本技術(shù)涉及虹膜識(shí)別，尤其涉及一種虹膜圖像分割方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、虹膜識(shí)別技術(shù)是一種利用人眼中的虹膜進(jìn)行身份鑒別的技術(shù)，屬于人體生物識(shí)別技術(shù)的一種，虹膜識(shí)別具有唯一性、穩(wěn)定性、非接觸性、高安全性等特點(diǎn)，被公認(rèn)最為精確和方便的生物識(shí)別技術(shù)，已經(jīng)廣泛應(yīng)用于金融、安防、關(guān)卡、門(mén)禁、保險(xiǎn)等多種需要精準(zhǔn)身份認(rèn)證的場(chǎng)景中。

2、虹膜分割是從虹膜圖像中剔除噪音，提取有效虹膜區(qū)域的處理技術(shù)，是保障虹膜識(shí)別精度的關(guān)鍵技術(shù)之一。傳統(tǒng)虹膜分割方法依賴(lài)于先驗(yàn)知識(shí)，計(jì)算復(fù)雜度高，且抗噪能力弱，已經(jīng)逐漸被基于深度學(xué)習(xí)的虹膜分割方法所取代。然而即使基于深度學(xué)習(xí)的虹膜分割方法依然存在一些明顯的問(wèn)題。首先是分割精度不足，現(xiàn)有的模型一般采用ce?loss，用多分類(lèi)方法獲得虹膜及瞳孔的二值化掩模，而精度的評(píng)估則是iou，二者之間并沒(méi)有直接的關(guān)聯(lián)關(guān)系，其次是“例外塊”問(wèn)題，例如將非虹膜區(qū)域的某些區(qū)塊，錯(cuò)誤分割為虹膜區(qū)域，雖然利用虹膜對(duì)瞳孔的空間包容關(guān)系的方法可以解決這一問(wèn)題，但是仍存在理論上的不足，例如當(dāng)瞳孔被部分遮擋時(shí)，這種空間包容關(guān)系是不存在的。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種虹膜圖像分割方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，通過(guò)合理使用多種損失函數(shù)的組合應(yīng)用，實(shí)現(xiàn)更高精度的虹膜分割，并有效解決“例外塊”問(wèn)題。

2、根據(jù)本技術(shù)的第一方面，提供了一種虹膜圖像分割方法，該方法包括：

3、獲取多個(gè)虹膜圖像，并對(duì)多個(gè)虹膜圖像進(jìn)行數(shù)據(jù)預(yù)處理，將預(yù)處理后的虹膜圖像劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

4、構(gòu)建虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述訓(xùn)練數(shù)據(jù)集對(duì)所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并通過(guò)所述驗(yàn)證數(shù)據(jù)集進(jìn)行驗(yàn)證，得到訓(xùn)練好的虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型；

5、將待分割的虹膜圖像輸入所述訓(xùn)練好的虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行前向推理，獲得當(dāng)前推理結(jié)果；

6、對(duì)所述當(dāng)前推理結(jié)果進(jìn)行后處理，分別提取背景、鞏膜、虹膜及瞳孔的二值化掩模圖像。

7、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述對(duì)多個(gè)虹膜圖像進(jìn)行數(shù)據(jù)預(yù)處理，包括：

8、將各虹膜圖像均劃分為多個(gè)不同且相互獨(dú)立的區(qū)域，并根據(jù)各區(qū)域?qū)Ω骱缒D像中的各像素點(diǎn)進(jìn)行標(biāo)注，得到標(biāo)注完的各虹膜圖像；

9、將所述標(biāo)注完的各虹膜圖像進(jìn)行數(shù)據(jù)增廣處理；

10、將經(jīng)過(guò)數(shù)據(jù)增廣處理后的圖像縮放為預(yù)設(shè)尺寸的單通道灰度圖像，并將所述單通道灰度圖像進(jìn)行標(biāo)準(zhǔn)化處理，得到預(yù)處理后的虹膜圖像。

11、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述構(gòu)建虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型，包括：

12、采用對(duì)稱(chēng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，其中，所述對(duì)稱(chēng)網(wǎng)絡(luò)結(jié)構(gòu)包括編碼器和解碼器；

13、通過(guò)多個(gè)不同權(quán)重的損失組合，確定所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)訓(xùn)練損失；

14、根據(jù)所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)訓(xùn)練損失，構(gòu)成虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型。

15、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述通過(guò)多個(gè)不同權(quán)重的損失組合，確定所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)訓(xùn)練損失，包括：

16、根據(jù)ce?loss函數(shù)、dice?loss函數(shù)及hausdorff?loss函數(shù)計(jì)算的損失值及其對(duì)應(yīng)的損失計(jì)算權(quán)重確定聯(lián)合損失函數(shù)，將所述聯(lián)合損失函數(shù)作為所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)訓(xùn)練損失；

17、其中，ce?loss函數(shù)用于計(jì)算模型預(yù)測(cè)輸出的概率分布與真實(shí)類(lèi)別標(biāo)簽之間的差異損失值；dice?loss函數(shù)用于計(jì)算預(yù)測(cè)輸出區(qū)域與標(biāo)記區(qū)域之間的損失值；hausdorffloss函數(shù)計(jì)算預(yù)測(cè)輸出區(qū)域與標(biāo)記區(qū)域之間的距離損失值。

18、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述聯(lián)合損失函數(shù)為：

19、；

20、其中，表示總聯(lián)合損失值，表示各損失項(xiàng)，為第個(gè)損失的計(jì)算權(quán)重,?為第個(gè)損失的計(jì)算值。

21、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述根據(jù)所述訓(xùn)練數(shù)據(jù)集對(duì)所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

22、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述根據(jù)所述訓(xùn)練數(shù)據(jù)集對(duì)所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

23、步驟s61：將訓(xùn)練數(shù)據(jù)集輸入虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行前向推理，獲得當(dāng)前推理結(jié)果；

24、步驟s62：根據(jù)當(dāng)前推理結(jié)果與真實(shí)標(biāo)注信息，通過(guò)所述聯(lián)合損失函數(shù)進(jìn)行損失計(jì)算，獲得當(dāng)前聯(lián)合損失；

25、步驟s63：將所述當(dāng)前聯(lián)合損失通過(guò)反向梯度傳播機(jī)制回傳到虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型中，并結(jié)合學(xué)習(xí)率共同調(diào)整當(dāng)前網(wǎng)絡(luò)權(quán)重；

26、循環(huán)執(zhí)行所述步驟s61至步驟s63，直至訓(xùn)練達(dá)到指定的預(yù)設(shè)循環(huán)次數(shù)，訓(xùn)練結(jié)束。

27、如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述將訓(xùn)練數(shù)據(jù)集輸入虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行前向推理，獲得當(dāng)前推理結(jié)果，包括：

28、通過(guò)編碼器對(duì)輸入訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，并將其映射到隱空間，得到隱空間數(shù)據(jù)；

29、通過(guò)解碼器對(duì)所述隱空間數(shù)據(jù)進(jìn)行恢復(fù)，并借助對(duì)等層跳線獲取細(xì)節(jié)特征，最終輸出與輸入圖像同尺寸的多通道圖像數(shù)據(jù)；

30、將輸出圖像經(jīng)過(guò)?softmax?函數(shù)處理，得到多個(gè)分類(lèi)的概率預(yù)測(cè)結(jié)果。

31、根據(jù)本技術(shù)的第二方面，提供了一種虹膜圖像分割裝置，包括：

32、數(shù)據(jù)預(yù)處理模塊，用于獲取多個(gè)虹膜圖像，并對(duì)多個(gè)虹膜圖像進(jìn)行數(shù)據(jù)預(yù)處理，將預(yù)處理后的虹膜圖像劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

33、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，用于構(gòu)建虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述訓(xùn)練數(shù)據(jù)集對(duì)所述虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并通過(guò)所述驗(yàn)證數(shù)據(jù)集進(jìn)行驗(yàn)證，得到訓(xùn)練好的虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型；

34、前向推理模塊，用于將待分割的虹膜圖像輸入所述訓(xùn)練好的虹膜圖像分割深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行前向推理，獲得當(dāng)前推理結(jié)果；

35、二值化掩模圖像提取模塊，用于對(duì)所述當(dāng)前推理結(jié)果進(jìn)行后處理，分別提取背景、鞏膜、虹膜及瞳孔的二值化掩模圖像。

36、根據(jù)本技術(shù)的第三方面，提供了一種電子設(shè)備，包括：存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如以上所述的方法。

37、根據(jù)本技術(shù)的第四方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如根據(jù)本技術(shù)的第一方面的方法。

38、相比于現(xiàn)有技術(shù)，本公開(kāi)實(shí)現(xiàn)了以下有益效果：

39、（1）在數(shù)據(jù)標(biāo)注階段，對(duì)虹膜圖像標(biāo)注背景、鞏膜、虹膜、瞳孔?4?個(gè)區(qū)域，并確保標(biāo)注圖像數(shù)量充足且具多樣性，涵蓋不同人群、采集環(huán)境、設(shè)施及遮擋條件等，使模型能適應(yīng)多種實(shí)際場(chǎng)景，增強(qiáng)泛化能力，減少因數(shù)據(jù)差異導(dǎo)致的性能下降。

40、（2）通過(guò)聯(lián)合損失函數(shù)設(shè)計(jì)提升分割精度。采用?ce?loss?確保分類(lèi)正確結(jié)果并增強(qiáng)魯棒性；dice?loss?對(duì)分類(lèi)范圍約束，因其對(duì)分割誤差敏感而引導(dǎo)產(chǎn)生更精確分割；hausdorff?loss?對(duì)分割結(jié)果距離約束，促使模型生成高精度分割結(jié)果，有效克服傳統(tǒng)方法及部分深度學(xué)習(xí)方法精度不足的問(wèn)題。

41、應(yīng)當(dāng)理解，
技術(shù)實(shí)現(xiàn)要素：
部分中所描述的內(nèi)容并非旨在限定本技術(shù)的實(shí)施例的關(guān)鍵或重要特征，亦非用于限制本技術(shù)的范圍。本技術(shù)的其它特征將通過(guò)以下的描述變得容易理解。