CN112651328A - 一种基于几何位置关系损失函数的虹膜分割方法 - Google Patents

一种基于几何位置关系损失函数的虹膜分割方法 Download PDF

Info

Publication number
CN112651328A
CN112651328A CN202011535984.5A CN202011535984A CN112651328A CN 112651328 A CN112651328 A CN 112651328A CN 202011535984 A CN202011535984 A CN 202011535984A CN 112651328 A CN112651328 A CN 112651328A
Authority
CN
China
Prior art keywords
iris
loss function
loss
segmentation
training
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
Application number
CN202011535984.5A
Other languages
English (en)
Other versions
CN112651328B (zh
Inventor
刘中秋
张伟
陈高曙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Miaxis Biometrics Co Ltd
Original Assignee
Miaxis Biometrics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Miaxis Biometrics Co Ltd filed Critical Miaxis Biometrics Co Ltd
Priority to CN202011535984.5A priority Critical patent/CN112651328B/zh
Publication of CN112651328A publication Critical patent/CN112651328A/zh
Application granted granted Critical
Publication of CN112651328B publication Critical patent/CN112651328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于几何位置关系损失函数的虹膜分割方法，采用三分类思想进行虹膜分割，重点在于提供了由交叉熵损失函数、交并比损失函数、损失矫正函数三部分构成的损失函数Loss用于虹膜分割神经网络模型的训练，其中损失矫正函数利用瞳孔和虹膜之间的几何关系进行损失函数矫正，有效规避虹膜分割过程中孤立点或块的产生，提升虹膜的分割精度和处理速度。

Description

一种基于几何位置关系损失函数的虹膜分割方法
【技术领域】
本发明涉及虹膜分割技术领域，具体涉及一种基于几何位置关系损失函数的虹膜分割方法。
【背景技术】
虹膜识别是通过对虹膜图像的分析完成身份鉴别的一种生物特征识别技术。相比人脸识别、指纹识别等，虹膜不易通过手术改变，独特性高、稳定性强，具有超高的可靠性，在各个行业都具有广阔的应用前景。
虹膜分割是通过对人眼图像进行检测分析进而分割出图像中虹膜区域的一种技术。作为虹膜识别系统中重要的预处理步骤，虹膜分割的准确性严重影响到识别的准确度，因此虹膜分割方法是很重要的，是保障虹膜识别准确的关键技术之一。
近年来，随着深度学习技术的不断发展，基于深度学习的虹膜分割方法获得了普及，Liu Nianfeng在文献1中首次提出使用全卷积网络来进行虹膜分割，文献2使用了修改后的Deeplab网络用于虹膜、巩膜、瞳孔与背景区域的分割，文献3提出了基于注意力机制的改进UGNet模型用于虹膜分割。目前网络模型训练常用的Focal Loss损失函数在虹膜分割领域具有局限性，会导致虹膜分割不完整，如将一些孤立点或者孤立块被误分割为虹膜；且常见的基于深度学习的虹膜分割方法多数采用虹膜和非虹膜的二分类思想进行网络模型的训练，没有充分利用虹膜的空间位置信息。
文献1：
Liu Nianfeng，Li Haiqing，Zhang Man，et al.Accurate iris segmentation innon-cooperative environments using fully convolutional networks[C]//Proc ofof the 9th IAPR Int Conf on Biometrics.Piscataway，NJ：IEEE，2016：1-8
文献2：
He Yuqing，Wang Saijie，Pei Kuo，et al.Visible spectral irissegmentation via deep convolutional network[C]//Proc of the Chinese Conf onBiometric Recognition.Berlin：Springer，2017：428-435
文献3：
Lian Sheng，Luo Zhiming，Zhong Zhun，et al.Attention guided U-Net foraccurate iris segmentation[J].Journal of Visual Communication and ImageRepresentation.2018，56：296-304
【发明内容】
针对背景技术中提出的问题，本发明提出一种基于几何位置关系损失函数的虹膜分割方法，包括：
步骤S01：获取需要进行虹膜区域分割的待测试虹膜图像；
步骤S02：将待测试虹膜图像输入训练好的虹膜分割神经网络模型，得到待测试虹膜图像的三分类图像，三个类别分别是虹膜、瞳孔及背景；
步骤S03：根据获得的三分类图像，将代表虹膜的部分从待测试虹膜图像中分割，最终得到所需的虹膜区域。
所述虹膜分割神经网络模型的训练步骤如下：
步骤1：获取虹膜训练样本集；
步骤2：对虹膜训练样本进行三分类标注，得到真实类别样本图像，所述三分类为瞳孔、虹膜、背景三种类别；
步骤3：将虹膜训练样本输入预训练分割卷积神经网络，其输出为预测类别样本图像，针对预测类别样本图像与真实类别样本图像之间的误差计算损失函数Loss。
步骤4：判断损失函数Loss是否达到收敛阈值，达到则结束训练，没有达到则重复步骤3直到预训练分割卷积神经网络的模型收敛。
所述收敛阈值为损失函数Loss不再随着迭代次数而下降。
所述步骤3中损失函数Loss由交叉熵损失函数、交并比损失函数、损失矫正函数三部分直接相加构成，其中交叉熵损失函数用于虹膜、瞳孔、背景三类别的分类训练，交并比损失函数用于同一类别的输出预测值区域与该类别的实际值区域交并比训练，损失矫正函数利用瞳孔和虹膜之间的几何关系进行损失函数矫正。
本发明提供的虹膜分割方法，采用三分类及一种新型的基于几何位置关系的损失函数进行虹膜分割神经网络模型的训练，进而利用虹膜和瞳孔的天然位置关系进行损失函数矫正，有效规避孤立点或块的产生，提升虹膜的分割精度和处理速度。
【附图说明】
图1是本发明实施例提供的虹膜分割神经网络模型的训练方法的流程图。
图2是使用Iris_Osiris_v4.1与本发明实施例方案分割后获得的虹膜区域对比示意图。
【具体实施方式】
下面结合附图和具体实施例对本发明进行详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1：
本发明提供了一种基于几何位置关系损失函数的虹膜分割方法，包括虹膜分割神经网络模型训练和虹膜分割两个步骤：
一、虹膜分割神经网络模型训练阶段：
步骤1：获取虹膜训练样本集，
步骤2：将虹膜训练样本的像素点按照瞳孔、虹膜、背景三种类别用不同数值进行三分类标记，如背景标记为0、虹膜标记为1、瞳孔标记为2，其中背景是样本图像中除去虹膜和瞳孔外的其它区域，标记完成后得到真实类别样本图像；
步骤3：将虹膜训练样本输入预训练分割卷积神经网络，其输出为预测类别样本图像，针对预测类别样本图像与真实类别样本图像之间的误差计算损失函数Loss。
所述损失函数Loss由交叉熵损失函数L1、交并比损失函数L2、损失矫正函数L3三部分构成，具体描述如下：
Loss＝L1(p,q)+L2(P,Q)+L3(M,N)
交叉熵损失函数L1用于虹膜、瞳孔、背景三类别的分类训练：
Figure BDA0002853085520000031
其中，p(x)是训练样本的真实概率分布，q(x)是网络输出的预测概率分布；
交并比损失函数L2用于同一类别的输出预测值区域Q与该类别的实际值区域P交并比训练，期望该交并比尽可能趋近1，使得L2尽可能趋近0：
Figure BDA0002853085520000032
损失矫正函数L3利用瞳孔和虹膜之间的几何关系进行损失函数矫正，其几何关系为瞳孔边界围成的区域应该包含于虹膜边界围成的区域，即
Figure BDA0002853085520000034
且
Figure BDA0002853085520000035
可有效避免训练过程中孤立点或孤立块的产生：
Figure BDA0002853085520000033
其中，M是网络输出的预测瞳孔边界值围成的区域，N是网络输出的预测虹膜边界值围成的区域。
步骤4：判断损失函数Loss是否达到收敛阈值，达到则结束训练，没有达到则重复步骤3直到神经网络的模型收敛。
所述收敛阈值为损失函数Loss不再随着迭代次数而下降。
进一步的，所述预训练分割卷积神经网络的网络结构类似于ENet网络结构。
所述虹膜分割神经网络模型的训练过程即通过损失函数Loss进行预训练分割卷积神经网络参数的优化过程，训练完成后的网络模型即为所需的虹膜分割神经网络模型。
二、虹膜分割阶段：
步骤S01：准备需要进行虹膜区域分割的待测试虹膜图像；
步骤S02：将待测试虹膜图像输入上述训练好的虹膜分割神经网络模型，得到待测试虹膜图像的三分类图像，三个类别分别是虹膜、瞳孔及背景；
步骤S03：根据获得的三分类图像，将代表虹膜的部分从待测试虹膜图像中分割，最终得到所需的虹膜区域。
需要强调的是，以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
为了验证本发明的性能，表1列出了在同一虹膜分割测试库的前提下，公开算法Iris_Osiris_v4.1与本发明实施例1方案两种算法的虹膜分割精度和产生的孤立点(块)的个数及在同一测试平台Intel(R)Core(TM)i3-8100CPU@3.60GHz下的处理速度。
表1
算法 虹膜分割精度 孤立点(块)的个数 速度(ms)
Iris_Osiris_v4.1 0.842 577 4058.6
实施例1方案 0.992 8 88.5
由表1可看出，在同样的测试背景下，本发明实施例方案虹膜分割精度及处理速度得到明显提升，产生的孤立点(块)的个数也有效减少，可见本发明实施例方案性能大大优于传统公开算法。

Claims (6)

1.一种基于几何位置关系损失函数的虹膜分割方法，其特征在于，包括如下步骤：
(1)虹膜分割神经网络模型训练阶段：
步骤1：获取虹膜训练样本集；
步骤2：对步骤1中的虹膜训练样本进行三分类标注，得到真实类别样本图像，所述三分类为瞳孔、虹膜、背景三种类别，其中背景是样本图像中除去虹膜和瞳孔外的其它区域；
步骤3：将步骤1中的虹膜训练样本输入预训练分割卷积神经网络，其输出为预测类别样本图像，针对预测类别样本图像与步骤2中得到的真实类别样本图像之间的误差计算损失函数Loss；
步骤4：判断损失函数Loss是否达到收敛阈值，达到则结束训练，没有达到则重复步骤3直到预训练分割卷积神经网络的模型收敛，得到所需的虹膜分割神经网络模型；
(2)虹膜分割阶段：
步骤S01：准备需要进行虹膜区域分割的待测试虹膜图像；
步骤S02：将待测试虹膜图像输入上述训练好的虹膜分割神经网络模型，得到待测试虹膜图像的三分类图像；
步骤S03：根据获得的三分类图像，将代表虹膜的部分从待测试虹膜图像中分割，最终得到所需的虹膜区域。
2.如权利要求1所述的基于几何位置关系损失函数的虹膜分割方法，其特征在于，所述预训练分割卷积神经网络的网络结构类似于ENet网络结构。
3.如权利要求1-2任一所述的基于几何位置关系损失函数的虹膜分割方法，其特征在于，所述损失函数Loss由交叉熵损失函数、交并比损失函数、损失矫正函数三部分直接相加构成。
4.如权利要求3所述的基于几何位置关系损失函数的虹膜分割方法，其特征在于，所述交叉熵损失函数用于虹膜、瞳孔、背景三类别的分类训练，所述交并比损失函数用于同一类别的输出预测值区域与该类别的实际值区域交并比训练，所述损失矫正函数利用瞳孔和虹膜之间的几何关系进行损失函数矫正。
5.如权利要求4所述的基于几何位置关系损失函数的虹膜分割方法，其特征在于，所述瞳孔和虹膜之间的几何关系为瞳孔边界围成的区域应该包含于虹膜边界围成的区域。
6.如权利要求1所述的基于几何位置关系损失函数的虹膜分割方法，其特征在于，所述收敛阈值为损失函数Loss不再随着迭代次数而下降。
CN202011535984.5A 2020-12-23 2020-12-23 一种基于几何位置关系损失函数的虹膜分割方法 Active CN112651328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011535984.5A CN112651328B (zh) 2020-12-23 2020-12-23 一种基于几何位置关系损失函数的虹膜分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011535984.5A CN112651328B (zh) 2020-12-23 2020-12-23 一种基于几何位置关系损失函数的虹膜分割方法

Publications (2)

Publication Number Publication Date
CN112651328A true CN112651328A (zh) 2021-04-13
CN112651328B CN112651328B (zh) 2022-09-13

Family

ID=75359421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011535984.5A Active CN112651328B (zh) 2020-12-23 2020-12-23 一种基于几何位置关系损失函数的虹膜分割方法

Country Status (1)

Country Link
CN (1) CN112651328B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706469A (zh) * 2021-07-29 2021-11-26 天津中科智能识别产业技术研究院有限公司 一种基于多模型投票机制的虹膜自动分割方法及系统
CN115908237A (zh) * 2022-08-18 2023-04-04 上海佰翊医疗科技有限公司 一种眼裂宽度的测量方法、装置和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140161325A1 (en) * 2012-12-10 2014-06-12 Sri International Iris biometric matching system
CN106778664A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种虹膜图像中虹膜区域的分割方法及其装置
CN108846328A (zh) * 2018-05-29 2018-11-20 上海交通大学 基于几何正则化约束的车道检测方法
CN109389105A (zh) * 2018-12-20 2019-02-26 北京万里红科技股份有限公司 一种基于多任务的虹膜检测和视角分类方法
CN109815850A (zh) * 2019-01-02 2019-05-28 中国科学院自动化研究所 基于深度学习的虹膜图像分割及定位方法、系统、装置
CN110059589A (zh) * 2019-03-21 2019-07-26 昆山杜克大学 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
CN111292338A (zh) * 2020-01-22 2020-06-16 苏州大学 一种从眼底oct图像中分割脉络膜新生血管的方法及系统
US20200327304A1 (en) * 2019-04-09 2020-10-15 Yung-Hui Li System and method for rapidly locating iris using deep learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140161325A1 (en) * 2012-12-10 2014-06-12 Sri International Iris biometric matching system
CN106778664A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种虹膜图像中虹膜区域的分割方法及其装置
CN108846328A (zh) * 2018-05-29 2018-11-20 上海交通大学 基于几何正则化约束的车道检测方法
CN109389105A (zh) * 2018-12-20 2019-02-26 北京万里红科技股份有限公司 一种基于多任务的虹膜检测和视角分类方法
CN109815850A (zh) * 2019-01-02 2019-05-28 中国科学院自动化研究所 基于深度学习的虹膜图像分割及定位方法、系统、装置
CN110059589A (zh) * 2019-03-21 2019-07-26 昆山杜克大学 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
US20200327304A1 (en) * 2019-04-09 2020-10-15 Yung-Hui Li System and method for rapidly locating iris using deep learning
CN111292338A (zh) * 2020-01-22 2020-06-16 苏州大学 一种从眼底oct图像中分割脉络膜新生血管的方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DANIEL KERRIGAN; MATEUSZ TROKIELEWICZ; ADAM CZAJKA: "Iris Recognition with Image Segmentation Employing Retrained Off-the-Shelf Deep Neural Networks", 《 2019 INTERNATIONAL CONFERENCE ON BIOMETRICS (ICB)》 *
DANIEL KERRIGAN; MATEUSZ TROKIELEWICZ; ADAM CZAJKA: "Iris Recognition with Image Segmentation Employing Retrained Off-the-Shelf Deep Neural Networks", 《 2019 INTERNATIONAL CONFERENCE ON BIOMETRICS (ICB)》, 7 June 2019 (2019-06-07), pages 1 - 7, XP033709043, DOI: 10.1109/ICB45273.2019.8987299 *
SHENG LIAN: "Attention guided U-Net for accurate iris segmentation", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 *
SHENG LIAN: "Attention guided U-Net for accurate iris segmentation", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》, 31 October 2018 (2018-10-31), pages 296 - 303 *
杨龙: "描述人眼特征的几何模型构建与参数优化机理研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
杨龙: "描述人眼特征的几何模型构建与参数优化机理研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 July 2018 (2018-07-15), pages 1 - 56 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706469A (zh) * 2021-07-29 2021-11-26 天津中科智能识别产业技术研究院有限公司 一种基于多模型投票机制的虹膜自动分割方法及系统
CN113706469B (zh) * 2021-07-29 2024-04-05 天津中科智能识别产业技术研究院有限公司 一种基于多模型投票机制的虹膜自动分割方法及系统
CN115908237A (zh) * 2022-08-18 2023-04-04 上海佰翊医疗科技有限公司 一种眼裂宽度的测量方法、装置和存储介质
CN115908237B (zh) * 2022-08-18 2023-09-08 上海佰翊医疗科技有限公司 一种眼裂宽度的测量方法、装置和存储介质

Also Published As

Publication number Publication date
CN112651328B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN109214360B (zh) 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用
Hernandez-Ortega et al. Faceqnet: Quality assessment for face recognition based on deep learning
CN106529468B (zh) 一种基于卷积神经网络的手指静脉识别方法及系统
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN110059589B (zh) 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
CN105389593B (zh) 基于surf特征的图像物体识别方法
US20100014755A1 (en) System and method for grid-based image segmentation and matching
CN112651328B (zh) 一种基于几何位置关系损失函数的虹膜分割方法
CN108898180A (zh) 一种面向单颗粒冷冻电镜图像的深度聚类方法
CN106022273A (zh) 基于动态样本选择策略的bp神经网络手写体识别系统
CN105095856A (zh) 基于掩膜的有遮挡人脸识别方法
CN106372624B (zh) 人脸识别方法及系统
CN111274915B (zh) 一种指静脉图像的深度局部聚合描述子提取方法及系统
CN111444951A (zh) 样本识别模型的生成方法、装置、计算机设备和存储介质
CN114764939A (zh) 一种基于身份-属性解耦合成的异质人脸识别方法及系统
CN113095156A (zh) 一种基于逆灰度方式的双流网络签名鉴定方法及装置
Mamun et al. Bangla handwritten digit recognition approach with an ensemble of deep residual networks
CN114022914B (zh) 基于融合深度网络的掌纹识别方法
CN118053232A (zh) 企业安全智能化管理系统及其方法
Gandhi et al. An attempt to recognize handwritten Tamil character using Kohonen SOM
Toh Fingerprint and speaker verification decisions fusion
CN112200174A (zh) 人脸框检测方法及模块和活体人脸验证方法及系统
Bansal et al. Multimodal biometrics by fusion for security using genetic algorithm
CN110059557A (zh) 一种基于低照度自适应的人脸识别方法
Liu et al. Fingerprint image quality assessment based on BP neural network with hierarchical clustering

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