基于级联神经网络的多任务虹膜快速定位方法

如何在不受限的实际应用环境下实现虹膜快速定位并具有较高的鲁棒性和准确性是一个非常值得研究的问题,为了快速排除干扰信息准确地定位虹膜区域,提出了基于卷积神经网络的区域和关键点回归多任务虹膜快速定位方法,用矩形框框住虹膜目标区域,在矩形框中用5个关键点定位虹膜区域特征点。实验表明,该方法减少了不受限环境下采集的图像中虹膜内外边界的定位时间和提高了定位的准确性,为下一步虹膜精确分割奠定了良好基础。

基于深度神经网络的视线跟踪技术研究

视线跟踪是人机互动技术中重要的组成部分,可以广泛地应用在机器人、手机、笔记本等设备中。针对传统方法在低分辨率图像上的准确率不高和设计步骤繁琐等问题,提出一种基于深度神经网络的视线跟踪算法。利用卷积神经网络,能快速且准确地定位输入图片上的人眼区域和虹膜中心位置,再利用多项式拟合估计视线方向。实验结果表明,该算法在MPIIGaze数据库中对虹膜中心和眼角位置的标定有着98%的准确性,在Swith数据库中对视线的估计准确率达到了90%左右,证明了该算法在低分辨率图像上有着良好的可行性。

基于多指标融合的虹膜图像质量评估方法

虹膜图像质量评估是虹膜识别系统中的重要模块,通过质量评估来摒弃质量较差的虹膜图像,能显著提升虹膜识别系统的性能。虹膜图像质量一般会受到多种因素的影响,单一或少数指标都不能准确客观地进行评估,因此提出了一种新颖的多指标融合的虹膜图像质量评估方法,选取可用虹膜区域、清晰度、虹膜半径、虹膜-瞳孔对比度、虹膜-巩膜对比度、瞳孔扩张性和灰度利用率这7个质量指标,结合GA-BP神经网络进行多指标融合,预测虹膜图像的综合质量评估分数。在CASIA虹膜图像库中进行验证,实验结果表明,该方法可以客观准确地评估虹膜图像的质量,对虹膜识别的性能有很强的可预测性。