CN115641348A - 一种基于自定义区域因子确定眼睛瞳孔边缘方法 - Google Patents

一种基于自定义区域因子确定眼睛瞳孔边缘方法 Download PDF

Info

Publication number
CN115641348A
CN115641348A CN202211264445.1A CN202211264445A CN115641348A CN 115641348 A CN115641348 A CN 115641348A CN 202211264445 A CN202211264445 A CN 202211264445A CN 115641348 A CN115641348 A CN 115641348A
Authority
CN
China
Prior art keywords
area
factor
edge
strategy
movement
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.)
Withdrawn
Application number
CN202211264445.1A
Other languages
English (en)
Inventor
张波
晁舟
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.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
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 Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN202211264445.1A priority Critical patent/CN115641348A/zh
Publication of CN115641348A publication Critical patent/CN115641348A/zh
Withdrawn legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了基一种基于自定义区域因子确定眼睛瞳孔边缘方法，涉及一种确定眼睛瞳孔边缘方法，该方法包括以下步骤：（1）对虹膜图像进行分析研究，建立图像灰度分布结构图；（2）针对灰度分析图，创建初始化区域因子（3）利用提出的区域因子算法进行定位（4）通过对区域因子的结果图进行热点叠加判定（5）利用最小二乘法最后实现虹膜瞳孔的定位。本发明实现了对多个虹膜图库的不同质量的虹膜图像的瞳孔定位，智能的，自主的适应不同的复杂虹膜图像瞳孔定位，动态调整策略阈值，叠加热点图判断定位结果。该方法应用于虹膜识别系统上以及基于虹膜的人体健康监测系统上。

Description

一种基于自定义区域因子确定眼睛瞳孔边缘方法
技术领域
本发明涉及一种确定眼睛瞳孔边缘方法，特别是涉及一种基于自定义区域因子确定眼睛瞳孔边缘方法。
背景技术
在眼睛虹膜诊断中，虹膜的瞳孔区域形状信息可以表示肠部健康状态信息，起到检测肠部健康作用，虹膜的瞳孔区域由虹膜瞳孔边缘和卷缩轮边缘构成的，虹膜的瞳孔边缘往往是不规则边界，本发明提出虹膜的瞳孔区域的不规则边缘精确定位和分类方法。
虹膜瞳孔边缘定位算法分为四类，第一类是微积分算子定位方法，学者Daugman[提出了一个基于Integro-differential operator(IDO,微积分算子)的虹膜定位算法，通过最大化半径偏导数来找到其正确位置，IDO对在较少约束环境下获取的图像的性能较弱，需要最少的噪声干扰和良好的结构对比度。第两类是基于圆模型拟合的定位算法，该方法是建立在学者Wildes所提出的Hough 变换虹膜定位基础上的，依据虹膜内外边缘的圆形状特性，采取形状拟合，这类方法虽然定位精准，但是容易受到噪声影响。第三类是基于能量模型虹膜定位，Mkass提出Active Contourmou models(AC)，AC模型可以锁定附近的边缘，精确定位边缘，但AC模型需要初始轮廓、合适的参数和较长的运行时间，轮廓线往往会陷入局部极小状态，忽略细微特征。第四类是深度学习框架，卷积神经网络（CNN）使得虹膜定位研究获得长足发展，Liu等人提出了两种基于CNN的端到端虹膜分割模型，其中一种是分层设置（即HCNN），另一种是多尺度设置（即MFCN），虹膜定位的准确性得以提高，深度神经网络（DNN）等的训练需要大量的数据，容易出现拟合不佳问题。
现有精确定位边缘存在着不规则边缘如何定位，以及大范围搜索时间复杂度高，面对光斑和睫毛干扰影响高等问题。
发明内容
本发明的目的在于提供一种基于自定义区域因子确定眼睛瞳孔边缘方法，依据虹膜的灰度边缘信息提出基于区域因子方法，根据图像本身区域连续性提出自定义区域因子的粗定位，在对虹膜瞳孔边缘定位时，定义四个方向的区域因子，本发明提出了利用区域策略搜索方法，加快了搜索速度，最后利用热点图叠加确定定位结果，解决了现有精确定位边缘的难点，该方法应用于虹膜识别系统上以及基于虹膜的人体健康监测系统上。
本发明的目的是通过以下技术方案实现的：
一种基于自定义区域因子确定眼睛瞳孔边缘方法，所述方法包括以下步骤：
步骤（1）对虹膜图像进行灰度分析处理，建立灰度分布图；
步骤（2）创建并初始化区域因子，包含以下步骤：
（2-1）创建区域因子：
Figure DEST_PATH_IMAGE001
定义初始的区域因子参数为：位置，尺寸，灰度值，如公式所示；初始化区域因子为
Figure DEST_PATH_IMAGE003
像素单位，位置点的初始化是采取服从高斯分布的标准差
Figure 302654DEST_PATH_IMAGE004
，灰度值为区域因子的灰度累计和与像素总数的商；
（2-2）初始化区域因子：
Figure DEST_PATH_IMAGE005
步骤（3）区域因子移动，移动策略中，涉及两个重要参数，移动方向和移动尺度，包含以下步骤：
(3-1)移动因子设计：初始化区域因子后，设计四个区域方向；
(3-2)移动方向计算：通过计算四个区域方向的
Figure 842964DEST_PATH_IMAGE006
(灰度均值)，统计相对方向
Figure DEST_PATH_IMAGE007
的灰度均值差；
(3-3)移动尺度计算：移动尺度如公式所示，
Figure 560384DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
是移动方向上两个相对差值，
Figure 142544DEST_PATH_IMAGE010
是当前移动因子的尺寸参数；
(3-4)移动策略加速：为了提高移动策略的迭代速度，提出两个权重系数，
Figure DEST_PATH_IMAGE011
，
Figure 894599DEST_PATH_IMAGE012
；(3-5)区域因子生长：采取中心扩张方式，目标区域是类圆心，中心扩张是符合圆模型；
步骤（4）策略判断，本发明提出一种减少时间开销的策略—淘汰策略，淘汰策略筛选出不符合预期的区域因子，这些不符合预期的区域视为淘汰区域，下一次的迭代不考虑此区域因子；
（4-1） 区域分类：
当区域因子为第一种情况时，重复（3-2）步骤，继续移动，为第二种情况时采取生长策略重复（3-5）；
（4-2）分类阈值：为正类时继续步骤（3），为负类时采取淘汰策略，加速收敛；
（4-3）区域定位结果：设定最大区域因子重叠区域为最终目标区域；
步骤（5）最小二乘法确定边缘：本发明提出基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位；
（5-1）形态学方法边缘处理:取自适应直方图均衡化进行图像增强加强边缘对比度，自适应阈值二值化图像采取开闭预算消除图像毛糙坑洞（光斑造成的图像区域失真），根据邻域连通性删除干扰区域，边缘化曲线；
（5-2）多项式拟合精确边缘:依据四邻域扫描边缘曲线确定目标边缘点，本发明采取多段最小二乘法非线性多项式性拟合；
（5-3）提升拟合精度:相对于圆模型的曲线拟合系数提高，拟合系数
Figure DEST_PATH_IMAGE013
，为了防止过拟合和光斑的遮盖影响，定义补偿机制。
本发明的优点与效果是：
本发明提出了一种基于自定义区域因子方法（Regional Factor Algorithm，RFA）算法，利用群算法全局搜索来实现虹膜的瞳孔区域的精确定位。解决了现有精确定位边缘的难点，如不规则边缘如何定位，大范围搜索时间复杂度高，面对光斑和睫毛干扰影响高，本发明针对这些问题提出了利用区域策略搜索方法，加快了搜索速度，最后利用热点图叠加确定定位结果本发明提出一种基于自定义区域因子方法实现虹膜瞳孔的精确定位，首先依据虹膜的灰度边缘信息提出基于区域因子方法，根据图像本身区域连续性提出自定义区域因子的粗定位，在对虹膜瞳孔边缘定位时，定义四个方向的区域因子，采取四个方向区域因子分析，结合聚类算法得出区域因子分布的类别，明确干扰因子的聚类中心，将此区域归属于负类，排除继续生长和移动可能，使算法的收敛速度大大提升，准确性也得到一定提升，通过多次移动和生长，最终基于投票策略确定最终形状因子，完成虹膜内边缘的粗定位，在粗定位区域基础上，本发明提出基于离散边缘点的最小二乘法多项式拟合实现内边缘精确定位，选取边缘点策略上。本发明利用形态学方法确定边缘区域，采取边缘线段四邻域查找，确定边缘点，根据多项式拟合多段边缘曲线，完成精确定位。解决了现有精确定位边缘的难点，如不规则边缘如何定位，大范围搜索时间复杂度高，面对光斑和睫毛干扰影响高，本发明针对这些问题提出了利用区域策略搜索方法，加快了搜索速度，最后利用热点图叠加确定定位结果。该方法应用于虹膜识别系统上以及基于虹膜的人体健康监测系统上。
附图说明
图1为本发明组成步骤示意图；
图2是本发明原始图像；
图3是本发明步骤（1）建立的灰度分布图；
图4是本发明步骤（2）灰度因子示意图；
图5是本发明步骤（3-1）的移动生长示意图；
图6是本发明步骤（3-5）的聚类分析图；
图7是本发明步骤（4）的叠加示意图；
图8是本发明步骤（5-1）形态学处理的直方图均衡化图像，二值化图像，开闭运算图像，边缘化图像。
图9是本发明步骤（5-2）补偿示意图；
图10是本发明步骤（5）的最终定位结果图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
本发明的采用的具体技术步骤为：
步骤（1）对虹膜图像进行灰度分析处理，建立灰度分布图
步骤（2）创建并初始化区域因子，包含以下步骤：
（2-1）创建区域因子：
Figure 405477DEST_PATH_IMAGE014
定义初始的区域因子参数为：位置，尺寸，灰度值，如公式所示。初始化区域因子为
Figure 610194DEST_PATH_IMAGE016
像素单位，位置点的初始化是采取服从高斯分布的标准差
Figure DEST_PATH_IMAGE017
，灰度值为区域因子的灰度累计和与像素总数的商
（2-2）初始化区域因子：
Figure 996045DEST_PATH_IMAGE018
如公式 所示，表示初始化第个点的位置，尺寸，灰度均值参数，
Figure DEST_PATH_IMAGE019
表示在
Figure 602606DEST_PATH_IMAGE020
之间服从高斯分布的随机数。
步骤（3）区域因子移动，移动策略中，涉及两个重要参数，移动方向和移动尺度，包含以下步骤：
（3-1）移动因子设计：
初始化区域因子后，设计四个区域方向，如公式所示，其中
Figure DEST_PATH_IMAGE021
对应四个区域方向，
Figure 281456DEST_PATH_IMAGE022
为区域方向的灰度累加和的均值，通过四个区域方向的单步组合，可以模拟出当前区域的所有移动方向。
Figure DEST_PATH_IMAGE023
（3-2）移动方向计算：
移动方向计算如公式所示，通过计算四个区域方向的
Figure 973469DEST_PATH_IMAGE024
(灰度均值)，统计相对方向
Figure DEST_PATH_IMAGE025
的灰度均值差，
Figure 897431DEST_PATH_IMAGE026
是两对区域方向差值归一化后的最大的差异方向，根据内边缘区域灰度分布特征，在
Figure 358499DEST_PATH_IMAGE026
方向上采取移动更新策略。
Figure DEST_PATH_IMAGE027
（3-3）移动尺度计算
移动尺度如公式所示，
Figure 476759DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
是移动方向上两个相对差值，
Figure 656068DEST_PATH_IMAGE030
是当前移动因子的尺寸参数，区域均值有可能出现零值或者极大值（变异值），设计边界，限制尺度因子的值，保证在合法的搜索空间上正确移动，不会过早陷入局部峰值或停止移动。
Figure DEST_PATH_IMAGE031
(3-4) 移动策略加速
为了提高移动策略的迭代速度，提出两个权重系数，
Figure 931191DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
，移动策略更新如公式所示，经过移动策略更新，区域因子与目标区域的相似度提高。
Figure 761613DEST_PATH_IMAGE034
（3-5）区域因子生长，在移动策略中，容易陷入局部峰值，提出区域因子生长策略解决移动失效问题，发生停滞问题时，区域因子进行生长操作，如公式所示，采取中心扩张方式，目标区域是类圆心，中心扩张是符合圆模型，扩张度
Figure 34463DEST_PATH_IMAGE036
与区域因子尺寸参数呈负相关。
Figure DEST_PATH_IMAGE037
步骤（4）策略判断，本发明提出一种减少时间开销的策略—淘汰策略，淘汰策略筛选出不符合预期的区域因子，这些不符合预期的区域视为淘汰区域，下一次的迭代不考虑此区域因子。
（4-1） 区域分类：
比较区域因子上一代和迭代的下一代，得到迭代差值，数据类型共有三大类，正类（
Figure 448870DEST_PATH_IMAGE038
，符合预期的迭代结果），负类（
Figure DEST_PATH_IMAGE039
，不符合预期的迭代结果），干扰类（局部最优区域），瞳孔图像存在白斑，受光斑干扰也容易陷入局部最优，本发明将干扰类归为正类，减少负类判定，降低了阈值判断，加快收敛速度，并不会影响迭代结果，通过聚类算法设置合适的过滤器达到加速收敛，过滤器模型如公式所示，当第二代迭代结果S2和第一代S1波动性较小时，发生了停滞，采取区域因子生长操作，当S2与S1的差值小于
Figure DEST_PATH_IMAGE041
时，判定为负类，采取淘汰策略。
Figure 465368DEST_PATH_IMAGE042
（4-2）分类阈值：
本发明采取聚类算法采取k-means++ 实现区域因子的分类，簇数
Figure DEST_PATH_IMAGE043
，数据对象分布没有结构差异性，采取欧式距离公式作为数据对象相似度度量方法，
Figure 150296DEST_PATH_IMAGE044
相似度度量选用
Figure DEST_PATH_IMAGE045
算法。聚类步骤如所示，
Figure 859626DEST_PATH_IMAGE046
是第一个质心和下一个质心，
Figure DEST_PATH_IMAGE047
是观测值和质心的距离，计算每个观测值到每个质心距离，将每个观测值分配给最近质心。
Figure 498680DEST_PATH_IMAGE048
（4-3）区域定位结果：
选取迭代结果中区域因子尺寸最大值作为定位区域，可能出现多个最大值情况，设定最大区域因子重叠区域为最终目标区域，公式所示，S是最终定位结果，B是粗定位矩形区域与目标区域相似度度量标，为了提升检测正确率，增大定位区域面积，保证封闭性原则。
Figure DEST_PATH_IMAGE049
步骤（5）最小二乘法确定边缘：
本发明提出基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位，选取边缘点策略上，本发明利用形态学方法确定边缘区域，采取边缘线段四邻域查找，确定边缘点，根据多项式拟合多段边缘曲线，完成精确定位。具体步骤：
（5-1）形态学方法边缘处理
定位区域图像采取自适应直方图均衡化进行图像增强加强边缘对比度，自适应阈值二值化图像采取开闭预算消除图像毛糙坑洞（光斑造成的图像区域失真），根据邻域连通性删除干扰区域，边缘化曲线。
（5-2）多项式拟合精确边缘
依据四邻域扫描边缘曲线确定目标边缘点，本发明采取多段最小二乘法非线性多项式性拟合，拟合公式所示，其中，
Figure 318868DEST_PATH_IMAGE050
是残差函数，
Figure DEST_PATH_IMAGE051
为拟合曲线。
Figure 858303DEST_PATH_IMAGE052
（5-3）提升拟合精度
相对于圆模型的曲线拟合系数提高，拟合系数
Figure DEST_PATH_IMAGE053
，为了防止过拟合和光斑的遮盖影响，定义补偿机制，补偿定义公式所示。
Figure 738534DEST_PATH_IMAGE054
。

Claims (1)

1.一种基于自定义区域因子确定眼睛瞳孔边缘方法，其特征在于，所述方法包括以下步骤：
步骤（1）对虹膜图像进行灰度分析处理，建立灰度分布图；
步骤（2）创建并初始化区域因子，包含以下步骤：
（2-1）创建区域因子：
Figure 962160DEST_PATH_IMAGE001
定义初始的区域因子参数为：位置，尺寸，灰度值，如公式所示；初始化区域因子为
Figure 85974DEST_PATH_IMAGE002
像素单位，位置点的初始化是采取服从高斯分布的标准差
Figure 370325DEST_PATH_IMAGE003
，灰度值为区域因子的灰度累计和与像素总数的商；
（2-2）初始化区域因子：
Figure 595901DEST_PATH_IMAGE004
步骤（3）区域因子移动，移动策略中，涉及两个重要参数，移动方向和移动尺度，包含以下步骤：
(3-1)移动因子设计：初始化区域因子后，设计四个区域方向；
(3-2)移动方向计算：通过计算四个区域方向的
Figure 623900DEST_PATH_IMAGE005
(灰度均值)，统计相对方向
Figure 867799DEST_PATH_IMAGE006
的灰度均值差；
(3-3)移动尺度计算：移动尺度如公式所示，
Figure 57472DEST_PATH_IMAGE007
，
Figure 770344DEST_PATH_IMAGE008
是移动方向上两个相对差值，
Figure 336455DEST_PATH_IMAGE009
是当前移动因子的尺寸参数；
(3-4)移动策略加速：为了提高移动策略的迭代速度，提出两个权重系数，
Figure 700440DEST_PATH_IMAGE010
，
Figure 61014DEST_PATH_IMAGE011
；
(3-5)区域因子生长：采取中心扩张方式，目标区域是类圆心，中心扩张是符合圆模型；
步骤（4）策略判断，本发明提出一种减少时间开销的策略—淘汰策略，淘汰策略筛选出不符合预期的区域因子，这些不符合预期的区域视为淘汰区域，下一次的迭代不考虑此区域因子；
（4-1） 区域分类：
当区域因子为第一种情况时，重复（3-2）步骤，继续移动，为第二种情况时采取生长策略重复（3-5）；
（4-2）分类阈值：为正类时继续步骤（3），为负类时采取淘汰策略，加速收敛；
（4-3）区域定位结果：设定最大区域因子重叠区域为最终目标区域；
步骤（5）最小二乘法确定边缘：本发明提出基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位；
（5-1）形态学方法边缘处理：取自适应直方图均衡化进行图像增强加强边缘对比度，自适应阈值二值化图像采取开闭预算消除图像毛糙坑洞（光斑造成的图像区域失真），根据邻域连通性删除干扰区域，边缘化曲线；
（5-2）多项式拟合精确边缘:依据四邻域扫描边缘曲线确定目标边缘点，本发明采取多段最小二乘法非线性多项式性拟合；
（5-3）提升拟合精度:相对于圆模型的曲线拟合系数提高，拟合系数
Figure 258253DEST_PATH_IMAGE012
，为了防止过拟合和光斑的遮盖影响，定义补偿机制。
CN202211264445.1A 2022-10-17 2022-10-17 一种基于自定义区域因子确定眼睛瞳孔边缘方法 Withdrawn CN115641348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211264445.1A CN115641348A (zh) 2022-10-17 2022-10-17 一种基于自定义区域因子确定眼睛瞳孔边缘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211264445.1A CN115641348A (zh) 2022-10-17 2022-10-17 一种基于自定义区域因子确定眼睛瞳孔边缘方法

Publications (1)

Publication Number Publication Date
CN115641348A true CN115641348A (zh) 2023-01-24

Family

ID=84945506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211264445.1A Withdrawn CN115641348A (zh) 2022-10-17 2022-10-17 一种基于自定义区域因子确定眼睛瞳孔边缘方法

Country Status (1)

Country Link
CN (1) CN115641348A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116999017A (zh) * 2023-09-04 2023-11-07 指南星视光(武汉)科技有限公司 基于数据分析的辅助眼部护理智能控制系统
CN117437233A (zh) * 2023-12-21 2024-01-23 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN116999017B (zh) * 2023-09-04 2024-06-04 指南星视光(武汉)科技有限公司 基于数据分析的辅助眼部护理智能控制系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116580828B (zh) * 2023-05-16 2024-04-02 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116999017A (zh) * 2023-09-04 2023-11-07 指南星视光(武汉)科技有限公司 基于数据分析的辅助眼部护理智能控制系统
CN116999017B (zh) * 2023-09-04 2024-06-04 指南星视光(武汉)科技有限公司 基于数据分析的辅助眼部护理智能控制系统
CN117437233A (zh) * 2023-12-21 2024-01-23 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN117437233B (zh) * 2023-12-21 2024-03-26 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN115641348A (zh) 一种基于自定义区域因子确定眼睛瞳孔边缘方法
CN110298321B (zh) 基于深度学习图像分类的道路阻断信息提取方法
Gangwar et al. IrisSeg: A fast and robust iris segmentation framework for non-ideal iris images
CN108154118A (zh) 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN109003275B (zh) 焊缝缺陷图像的分割方法
CN112651998B (zh) 基于注意力机制和双流多域卷积神经网络的人体跟踪算法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN111652317A (zh) 基于贝叶斯深度学习的超参数图像分割方法
CN111476152A (zh) 一种基于柔顺规则的轮毂打磨轨迹输出的方法及系统
CN110889332A (zh) 一种基于面试中微表情的说谎检测方法
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN111582198A (zh) 一种遥感图像海陆自动分割方法
CN116071339A (zh) 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法
Song et al. A novel self-learning weighted fuzzy local information clustering algorithm integrating local and non-local spatial information for noise image segmentation
CN111815563A (zh) 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法
Gurrala et al. A new segmentation method for plant disease diagnosis
CN113643302B (zh) 基于主动轮廓模型的无监督医学图像分割方法和系统
CN114139631A (zh) 一种面向多目标训练对象可选择的灰盒的对抗样本生成方法
CN112102189B (zh) 一种线结构光光条中心线提取方法
CN106940786B (zh) 一种基于lle和pso的使用虹膜模版的虹膜重构方法
CN112927242B (zh) 基于区域定位与群体智能搜索算法的快速视盘定位方法
CN115830319A (zh) 一种基于注意力机制的斜视虹膜分割方法及验证方法
Chen et al. Robust iris segmentation algorithm based on self-adaptive Chan–Vese level set model
Zhao et al. Fast localization algorithm of eye centers based on improved hough transform

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230124