CN113706469A - 一种基于多模型投票机制的虹膜自动分割方法及系统 - Google Patents
一种基于多模型投票机制的虹膜自动分割方法及系统 Download PDFInfo
- Publication number
- CN113706469A CN113706469A CN202110862216.9A CN202110862216A CN113706469A CN 113706469 A CN113706469 A CN 113706469A CN 202110862216 A CN202110862216 A CN 202110862216A CN 113706469 A CN113706469 A CN 113706469A
- Authority
- CN
- China
- Prior art keywords
- layer
- size
- output
- iris
- convolution
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 169
- 238000005070 sampling Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/90—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模型投票机制的虹膜自动分割方法及系统,方法包括以下步骤:获取数据集进行预处理操作,以得到预处理数据集,将得到的预处理数据集输入训练好的第一个目标检测的卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆的矩形框;通过得到的矩形框拟合获取虹膜外圆的边界轮廓和内圆的边界掩膜,并根据该矩形框将虹膜整体裁剪下来,然后将裁剪下来的虹膜图像放大送入训练好的另外两个分割的深度卷积神经网络中,分别得到虹膜内圆的掩膜;最后通过两个分割模型的掩膜和目标检测模型得到的内圆边界掩膜进行投票得到最终的虹膜内圆结果。有利于虹膜区域内外边界的拟合与定位,为后续的虹膜归一化提供准确的输入参数。
Description
技术领域
本发明属于图像分割技术领域,更具体地,涉及一种基于多模型投票机制的虹膜自动分割方法及系统。
背景技术
虹膜识别由于其具有识别精确的特性,因此,被广泛应用到各个领域中。然而,在实际应用过程中,由于受到虹膜图像采集周围环境的影响,例如,光照和距离等,使得虹膜图像采集的效果不同,部分图像效果较差,后续处理中,很难分割虹膜区域的边界,对虹膜识别产生较大的影响。
当前使用的分割虹膜图像中虹膜区域的方法包括传统的图像处理方法和基于深度学习的分割方法。然而两种方法在使用中均存在一些缺陷,基于深度学习的分割方法容易出错;传统的方法容易受到干扰,从而影响虹膜图像分割的效果。
发明内容
本申请的目的在于提供一种基于多模型投票机制的虹膜自动分割方法及系统,以提高虹膜分割的准确性。
为实现本发明的目的,本发明提供了一种基于多模型投票机制的虹膜自动分割方法,包括以下步骤:
步骤一:获取虹膜图像数据集并进行预处理操作,以得到预处理数据集;
步骤二:将步骤一得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标、分类及置信度;
步骤三:将步骤二得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据所述矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像;
步骤四:将步骤三得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到两个虹膜内圆区域的分割掩膜;
步骤五:将步骤四得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
其中,步骤一中对获取的数据集进行预处理操作包括以下子步骤:
步骤1-1:对每一幅待分割的人眼虹膜图像进行随机增强操作,以得到随机增强后的图像,构成虹膜目标检测的预处理数据集;
步骤1-2:对每一幅随机增强后的人眼虹膜图像进行虹膜外圆裁剪操作,以得到随机增强后裁剪的虹膜外圆图像,构成虹膜内圆分割的预处理训练数据集。
其中,第一个目标检测的深度卷积神经网络,包括顺次连接的骨干网CSPDarkNet53和特征金字塔以及路径聚合网络,其网络结构如下:
第一层是输入层,其输入为800*800*3像素的矩阵;
第二层是切片层,其将输入矩阵进行切片操作后变成400*400*12的特征图,再经过一个卷积核为3*3*64,步长为1且使用SAME模式填充的卷积层后得到的输出为400*400*64;
之后是特征抽取层,其采用的是公开的特征抽取的骨干网络CSPDarkNet53,CSPDarkNet53是YOLO中DarkNet53网络将其中的残差替换成了跨级分路模块,在该网络中取特征抽取网络CSPDarkNet53中的conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征C3、C4、C5,其大小分别是100*100*256、50*50*512、25*25*512;
上采样的特征金字塔网络对骨干网CSPDarkNet53输出的特征C3、C4、C5进行特征融合,上采样的特征金字塔网络的网络结构如下:
第一层是在特征C5输出上的卷积层,其卷积核尺寸为1*1*512,步长为1,该层使用SAME模式填充,输出矩阵为25*25*512,记为P5;
第二层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为50*50*512,记为P5_upsample;
第三层是增加层,其将输出矩阵P5_upsample和输出矩阵C4通过通道数相加,输出矩阵大小为50*50*1024;
第四层是和骨干网中一样的模块,由三个跨级分路模块组成,其输出矩阵经过一个卷积核尺寸为1*1*256,步长为1的卷积层后,输出矩阵为50*50*256,记为P4;
第五层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为100*100*256,记为P4_upsample;
第五层是增加层,其将输出矩阵P4_upsample和输出矩阵C3通过通道数相加,输出矩阵大小为100*100*512;
第六层是同样由三个跨级分路模块组成,其输出矩阵大小为100*100*256,记为P3;
路径聚合网络是在特征金字塔的基础上建立一个从下往上的增强路径,路径聚合网络的网络结构如下:
第一层是卷积层,其卷积核尺寸为3*3*256,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为50*50*256;
第二层是相加层,其将P4和上一层按通道数相加,输出矩阵大小为50*50*512,记为O2;
第三层同样是三个跨级分路模块组成,其输出矩阵大小为50*50*512;
第四层是卷积层,其卷积核尺寸为3*3*512,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为25*25*512;
第五层是相加层,其将P5和上一层按通道数相加,输出矩阵大小为25*25*1024,记为O3;
第六层同样是三个跨级分路模块组成,其输出矩阵大小为25*25*1024;
最后的输出层是包括了一个卷积核为1*1,步长为1的卷积层,针对P3,O2,O3的256,512,1024三个不同尺寸的通道数的得到的输出。
其中,除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的Hardswish激活函数。
其中,其中一个分割的深度卷积神经网络为编码-解码分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
第二层是堆叠的两个卷积层,卷积层的尺寸均为3*3*64和3*3*64,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为512*512*64,记为U1;
其后四层均由一个最大池化层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,最后输出的矩阵大小分别为256*256*128,128*128*256,64*64*512,32*32*512,分别记为U2,U3,U4,U5;
第七层是由一个上采样层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,上一层的输出U5先通过上采样层,将其特征图大小扩充至64*64*512,与U4通过通道拼接然后经过该层包含的两个卷积层后最终的输出大小为64*64*256;
第八层与第七层一样,由一个上采样层与两个卷积层堆叠而成,第七层的输出矩阵经过上采样层获得的矩阵大小为128*128*256,然后通过与U3通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为128*128*128;
第九层与第八层一样,由一个上采样层与两个卷积层堆叠而成,第八层的输出矩阵经过上采样层获得的矩阵大小为256*256*128,然后通过与U2通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为256*256*64;
第十层与第九层一样,由一个上采样层与两个卷积层堆叠而成,第九层的输出矩阵经过上采样层获得的矩阵大小为512*512*64,然后通过与U1通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为512*512*64;
最后一层仅一个卷积层,该卷积层卷积核尺寸为1*1*1,步长为1,最终得到的输出为512*512*1。
其中,除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的ReLU激活函数。
其中,其中一个分割的深度卷积神经网络为基于联合金字塔上采样的快速全卷积分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
之后是特征抽取层,其采用的是预训练的特征抽取的骨干网络VGG16,在该网络中取conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征V3、V4、V5,其大小分别是64*64*256、32*32*512、16*16*512;
接下来是联合金字塔上采样层,该层将VGG16的三层输出层均上采样到64*64*512的大小,然后通过通道拼接,最终获得的矩阵大小为64*64*1536;
拼接后紧接两层卷积层,其卷积核尺寸分别为3*3*256和1*1*1,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为64*64*1;
最后是双线性插值,其将网络的输出大小64*64*1双线性插值到512*512*1。
与上述方法相应地,本发明还提供了一种基于多模型投票机制的虹膜自动分割系统,包括第一处理单元、第二处理单元、第三处理单元以及第四处理单元、第五处理单元,
所述第一处理单元用于获取虹膜图像数据集并进行预处理操作,以得到预处理数据集;
所述第二处理单元用于将第一处理单元得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标、分类及置信度;
所述第三处理单元用于将第二处理单元得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据所述矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像;
所述第四处理单元用于将第三处理单元得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到两个虹膜内圆区域的分割掩膜;
所述第五处理单元用于将第四处理单元得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
其中,第一个目标检测的深度卷积神经网络,包括顺次连接的骨干网CSPDarkNet53和特征金字塔以及路径聚合网络,其网络结构如下:
第一层是输入层,其输入为800*800*3像素的矩阵;
第二层是切片层,其将输入矩阵进行切片操作后变成400*400*12的特征图,再经过一个卷积核为3*3*64,步长为1且使用SAME模式填充的卷积层后得到的输出为400*400*64;
之后是特征抽取层,其采用的是公开的特征抽取的骨干网络CSPDarkNet53,CSPDarkNet53是YOLO中DarkNet53网络将其中的残差替换成了跨级分路模块,在该网络中取特征抽取网络CSPDarkNet53中的conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征C3、C4、C5,其大小分别是100*100*256、50*50*512、25*25*512;
上采样的特征金字塔网络对骨干网CSPDarkNet53输出的特征C3、C4、C5进行特征融合,上采样的特征金字塔网络的网络结构如下:
第一层是在特征C5输出上的卷积层,其卷积核尺寸为1*1*512,步长为1,该层使用SAME模式填充,输出矩阵为25*25*512,记为P5;
第二层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为50*50*512,记为P5_upsample;
第三层是增加层,其将输出矩阵P5_upsample和输出矩阵C4通过通道数相加,输出矩阵大小为50*50*1024;
第四层是和骨干网中一样的模块,由三个跨级分路模块组成,其输出矩阵经过一个卷积核尺寸为1*1*256,步长为1的卷积层后,输出矩阵为50*50*256,记为P4;
第五层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为100*100*256,记为P4_upsample;
第五层是增加层,其将输出矩阵P4_upsample和输出矩阵C3通过通道数相加,输出矩阵大小为100*100*512;
第六层是同样由三个跨级分路模块组成,其输出矩阵大小为100*100*256,记为P3;
路径聚合网络是在特征金字塔的基础上建立一个从下往上的增强路径,路径聚合网络的网络结构如下:
第一层是卷积层,其卷积核尺寸为3*3*256,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为50*50*256;
第二层是相加层,其将P4和上一层按通道数相加,输出矩阵大小为50*50*512,记为O2;
第三层同样是三个跨级分路模块组成,其输出矩阵大小为50*50*512;
第四层是卷积层,其卷积核尺寸为3*3*512,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为25*25*512;
第五层是相加层,其将P5和上一层按通道数相加,输出矩阵大小为25*25*1024,记为O3;
第六层同样是三个跨级分路模块组成,其输出矩阵大小为25*25*1024;
最后的输出层是包括了一个卷积核为1*1,步长为1的卷积层,针对P3,O2,O3的256,512,1024三个不同尺寸的通道数的得到的输出。
其中,其中一个分割的深度卷积神经网络为编码-解码分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
第二层是堆叠的两个卷积层,卷积层的尺寸均为3*3*64和3*3*64,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为512*512*64,记为U1;
其后四层均由一个最大池化层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,最后输出的矩阵大小分别为256*256*128,128*128*256,64*64*512,32*32*512,分别记为U2,U3,U4,U5;
第七层是由一个上采样层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,上一层的输出U5先通过上采样层,将其特征图大小扩充至64*64*512,与U4通过通道拼接然后经过该层包含的两个卷积层后最终的输出大小为64*64*256;
第八层与第七层一样,由一个上采样层与两个卷积层堆叠而成,第七层的输出矩阵经过上采样层获得的矩阵大小为128*128*256,然后通过与U3通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为128*128*128;
第九层与第八层一样,由一个上采样层与两个卷积层堆叠而成,第八层的输出矩阵经过上采样层获得的矩阵大小为256*256*128,然后通过与U2通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为256*256*64;
第十层与第九层一样,由一个上采样层与两个卷积层堆叠而成,第九层的输出矩阵经过上采样层获得的矩阵大小为512*512*64,然后通过与U1通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为512*512*64;
最后一层仅一个卷积层,该卷积层卷积核尺寸为1*1*1,步长为1,最终得到的输出为512*512*1。
与现有技术相比,本发明的有益效果为,本发明创造公开了一种基于多模型投票机制的虹膜自动分割方法及系统,通过集成目标检测网络和编码-解码分割网络以及快速全卷积分割网络的方式实现虹膜图像内外圆轮廓的分割,有利于虹膜内外边界的精准定位与拟合,也有利于为后续虹膜归一化提供准确的参数。
附图说明
图1是本发明基于多模型投票机制的虹膜自动分割方法的流程图;
图2是本发明使用的目标检测网络框架的示意图;
图3是本发明使用的编码-解码分割网络的示意图;
图4是本发明使用的快速全卷积分割网络的示意图;
图5是本发明方法的使用的基于多模型投票机制的虹膜自动分割方法的框架图。
具体实施方式
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。
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。
如图1-图5所示,
本发明提供了一种人眼虹膜图像中基于多模型投票机制的虹膜自动分割方法,使计算机自主学习兼并人为引导计算机对虹膜特征区域的学习,以达到对实时的自动分割效果。
本发明提供的一种人眼虹膜图像中基于多模型投票机制的虹膜自动分割方法,包括以下步骤:
步骤一:获取虹膜图像数据集并获取的数据集进行预处理操作,以得到预处理数据集。
具体而言,数据集是在非可控的可见光照明条件下采集的虹膜数据集。
本步骤中对获取的数据集进行预处理操作包括以下子步骤:
步骤1-1:对每一幅待分割的人眼虹膜图像进行随机增强操作,以得到随机增强后的图像,构成虹膜的预处理数据集。
步骤1-2:对每一幅随机增强后的人眼虹膜图像进行虹膜外圆裁剪操作,以得到随机增强后裁剪的虹膜外圆图像,构成虹膜内圆分割的数据集。
具体而言,增强操作可以是以一定角度旋转、水平或垂直翻转、边缘镜像的填充方式缩放、小范围程度的亮度随机扰动中的一种操作或其任意组合的操作。
步骤二:将步骤一得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标和分类及置信度。
步骤三:将步骤二得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据该矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像。
步骤四:将步骤三得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到虹膜内圆区域的分割掩膜。
步骤五:将步骤四得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
优选地,深度卷积神经网络主要包括第一个目标检测的深度卷积神经网络和编码-解码分割网络以及快速全卷积分割网络。
优选地,对于第一个目标检测的深度卷积神经网络,其主要包括顺次连接的骨干网CSPDarkNet53和特征金字塔以及路径聚合网络。其网络结构如下:
第一层是输入层,其输入为800*800*3像素的矩阵;
第二层是切片层,其将输入矩阵进行切片操作后变成400*400*12的特征图,再经过一个卷积核为3*3*64,步长为1且使用SAME模式填充的卷积层后得到的输出为400*400*64;
之后是特征抽取层,其采用的是公开的特征抽取的骨干网络CSPDarkNet53,CSPDarkNet53是YOLO中DarkNet53网络将其中的残差替换成了跨级分路模块,这样不仅能提高网络的学习能力,还能降低网络的冗余程度和计算量,在该网络中取特征抽取网络CSPDarkNet53中的conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征C3、C4、C5,其大小分别是100*100*256、50*50*512、25*25*512。
优选地,上采样的特征金字塔网络对骨干网CSPDarkNet53输出的特征C3、C4、C5进行特征融合,上采样的特征金字塔网络的网络结构如下:
第一层是在特征C5输出上的卷积层,其卷积核尺寸为1*1*512,步长为1,该层使用SAME模式填充,输出矩阵为25*25*512,记为P5;
第二层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为50*50*512,记为P5_upsample;
第三层是增加层,其将输出矩阵P5_upsample和输出矩阵C4通过通道数相加,输出矩阵大小为50*50*1024;
第四层是和骨干网中一样的模块,由三个跨级分路模块组成,其输出矩阵经过一个卷积核尺寸为1*1*256,步长为1的卷积层后,输出矩阵为50*50*256,记为P4;
第五层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为100*100*256,记为P4_upsample;
第五层是增加层,其将输出矩阵P4_upsample和输出矩阵C3通过通道数相加,输出矩阵大小为100*100*512;
第六层是同样由三个跨级分路模块组成,其输出矩阵大小为100*100*256,记为P3;
优选地,路径聚合网络是在特征金字塔的基础上建立一个从下往上的增强路径,缩短底层特征到高层的路径,提升框架内信息流的传播。路径聚合网络的网络结构如下:
第一层是卷积层,其卷积核尺寸为3*3*256,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为50*50*256;
第二层是相加层,其将P4和上一层按通道数相加,输出矩阵大小为50*50*512,记为O2;
第三层同样是三个跨级分路模块组成,其输出矩阵大小为50*50*512;
第四层是卷积层,其卷积核尺寸为3*3*512,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为25*25*512;
第五层是相加层,其将P5和上一层按通道数相加,输出矩阵大小为25*25*1024,记为O3;
第六层同样是三个跨级分路模块组成,其输出矩阵大小为25*25*1024;
最后的输出层是包括了一个卷积核为1*1,步长为1的卷积层,针对P3,O2,O3的256,512,1024三个不同尺寸的通道数的得到的输出。
除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的Hardswish激活函数。
优选地,对于编码-解码分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
第二层是堆叠的两个卷积层,卷积层的尺寸均为3*3*64和3*3*64,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为512*512*64,记为U1;
其后四层均由一个最大池化层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,最后输出的矩阵大小分别为256*256*128,128*128*256,64*64*512,32*32*512,分别记为U2,U3,U4,U5。
第七层是由一个上采样层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,上一层的输出U5先通过上采样层,将其特征图大小扩充至64*64*512,与U4通过通道拼接然后经过该层包含的两个卷积层后最终的输出大小为64*64*256;
第八层与第七层一样,由一个上采样层与两个卷积层堆叠而成,第七层的输出矩阵经过上采样层获得的矩阵大小为128*128*256,然后通过与U3通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为128*128*128;
第九层与第八层一样,由一个上采样层与两个卷积层堆叠而成,第八层的输出矩阵经过上采样层获得的矩阵大小为256*256*128,然后通过与U2通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为256*256*64;
第十层与第九层一样,由一个上采样层与两个卷积层堆叠而成,第九层的输出矩阵经过上采样层获得的矩阵大小为512*512*64,然后通过与U1通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为512*512*64;
最后一层仅一个卷积层,该卷积层卷积核尺寸为1*1*1,步长为1,最终得到的输出为512*512*1。
除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的ReLU激活函数。
优选地,对于基于联合金字塔上采样的快速全卷积分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
之后是特征抽取层,其采用的是预训练的特征抽取的骨干网络VGG16,在该网络中取conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征V3、V4、V5,其大小分别是64*64*256、32*32*512、16*16*512;
接下来是联合金字塔上采样层,该层将VGG16的三层输出层均上采样到64*64*512的大小,然后通过通道拼接,最终获得的矩阵大小为64*64*1536;
拼接后紧接两层卷积层,其卷积核尺寸分别为3*3*256和1*1*1,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为64*64*1;
最后是双线性插值,其将网络的输出大小64*64*1双线性插值到512*512*1。
除最后两层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的ReLU激活函数。
优选地,深度卷积神经网络是通过如下步骤训练得到:
(a1)获取数据集并对数据集进行预处理,以得到预处理后的数据集;
(a2)使用步骤(a1)得到的预处理数据集中的训练集部分中的一批次数据,将其输入深度卷积神经网络中,以获得推理输出,将该推理输出和步骤(a1)中预处理后的数据集一并输入深度卷积神经网络的损失函数中,以获取损失值。
(a3)根据优化算法并使用步骤(a2)得到的损失值对深度卷积神经网络的损失函数进行优化,其中目标检测网络使用的优化算法为SGD,基于联合金字塔上采样的快速全卷积分割网络使用的优化算法为Adam,编码-解码分割网络使用的优化算法为RMSprop;
(a4)针对步骤(a3)得到的预处理数据集中的训练集部分中的剩余批次数据,重复依次执行上述步骤(a2)和步骤(a3),直到达到迭代次数为止,从而得到训练好的深度卷积神经网络。
优选地,深度卷积神经网络用的损失值是由如下的损失函数计算得到的:
(L1)目标检测网络中使用的损失值是通过以下损失函数Lloss计算:
Lloss=Lcls+Lobj+Lbbox
Lcls=-ωcls[ytlogy+(1-yt)log(1-y)]
Lobj=-ωobj[ytlogy+(1-yt)log(1-y)]
其中,y表示深度卷积神经网络对输入图像的推理输出,yt表示数据集标注的标签,ω表示调节损失值的权重因子,且α∈[0,1],b表示深度学习对输入图像推理输出的框,bt是数据集标注的框,ρ表示欧式距离,c表示两个框最小外接矩形的对角线距离,IOU则是b和bt两个框交集与并集的比值,v是用来衡量长宽比一致性的参数,
(L2)基于联合金字塔上采样的快速全卷积分割网络与基于编码-解码分割网络的损失值均是通过以下损失函数Lfenge计算:
其中,y表示深度卷积神经网络对输入图像的推理输出,yt表示数据集标注的标签。
另外,本发明还公开了一种基于多模型投票机制的虹膜自动分割系统,包括:第一处理单元,其用于获取虹膜图像数据集并进行预处理操作,以得到预处理数据集;第二处理单元,其用于将第一处理单元得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标、分类及置信度;第三处理单元,其用于将第二处理单元得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据所述矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像;第四处理单元,其用于将第三处理单元得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到两个虹膜内圆区域的分割掩膜;第五处理单元,其用于将第四处理单元得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
需要说明的是,本申请中未详述的技术方案,采用公知技术。
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 (10)
1.一种基于多模型投票机制的虹膜自动分割方法,其特征在于,包括以下步骤:
步骤一:获取虹膜图像数据集并进行预处理操作,以得到预处理数据集;
步骤二:将步骤一得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标、分类及置信度;
步骤三:将步骤二得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据所述矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像;
步骤四:将步骤三得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到两个虹膜内圆区域的分割掩膜;
步骤五:将步骤四得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
2.根据权利要求1所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,步骤(1)中对获取的数据集进行预处理操作包括以下子步骤:
步骤1-1:对每一幅待分割的人眼虹膜图像进行随机增强操作,以得到随机增强后的图像,构成虹膜目标检测的预处理数据集;
步骤1-2:对每一幅随机增强后的人眼虹膜图像进行虹膜外圆裁剪操作,以得到随机增强后裁剪的虹膜外圆图像,构成虹膜内圆分割的预处理训练数据集。
3.根据权利要求1所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,第一个目标检测的深度卷积神经网络,包括顺次连接的骨干网CSPDarkNet53和特征金字塔以及路径聚合网络,其网络结构如下:
第一层是输入层,其输入为800*800*3像素的矩阵;
第二层是切片层,其将输入矩阵进行切片操作后变成400*400*12的特征图,再经过一个卷积核为3*3*64,步长为1且使用SAME模式填充的卷积层后得到的输出为400*400*64;
之后是特征抽取层,其采用的是公开的特征抽取的骨干网络CSPDarkNet53,CSPDarkNet53是YOLO中DarkNet53网络将其中的残差替换成了跨级分路模块,在该网络中取特征抽取网络CSPDarkNet53中的conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征C3、C4、C5,其大小分别是100*100*256、50*50*512、25*25*512;
上采样的特征金字塔网络对骨干网CSPDarkNet53输出的特征C3、C4、C5进行特征融合,上采样的特征金字塔网络的网络结构如下:
第一层是在特征C5输出上的卷积层,其卷积核尺寸为1*1*512,步长为1,第一层使用SAME模式填充,输出矩阵为25*25*512,记为P5;
第二层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为50*50*512,记为P5_upsample;
第三层是增加层,其将输出矩阵P5_upsample和输出矩阵C4通过通道数相加,输出矩阵大小为50*50*1024;
第四层是和骨干网中一样的模块,由三个跨级分路模块组成,其输出矩阵经过一个卷积核尺寸为1*1*256,步长为1的卷积层后,输出矩阵为50*50*256,记为P4;
第五层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为100*100*256,记为P4_upsample;
第五层是增加层,其将输出矩阵P4_upsample和输出矩阵C3通过通道数相加,输出矩阵大小为100*100*512;
第六层是同样由三个跨级分路模块组成,其输出矩阵大小为100*100*256,记为P3;
路径聚合网络是在特征金字塔的基础上建立一个从下往上的增强路径,路径聚合网络的网络结构如下:
第一层是卷积层,其卷积核尺寸为3*3*256,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为50*50*256;
第二层是相加层,其将P4和上一层按通道数相加,输出矩阵大小为50*50*512,记为O2;
第三层同样是三个跨级分路模块组成,其输出矩阵大小为50*50*512;
第四层是卷积层,其卷积核尺寸为3*3*512,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为25*25*512;
第五层是相加层,其将P5和上一层按通道数相加,输出矩阵大小为25*25*1024,记为O3;
第六层同样是三个跨级分路模块组成,其输出矩阵大小为25*25*1024;
最后的输出层是包括了一个卷积核为1*1,步长为1的卷积层,针对P3,O2,O3的256,512,1024三个不同尺寸的通道数的得到的输出。
4.根据权利要求3所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,
除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的Hardswish激活函数。
5.根据权利要求1所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,
其中一个分割的深度卷积神经网络为编码-解码分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
第二层是堆叠的两个卷积层,卷积层的尺寸均为3*3*64和3*3*64,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为512*512*64,记为U1;
其后四层均由一个最大池化层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,最后输出的矩阵大小分别为256*256*128,128*128*256,64*64*512,32*32*512,分别记为U2,U3,U4,U5;
第七层是由一个上采样层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,上一层的输出U5先通过上采样层,将其特征图大小扩充至64*64*512,与U4通过通道拼接然后经过第七层包含的两个卷积层后最终的输出大小为64*64*256;
第八层与第七层一样,由一个上采样层与两个卷积层堆叠而成,第七层的输出矩阵经过上采样层获得的矩阵大小为128*128*256,然后通过与U3通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为128*128*128;
第九层与第八层一样,由一个上采样层与两个卷积层堆叠而成,第八层的输出矩阵经过上采样层获得的矩阵大小为256*256*128,然后通过与U2通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为256*256*64;
第十层与第九层一样,由一个上采样层与两个卷积层堆叠而成,第九层的输出矩阵经过上采样层获得的矩阵大小为512*512*64,然后通过与U1通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为512*512*64;
最后一层仅一个卷积层,该卷积层卷积核尺寸为1*1*1,步长为1,最终得到的输出为512*512*1。
6.根据权利要求5所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,
除最后一层输出层的卷积层未使用激活函数以外,所有的卷积层都是采用的ReLU激活函数。
7.根据权利要求1所述的基于多模型投票机制的虹膜自动分割方法,其特征在于,
其中一个分割的深度卷积神经网络为基于联合金字塔上采样的快速全卷积分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
之后是特征抽取层,其采用的是预训练的特征抽取的骨干网络VGG16,在该网络中取conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征V3、V4、V5,其大小分别是64*64*256、32*32*512、16*16*512;
接下来是联合金字塔上采样层,其将VGG16的三层输出层均上采样到64*64*512的大小,然后通过通道拼接,最终获得的矩阵大小为64*64*1536;
拼接后紧接两层卷积层,其卷积核尺寸分别为3*3*256和1*1*1,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为64*64*1;
最后是双线性插值,其将网络的输出大小64*64*1双线性插值到512*512*1。
8.一种基于多模型投票机制的虹膜自动分割系统,其特征在于,包括第一处理单元、第二处理单元、第三处理单元以及第四处理单元、第五处理单元,
所述第一处理单元用于获取虹膜图像数据集并进行预处理操作,以得到预处理数据集;
所述第二处理单元用于将第一处理单元得到的预处理数据集输入训练好的第一个目标检测的深度卷积神经网络中,以得到每幅人眼虹膜图像中虹膜内外圆区域的矩形框坐标、分类及置信度;
所述第三处理单元用于将第二处理单元得到的矩形框拟合得到虹膜内外圆区域的轮廓,并根据所述矩形框将人眼虹膜图像进行裁剪,得到裁剪后的虹膜图像和填充后的内圆边界掩膜图像;
所述第四处理单元用于将第三处理单元得到的裁剪后的虹膜图像输入到训练好的另外两个分割的深度卷积神经网络中,由此得到两个虹膜内圆区域的分割掩膜;
所述第五处理单元用于将第四处理单元得到的两个虹膜内圆区域的分割掩膜和步骤三得到的内圆边界掩膜图像进行投票,得到最终的虹膜内圆的轮廓。
9.根据权利要求8所述的基于多模型投票机制的虹膜自动分割系统,其特征在于,第一个目标检测的深度卷积神经网络,包括顺次连接的骨干网CSPDarkNet53和特征金字塔以及路径聚合网络,其网络结构如下:
第一层是输入层,其输入为800*800*3像素的矩阵;
第二层是切片层,其将输入矩阵进行切片操作后变成400*400*12的特征图,再经过一个卷积核为3*3*64,步长为1且使用SAME模式填充的卷积层后得到的输出为400*400*64;
之后是特征抽取层,其采用的是公开的特征抽取的骨干网络CSPDarkNet53,CSPDarkNet53是YOLO中DarkNet53网络将其中的残差替换成了跨级分路模块,在该网络中取特征抽取网络CSPDarkNet53中的conv3.x层、conv4.x层和conv5.x层的输出矩阵作为提取的特征C3、C4、C5,其大小分别是100*100*256、50*50*512、25*25*512;
上采样的特征金字塔网络对骨干网CSPDarkNet53输出的特征C3、C4、C5进行特征融合,上采样的特征金字塔网络的网络结构如下:
第一层是在特征C5输出上的卷积层,其卷积核尺寸为1*1*512,步长为1,第一层使用SAME模式填充,输出矩阵为25*25*512,记为P5;
第二层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为50*50*512,记为P5_upsample;
第三层是增加层,其将输出矩阵P5_upsample和输出矩阵C4通过通道数相加,输出矩阵大小为50*50*1024;
第四层是和骨干网中一样的模块,由三个跨级分路模块组成,其输出矩阵经过一个卷积核尺寸为1*1*256,步长为1的卷积层后,输出矩阵为50*50*256,记为P4;
第五层是上采样层,其上采样尺寸为2,该层使用SAME模式填充,输出矩阵为100*100*256,记为P4_upsample;
第五层是增加层,其将输出矩阵P4_upsample和输出矩阵C3通过通道数相加,输出矩阵大小为100*100*512;
第六层是同样由三个跨级分路模块组成,其输出矩阵大小为100*100*256,记为P3;
路径聚合网络是在特征金字塔的基础上建立一个从下往上的增强路径,路径聚合网络的网络结构如下:
第一层是卷积层,其卷积核尺寸为3*3*256,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为50*50*256;
第二层是相加层,其将P4和上一层按通道数相加,输出矩阵大小为50*50*512,记为O2;
第三层同样是三个跨级分路模块组成,其输出矩阵大小为50*50*512;
第四层是卷积层,其卷积核尺寸为3*3*512,步长为2,该层使用SAME模式填充,其输出矩阵上采样之后的大小为25*25*512;
第五层是相加层,其将P5和上一层按通道数相加,输出矩阵大小为25*25*1024,记为O3;
第六层同样是三个跨级分路模块组成,其输出矩阵大小为25*25*1024;
最后的输出层是包括了一个卷积核为1*1,步长为1的卷积层,针对P3,O2,O3的256,512,1024三个不同尺寸的通道数的得到的输出。
10.根据权利要求8所述的基于多模型投票机制的虹膜自动分割系统,其特征在于,
其中一个分割的深度卷积神经网络为编码-解码分割网络,其网络结构如下:
第一层是输入层,其输入为512*512*3像素的矩阵;
第二层是堆叠的两个卷积层,卷积层的尺寸均为3*3*64和3*3*64,步长均为1,均使用SAME模式填充,其最后输出矩阵的大小为512*512*64,记为U1;
其后四层均由一个最大池化层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,最后输出的矩阵大小分别为256*256*128,128*128*256,64*64*512,32*32*512,分别记为U2,U3,U4,U5;
第七层是由一个上采样层与两个卷积层堆叠而成,卷积核大小均为3*3,步长为1,均使用SAME模式填充,上一层的输出U5先通过上采样层,将其特征图大小扩充至64*64*512,与U4通过通道拼接然后经过第七层包含的两个卷积层后最终的输出大小为64*64*256;
第八层与第七层一样,由一个上采样层与两个卷积层堆叠而成,第七层的输出矩阵经过上采样层获得的矩阵大小为128*128*256,然后通过与U3通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为128*128*128;
第九层与第八层一样,由一个上采样层与两个卷积层堆叠而成,第八层的输出矩阵经过上采样层获得的矩阵大小为256*256*128,然后通过与U2通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为256*256*64;
第十层与第九层一样,由一个上采样层与两个卷积层堆叠而成,第九层的输出矩阵经过上采样层获得的矩阵大小为512*512*64,然后通过与U1通过通道进行拼接后进入两个卷积层之后得到的最终输出大小为512*512*64;
最后一层仅一个卷积层,该卷积层卷积核尺寸为1*1*1,步长为1,最终得到的输出为512*512*1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862216.9A CN113706469B (zh) | 2021-07-29 | 2021-07-29 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862216.9A CN113706469B (zh) | 2021-07-29 | 2021-07-29 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706469A true CN113706469A (zh) | 2021-11-26 |
CN113706469B CN113706469B (zh) | 2024-04-05 |
Family
ID=78650871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110862216.9A Active CN113706469B (zh) | 2021-07-29 | 2021-07-29 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706469B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824681A (zh) * | 2023-08-24 | 2023-09-29 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5572596A (en) * | 1994-09-02 | 1996-11-05 | David Sarnoff Research Center, Inc. | Automated, non-invasive iris recognition system and method |
US20060008124A1 (en) * | 2004-07-12 | 2006-01-12 | Ewe Hong T | Iris image-based recognition system |
EP2138950A1 (en) * | 2008-06-25 | 2009-12-30 | Deutsche Telekom AG | Iris feature extraction, identification and verification system based on directionlets |
US20140161325A1 (en) * | 2012-12-10 | 2014-06-12 | Sri International | Iris biometric matching system |
CN105303185A (zh) * | 2015-11-27 | 2016-02-03 | 中国科学院深圳先进技术研究院 | 虹膜定位方法及装置 |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
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 |
US20170251366A1 (en) * | 2014-09-24 | 2017-08-31 | Princeton Identity, Inc. | Control Of Wireless Communication Device Capability In A Mobile Device With A Biometric Key |
WO2017210690A1 (en) * | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
CN107657281A (zh) * | 2017-09-28 | 2018-02-02 | 辽宁工程技术大学 | 一种基于改进的卷积神经网络的图像识别方法 |
CN107871322A (zh) * | 2016-09-27 | 2018-04-03 | 北京眼神科技有限公司 | 虹膜图像分割方法和装置 |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 |
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 |
CN110059586A (zh) * | 2019-03-29 | 2019-07-26 | 电子科技大学 | 一种基于空洞残差注意力结构的虹膜定位分割系统 |
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 |
CN111027464A (zh) * | 2019-12-09 | 2020-04-17 | 大连理工大学 | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 |
CN111401145A (zh) * | 2020-02-26 | 2020-07-10 | 三峡大学 | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 |
CN111798404A (zh) * | 2019-04-04 | 2020-10-20 | 上海点与面智能科技有限公司 | 基于深度神经网络的虹膜图像质量评估方法及评估系统 |
CN111914585A (zh) * | 2018-07-03 | 2020-11-10 | 上海斐讯数据通信技术有限公司 | 一种虹膜识别的方法及系统 |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
US20210034836A1 (en) * | 2019-01-02 | 2021-02-04 | Blink O.G. Ltd. | Geometrically constrained, unsupervised training of convolutional autoencoders for extraction of eye landmarks |
CN112651328A (zh) * | 2020-12-23 | 2021-04-13 | 浙江中正智能科技有限公司 | 一种基于几何位置关系损失函数的虹膜分割方法 |
CN112801067A (zh) * | 2021-04-13 | 2021-05-14 | 北京万里红科技股份有限公司 | 一种检测虹膜光斑的方法及计算设备 |
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 |
-
2021
- 2021-07-29 CN CN202110862216.9A patent/CN113706469B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5572596A (en) * | 1994-09-02 | 1996-11-05 | David Sarnoff Research Center, Inc. | Automated, non-invasive iris recognition system and method |
US20060008124A1 (en) * | 2004-07-12 | 2006-01-12 | Ewe Hong T | Iris image-based recognition system |
EP2138950A1 (en) * | 2008-06-25 | 2009-12-30 | Deutsche Telekom AG | Iris feature extraction, identification and verification system based on directionlets |
US20140161325A1 (en) * | 2012-12-10 | 2014-06-12 | Sri International | Iris biometric matching system |
US20170251366A1 (en) * | 2014-09-24 | 2017-08-31 | Princeton Identity, Inc. | Control Of Wireless Communication Device Capability In A Mobile Device With A Biometric Key |
CN105303185A (zh) * | 2015-11-27 | 2016-02-03 | 中国科学院深圳先进技术研究院 | 虹膜定位方法及装置 |
WO2017210690A1 (en) * | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
CN106326874A (zh) * | 2016-08-30 | 2017-01-11 | 天津中科智能识别产业技术研究院有限公司 | 一种人眼图像中的虹膜识别方法及其装置 |
CN107871322A (zh) * | 2016-09-27 | 2018-04-03 | 北京眼神科技有限公司 | 虹膜图像分割方法和装置 |
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 |
CN107657281A (zh) * | 2017-09-28 | 2018-02-02 | 辽宁工程技术大学 | 一种基于改进的卷积神经网络的图像识别方法 |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 |
CN111914585A (zh) * | 2018-07-03 | 2020-11-10 | 上海斐讯数据通信技术有限公司 | 一种虹膜识别的方法及系统 |
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 |
US20210034836A1 (en) * | 2019-01-02 | 2021-02-04 | Blink O.G. Ltd. | Geometrically constrained, unsupervised training of convolutional autoencoders for extraction of eye landmarks |
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 |
CN110059586A (zh) * | 2019-03-29 | 2019-07-26 | 电子科技大学 | 一种基于空洞残差注意力结构的虹膜定位分割系统 |
CN111798404A (zh) * | 2019-04-04 | 2020-10-20 | 上海点与面智能科技有限公司 | 基于深度神经网络的虹膜图像质量评估方法及评估系统 |
CN111027464A (zh) * | 2019-12-09 | 2020-04-17 | 大连理工大学 | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 |
CN111401145A (zh) * | 2020-02-26 | 2020-07-10 | 三峡大学 | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
CN112651328A (zh) * | 2020-12-23 | 2021-04-13 | 浙江中正智能科技有限公司 | 一种基于几何位置关系损失函数的虹膜分割方法 |
CN112801067A (zh) * | 2021-04-13 | 2021-05-14 | 北京万里红科技股份有限公司 | 一种检测虹膜光斑的方法及计算设备 |
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 |
Non-Patent Citations (8)
Title |
---|
CAIYONG WANG ET, AL.: ""IrisGuideNet: Guided Localization and Segmentation Network for Unconstrained Iris Biometrics"", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY 》 * |
CAIYONG WANG: "《 IEEE Transactions on Information Forensics and Security》", 《 IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
LEILA NASSERI;ALI ASGHAR BEHESHTI SHIRAZI;: ""Tsallis entropy, PCA and neural network in novel algorithm of iris classification"", 《2011 WORLD CONGRESS ON INFORMATION AND COMMUNICATION TECHNOLOGIES》 * |
张科;: "应用于物联网设备快速准确的虹膜分割方法", 智能计算机与应用, no. 02 * |
徐霄;陈阳;张飞云;乔宇;: "基于深度反卷积网络的虹膜定位方法研究", 集成技术, no. 01 * |
王云龙 等: ""基于计算光场成像的虹膜活体检测方法"", 《自 动 化 学 报》 * |
赵勇;雷欢;马敬奇;肖任翔;张寿明;: "迁移模式下卷积神经网络在虹膜识别中的应用", 电子测量技术, no. 09 * |
青晨;禹晶;肖创柏;段娟;: "深度卷积神经网络图像语义分割研究进展", 中国图象图形学报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824681A (zh) * | 2023-08-24 | 2023-09-29 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
CN116824681B (zh) * | 2023-08-24 | 2023-11-24 | 北京集联网络技术有限公司 | 基于深度卷积神经网络的眼检测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113706469B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及系统 | |
CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
CN112016614B (zh) | 光学图像目标检测模型的构建方法、目标检测方法及装置 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN114708255B (zh) | 一种基于TransUNet模型的多中心儿童X线胸片图像肺部分割方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN112052899A (zh) | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 | |
CN112381835A (zh) | 基于卷积神经网络的作物叶片分割方法及装置 | |
CN116129291A (zh) | 一种面向无人机畜牧的图像目标识别方法及其装置 | |
CN113034506A (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN112446376B (zh) | 一种工业图像智能分割压缩方法 | |
CN114067440B (zh) | 级联神经网络模型的行人检测方法、装置、设备及介质 | |
CN113706469B (zh) | 一种基于多模型投票机制的虹膜自动分割方法及系统 | |
CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN113689385B (zh) | 虹膜内外圆边界自动分割方法、装置、设备及存储介质 | |
CN115797939A (zh) | 一种基于深度学习的两阶段斜体字符识别方法及装置 | |
CN115205624A (zh) | 一种跨维度注意力聚合的云雪辩识方法、设备及存储介质 | |
CN113887381A (zh) | 轻量化卫星云图神经网络训练方法以及降雨检测方法 | |
CN114283431A (zh) | 一种基于可微分二值化的文本检测方法 |
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 |