基于深度学习的死后人类虹膜分割分析

虹膜识别广泛用于手机、金融交易、身份证、机场安全、国际边境管制以及活人选民登记等若干领域。然而，基于虹膜模式识别死亡后个体的可能性最近作为法医分析中有价值的补充或替代方法出现。与此同时，它带来了许多新的技术挑战，其中最具挑战性之一是图像分割阶段，因为传统虹膜识别方法在可靠执行该阶段方面一直存在困难。本文提出并比较了用于分割来自死后受试者的虹膜图像的深度学习模型，通过训练SegNet和DeepLabV3+语义分割方法，使用VGG19、ResNet18、ResNet50、MobileNetv2、Xception或InceptionResNetv2作为骨干网络。在本研究中，实验表明所提出的方法能够有效学习并识别死后样本中固有的特定变形，并在准确性方面提供了显著提升。通过采用MobileNetv2作为DeepLabV3+的骨干网络并用结合边界损失和Dice损失的混合损失函数替换最终层，我们在Warsaw-BioBase-PostMortem-Iris-v1数据集上实现了95.54%的平均交并比。据我们所知，本研究提供了对深度学习模型用于死后虹膜分割的最广泛评估。