一种基于改进YoloV4网络和微积分算子的虹膜定位方法技术

本发明专利技术公开了一种基于改进YoloV4网络和微积分算子的虹膜定位方法，包括如下步骤：采用基于MobilenetV2的改进Yolov4网络对虹膜图像进行检测，定位出瞳孔中心的大致位置；其中，采用MobileNetV2结构提取主干特征，结合YoloV4网络预测虹膜外圆位置，检测后在虹膜图像上生成表示虹膜外圆边界的矩形框；对生成有表示虹膜外圆边界矩形框的虹膜图像进行去噪处理，去除图像中的噪声干扰；采用改进Daugman微积分算子，在去噪后的虹膜图像上精确定位出虹膜内外边界。本发明专利技术方法有效可靠，使用更加灵活方便，不论近距离和远距离虹膜，在复杂条件下也能达到较高的定位准确率，有很好的鲁棒性和扩展性。性和扩展性。性和扩展性。

【技术实现步骤摘要】
一种基于改进YoloV4网络和微积分算子的虹膜定位方法
[0001]技术区域
[0002]本专利技术属于虹膜识别技术区域，具体涉及一种基于改进YoloV4网络和微积分算子的虹膜定位方法。

技术介绍

[0003]人类的虹膜由于一些特殊的属性，在很多地方得到了广泛的应用。不仅可以用作身份识别技术，也可以用于疾病的诊断。因此，正确的虹膜定位，是虹膜应用的一个重要环节。如果定位不准确将导致虹膜纹理信息丢失，直接影响身份识别的效果以及疾病的诊断。.
[0004]在虹膜识别过程中，由于虹膜定位的准确性直接影响到虹膜识别的准确性，因此虹膜定位是虹膜识别的关键环节，是后续工作的前提和保证。因此，对虹膜定位的研究被世界各国的研究者视为图像预处理阶段的重点和难点，具有非常重要的理论和应用价值。
[0005]虹膜定位的目的是将虹膜区域从人眼图像中分离出来，然后去除虹膜图像中存在的瞳孔、巩膜等非虹膜信息。从原始图像中定位虹膜区域是完成虹膜识别的前提和必要环节。在虹膜识别过程中，虹膜定位的准确性将直接影响到虹膜识别的准确性。同时在虹膜图像采集过程中，不可避免地存在睫毛干扰和光照强度不均匀等问题，增加了准确提取虹膜区域的难度。因此，对虹膜定位的研究被世界各国的研究者视为图像预处理阶段的重点和难点，具有非常重要的理论和应用价值。
[0006]目前主要有两类虹膜定位的方法，一类是经典的虹膜定位方法，另外一类是基于深度学习的定位算法。经典的虹膜定位方法主要分为三种。第一种是基于微分积分的方法。这种观点认为虹膜是一个近似圆的区域，因此虹膜位置被简化为确定虹膜内外边界的近似圆心和半径。第二种是基于Hough变换的方法。第三种是灰度差值法。这种方法充分利用了虹膜图像灰度的变化对虹膜进行定位。一般来说，这些传统方法操作简单，定位速度较快。然而，它容易受到光斑、图像模糊等噪声的干扰，准确率不高，应用场景有限。
[0007]最近几年，深度学习在目标检测区域取得了飞速的发展。目前主要有一阶段检测(One
‑
stage)和两阶段检测(Two
‑
stage)的两种思路。两阶段是基于目标候选框的思想，提前生成一系列样本候选框，再通过卷积神经网络进行样本分类。区域卷积神经网络(region
‑
based CNN，R
‑
CNN)就是其中的一种。由于R
‑
CNN需要从一张图片中选取了上千个提议区域，因此速度很慢。一阶段检测基于回归的思想，没有目标候选框。它采用通过主干网络提取图像特征信息直接回归物体边界框的方法，因此速度较快，如Yolo系列。Yolo从问世初期就得到了众多研究者的关注。目前的版本已经迭代发展到了YoloV7。
[0008]由于Yolo算法的先进性，很多研究者用来对虹膜进行定位。基于Yolo系列的方法实现简单，抗噪声干扰较强，准确率较高。但是深度学习的模型需要长时间的训练和大量的标注数据，而标注数据的成本严重限制了它们对新类别的可扩展性。

技术实现思路

[0009]本专利技术要解决的技术问题是针对现有技术的不足而提供一种基于改进YoloV4网络和微积分算子的虹膜定位方法，在不用太多标注的情况下，实现复杂环境下采集的虹膜图像的准确定位。
[0010]为解决上述技术问题，本专利技术的内容包括：
[0011]一种基于改进YoloV4网络和微积分算子的虹膜定位方法，包括如下步骤：
[0012]S1：采用基于MobilenetV2的改进Yolov4网络对虹膜图像进行检测，定位出瞳孔中心的大致位置；其中，采用MobileNetV2结构提取主干特征，结合YoloV4网络预测虹膜外圆位置，检测后在虹膜图像上生成表示虹膜外圆边界的矩形框；
[0013]S2：对生成有表示虹膜外圆边界矩形框的虹膜图像进行去噪处理，去除图像中的噪声干扰；
[0014]S3：采用改进Daugman微积分算子，在去噪后的虹膜图像上精确定位出虹膜内外边界。
[0015]进一步的，所述步骤S1中，改进YoloV4网络包括主干网络、颈部网络和头部；所述主干网络采用MobileNetV2网络，包括7个bottleneck结构，其中，第四个和最后一个bottleneck结构输出的28
×
28和7
×
7大小的特征图分别用来预测小尺寸虹膜和大尺寸虹膜，这两个特征图在颈部网络中进行融合；所述颈部网络包括路径聚合网络模块和空间金字塔池化模块；最后一个bottleneck结构输出的7
×
7大小的特征图输入金字塔池化模块，金字塔池化模块使用大小为1
×
1、5
×
5、9
×
9和13
×
13的内核进行最大池操作，步幅值设置为1；金字塔池化模块的输出结果与第四个bottleneck结构输出的28
×
28大小的特征图在路径聚合网络模块进行融合，路径聚合网络模块使用上采样和下采样操作来设置自下而上和自上而下的路径，以组合低级别和高级别特征；所述头部具有两个检测头，负责接收处理路径聚合网络模块输出的一组聚合特征图，用于预测边界框、对象分数和分类分数。
[0016]进一步的，所述步骤S2中，虹膜图像的去噪处理包括：
[0017]S2
‑
1.去反光点：采用阈值分割的方法，分割出虹膜图像的反光点，在粗定位的瞳孔中心处设置一定大小的矩形区域，将灰度值大于设定阈值的点认为是反光点，由反光点生成蒙板mask，再对蒙板中的点进行形态学膨胀运算，使蒙板完全覆盖反光点部分；将虹膜图像对蒙板中的反光点区域进行向内插值填充，滤除图像中的反光点；
[0018]S2
‑
2.采用形态学闭运算对去除反光点之后的虹膜图像进行填充，滤除图像中睫毛的干扰。
[0019]进一步的，所述步骤S3中，对虹膜内边界进行定位，改进的Daugman微积分算子表达式为：
[0020][0021]式中，圆心(x0,y0)和半径r分别表示搜索起始点的圆心和半径的值，圆心(x0,y0)的值通过改进YoloV4网络检测到的虹膜外圆确定，n表示在以(x0,y0)为圆心、r为半径的圆周上均匀取点的个数；
[0022]g
θ,r
表示圆周上取的第θ个点的径向灰度梯度，其值等于同一圆心、半径增加Δr后圆周上对应点的灰度值与该点的灰度值之差，即：
[0023]g
θ,r
＝I
θ,r+Δr
‑
I
θ,r
[0024]C
θ,r
为补偿因子，表示该点将与其相邻的两个圆周上的点差的绝对值的均值，即：
[0025][0026]I
θ,r
/n表示灰度均值；
[0027]在该改进的Daugman微积分算子取到最大值时的圆心P(x
p
,y
p
)和半径r
p
，即为虹膜的内边界本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YoloV4网络和微积分算子的虹膜定位方法，其特征在于，所述方法包括如下步骤：S1：采用基于MobilenetV2的改进Yolov4网络对虹膜图像进行检测，定位出瞳孔中心的大致位置；其中，采用MobileNetV2结构提取主干特征，结合YoloV4网络预测虹膜外圆位置，检测后在虹膜图像上生成表示虹膜外圆边界的矩形框；S2：对生成有表示虹膜外圆边界矩形框的虹膜图像进行去噪处理，去除图像中的噪声干扰；S3：采用改进Daugman微积分算子，在去噪后的虹膜图像上精确定位出虹膜内外边界。2.根据权利要求1所述的基于改进YoloV4网络和微积分算子的虹膜定位方法，其特征在于，所述步骤S1中，改进YoloV4网络包括主干网络、颈部网络和头部；所述主干网络采用MobileNetV2网络，包括7个bottleneck结构，其中，第四个和最后一个bottleneck结构输出的28
×
28和7
×
7大小的特征图分别用来预测小尺寸虹膜和大尺寸虹膜，这两个特征图在颈部网络中进行融合；所述颈部网络包括路径聚合网络模块和空间金字塔池化模块；最后一个bottleneck结构输出的7
×
7大小的特征图输入金字塔池化模块，金字塔池化模块使用大小为1
×
1、5
×
5、9
×
9和13
×
13的内核进行最大池操作，步幅值设置为1；金字塔池化模块的输出结果与第四个bottleneck结构输出的28
×
28大小的特征图在路径聚合网络模块进行融合，路径聚合网络模块使用上采样和下采样操作来设置自下而上和自上而下的路径，以组合低级别和高级别特征；所述头部具有两个检测头，负责接收处理路径聚合网络模块输出的一组聚合特征图，用于预测边界框、对象分数和分类分数。3.根据权利要求1所述的基于改进YoloV4网络和微积分算子的虹膜定位方法，其特征在于，所述步骤S2中，虹膜图像的去噪处理包括：S2
‑
1.去反光点：采用阈值分割的方法，分割出虹膜图像的反光点，在粗定位的瞳孔中心处设置一定大小的矩形区域，将灰度值大于设定阈值的点认为是反光点，由反光点生成蒙板mask，再对蒙板中的点进行形态学膨胀运算，使蒙板完全覆盖反光点部分；将虹膜图像对蒙板中的反光点区域进行向内插值填充，滤除图像中的反光点；S2
‑
2.采用形态学闭运算对去除反光点之后的虹膜图像进行填充，滤除图像中睫毛的干扰。4.根据权利要求1所述的基于改进YoloV4网络和微积分算子的虹膜定位方法，其特征在于，所述步骤S3中，对虹膜内边界进行定位，改进的Daugman微积分算子表达式为：式中，圆心(x0,y0)和半径r分别表示搜索起始点的圆心和半径的值，圆心(x0,y0)的值通过改进YoloV4网络检测到的虹膜外圆确定，n表示在以(...

【专利技术属性】
技术研发人员：熊齐，
申请(专利权)人：湖南文理学院，
类型：发明
国别省市：