SIP-SegNet：基于眼周区域抑制的用于巩膜、虹膜与瞳孔联合语义分割的深层卷积编解码网络
计算机视觉与模式识别
2020-03-03 v1 图像与视频处理
摘要
机器视觉领域的当前发展，为在多模态生物特征识别系统部署于各类实际应用开辟了新前景。此类系统能应对单模态生物识别系统的局限，后者易受欺骗、噪声、非普适性与类内变异影响。此外，在各种生物特征中，眼周特质在这些识别系统中被优先采用。此类系统具有高区分性、永久性与性能，而基于其他生物特征（指纹、语音等）的技术易遭攻破。本工作提出一种称为SIP-SegNet的新颖深度学习框架，可在无约束场景下以更高精度对眼周特质（巩膜、虹膜与瞳孔）进行联合语义分割。这些场景下获取的图像表现出浦肯野反射、镜面反射、视线偏转、偏角拍摄、低分辨率及尤以眼睑与睫毛造成的各类遮挡。为应对这些问题，SIP-SegNet首先使用去噪卷积神经网络（DnCNN）对原始图像去噪，继而基于限制对比度自适应直方图均衡化（CLAHE）进行反射去除与图像增强。随后，我们所提框架利用自适应阈值提取眼周信息，并采用模糊滤波技术抑制该信息。最后，使用密集连接的全卷积编解码网络实现巩膜、虹膜与瞳孔的语义分割。我们使用五个CASIA数据集基于多种评价指标评估SIP-SegNet性能。仿真结果验证了所提SIP-SegNet的最优分割效果，巩膜、虹膜与瞳孔类的平均f1分数分别为93.35、95.11与96.69。
引用
@article{arxiv.2003.00825,
title = {SIP-SegNet: A Deep Convolutional Encoder-Decoder Network for Joint Semantic Segmentation and Extraction of Sclera, Iris and Pupil based on Periocular Region Suppression},
author = {Bilal Hassan and Ramsha Ahmed and Taimur Hassan and Naoufel Werghi},
journal= {arXiv preprint arXiv:2003.00825},
year = {2020}
}