基于SRN-UNet的低質(zhì)量虹膜分割算法

田會娟，翟佳豪，柳建新，劉嘉偉，鄧琳琳

（1 天津工業(yè)大學(xué)電氣與電子工程學(xué)院天津市光電檢測技術(shù)與系統(tǒng)重點(diǎn)實驗室，天津300387）

（2 大功率半導(dǎo)體照明應(yīng)用系統(tǒng)教育部工程研究中心，天津300387）

（3 天津成科傳動機(jī)電技術(shù)股份有限公司，300384）

虹膜紋理以其獨(dú)特穩(wěn)定、非接觸和防偽的特點(diǎn)在國防和安全領(lǐng)域發(fā)揮著重要作用［1-3］。一個完整的虹膜識別系統(tǒng)通常包括：1）通過成像設(shè)備獲得虹膜圖像；2）通過虹膜分割算法定位虹膜區(qū)域；3）通過特征提取算法提取虹膜特征；4）將提取的虹膜特征用于虹膜識別。其中虹膜分割在虹膜識別系統(tǒng)中具有重要意義，算法的準(zhǔn)確性和魯棒性直接影響后續(xù)的虹膜提取、驗證和識別［4］。理想條件下的虹膜圖像清晰、無遮擋，當(dāng)前多數(shù)的虹膜分割算法可以準(zhǔn)確地分割虹膜區(qū)域。然而，在虹膜圖像像素低、光照不均勻、睫毛或眼瞼遮擋、鏡面反射等非理想條件下，設(shè)計魯棒性強(qiáng)的虹膜分割算法來精確分割虹膜區(qū)域仍然是一項具有挑戰(zhàn)性的任務(wù)。

近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［5］在圖像分類、分割、識別等方面的廣泛應(yīng)用，研究人員開始嘗試將深度學(xué)習(xí)用于圖像分割。2015年，LONG J 等［6］在CNN 的基礎(chǔ)上提出全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）來進(jìn)行語義級別的圖像分割，隨后各種語義分割網(wǎng)絡(luò)紛紛出現(xiàn)。當(dāng)前經(jīng)常使用且性能較好的語義分割網(wǎng)絡(luò)有U-Net［7］，SegNet［8］，PSPNet［9］以及Deeplabv3［10］等，其中U-Net 網(wǎng)絡(luò)被廣泛用于醫(yī)學(xué)圖像分割領(lǐng)域。JALILIAN E 等［11］最早將深度學(xué)習(xí)方法應(yīng)用在虹膜分割領(lǐng)域，他們提出了三種基于FCNs 的虹膜分割網(wǎng)絡(luò)結(jié)構(gòu)，并將其命名為全卷積編解碼網(wǎng)絡(luò)（FCEDNs），實驗結(jié)果表明FCEDNs 優(yōu)于傳統(tǒng)算法。……