[发明专利]模型生成方法、虹膜检测方法及装置

说明书

本发明提供了一种模型生成方法、虹膜检测方法及装置，其中，该模型生成方法包括：获取训练样本集；训练样本集包括多个训练样本子集，每个训练样本子集中每个训练样本包括虹膜图像、类型标签及真实虹膜包围框位置信息，且每个训练样本子集中训练样本的类型包括真人虹膜、美瞳虹膜及假体虹膜；利用训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，得到虹膜检测模型；虹膜检测神经网络包括：特征提取层、虹膜定位层、感兴趣区池化层、美瞳检测层、及假体检测层；特征提取层、虹膜定位层、感兴趣区池化层及美瞳检测层依次连接，特征提取层的输出还与感兴趣区池化层和假体检测层连接。通过上述方案能够提高虹膜图像处理效率。

技术领域

本发明涉及虹膜识别技术领域，尤其涉及一种模型生成方法、虹膜检测方法及装置。

背景技术

作为安全性极高的生物特征识别技术，虹膜识别技术在公安刑侦、监狱、嫌疑人排查、出入境等身份管理中得到了广泛应用。但是，虹膜识别也面临恶意攻击的问题。恶意攻击手段主要分为假体攻击和美瞳攻击两部分。其中，假体攻击可指利用打印纸、视频、硅胶假人头、义眼等模拟真人虹膜进行注册或验证；美瞳攻击可指通过配戴具有特定纹理的美瞳进行注册或验证，因为美瞳纹理会影响虹膜纹理特征，从而造成误识或识别失败。因此，虹膜活体检测在虹膜识别中占据重要地位。

基于图像的活体检测方法是利用图像算法分析图像本身包含的形状、纹理等信息。目前基于深度学习，通过分析虹膜图像中的形态纹理信息进行虹膜活体检测，区分真人虹膜图像和被攻击虹膜的图像成为主要技术发展趋势。

现有的基于图像的虹膜活体检测算法，需要先进行虹膜区域定位检测，再进行活体检测，从而使得虹膜定位和活体检测成为两个分开的任务。而且，对于不同攻击类型的虹膜图像活体检测，也需要分别使用不同的方案进行处理。然而，将虹膜定位、不同活体检测等任务分开去解决，会降低虹膜图像预处理的效率。

发明内容

有鉴于此，本发明提供了一种模型生成方法、虹膜检测方法及装置，以实现虹膜图像的一体化检测，提高虹膜图像处理效率。

为了达到上述目的，本发明采用以下方案实现：

根据本发明实施例的一个方面，提供了一种虹膜检测模型生成方法，包括：

获取训练样本集；其中，所述训练样本集包括多个训练样本子集，每个训练样本子集中每个训练样本包括虹膜图像、相应的类型标签、及相应的真实虹膜包围框位置信息，且每个训练样本子集中训练样本的类型包括真人虹膜、美瞳虹膜及假体虹膜；

利用所述训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，得到虹膜检测模型；其中，所述虹膜检测神经网络包括：特征提取层、虹膜定位层、感兴趣区池化层、美瞳检测层、及假体检测层；所述特征提取层、所述虹膜定位层、所述感兴趣区池化层、及所述美瞳检测层依次连接，所述特征提取层的输出还与所述感兴趣区池化层和所述假体检测层连接。

在一些实施例中，所述特征提取层为深度卷积网络；和/或，所述虹膜定位层为回归网络；和/或，所述美瞳检测层为二分类网络；和/或，所述假体检测层为二分类网络。

在一些实施例中，利用所述训练样本集中的每个训练样本子集的各训练样本对虹膜检测神经网络进行训练，包括：

将训练样本子集中每个训练样本的虹膜图像输入至所述特征提取层，得到相应的第一特征图；

将训练样本子集中每个训练样本对应的第一特征图输入至所述虹膜定位层，得到相应的虹膜包围框位置检测信息；

将训练样本子集中每个训练样本对应的第一特征图和虹膜包围框位置检测信息输入至所述感兴趣区池化层，以从相应的第一特征图中截取对应于相应的虹膜包围框位置检测信息的虹膜所在区域，得到具有设定维度的相应的第二特征图；