[发明专利]去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质

说明书

本申请公开一种去遮挡的虹膜检测方法，其包括：获取原始虹膜带遮挡的人眼图像F，检测出人眼图像F中原始虹膜区域；基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络，利用像素级虹膜分割网络对人眼图像F进行去遮挡分割，获得人眼图像F的关于虹膜区域的像素级分割结果图；以及结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。本申请还提供一种应用去遮挡的虹膜检测方法的虹膜识别方法及计算机可读存储介质。

技术领域

本申请涉及图像处理领域，更具体地说，涉及一种去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质。

背景技术

在当疫情环境下，指纹、人脸和虹膜等生物特征识别方法在公共场所人员出入管控过程得到了广泛应用。接触式指纹识别、脱口罩进行人脸识别这两种常见的身份识别方式容易导致病毒交叉感染，间接引起疫情的迅速扩散，而人眼虹膜的身份认证方式具有非接触式优势，能够更有效地防止人员密集场所的疫情传播，提升当前的疫情防控能力。

现有的虹膜识别技术，无论是早期的传统模式识别还是最近的深度学习，都是基于比较干净的无睫毛遮挡的虹膜数据进行识别效果较好。对于长睫毛的人员，尤其是女性，因为爱美打扮等原因，对原有的睫毛进行修整，甚至接假睫毛等，睫毛区域容易遮挡了虹膜区域，在后续虹膜识别过程睫毛区域容易被当成虹膜纹理，从而对虹膜识别造成一定的影响。

发明内容

针对现有技术，本申请解决的技术问题是提供一种能有效消除虹膜遮挡区域的虹膜检测方法、虹膜识别方法及可读存储介质。

为解决上述技术问题，本申请提供一种去遮挡的虹膜检测方法，其包括：

获取原始虹膜带遮挡的人眼图像F，检测出人眼图像F中原始虹膜区域；

基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络，利用像素级虹膜分割网络对人眼图像F进行去遮挡分割，获得人眼图像F的关于虹膜区域的像素级分割结果图；以及，

结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像。

在一种可能实现方式中，基于像素级损失函数和生成对抗网络训练像素级虹膜分割网络的步骤包括：

训练虹膜初分割网络：获取人眼样本图像，对人眼样本图像的虹膜区域进行分割标注，将人眼样本图像和分割标注结果输入至语义分割网络模型中训练获得虹膜初分割网络，其中人眼样本图像包括虹膜带遮挡的人眼图像和虹膜未有遮挡的人眼图像；

构建生成对抗网络：将训练获得的虹膜初分割网络作为生成对抗网络的生成器且将人眼样本图像和对人眼样本图像的虹膜标注数据作为生成器的输入，将人眼样本图像的虹膜标注数据和生成器的输出图像作为判别器的输入；

基于损失函数训练L对构建的生成对抗网络进行训练，获得像素级虹膜分割网络，L＝λ₁L_adv+λ₂L_seg；

其中，L_adv为生成对抗网络模型的损失函数，L_seg为像素级损失函数：生成器的输出结果和输入之间的逐个像素点之间的差异，其中λ₁和λ₂加权系数且λ₁+λ₂＝1。

在一种可能实现方式中，损失函数L_seg：

其中，G表生成器，y表示虹膜标注结果，G(x)生成器输出结果，表示对虹膜标注结果和G(x)生成器输出结果进行逐像素计算均方误差。

在一种可能实现方式中，其特征在于λ₁＝0.4，λ₂＝0.6，

在一种可能实现方式中，结合原始虹膜区域和像素级分割结果图获得人眼图像F的未遮挡的虹膜图像的步骤包括：