CN111340758A - 一种基于深度神经网络的高效虹膜图像质量评价新方法 - Google Patents
一种基于深度神经网络的高效虹膜图像质量评价新方法 Download PDFInfo
- Publication number
- CN111340758A CN111340758A CN202010097124.1A CN202010097124A CN111340758A CN 111340758 A CN111340758 A CN 111340758A CN 202010097124 A CN202010097124 A CN 202010097124A CN 111340758 A CN111340758 A CN 111340758A
- Authority
- CN
- China
- Prior art keywords
- iris
- image
- eyes
- quality
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 title abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于深度神经网络的高效虹膜图像质量评价新方法,使用特征提取模型提取输入图像中的虹膜图像的特征图,然后使用重建模型由虹膜图像的特征图估计虹膜有效区域热力图,最后质量预测模型将虹膜有效区域作为感兴趣区域,由特征图计算虹膜图像整体质量分数。本发明方法不需要对采集得到的眼部图像进行其他预处理或经过分割定位等流程,可以直接使用深度神经网络对眼部图像进行全局特征提取,并根据提取到的特征自动估计虹膜有效区域热力图,将虹膜全局特征和有效区域热力图使用视觉注意力机制进行结合,对虹膜图像进行质量评价。本发明提出的虹膜图像质量评价方法流程简捷,计算速度快,鲁棒性和适应性强。
Description
技术领域
本发明涉及虹膜图像质量评价技术领域,尤其涉及一种基于深度神经网络的高效虹膜图像质量评价新方法。
背景技术
虹膜识别作为一种高效且稳定的生物特征识别方法,相较于人脸、指纹等其他生物特征识别手段,具有高度安全性,高度稳定性,防伪性能好等优势,已经广泛的应用于通关、安防、考勤、金融、社保等多种需要精准身份认证的场景中。虹膜识别的流程一般包括图像获取、虹膜分割定位、归一化、特征提取、匹配等环节。
虹膜图像质量评价是虹膜图像预处理的重要步骤,一般是指计算采集到图像包括且不限于图像模糊度、虹膜区域有效面积、瞳孔-虹膜直径比等虹膜图像质量因数,并由质量因数计算总体虹膜图像质量分数。现有的虹膜图像质量评价方法在虹膜识别的不同阶段计算不同的虹膜图像质量因数,最后将这些质量因数融合得到整体的虹膜图像质量分数。其中图像模糊度计算中使用的基于频谱方向分析计算速度慢,对整个系统的性能有较大影响。以及如虹膜区域有效面积、瞳孔-虹膜直径比等质量因数的计算依赖于虹膜定位与分割的结果,而现有的虹膜定位与分割方法在低质量图像上无法给出准确的估计,因此会影响到质量评价的准确性,导致部分低质量图像进入特征提取与匹配环节,进而降低整个识别系统的准确性。虹膜定位与分割的计算复杂度高,耗时较长,在定位与分割后才能确定图像质量不适合进行虹膜特征提取和匹配,再抛弃掉这些图像,就会造成计算资源和处理时间上的浪费,降低整个识别系统的速度,影响虹膜识别系统的使用体验。此外,线性加权的质量因数融合策略无法表现出单一质量因数所产生“短板效应”,同样会导致整个识别系统的准确性的降低。综上,这些虹膜图像质量评价方法运行效率、适应性和鲁棒性总体都比较差。
发明内容
本发明针对远距离、用户非受限等复杂条件下获取的虹膜图像,存在不同程度的离焦模糊、运动模糊、眼睛斜视、瞳孔缩放、眼皮遮挡、虹膜尺寸变化等降质和干扰因素,导致多阶段虹膜图像质量因数融合方法结果不准确与速度慢的问题,发明了一种基于深度神经网络的高效虹膜图像质量评价新方法,该发明不需要依赖虹膜定位与分割的结果,能直接对眼部图像进行质量评价,耗时短且准确度高,操作简单易于实现。
为实现本发明的目的,本发明提供了一种基于深度神经网络的高效虹膜图像质量评价新方法,
输入的眼部图像表示为Ieyes,Ieyes图像经过预训练的深度神经网络等特征提取模型E(x)得到1280张眼部图像的特征图Feyes,其计算方式如下:
Feyes=E(Ieyes) (1)
Feyes的尺寸为原始图像的其值在-1到1之间,具体的,特征提取模型E(x)结构,包括2个卷积层、7个逆残差模块,每个逆残差模块中包括2个卷积核大小为1的卷积层、1个卷积核大小为3的深度可分离卷积层和2个ReLu6激活层,Shortcut为短路连接,即直接将输入于卷积结果逐像素相加;
然后,将1280张特征图Feyes输入经过预训练的深度神经网络重建模型R(x)到虹膜有效区域热力图Hiris,其计算方式如下:
Hiris=R(Feyes) (2)
Hiris的尺寸为原始图像的其值在0到1之间,代表该像素属于虹膜区域的概率,具体的,重建模型R(x)包括3个个卷积层,1个全局平均池化层,1个批归一化层,2个非线性层和1个双线性插值层,图中的为逐像素相乘;
由Feyes和Hiris计算输入图像的质量分数向量viris,viris为1280维实数向量,其值在-1到1之间;
最后,将质量分数向量viris输入预训练的非线性回归模型L(x),计算得到虹膜图像整体质量分数Score;
Score=L(viris)
质量分数Score是单个实数,其值在0到1之间,表示图像的质量高低;分数越高,虹膜图像的质量越好。
与现有技术相比,本发明的有益效果为,
(1)本发明方法不需要对采集得到的眼部图像进行其他预处理或经过分割定位等流程,可以直接使用深度神经网络对眼部图像进行全局特征提取,并根据提取到的特征自动估计虹膜有效区域热力图,将虹膜全局特征和有效区域热力图使用视觉注意力机制进行结合,对虹膜图像进行质量评价。本发明提出的虹膜图像质量评价方法流程简捷,计算速度快,鲁棒性和适应性强。
(2)本发明方法适合于各种复杂场景,例如远距离、用户非受限等场景下采集到的低质量虹膜图像,大大增强了虹膜识别实际应用的场景。
附图说明
图1所示为本发明的方法流程图;
图2所示为本发明的逆残差模块结构图;
图3所示为本发明的重建模型R(x)结构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用属于“包含”和/或“包括”时,其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明方法的输入是包含单只眼部的图像,眼部占据图像的主要区域,使用特征提取模型提取输入图像中的虹膜图像的特征图,然后使用重建模型由虹膜图像的特征图估计虹膜有效区域热力图,最后质量预测模型将虹膜有效区域作为感兴趣区域,由特征图计算虹膜图像整体质量分数。本发明提到的特征图指的是输入图像对深度网络的响应,用于描述图像的特征;虹膜有效区域热力图中每一个像素的值代表原图对应像素属于虹膜有效区域的预测概率。
如图1所示,本发明的具体实现技术方案如下:
输入的眼部图像表示为Ieyes,Ieyes图像经过预训练的深度神经网络等特征提取模型E(x)得到1280张眼部图像的特征图Feyes,其计算方式如下
Feyes=E(Ieyes) (1)
Feyes的尺寸为原始图像的其值在-1到1之间。具体的,特征提取模型E(x)结构如表1,包括2个卷积层、7个逆残差模块(图2),每个逆残差模块中包括2个卷积核大小为1的卷积层(Conv)、1个卷积核大小为3的深度可分离卷积层(Conv)和2个ReLu6激活层,Shortcut为短路连接,即直接将输入于卷积结果逐像素相加。
输入 | 操作 |
640*480*3 | 二维卷积层 |
320*240*32 | 逆残差模块 |
320*240*16 | 逆残差模块 |
160*120*24 | 逆残差模块 |
160*120*32 | 逆残差模块 |
80*60*64 | 逆残差模块 |
8060*96 | 逆残差模块 |
40*30*160 | 逆残差模块 |
40*30*320 | 二维卷积层 |
表1:特征提取模型网络结构
然后将1280张特征图Feyes输入经过预训练的深度神经网络重建模型R(x)到虹膜有效区域热力图Hiris,其计算方式如下
Hiris=R(Feyes) (2)
Hiris的尺寸为原始图像的其值在0到1之间,代表该像素属于虹膜区域的概率。具体的,重建模型R(x)(图3)包括3个个卷积层(Conv),1个全局平均池化层(AvgPool),1个批归一化层(Bn),2个非线性层(ReLu和Sigmoid)和1个双线性插值层,图中的为逐像素相乘。
由Feyes和Hiris计算输入图像的质量分数向量viris.viris为1280维实数向量,其值在-1到1之间。
在虹膜图像质量评价中,对原始眼部图像直接进行质量特征提取并计算全局的质量分数容易受到眼部区域的影响,例如睫毛区域包含大量高频信息,可能会导致基于梯度的清晰度分数虚高。因此我们引入基于注意力机制的全局平均池化操作,将特征图Feyes作为权重与虹膜有效区域热力图Hiris相乘,保留虹膜区域的特征同时排除非虹膜区域的特征。
最后,将质量分数向量viris输入预训练的非线性回归模型L(x),计算得到虹膜图像整体质量分数Score。
Score=L(viris)
质量分数Score是单个实数,其值在0到1之间,表示图像的质量高低。分数越高,虹膜图像的质量越好。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于深度神经网络的高效虹膜图像质量评价新方法,其特征在于,
输入的眼部图像表示为Ieyes,Ieyes图像经过预训练的深度神经网络等特征提取模型E(x)得到1280张眼部图像的特征图Feyes,其计算方式如下:
Feyes=E(Ieyes) (1)
Feyes的尺寸为原始图像的其值在-1到1之间,具体的,特征提取模型E(x)结构,包括2个卷积层、7个逆残差模块,每个逆残差模块中包括2个卷积核大小为1的卷积层、1个卷积核大小为3的深度可分离卷积层和2个ReLu6激活层,Shortcut为短路连接,即直接将输入于卷积结果逐像素相加;
然后,将1280张特征图Feyes输入经过预训练的深度神经网络重建模型R(x)到虹膜有效区域热力图Hiris,其计算方式如下:
Hiris=R(Feyes) (2)
Hiris的尺寸为原始图像的其值在0到1之间,代表该像素属于虹膜区域的概率,具体的,重建模型R(x)包括3个个卷积层,1个全局平均池化层,1个批归一化层,2个非线性层和1个双线性插值层,图中的为逐像素相乘;
由Feyes和Hiris计算输入图像的质量分数向量viris,viris为1280维实数向量,其值在-1到1之间;
最后,将质量分数向量viris输入预训练的非线性回归模型L(x),计算得到虹膜图像整体质量分数Score;
Score=L(viris)
质量分数Score是单个实数,其值在0到1之间,表示图像的质量高低;分数越高,虹膜图像的质量越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097124.1A CN111340758B (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度神经网络的高效虹膜图像质量评价新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097124.1A CN111340758B (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度神经网络的高效虹膜图像质量评价新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340758A true CN111340758A (zh) | 2020-06-26 |
CN111340758B CN111340758B (zh) | 2023-08-11 |
Family
ID=71183503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097124.1A Active CN111340758B (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度神经网络的高效虹膜图像质量评价新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340758B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233066A (zh) * | 2020-09-16 | 2021-01-15 | 南京理工大学 | 基于梯度类激活图的眼部球结膜图像质量评估方法 |
CN112488060A (zh) * | 2020-12-18 | 2021-03-12 | 北京百度网讯科技有限公司 | 目标检测方法、装置、设备、介质和程序产品 |
CN113177519A (zh) * | 2021-05-25 | 2021-07-27 | 福建帝视信息科技有限公司 | 一种基于密度估计的后厨脏乱差评价方法 |
CN113689385A (zh) * | 2021-07-29 | 2021-11-23 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072192A1 (en) * | 2012-09-12 | 2014-03-13 | Bruce Reiner | Method and apparatus for image-centric standardized tool for quality assurance analysis in medical imaging |
US20140169662A1 (en) * | 2012-12-13 | 2014-06-19 | Futurewei Technologies, Inc. | Image Retargeting Quality Assessment |
US20140358526A1 (en) * | 2013-05-31 | 2014-12-04 | Sonus Networks, Inc. | Methods and apparatus for signal quality analysis |
CN106548470A (zh) * | 2016-10-19 | 2017-03-29 | 大连理工大学 | 一种应用ct计算多孔介质内气液间舍伍德数的经验关系式的方法 |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
CN109829905A (zh) * | 2019-01-30 | 2019-05-31 | 中国矿业大学 | 一种面部美化感知质量的无参考评价方法 |
US20190369191A1 (en) * | 2018-05-31 | 2019-12-05 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
CN110619316A (zh) * | 2019-09-26 | 2019-12-27 | 联想(北京)有限公司 | 人体关键点检测方法、装置和电子设备 |
-
2020
- 2020-02-17 CN CN202010097124.1A patent/CN111340758B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072192A1 (en) * | 2012-09-12 | 2014-03-13 | Bruce Reiner | Method and apparatus for image-centric standardized tool for quality assurance analysis in medical imaging |
US20140169662A1 (en) * | 2012-12-13 | 2014-06-19 | Futurewei Technologies, Inc. | Image Retargeting Quality Assessment |
CN105009107A (zh) * | 2012-12-13 | 2015-10-28 | 华为技术有限公司 | 图像重定向质量评估 |
US20140358526A1 (en) * | 2013-05-31 | 2014-12-04 | Sonus Networks, Inc. | Methods and apparatus for signal quality analysis |
CN106548470A (zh) * | 2016-10-19 | 2017-03-29 | 大连理工大学 | 一种应用ct计算多孔介质内气液间舍伍德数的经验关系式的方法 |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
US20190369191A1 (en) * | 2018-05-31 | 2019-12-05 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
CN109829905A (zh) * | 2019-01-30 | 2019-05-31 | 中国矿业大学 | 一种面部美化感知质量的无参考评价方法 |
CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
CN110619316A (zh) * | 2019-09-26 | 2019-12-27 | 联想(北京)有限公司 | 人体关键点检测方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
李星光等: "虹膜图像质量评价综述" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233066A (zh) * | 2020-09-16 | 2021-01-15 | 南京理工大学 | 基于梯度类激活图的眼部球结膜图像质量评估方法 |
CN112233066B (zh) * | 2020-09-16 | 2022-09-27 | 南京理工大学 | 基于梯度类激活图的眼部球结膜图像质量评估方法 |
CN112488060A (zh) * | 2020-12-18 | 2021-03-12 | 北京百度网讯科技有限公司 | 目标检测方法、装置、设备、介质和程序产品 |
CN112488060B (zh) * | 2020-12-18 | 2023-08-08 | 北京百度网讯科技有限公司 | 目标检测方法、装置、设备和介质 |
CN113177519A (zh) * | 2021-05-25 | 2021-07-27 | 福建帝视信息科技有限公司 | 一种基于密度估计的后厨脏乱差评价方法 |
CN113177519B (zh) * | 2021-05-25 | 2021-12-14 | 福建帝视信息科技有限公司 | 一种基于密度估计的后厨脏乱差评价方法 |
CN113689385A (zh) * | 2021-07-29 | 2021-11-23 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
CN113689385B (zh) * | 2021-07-29 | 2023-10-20 | 天津中科智能识别产业技术研究院有限公司 | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340758B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307958B (zh) | 基于时空外观运动注意力网络的微表情识别方法 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN111340758B (zh) | 一种基于深度神经网络的高效虹膜图像质量评价新方法 | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN112949565A (zh) | 基于注意力机制的单样本部分遮挡人脸识别方法及系统 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN112446270A (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及系统 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN111985332B (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
CN112233102A (zh) | 图像样本集中噪声的识别方法、装置、设备及存储介质 | |
CN110222568B (zh) | 一种基于时空图的跨视角步态识别方法 | |
CN116681960A (zh) | 一种基于K8s的中尺度涡旋智能识别方法及系统 | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
CN116740362B (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 | |
CN110163489B (zh) | 一种戒毒运动锻炼成效评价方法 | |
CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN116452812A (zh) | 一种伪装物体识别及语义分割方法 | |
CN116740485A (zh) | 病变检测模型的训练方法和装置、电子设备及存储介质 | |
CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 300457 unit 1001, block 1, msd-g1, TEDA, No.57, 2nd Street, Binhai New Area Economic and Technological Development Zone, Tianjin Patentee after: Tianjin Zhongke intelligent identification Co.,Ltd. Address before: 300457 unit msd-g1-1001, TEDA, No.57, 2nd Street, Tianjin Economic and Technological Development Zone, Binhai New Area, Tianjin Patentee before: TIANJIN ZHONGKE INTELLIGENT IDENTIFICATION INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
CP03 | Change of name, title or address |