[发明专利]一种基于深度学习的美瞳识别方法及系统

说明书

本发明实施例提供一种基于深度学习的美瞳识别方法及系统，该方法包括：获取待测对象的待测眼睛区域图像；获取待测眼睛区域图像的待测虹膜图像；对所述待测虹膜图像进行图像处理后，获取待测局部二值化图像；将待测局部二值化图像输入至深度学习网络模型，获取与待测眼睛区域图像相对应的待测对象识别结果；其中，深度学习网络模型是基于虹膜图像训练样本的样本图像以及对应的检测对象结果标签进行训练后得到的，检测对象结果标签是根据虹膜图像训练样本预先确定的，并与样本图像一一对应。本发明实施例提供的基于深度学习的美瞳识别方法及系统，有效的提高了美瞳检测的识别率和检验算法的鲁棒性。

技术领域

本发明涉及生物识别技术领域，尤其涉及一种基于深度学习的美瞳识别方法及系统。

背景技术

传统的身份认证主要通过签名，印章，证件，密码等方法来确认身份信息，然而这些认证方式或多或少存在一定的缺陷。签名认证容易被伪造，印章认证和证件认证容易丢失且密码容易被窃取、遗忘等，均会给人们的日常生活带来极大的不安全性。

人体生物特征识别成为当下身份识别领域的前言研究技术，作为一种先天存在和后天行为习惯形成的独一无二的特征，主要分为人体生物特征和行为特征。其中，人脸、掌纹、虹膜、视网膜等生物特征和声纹、步态、签名等行为特征作为身份认证特征正运用到我们的生活中。虹膜因具有相互交错的细丝、条纹、冠状、斑点、隐窝等细节特征，决定了虹膜识别的唯一性、可行性和先进性，虹膜识别技术被认为是应用最方便最安全的生物识别技术。

虹膜识别技术是通过匹配已预先存储的注册人的虹膜信息，来识别身份信息。可用于监控、支付、智能识别等领域。为了保证身份识别的安全性和准确性，必须要求在虹膜采集注册和识别过程中确保虹膜未受到外部条件干扰，尤其是彩色隐形眼睛(简称美瞳)的干扰。如果用户在采集注册过程中佩戴了美瞳，采集的实际信息将不是该用户独一无二的虹膜特征信息，不仅会污染采集库，也会造成识别结果的错误。因此，有必要在进行虹膜识别之前，先确定待测对象是否佩戴美瞳。

目前对于美瞳的检测技术，大多是利用传统的图像处理方法，如提取灰度共生矩阵，局部二值化(局部二值化)向量特征等来进行识别，上述方法均不能够适用于大范围的应用场景。在实际应用中不同光照环境会影响拍摄的眼睛区域图像，不同花色纹理的美瞳图案，也会对上述传统方法的检测效果产生影响，造成上述算法的识别率较低，鲁棒性较差。

发明内容

本发明实施例提供一种基于深度学习的美瞳识别方法及系统，用以解决现有技术中对于美瞳检测的识别率低、检验算法鲁棒性差的缺陷。

第一方面，本发明实施例提供一种基于深度学习的美瞳识别方法，包括：

获取待测对象的待测眼睛区域图像；获取该待测眼睛区域图像的待测虹膜图像；对该待测虹膜图像进行图像处理后，获取待测局部二值化图像；将获取的待测局部二值化图像输入至深度学习网络模型，获取与该待测眼睛区域图像相对应的待测对象识别结果；其中，深度学习网络模型是基于虹膜图像训练样本的样本图像以及对应的检测对象结果标签进行训练后得到的，检测对象结果标签是根据虹膜图像训练样本预先确定的，并与样本图像一一对应。

进一步地，本实施例提供的基于深度学习的美瞳识别方法，该深度学习网络模型，至少包括：依次连接的至少五个卷积层、第一残差网络块、第二残差网络块、两个全连接层以及一个分类器。

其中，卷积层的卷积核大小均为3*3，在每个卷积层之后均连接有一个均值池化层，均值池化层的池化核大小为3*3，步长为2；分类器为softmax分类器；深度学习网络模型的损失函数为交叉熵损失函数。

其中，第一残差网络块包括依次连接的两个1*1卷积层、一个3*3卷积层和一个池化层。

第二残差网络块包括依次连接的两个1*1卷积层和一个3*3卷积层。