施例中,虹膜图像的圆信息可以包括:所述虹膜图像内的虹膜以及瞳孔的圆心坐标以及半径。当第一模型输出虹膜的多个圆周坐标点以及瞳孔的多个圆周坐标点后,可以基于最小二乘法分别对所述虹膜及所述瞳孔的多个圆周坐标点进行拟合,分别计算出虹膜的圆心坐标和半径,通孔的圆心坐标和半径。
在S230中,根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像。
需要说明的是,归一化是指对图像进行一系列标准的处理变换,使之变换为一固定标准形式的过程。
本发明实施例中,根据虹膜图像内的虹膜以及瞳孔的圆信息,可以可以从虹膜图像中标记出虹膜以及瞳孔,然后将这些圆环状的图像归一化为矩形的图像,这样既可以压缩图像的大小,又便于后续的特征提取或者识别操作,原理就是把圆饼状从某处切开,然后分别往两边一拉就成矩形状了,对于图像变形的部分,可以用它邻近的像素点代替。
在S240中,根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。
本发明实施例中,预先设置有第二模型,该第二模型可以用于对归一化的虹膜图像进行分割。通过将上述归一化虹膜图像输入到第二模型后,该第二模块可以输出分割结果,即虹膜图像的二值化图像。
需要说明的是,在获取到分割结果后,可以进一步的基于上述归一化虹膜图像以及分割结果识别出虹膜图像对应的对象。
本发明实施例中,获取虹膜图像,根据第一模型获取所述虹膜图像的圆信息,根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像,根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。相比于相关技术中直接对虹膜图像进行分割的方案,本方案中由于根据第一模型获取虹膜图像的圆信息,排除了虹膜图像中的干扰因素以及多余区域,从而降低对归一化虹膜图像进行分割的第二模型的复杂度以及深度,增加了图像分割结果的准确性以及效率。
需要指出的是,本方案中在进行虹膜图像分割时,将该步骤分解为圆检测以及归一化虹膜图像分割两个子任务,相比于直接对虹膜图像进行分割,本方案中对归一化虹膜图像进行分割,只需要浅层神经网络即可达到较高的精度,同时使神经网络进行圆检测鲁棒性更好、速度更快,还可以在嵌入式设备上达到实时计算。
下面对获取第一模型的方法进行详细说明。图3是根据一示例性实施例示出的获取第一模型的方法的流程图。需要说明的是,该第一模型可以是基于卷积神经网络的模型,如图3所示,该方法可以包括以下流程:
在S310中,构建卷积神经网络。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。
本发明实施例中,卷积神经网络可以包括:卷积层,池化层,非线程映射层,全连接层以及损失层。
在S320中,获取训练样本。
根据本发明实施例,训练样本可以是已标注虹膜及瞳孔的多个圆周坐标点的虹膜图像。需要说明的是,该训练样本可以是由人工标注虹膜及瞳孔的各36个圆周坐标点的虹膜图像。
在S330中,基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据本发明实施例,将上述训练样本输入至构建的卷积神经网络,使得该卷积神经网络在训练样本收敛,得到回归模型,该模型即为第一模型。
本发明实施例中,通过构建卷积神经网络,获取训练样本,基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型,从而实现根据第一模型获取虹膜图像的圆信息,排除了虹膜图像中的干扰因素以及多余区域,而且利用神经网络进行圆检测不仅鲁棒性更好而且效率更高。
下面对获取第二模型的方法进行详细说明。图4是根据一示例性实施例示出的获取第二模型的方法的流程图。需要说明的是,该第二模型可以是基于卷积神经网络的模型,如图4所示,该方法可以包括以下流程:
在S410中,构建卷积神经网络。
本发明实施例中,构建的卷积神经网络可以包括:卷积层,池化层,非线程映射层,全连接层以及损失层。
需要说明的是,相比于相关技术中直接对虹膜图像进行分割的神经网络,本方案中构建的卷积神经网络更简单深度更浅,例如,卷积层以及池化层等层级数目更少。
在S420中,获取训练样本。
根据本发明实施例,训练样本可以是已标注虹膜位置的二值化图像的归一化虹膜图像。需要指出的是,该训练样本可以是由人工标注虹膜位置的二值化图像的归一化图像。
在S430中,基于所述训练样本对所述卷积神经网络进行训练,以获取所述第一模型。
根据本发明实施例,将上述训练样本输入至构建的卷积神经网络,使得该卷积神经网络在训练样本收敛,得到回归模型,该模型即为第二模型。
本发明实施例中,通过构建卷积神经网络,获取训练样本,基于所述训练样本对所述卷积神经网络进行训练,以获取所述第二模型,从而利用第二模型进行虹膜分割,降低了第二模型的复杂度以及深度,使得在以嵌入式为主的虹膜识别设备上能够做到实时处理,增加了图像分割结果的准确性以及效率。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
下述为本发明装置实施例,可以用于执行本发明方法实施例。在下文对装置的描述中,与前述方法相同的部分,将不再赘述。
图5是根据一示例性实施例示出的一种虹膜图像分割装置的结构示意图,其中,所述装置500包括:
第一获取模块510,配置为获取虹膜图像。
第二获取模块520,配置为根据第一模型获取所述虹膜图像的圆信息。
归一化模块530,配置为根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像。
分割模块540,配置为根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。
本发明实施例中,获取虹膜图像,根据第一模型获取所述虹膜图像的圆信息,根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像,根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。相比于相关技术中直接对虹膜图像进行分割的方案,本方案中由于根据第一模型获取虹膜图像的圆信息,排除了虹膜图像中的干扰因素以及多余区域,从而降低对归一化虹膜图像进行分割的第二模型的复杂度以及深度,增加了图像分割结果的准确性以及效率。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备可以执行:获取虹膜图像;根据第一模型获取所述虹膜图像的圆信息;根据所述圆信息对所述虹膜图像进行归一化,获取归一化虹膜图像;根据第二模型对所述归一化虹膜图像进行分割,获取分割结果。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是,图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的终端中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取模块、第二获取模块、归一化模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
以上具体示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。