CN114998980A - 一种虹膜检测方法、装置、电子设备及存储介质 - Google Patents
一种虹膜检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114998980A CN114998980A CN202210662531.1A CN202210662531A CN114998980A CN 114998980 A CN114998980 A CN 114998980A CN 202210662531 A CN202210662531 A CN 202210662531A CN 114998980 A CN114998980 A CN 114998980A
- Authority
- CN
- China
- Prior art keywords
- iris
- features
- scale
- detected
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 86
- 238000010586 diagram Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 210000000554 iris Anatomy 0.000 description 511
- 239000010410 layer Substances 0.000 description 91
- 241001465754 Metazoa Species 0.000 description 34
- 238000011176 pooling Methods 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000004927 fusion Effects 0.000 description 14
- 210000003128 head Anatomy 0.000 description 7
- 238000007499 fusion processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及虹膜识别的领域,尤其是涉及一种虹膜检测方法、装置、电子设备及存储介质。方法包括:获取待测虹膜图像;从待测虹膜图像中提取金字塔特征,金字塔特征包含多个尺度特征图;将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对待测虹膜图像进行虹膜检测。本申请具有提高虹膜识别的准确率的效果。
Description
技术领域
本申请涉及虹膜识别的领域,尤其是涉及一种虹膜检测方法、装置、电子设备及存储介质。
背景技术
生物特征识别技术是利用生物的生理特征和行为特征,来进行身份鉴定的技术,包括步态识别、面部识别、指纹识别、虹膜识别等;其中,虹膜识别,以其具有随机的细节特征和纹理特征,且保证很高的稳定性的特点,在人员以及动物的单体身份识别中具有广泛的应用前景。
传统的虹膜检测是通过图像采集设备获取到人员或者动物的待测虹膜图像,并将待测虹膜图像输入至神经网络进行虹膜特征提取,以达到待测虹膜图像的虹膜检测,其中,图像采集设备拍摄待测虹膜图像分为定距离拍摄和待测目标进入拍摄范围内时触发拍摄,当图像采集设备为定距离拍摄时,得到人员的待测虹膜图像,经神经网络进行虹膜检测,能够保证其高准确率。
但是,图像采集设备为定距离拍摄时,不同种类的动物的虹膜在待测虹膜图像中的尺寸占比存在差异;通过神经网络进行待测虹膜图像的虹膜检测,无法对每一种类的动物虹膜的检测都具有高准确率;且当图像采集设备为待测目标在拍摄范围内触发拍摄时,受动物种类不同和近景远景的影响,无论人的虹膜还是动物的虹膜,在待测虹膜图像中,依然存在尺寸占比差异,待测虹膜图像在之后的经神经网络进行虹膜检测的准确率也会存在高低差异。
发明内容
为了提高虹膜识别的准确率,本申请提供一种虹膜检测方法、装置、电子设备及存储介质。
第一方面,本申请提供一种虹膜检测方法,采用如下的技术方案:
一种虹膜检测方法,包括:
获取待测虹膜图像;
从所述待测虹膜图像中提取金字塔特征,所述金字塔特征包含多个尺度特征图;
将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;
从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;
基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测。
通过采用上述技术方案,首先将获取到的待测虹膜图像进行特征提取,得到包含有多个尺度特征图的金字塔特征,随后,将金字塔特征中每一个尺度特征图再次进行特征提取处理,以提取出每个尺度特征图对应的至少两个虹膜特征。任一虹膜在待测虹膜图像中所占像素面积占比不同,其所对应的虹膜特征不同,基于不同的虹膜特征在待测虹膜处于不同像素占比时的检测结果具有高准确率。其中,不同像素占比表征虹膜到图像采集设备距离的不同,由于不同种类动物的虹膜大小不同,因此不同像素占比还能够表征不同种类动物的虹膜。随后,从得到的虹膜特征中筛选出多组需要进行拼接的两个虹膜特征,并分别进行拼接融合处理,得到多个拼接后的虹膜特征;最后,基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征对待测虹膜图像中的虹膜进行检测,虹膜特征通过拼接处理,得到的拼接后的虹膜特征,基于拼接后的虹膜特征能够对所有不同像素面积占比的虹膜的检测更准确,即,能够保证对所有的不同像素面积占比的虹膜的特征检测的高准确率,即同时能够保证对待测虹膜图像中的不同种类动物的虹膜或者处于不同远近景的人的虹膜的特征检测的高准确率。
在一种可能的实现方式中,所述从所述待测虹膜图像中提取金字塔特征,包括:
对所述待测虹膜图像进行归一化处理,所述归一化处理包括坐标中心化处理、缩放归一化处理和旋转归一化处理中的至少一种;
从归一化处理后的待测虹膜图像中提取金字塔特征。
通过采用上述技术方案,获取到待测虹膜图像后,为了便于后续对待测虹膜图像进行虹膜检测,将待测虹膜图像通过坐标中心化处理,以对待测动物虹膜的虹膜位置进行调节,通过缩放归一化处理对待测动物虹膜的虹膜特征进行尺寸进行调节;通过旋转归一化处理对待测动物虹膜的虹膜特征进行角度调节;旨在减小后续对待测虹膜图像进行虹膜检测的运算量。
在一种可能的实现方式中,所述从待测虹膜图像中提取金字塔特征,之后还包括:
从金字塔特征中的多个尺度特征图中筛选出满足预设尺度的尺度特征图;
将满足预设尺度的尺度特征图输出至金字塔网络,进行特征提取。
通过采用上述技术方案,在不影响对待测虹膜图像进行虹膜检测的准确率的情况下,对适当尺度的尺度特征图进行特征提取能够提高对待测虹膜图像进行虹膜检测的速率;因此,在提取出金字塔特征后,将金字塔特征中包含的多个尺度特征图分别与预设尺度进行对比,确定出满足预设尺度的尺度特征图,随后,将满足预设尺度的尺度特征图输出至金字塔网络进行特征提取,进而达到减少尺度特征图在金字塔网络进行特征提取的过程中的运算量,提高对待测虹膜图像进行虹膜检测的速率的目的。
在一种可能的实现方式中,所述从所述待测虹膜图像中提取金字塔特征,还包括:
将待测虹膜图像进行通道拆分处理后,得到多个采样尺度特征图;
对多个采样尺度特征图进行降维、拼接处理后,进行特征提取并得到第一尺度特征图;
将第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。
通过采用上述技术方案,首先,将待测虹膜图像根据预设的通道占比进行拆分,得到多个采样尺度特征图,每个采样尺度特征图分别进行对应的通道传输和卷积处理,以提取每个通道对应的尺度特征图;最终,将每个通道对应的尺度特征图进行拼接、再次卷积处理,并进行特征提取后,输出金字塔特征中包含的第一尺度特征图;随后,对第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。旨在,得到金字塔特征包含的多个尺度特征图的同时,降低待测虹膜图像维度,减少虹膜检测的运算量。
在一种可能的实现方式中,所述将每个尺度特征图进行特征提取,之前还包括:
将每个尺度特征图进行多层降维处理;
对多层降维处理后的每个尺度特征图进行特征提取。
通过采用上述技术方案,将金字塔特征中包含的多个尺度特征图分别进行多层池化降维处理,以降低后续对每个尺度特征图进行特征提取的运算量;随后,将进行多层池化降维处理的每一个尺度特征图分别进行多层融合,而每一个进行多层池化讲降维处理后的尺度特征图在每一层的融合处理后,分别输出对应的虹膜特征,进而得到对应金字塔特征中每一个尺度特征图的至少两个虹膜特征;旨在降低每个尺度特征图的维度的同时,获取每个尺度特征图中的虹膜特征。
在一种可能的实现方式中,所述从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征,包括:
以相邻尺度的虹膜特征进行拼接的筛选准则,对筛选出需要进行拼接的两个虹膜特征进行拼接处理。
通过采用上述技术方案,每个尺度特征图经过特征提取后,得到多个虹膜特征,将相邻尺度的虹膜特征进行连接后,得到的新的虹膜特征中包含的待测虹膜图像中的虹膜特征的数量,可以保证对应的不同种类的动物和处于对应的远近景的人的虹膜检测的高准确率。
在一种可能的实现方式中,所述基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测,包括:
将多个拼接后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理后,得到最终虹膜特征;
基于最终虹膜特征,对所述待测虹膜图像进行虹膜检测。
通过采用上述技术方案,将由两个虹膜特征进行拼接后的虹膜特征与未进行拼接处理的虹膜特征再次进行拼接处理,得到最终虹膜特征;基于最终虹膜特征,完成对待测虹膜图像中像素面积占比率不同的虹膜的虹膜检测,并确保虹膜检测的高准确率。
第二方面,本申请提供一种虹膜检测装置,采用如下的技术方案:
一种虹膜检测装置,包括:图像获取模块、第一特征提取模块、第二特征提取模块、第一特征拼接模块以及第一虹膜检测模块,其中,
图像获取模块,用于获取待测虹膜图像;
第一特征提取模块,用于从所述待测虹膜图像中提取金字塔特征,所述金字塔特征包含多个尺度特征图;
第二特征提取模块,用于将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;
第一特征拼接模块,用于从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;
第一虹膜检测模块,用于基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测。
通过采用上述技术方案,首先第一特征提取模块将有图像获取模块获取到的待测虹膜图像进行特征提取,得到包含有多个尺度特征图的金字塔特征,随后,通过第二特征提取模块将金字塔特征中包含的每一个尺度特征图再次进行特征提取处理,以提取出每个尺度特征图对应的至少两个虹膜特征,任一虹膜在待测虹膜图像中所占像素面积占比不同,其所对应的虹膜特征不同,基于不同的虹膜特征在该虹膜处于不同像素占比时的检测结果具有高准确率。其中,不同像素占比表征虹膜到图像采集设备距离的不同,由于不同种类动物的虹膜大小不同,因此不同像素占比还能够表征不同种类动物的虹膜。随后,由第一特征拼接模块将从得到的虹膜特征中筛选出多组需要进行拼接的两个虹膜特征,并分别进行拼接处理,得到多个拼接后的虹膜特征。最后,通过第二虹膜检测模块基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征对待测虹膜图像中的虹膜进行检测,虹膜特征通过拼接处理,得到的拼接后的虹膜特征,基于拼接后的虹膜特征能够对所有不同像素面积占比的虹膜的检测更准确,即,能够保证对所有的不同像素面积占比的虹膜的特征检测的高准确率,即同时能够保证对待测虹膜图像中的不同种类动物的虹膜或者处于不同远近景的人的虹膜的特征检测的高准确率。
在一种可能的实现方式中,虹膜检测装置还包括:归一化模块,其中,
归一化模块,用于对所述待测虹膜图像进行归一化处理,所述归一化处理包括坐标中心化处理、缩放归一化处理和旋转归一化处理中的至少一种;从归一化处理后的待测虹膜图像中提取金字塔特征。
在一种可能的实现方式中,虹膜检测装置还包括:筛选模块以及第三特征提取模块,其中,
筛选模块,用于从金字塔特征中的多个尺度特征图中筛选出满足预设尺度的尺度特征图;
第三特征提取模块,用于将满足预设尺度的尺度特征图输出至金字塔网络,进行特征提取。
在一种可能的实现方式中,虹膜检测装置还包括:通道拆分模块、降维拼接模块以及第四特征提取模块,其中,
通道拆分模块,用于将待测虹膜图像进行通道拆分处理后,得到多个采样尺度特征图;
降维拼接模块,用于对多个采样尺度特征图进行降维、拼接处理后,进行特征提取处理并得到第一尺度特征图;
第四特征提取模块,用于将第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。
在一种可能的实现方式中,虹膜检测装置还包括:降维模块以及第五特征提取模块,其中,
降维模块,用于将每个尺度特征图进行多层降维处理;
第五特征提取模块,用于对多层降维处理后的每个尺度特征图进行特征提取。
在一种可能的实现方式中,虹膜检测装置还包括:第二特征拼接模块,其中,
第二特征拼接模块,用于以相邻尺度的虹膜特征进行拼接的筛选准则,对筛选出需要进行拼接的两个虹膜特征进行拼接处理。
在一种可能的实现方式中,虹膜检测装置还包括:第三特征拼接模块以及第二虹膜检测模块,其中,
第三特征拼接模块,用于将多个拼接后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理后,得到最终虹膜特征;
第二虹膜检测模块,用于基于最终虹膜特征,对所述待测虹膜图像进行虹膜检测。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序:用于执行上述动物虹膜检测的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述虹膜检测方法的计算机程序。
综上所述,本申请包括以下有益技术效果:
首先将获取到的待测虹膜图像进行特征提取,得到包含有多个尺度特征图的金字塔特征,随后,将金字塔特征中每一个尺度特征图再次进行特征提取处理,以提取出每个尺度特征图对应的至少两个虹膜特征。任一虹膜在待测虹膜图像中所占像素面积占比不同,其所对应的虹膜特征不同,基于不同的虹膜特征在待测虹膜处于不同像素占比时的检测结果具有高准确率。其中,不同像素占比表征虹膜到图像采集设备距离的不同,由于不同种类动物的虹膜大小不同,因此不同像素占比还能够表征不同种类动物的虹膜。随后,从得到的虹膜特征中筛选出多组需要进行拼接的两个虹膜特征,并分别进行拼接融合处理,得到多个拼接后的虹膜特征;最后,基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征对待测虹膜图像中的虹膜进行检测,虹膜特征通过拼接处理,得到的拼接后的虹膜特征,基于拼接后的虹膜特征能够对所有不同像素面积占比的虹膜的检测更准确,即,能够保证对所有的不同像素面积占比的虹膜的特征检测的高准确率,即同时能够保证对待测虹膜图像中的不同种类动物的虹膜或者处于不同远近景的人的虹膜的特征检测的高准确率。
附图说明
图1是本申请实施例虹膜检测方法的流程示意图;
图2是本申请实施例骨干网络的结构示意图;
图3是本申请实施例骨干网络中的多卷积块的结构示意图;
图4是本申请实施例骨干网络中的并行混合层的结构示意图;
图5是本申请实施例金字塔网络的结构示意图;
图6是本申请实施例检测头网络中的第二卷积块的结构示意图;
图7是本申请实施例虹膜检测装置的方框示意图;
图8是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-8对本申请作进一步详细说明。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了方便理解本申请提出的技术方案,首先在此介绍本申请描述中会引入的要素。应理解的是,以下介绍仅方便理解这些要素,以期理解本申请实施例的内容,并非一定涵盖所有可能的情况。
虹膜:为眼受保护的内部组织,位于角膜与水样后面、晶状体前面,其环绕瞳孔的有色圆环,其直径厚度因种类不同而存在差异;虹膜表面高低不平坦、有皱环和凹陷;由于虹膜内血管分布不匀,使得虹膜表面出现多个放射性条纹,这其中包含有多个相互较多的类似于斑点、细丝、冠状、条纹、隐窝等细微特征,即虹膜纹理。
本申请实施例提供了一种虹膜检测方法,由电子设备执行,参照图1,该方法包括:步骤S101、步骤S102、步骤S103、步骤S104以及步骤S105,其中,
S101、获取待测虹膜图像。
对于本申请实施例,待测虹膜图像表示由图像采集设备拍摄获得的包含有虹膜特征的图像。
具体地,技术人员将图像采集设备固定设置在能够拍摄到待测目标的虹膜图像的位置,其中,待测目标可以为人员,也可以为不同种类的动物;当待测目标到达图像采集设备拍摄范围内,图像采集设备触发拍摄,并得到待测目标的待测虹膜图像;随即,图像采集设备通过无线传输或有线传输,将待测虹膜图像传输至电子设备;电子设备对待测虹膜图像进行后续的虹膜检测。
值得说明的,技术人员可将图像采集设备设置于街道、建筑出入口、牧场、野外等环境中,以满足对人员或者动物的虹膜图像采集需求;针对图像采集设备的应用场景,本实施例不做具体限制。
进一步值得说明的,图像采集设备选用具有红外线图像拍摄功能的图像拍摄设备,通过借助红外图像不受可见光的约束,能够全天候进行拍摄工作的优点,以满足对不同时间的人或动物的虹膜图像的采集。
S102、从待测虹膜图像中提取金字塔特征,金字塔特征包含多个尺度特征图。
对于本申请实施例,电子设备将待测虹膜图像输入至预先构建好的神经网络中进行虹膜检测,其中,神经网络包括骨干网络、金字塔网络以及检测头网络;电子设备将待测虹膜图像输入至骨干网络进行特征提取,得到金字塔特征,旨在获取到待测虹膜图像中包含的虹膜特征。
S103、将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征。
对于本申请实施例,虹膜特征表示每个尺度特征图经过不同尺度的特征提取后,输出的特征。
电子设备将待测虹膜图像经骨干网络进行不同尺度的特征提取处理,得到包含有多个尺度特征图的金字塔特征;电子设备将多个尺度特征图输入至金字塔网络再次进行不同尺度的特征提取处理,以得到出每个尺度特征图对应的至少两个虹膜特征。
进一步,以输入至金字塔网络的多个尺度特征图中的任一尺度特征图为例;电子设备将任一尺度特征图输入至金字塔网络再次进行不同尺度的特征提取,其中,每一尺度的特征提取,对应输出一个虹膜特征;以最终得到多个虹膜特征作为后续进行待测虹膜图像的虹膜检测的特征。
S104、从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征。
对于本申请实施例,经过对金字塔网络包含的不同尺度的特征提取处理后,得到多个虹膜特征,不同的虹膜特征反应出待测虹膜图像在不同尺度情况下的虹膜特征量。
例如,待测虹膜图像经过特征提取的第一尺度特征图,该尺度特征图中包含有待测虹膜图像中的虹膜特征量最大,将第一尺度特征图再次进行不同尺度的特征提取,得到的至少两个虹膜特征能够保证对待测图像中的像素面积占比率很小的虹膜特征检测的高准确率,例如像素为10*10的虹膜特征。其中,待测图像中的像素面积占比率很小的虹膜特征对应待测虹膜图像中的小型动物或远景中的人的虹膜;而待测虹膜图像经过特征提取的相邻于第一尺度特征图的尺度特征图,即第二尺度特征图;该尺度特征图中包含的待测虹膜图像中的虹膜特征量小于第一尺度特征图中包含的特征虹膜图像中的虹膜特征量,将该尺度特征图再次进行不同尺度特征图提取,得到的至少两个虹膜特征针对于待测图像中的像素面积占比率很小的虹膜特征检测的准确率将会降低,但对比像素面积占比率很小的虹膜的较大的虹膜特征检测能够保证高准确率;而待测虹膜图像经过特征提取的相邻于第二尺度特征图的第三尺度特征图;该尺度特征图中包含的待测虹膜图像中的虹膜特征量最小,将该尺度特征图再次进行不同尺度的特征提取,得到的至少两个虹膜特征,则针对于待测图像中的像素面积占比率很大的虹膜的特征检测的准确率最高,其中,待测图像中的像素面积占比率很大的虹膜对应待测虹膜图像中的大型动物或者近景的人的虹膜。
因此,不同尺度特征图分别进行不同尺度的特征提取处理后,得到的多个虹膜特征,基于预设筛选准则,将筛选出需要进行拼接的两个虹膜特征进行拼接融合处理,得到的多个新的虹膜特征分别能够保证所有的不同像素面积占比率的虹膜特征检测的高准确率;其中,以长度和宽度相同的虹膜特征进行筛选的预设筛选准则,对多个虹膜特征进行筛选。
S105、基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对待测虹膜图像进行虹膜检测。
对于本申请实施例,拼接后的多个虹膜特征分别满足对不同像素面积占比的虹膜的特征检测的高准确率,而未进行拼接处理的虹膜特征依旧包含一定的待测虹膜特征图像中的虹膜特征量,并且能够保证对对应的像素面积占比的虹膜的特征检测的高准确率;将多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,在检测头网络中首先进行卷积处理,得到相同通道数量的虹膜特征后,对相同通道数量的虹膜特征进行连接重塑,得到最终虹膜特征;该最终虹膜特征中包含待测虹膜图像中的虹膜的特征量能够保证对所有的不同像素面积占比的虹膜的特征检测的高准确率;根据最终的虹膜特征,实现对待测虹膜图像中的虹膜进行检测,并且同时能够保证对待测虹膜图像中的不同种类动物的虹膜或者处于远近景的人的虹膜的特征检测的高准确率处于远近景的人。
本申请实施例提供了一种虹膜检测方法,
图像采集设备得到待测虹膜图像,并将待测虹膜图像传输至电子设备;电子设备将待测虹膜图像输入至骨干网络进行特征提取,得到金字塔特征,其中,金字塔特征包含多个尺度特征图,旨在获取到动物虹膜图像中包含的虹膜特征;并将每个尺度特征图同时输入至金字塔网络,再次进行不同尺度的特征提取处理,以提取出每个尺度特征图对应的至少两个虹膜特征;随后,基于预设的相同长度和宽度的虹膜特征进行筛选的筛选准则,将得到的多个虹膜特征中筛选出的需要进行拼接的两个虹膜特征进行拼接融合处理,得到多个新的虹膜特征;每个新的虹膜特征能够保证对应的像素面积占比大小的虹膜的特征检测高准确率;最后,将多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,在检测头网络中进行重塑,得到最终虹膜特征;根据最终的虹膜特征,实现对待测虹膜图像中的虹膜进行检测,进而能够保证对所有的不同像素面积占比的虹膜的特征检测的高准确率,即同时能够保证对待测虹膜图像中的不同种类动物的虹膜或者处于远近景的人的虹膜的特征检测的高准确率。
在步骤S102中,从待测虹膜图像中提取金字塔特征,金字塔特征包含多个尺度特征图,包括:对待测虹膜图像进行归一化处理,归一化处理包括坐标中心化处理、缩放归一化处理和旋转归一化处理中的至少一种;从归一化处理后的待测虹膜图像中提取金字塔特征。
对于本申请实施例,电子设备预设有图像归一化处理;图像采集设备因人或动物出镜位置差异,导致拍摄到的待测虹膜图像中的呈现的虹膜尺寸存在差异;因此,电子设备在获取到待测虹膜图像后,为了便于后续对待测虹膜图像进行虹膜检测,将待测虹膜图像进行归一化调节,旨在提高后续对待测虹膜图像进行虹膜检测的准确率;其中;通过坐标中心化处理对待测动物虹膜的虹膜特征位置进行调节,以缩放归一化处理对待测动物虹膜的虹膜特征进行尺寸调节;通过旋转归一化处理对待测动物虹膜的虹膜特征进行角度调节;进一步,不同待测虹膜图像中的虹膜的呈现方式存在差异性,致使,对不同待测虹膜图像进行归一化处理过程中,运用到的归一化处理方法也会存在差异,即将会通过其中的一种或者多种处理方法对待测虹膜图像进行归一化处理;随后,将会对进行归一化处理后的待测虹膜图像进行虹膜检测。
在步骤S102中,从待测虹膜图像中提取金字塔特征,之后还包括:从金字塔特征中的多个尺度特征图中筛选出满足预设尺度的尺度特征图;将满足预设尺度的尺度特征图输出至金字塔网络,进行特征提取。
对于本申请实施例,电子设备内部预设尺度,用于金字塔特征中的每个尺度特征图与预设尺度进行对比,确定出输出至金字塔网络中进行特征提取的尺度特征图;其中,预设尺度包含预设尺寸以及预设通道数。具体地,当金塔特征中的任一尺度特征图的尺寸,即长度和宽度,不大于预设尺度中的预设尺寸,并且该任一尺度特征图的通道数不小于预设尺度中的预设通道数时,电子设备则判断该任一尺度特征满足进行后续金字塔网络特征提取的尺度标准;随后,将金字塔特征中包含的任一尺度特征图输入至金字塔网络进行特征提取。若金字塔特征中的任一尺度特征图的尺寸大于预设尺度中的预设尺寸和/或该任一尺度特征图的通道数小于预设尺度中的预设通道数时,电子设备则判断该任一尺度特征图不满足进行后续金字塔网络特征提取的尺度标准,即不予输入至金字塔网络进行特征提取。
待测虹膜图像输出至骨干网络中进行特征提取并得到多个尺度特征图的过程中,具体地,参照图2,骨干网络包含有1个多卷积块、8个并行混合层以及4个最大池化层;将长度为320、宽度为320、通道数为1的待测虹膜图像由图像输入端输入至骨干网络,经多卷积块的卷积处理,并经过步长stride=2的第一最大池化层进行池化处理后,生成待测虹膜图像的长度为80、宽度为80、通道数为64的初始尺度特征图;随后依次经过输入通道数Cin=64、输出通道数Cout=64的第一并行混合层以及通道数Cin=64、输出通道数Cout=96第二并行混合层的通道拆分、卷积以及融合处理后,进行以步长stride=2、激活函数为relu的第二最大池化层的池化处理,并得到长度为40、宽度为40、通道数为96的第一尺度特征图;随后,将长度为40、宽度为40、通道数为96的第一尺度特征图,依次经过输入通道数Cin=96、输出通道数Cout=96的第三并行混合层、输入通道数Cin=96、输出通道数Cout=192的第四并行混合层以及输入通道数Cin=192、输出通道数Cout=192的第五并行混合层的特征拆分、卷积以及融合处理后,经过以步长stride=2、激活函数为relu的第三最大池化层池化处理,得到长度为20、宽度为20、通道数为192的第二尺度特征图;将第二尺度特征图经过输入通道数Cin=192、输出通道数Cout=192的第六并行混合层、输入通道数Cin=192、输出通道数Cout=384第七并行混合层以及输入通道数Cin=384、输出通道数Cout=384第八并行混合层的特征提取后,输入至以步长stride=2、激活函数为relu的第四最大池化层进行池化处理,得到长度为10、宽度为10、通道数为384的第三尺度特征图;最终,电子设备提取到包含有三个不同尺度特征图的金字塔特征,并在后续进行虹膜特征检测过程中,以该金字塔特征作为表示待测虹膜图像的初始特征。
值得说明的,金字塔特征中的每个尺度特征图,都是其前一尺度特征图通过多层并行混合层以及单层最大池化层进行处理后得到的,每一尺度特征图具体通过多少层并行混合层进行处理,并不做具体限定,可以对并行混合层数进行增加,最终以得到所需的通道数的尺度特征图为准;但连续的并行混合层的层数应不超出6层,以免出现梯度弥散,影响待测虹膜图像中虹膜检测的准确性。
值得说明的,骨干网络中,每一层输出都是上一层输入的线性函数,所以无论网络结构怎么搭建,输出都是输入的线性组合,所以在每一最大池化层处理中运用激活函数,添加非线性因素,以更好的解决特征分类的问题。
在步骤S102中,从待测虹膜图像中提取金字塔特征,还包括:将待测虹膜图像进行通道拆分处理后,得到多个采样尺度特征图;对多个采样尺度特征图进行降维、拼接处理后,进行特征提取处理并得到第一尺度特征图;将第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。
对于本申请实施例,电子设备将待测虹膜图像经图像输入端,输入至骨干网络中多卷积块进行卷积处理,之后,在第一最大池化层进行特征提取后,获得第一尺度特征图;随后将第一尺度特征图输出至并行混合层进行特征提取;其中,首先第一尺度特征图通过第一并行混合层中的第一卷积层对待测虹膜图像进行特征提取,随后,将通过第一卷积层进行特征提取后的待测虹膜图像根据预设的通道占比进行通道拆分,得到多个采样尺度特征图,每个采样尺度特征图分别进行对应的卷积操作,以提取每个通道对应的尺度特征图;最终,将每个通道对应的尺度特征图进行拼接、卷积处理后,输出至骨干网络中的第二最大池化层进行特征提取;旨在获得金字塔特征包含的尺度特征图同时,降低待测虹膜图像尺度,减少虹膜检测的运算量。
具体地,参照图3,将待测虹膜图像经图像输入端,输入至多卷积块中卷积核尺寸为3*3、通道数C=32、步长stride=1的卷积层进行卷积处理,随后至卷积核尺寸为5*5、通道数C=64、步长stride=2的卷积层进行卷积处理,最终输入至卷积核尺寸为3*3、通道数C=64、步长stride=1的卷积层进行卷积处理后,输出长度为160、宽度为160、通道数为64的尺度图像;随后,长度为160、宽度为160、通道数为64的尺度图像经第一最大池化层进行特征提取后,生成长度为80、宽度为80、通道数为64的初始尺度特征图。
具体地,参照图4,待测虹膜图像经多卷积块和第一最大池化层进行特征提取,生成初始尺度特征图后,将初始尺度特征图输入至第一并行混合层进行进一步的特征提取 ;具体地,首先将长度为80、宽度为80、通道数为64的初始尺度特征图输入至卷积核尺寸为1*1、通道数C等于输入通道数Cin的卷积层中进行卷积处理,之后将卷积处理后的初始尺度特征图以通道数Cin*0.5:Cin*0.25:Cin*0.25占比进行通道拆分,分别得到第一采样尺度特征图、第二采样尺度特征图以及第三尺度采样特征;第一采样尺度特征图分别通过卷积核尺寸为1*1、通道数C=Cin*0.5的逐点可分离卷积层、卷积核尺寸为3*3、通道数C=Cin的深度可分离卷积层以及卷积核尺寸为1*1、通道数C=Cin*0.25的逐点可分离卷积层卷积处理后,输出第一采样尺度对应的尺度特征图;第二采样尺度特征图分别经过卷积核尺寸为3*3、通道数C=Cin*0.25的深度可分离卷积层以及卷积核尺寸为1*1、通道数C=Cin*0.25卷积层进行卷积处理后,输出第二采样尺度特征图对应的尺度特征图;第三采样尺度特征图经过卷积核尺寸为1*1、通道数C=Cin*0.5的卷积层卷积处理后,输出第三采样尺度特征图对应的尺度特征图;随后,分别将进行卷积处理后的第一采样尺度特征图、第二采样尺度特征图进行连接,并经SE模块的特征矫正和卷积核尺寸为1*1的深度可分离卷积层的卷积后,与第三采样尺度特征图进行连接处理,最后以卷积核尺寸为1*1、通道数C=Cout的逐点可分离卷积层进行卷积处理后输出至第二并行混合层继续进行降维以及特征提取。
在步骤S103中,将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征,之前还包括:将每个尺度特征图进行多层降维处理;对多层降维处理后的每个尺度特征图进行特征提取。
对于本申请实施例,待测虹膜图像经过骨干网络的特征提取处理后,输出多个尺度特征图,首先,将每个尺度特征图分别进行多层池化降维处理,旨在降低每个尺度特征图的维度的同时,获取每个尺度特征图中的虹膜特征,随后,基于池化层输出的池化结果进行多层融合,并在每一层的融合处理后,分别输出对应尺度特征图的虹膜特征。
具体地,参照图5,对应长度为40、宽度为40、通道数为96的第一尺度特征图的金字塔网络中包含有3个卷积核尺寸为3*3、步长stride=2的最大池化层以及3个卷积核尺寸为3*3,分辨率提升倍数为2的上采样融合层;第一尺度特征图经过3个卷积核尺寸为3*3、步长stride=2的最大池化层的多层降维处理后,由最后一层的卷积核尺寸为3*3、步长stride=2的最大池化层输出的尺度特征图经卷积核尺寸为3*3,分辨率提升倍数为2的上采样融合层进行第一上采样融合处理,后将经过卷积核尺寸为3*3,分辨率提升倍数为2的上采样融合层进行第一上采样融合处理后的尺度特征图与卷积核尺寸为3*3、步长stride=2的第二最大池化层处理后的尺度特征图进行融合,得到第二上采样融合层处理后的尺度特征图,即长度为20、宽度为20、通道数为96的第二虹膜特征,随即,将长度为20、宽度为20、通道数为96的第二虹膜特征与卷积核尺寸为3*3、步长stride=2的第一最大池化层处理后的尺度特征图进行融合,得到卷积核尺寸为3*3、分辨率提升倍数为2的最高上采样融合层处理后的尺度特征图,即长度为40、宽度为40、通道数为96的第一虹膜特征;因第一虹膜特征包含有待测虹膜图像中的虹膜特征量最多,针对于待测图像中像素面积占比很小的虹膜的虹膜特征检测的准确率最高;而第二虹膜特征中包含的待测虹膜图像中的虹膜特征现对于第一虹膜特征较少,相对于检测待测图像中像素面积占比很小的虹膜的虹膜特征的检测准确率较低,但能够保证比待测图像中像素面积占比很小的虹膜较大像素面积占比的虹膜的虹膜特征检测的高准确率。
而对应长度为20、通道数为20、通道数为192的第二尺度特征图的金字塔网络中依然包含有3个卷积核尺寸为3*3、步长stride=2的最大池化层以及3个卷积核尺寸为3*3、分辨率提升倍数为2的上采样融合层,通过多层卷积以及上采样融合后输出对应的Batch20*20*192的第一虹膜特征和长度为10、宽度为10、通道数为192的第二虹膜特征,针对于对应第二尺度特征图的第一虹膜特征和第二虹膜特征,其包含待测虹膜图像的虹膜特征量的不同,针对不同像素面积占比的虹膜的检测的准确率也会存在差异。
而对应最高尺度特征图,即长度为10、宽度为10、通道数为384的第三尺度特征图,金塔网络中包含有1个卷积核尺寸为3*3、步长stride=2的最大池化层、2个卷积核尺寸为3*3、步长stride=1的卷积层以及1个卷积核尺寸为3*3、分辨率提升倍数为2的上采样融合层;长度为10、宽度为10、通道数为384的第三尺度特征图首先经过卷积核尺寸为3*3、步长stride=2的最大池化层和卷积核尺寸为3*3、步长stride=1的卷积层进行降维处理,旨在获取到最高尺度特征图中的虹膜特征同时,降低最高尺度特征图的维度,随后,对卷积核尺寸为3*3、步长stride=1的卷积层处理后的尺度特征图进行上采样融合处理,并与卷积核尺寸为3*3、步长stride=2最大池化层卷积处理后的尺度特征图进行卷积处理,输出对应第三尺度特征图的长度为10、宽度为10、通道数为384的第一虹膜特征;该第一虹膜特征因包含的待测虹膜图像中的虹膜特征量最少,针对于待测图像中像素面积占比很小的虹膜的虹膜特征检测的准确率最低,但能够保证对于待测图像中像素面积占比很大的虹膜的虹膜特征检测的高准确率。
在步骤S104中,从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征,包括:以相邻尺度的虹膜特征进行拼接的筛选准则,对筛选出需要进行拼接的两个虹膜特征进行拼接处理。
对于本申请实施例,相邻尺度特征图对应的至少两个虹膜特征存在尺度差异,而对应不同尺度特征图中的每一级尺度特征图的至少两个虹膜特征,每一相邻的虹膜特征存在尺度差异;每个尺度特征图经过金字塔网络的特征提取后,得到多个虹膜特征,将相邻虹膜特征进行连接后,得到的新的虹膜特征中包含的待测虹膜图像中的虹膜特征量,可以保证对相应像素面积占比的的虹膜的检测高准确率。
在步骤S105中,基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对待测虹膜图像进行虹膜检测,包括:将多个拼接后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理,得到最终虹膜特征;基于最终虹膜特征,对待测虹膜图像进行虹膜检测。
对于本申请实施例,将多个拼接后的虹膜特征分别输入至检测头网络,并将分别经过检测头网络中的第二卷积块进行卷积处理后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理,得到最终虹膜特征;旨在降低第二虹膜特征维度,减少运算量;例如,第一尺度特征图对应的第二虹膜特征与第二尺度特征图对应的第一虹膜特征进行拼接后,输出的新的虹膜特征,将新的虹膜特征输出至检测头网络的第二卷积块进行降维特征提取处理,后将输出的虹膜特征与第一尺度特征图对应的第一虹膜特征进行拼接处理,得到的虹膜特征能够满足对待测图像中像素面积占比很小的虹膜以及像素面积占比更小的虹膜的虹膜检测高准确率;最后基于最终虹膜特征,完成对待测虹膜图像的虹膜检测。
具体地,参照图6,第二卷积块包括四个卷积核尺寸为3*3的卷积层,以第一尺度特征图对应的第二虹膜特征为例,第二虹膜特征首先输入至2个卷积核尺寸为3*3、通道数C=Cin的卷积层进行卷积处理,随后,将通过2个卷积核尺寸为3*3、通道数C=Cin的卷积层进行卷积处理后的第二虹膜特征同时输出至卷积核尺寸为3*3、通道数C=Cin的卷积层和卷积核尺寸为3*3、通道数C=Cin的卷积层中进行第二次的卷积处理并输出对应第二虹膜特征的两个尺度特征图,随后将得到第二虹膜特征对应的两个特征进行拼接,进而得到经第二卷积块处理后的第二虹膜特征。
值得说明的,在执行步骤S102之前,电子设备在将获取到的待测虹膜图像输入至神经网络中进行虹膜检测之前,需对神经网络进行训练,以使该神经网络能够对待测虹膜图像所检测到的虹膜特征与预测的虹膜特征之间的差距最小,使得虹膜检测结果更为准确。
更进一步,选取多张具有虹膜特征的虹膜图像;以该些虹膜图像作为样本图像,并通过图像采集设备将样本图像输入至电子设备中待训练神经网络中,经过神经网络对样本图像中的虹膜特征提取,得到每个样本图像分别对应的虹膜信息;随后,样本图像对应的虹膜信息标签与预测的样本图像对应的虹膜信息,通过损失函数计算获取对应该样本图像的损失值,基于损失值确定样本图像中的虹膜信息与预测的样本图像的虹膜信息之间的偏差值;若损失值越小,偏差值越小,神经网络对样本图像的虹膜信息的检测越准确。
具体地,针对于每个样本图像,电子设备预先设定了多个不同尺寸大小的矩形框标签,定义为bbox标签;例如,bbox()为第k个预设框bbox标签,其左上角坐标为),其bbox标签的宽高尺度为();通过bbox标签,并依据预设搜寻规则对样本图像中的特征进行搜索,同时生成对应的置信度标签,定义为label标签,对匹配到gt框的置信度标签设置为1,未匹配到gt框的背景标签为0。
其中,神经网络的损失函数为:
具体地,其神经网络的目标函数为:
上述实施例从方法流程的角度介绍一种动物虹膜检测的方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种动物虹膜检测的装置,具体详见下述实施例。
参照图7,虹膜检测装置100具体可以包括:图像获取模块1001、第一特征提取模块1002、第二特征提取模块1003、第一特征拼接模块1004以及第一虹膜检测模块1005,其中,
图像获取模块1001,用于获取待测虹膜图像;
第一特征提取模块1002,用于从待测虹膜图像中提取金字塔特征,金字塔特征包含多个尺度特征图;
第二特征提取模块1003,用于将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;
第一特征拼接模块1004,用于从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;
第一虹膜检测模块1005,用于基于多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对待测虹膜图像进行虹膜检测。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:归一化模块,其中,
归一化模块,用于对待测虹膜图像进行归一化处理,归一化处理包括坐标中心化处理、缩放归一化处理和旋转归一化处理中的至少一种;从归一化处理后的待测虹膜图像中提取金字塔特征。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:筛选模块以及第三特征提取模块,其中,
筛选模块,用于从金字塔特征的每个尺度特征图中筛选出满足预设尺度的尺度特征图;
第三特征提取模块,用于将满足预设尺度的尺度特征图输出至金字塔网络,进行特征提取。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:通道拆分模块、降维拼接模块以及第四特征提取模块,其中,
通道拆分模块,用于将待测虹膜图像进行通道拆分处理后,得到多个采样尺度特征图;
降维拼接模块,用于对多个采样尺度特征图进行降维、拼接处理后,进行特征提取并得到第一尺度特征图;
第四特征提取模块,用于将第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:降维模块以及第五特征提取模块,其中,
降维模块,用于将每个尺度特征图进行多层降维处理;
第五特征提取模块,用于对多层降维处理后的每个尺度特征图进行特征提取。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:特征拼接模块,其中,
第二特征拼接模块,用于以相邻尺度的虹膜特征进行拼接的筛选准则,对筛选出需要进行拼接的两个虹膜特征进行拼接处理。
本申请实施例的一种可能的实现方式,虹膜检测装置100还包括:第三特征拼接模块以及第二虹膜检测模块,其中,
第三特征拼接模块,用于将多个拼接后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理后,得到最终虹膜特征;
第二虹膜检测模块,用于基于最终虹膜特征,对待测虹膜图像进行虹膜检测。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图8所示,图8所示的电子设备1100包括:处理器1101和存储器1103。其中,处理器1101和存储器1103相连,如通过总线1102相连。可选地,电子设备1100还可以包括收发器1104。需要说明的是,实际应用中收发器1104不限于一个,该电子设备1100的结构并不构成对本申请实施例的限定。
处理器1101可以是CPU(Central ProCessing Unit,中央处理器),通用处理器,DSP(Digital Signal ProCessor,数据信号处理器),ASIC(AppliCation SpeCifiCIntegrated CirCuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1102可包括一通路,在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component InterConneCt,外设部件互连标准)总线或EISA(ExtendedIndustry Standard ArChiteCture,扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1103可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random ACCess Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(EleCtriCally ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(CompaCt DisCRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1103用于存储执行本申请方案的应用程序代码,并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码,以实现前述方法实施例所示的内容。
图8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。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种虹膜检测方法,其特征在于,包括:
获取待测虹膜图像;
从所述待测虹膜图像中提取金字塔特征,所述金字塔特征包含多个尺度特征图;
将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;
从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;
基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测。
2.根据权利要求1所述的方法,其特征在于,所述从所述待测虹膜图像中提取金字塔特征,包括:
对所述待测虹膜图像进行归一化处理,所述归一化处理包括坐标中心化处理、缩放归一化处理和旋转归一化处理中的至少一种;
从归一化处理后的待测虹膜图像中提取金字塔特征。
3.根据权利要求1所述的方法,其特征在于,所述从待测虹膜图像中提取金字塔特征,之后还包括:
从金字塔特征中的多个尺度特征图中筛选出满足预设尺度的尺度特征图;
将满足预设尺度的尺度特征图输出至金字塔网络,进行特征提取。
4.根据权利要求1所述的方法,其特征在于,所述从所述待测虹膜图像中提取金字塔特征,还包括:
将待测虹膜图像进行通道拆分处理后,得到多个采样尺度特征图;
对多个采样尺度特征图进行降维、拼接处理后,进行特征提取处理并得到第一尺度特征图;
将第一尺度特征图进行特征提取,得到金字塔特征中除第一尺度特征图之外的尺度特征图。
5.根据权利要求1所述的方法,其特征在于,所述将每个尺度特征图进行特征提取,之前还包括:
将每个尺度特征图进行多层降维处理;
对多层降维处理后的每个尺度特征图进行特征提取。
6.根据权利要求1所述的方法,其特征在于,所述从每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征,包括:
以相邻尺度的虹膜特征进行拼接的筛选准则,对筛选出需要进行拼接的两个虹膜特征进行拼接处理。
7.根据权利要求1所述的方法,其特征在于,所述基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测,包括:
将多个拼接后的虹膜特征与未进行拼接处理的虹膜特征进行拼接处理后,得到最终虹膜特征;
基于最终虹膜特征,对所述待测虹膜图像进行虹膜检测。
8.一种虹膜检测装置,其特征在于,包括:
图像获取模块,用于获取待测虹膜图像;
第一特征提取模块,用于从所述待测虹膜图像中提取金字塔特征,所述金字塔特征包含多个尺度特征图;
第二特征提取模块,用于将每个尺度特征图进行特征提取,得到每个尺度特征图对应的至少两个虹膜特征;
第一特征拼接模块,用于将每个尺度特征图对应的至少两个虹膜特征中,筛选出需要进行拼接的两个虹膜特征进行拼接处理,得到多个拼接后的虹膜特征;
第一虹膜检测模块,用于基于所述多个拼接后的虹膜特征以及未进行拼接处理的虹膜特征,对所述待测虹膜图像进行虹膜检测。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序:用于执行权利要求1~7任一项所述的虹膜检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的虹膜检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662531.1A CN114998980B (zh) | 2022-06-13 | 2022-06-13 | 一种虹膜检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662531.1A CN114998980B (zh) | 2022-06-13 | 2022-06-13 | 一种虹膜检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998980A true CN114998980A (zh) | 2022-09-02 |
CN114998980B CN114998980B (zh) | 2023-03-31 |
Family
ID=83033214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210662531.1A Active CN114998980B (zh) | 2022-06-13 | 2022-06-13 | 一种虹膜检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998980B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348537A (zh) * | 2019-07-18 | 2019-10-18 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133187A (zh) * | 2017-12-22 | 2018-06-08 | 吉林大学 | 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 |
CN110688951A (zh) * | 2019-09-26 | 2020-01-14 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113673460A (zh) * | 2021-08-26 | 2021-11-19 | 青岛熙正数字科技有限公司 | 用于虹膜识别的方法及装置、终端设备、存储介质 |
-
2022
- 2022-06-13 CN CN202210662531.1A patent/CN114998980B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133187A (zh) * | 2017-12-22 | 2018-06-08 | 吉林大学 | 尺度变化稳定特征与多算法表决的一对一虹膜识别方法 |
CN110688951A (zh) * | 2019-09-26 | 2020-01-14 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113673460A (zh) * | 2021-08-26 | 2021-11-19 | 青岛熙正数字科技有限公司 | 用于虹膜识别的方法及装置、终端设备、存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348537A (zh) * | 2019-07-18 | 2019-10-18 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110348537B (zh) * | 2019-07-18 | 2022-11-29 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114998980B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN109961399B (zh) | 基于图像距离变换的最佳缝合线搜寻方法 | |
US9330336B2 (en) | Systems, methods, and media for on-line boosting of a classifier | |
CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
US20220012884A1 (en) | Image analysis system and analysis method | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
Ghassabi et al. | Colour retinal fundus image registration by selecting stable extremum points in the scale‐invariant feature transform detector | |
US11657592B2 (en) | Systems and methods for object recognition | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN113673505A (zh) | 实例分割模型的训练方法、装置、系统及存储介质 | |
CN112836653A (zh) | 人脸隐私化方法、设备、装置及计算机存储介质 | |
CN114998980B (zh) | 一种虹膜检测方法、装置、电子设备及存储介质 | |
CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
CN118015190A (zh) | 一种数字孪生模型的自主构建方法及装置 | |
Lu et al. | Adaboost-based detection and segmentation of bioresorbable vascular scaffolds struts in IVOCT images | |
US11893730B2 (en) | Method for an automatic segmentation and classification of relevant objects in a digital tissue sample image | |
CN115423804B (zh) | 影像标定方法及装置、影像处理方法 | |
CN111489384B (zh) | 基于互视角的遮挡评估方法及装置、设备、系统和介质 | |
CN116468702A (zh) | 黄褐斑评估方法、装置、电子设备及计算机可读存储介质 | |
CN115830354A (zh) | 双目立体匹配方法、设备和介质 | |
CN115272741A (zh) | 一种细长柔性物体检测方法、终端设备及存储介质 | |
CN116137079A (zh) | 一种图像处理方法、装置及设备方法 | |
CN111862106A (zh) | 基于光场语义的图像处理方法、计算机装置、及存储介质 |
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 |