滕 童，沈文忠，毛云豐

上海電力大學(xué) 電子與信息工程學(xué)院，計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海200090

1 引言

在人類身份識(shí)別認(rèn)證的問(wèn)題上，傳統(tǒng)的身份驗(yàn)證方法不方便、不安全，而基于生物學(xué)特征的生物識(shí)別技術(shù)具有普遍性、穩(wěn)定性、安全性的特點(diǎn)，這讓生物識(shí)別技術(shù)成為了該領(lǐng)域內(nèi)近年來(lái)研究的熱點(diǎn)。其中虹膜識(shí)別被認(rèn)為是最具開發(fā)前景的生物特征識(shí)別方法，與其他生物識(shí)別技術(shù)相比虹膜識(shí)別有著唯一性、穩(wěn)定性、防偽性和非接觸性的優(yōu)點(diǎn)。一個(gè)完整的虹膜識(shí)別系統(tǒng)由圖像的獲取、虹膜定位、特征提取和識(shí)別驗(yàn)證四個(gè)部分組成，其中虹膜定位是非常重要的環(huán)節(jié)，特征提取和識(shí)別驗(yàn)證兩個(gè)環(huán)節(jié)都要依賴已經(jīng)定位好的虹膜區(qū)域。虹膜區(qū)域定位的不準(zhǔn)確會(huì)造成干擾信息的引入，像眼瞼、光斑、睫毛等，還會(huì)造成虹膜紋理信息的缺失，因此虹膜區(qū)域定位是否準(zhǔn)確對(duì)后續(xù)的虹膜特征提取和虹膜識(shí)別的準(zhǔn)確率有很大的影響，可見虹膜區(qū)域的精確定位對(duì)整個(gè)虹膜識(shí)別系統(tǒng)至關(guān)重要。

為了更準(zhǔn)確地定位虹膜區(qū)域，大量的虹膜定位算法被提出。Wildes指出虹膜定位必須對(duì)廣泛的邊緣灰度對(duì)比敏感，使用低通高斯濾波器平滑圖像進(jìn)行空間子采樣來(lái)隔離虹膜，通過(guò)邊緣點(diǎn)投票機(jī)制實(shí)例化邊緣參數(shù)來(lái)定位虹膜邊界[1]。Daugman將虹膜定位看做是圓形的邊緣檢測(cè)，通過(guò)定義一個(gè)積分微分算子確定圓的中心和半徑的參數(shù)來(lái)確定瞳孔和虹膜的外邊界[2]。文獻(xiàn)[3]提出了在矩形圖像中檢測(cè)點(diǎn)和線替代傳統(tǒng)的邊界圓檢測(cè)方法，通過(guò)EMD對(duì)紋理進(jìn)行特征提取后基于Mahalanibis的距離找到每個(gè)測(cè)試樣本的K個(gè)最近鄰域，最后對(duì)輸出結(jié)果進(jìn)行投票決策尋找虹膜邊界。文獻(xiàn)[4]提出一種關(guān)鍵點(diǎn)輪廓界定方法，在二值化的虹膜圖像上找到瞳孔邊緣互相間隔120的三個(gè)點(diǎn)來(lái)確定一個(gè)三角形以便尋找虹膜的內(nèi)邊界，接著以內(nèi)圓的參數(shù)圓心和半徑作為Daugman算法的起始點(diǎn)來(lái)獲得虹膜的外邊界。文獻(xiàn)[5-6]用HOG構(gòu)建正負(fù)樣本的特征向量，通過(guò)SVM分類器訓(xùn)練樣本對(duì)虹膜和非虹膜區(qū)域進(jìn)行分類，然而HOG特征會(huì)丟棄掉大部分的判別信息[7]。

由于眼瞼的影響，虹膜的有效區(qū)域不再是瞳孔和虹膜邊緣之間的區(qū)域，而是上下眼瞼和虹膜內(nèi)邊緣與瞳孔外邊緣所圍成的閉環(huán)區(qū)域。顯然，受外界因素的影響，虹膜區(qū)域的分割將變得更加困難以及虹膜邊緣規(guī)則圓假設(shè)不再成立[8]。文獻(xiàn)[9]提到通常使用低通濾波器與圖像做卷積運(yùn)算來(lái)減少高頻信號(hào)的干擾，接著使用Canny邊緣算子檢測(cè)眼瞼的邊緣。EP數(shù)據(jù)集[8]中有大量人工標(biāo)記作為虹膜分割評(píng)估的圖像，在上眼瞼和下眼瞼區(qū)域，EP提供了至少3個(gè)關(guān)鍵點(diǎn)用最小二乘法擬合二次曲線作為眼瞼與虹膜的邊界。文獻(xiàn)[10]提出AIPF檢測(cè)瞳孔的外邊緣的關(guān)鍵點(diǎn)，AIPF可以沿角度方向執(zhí)行積分投影運(yùn)算來(lái)檢測(cè)圖像內(nèi)所有方向的邊緣點(diǎn)，接著用三次貝塞爾曲線擬合關(guān)鍵點(diǎn)。

大量的算法表明，傳統(tǒng)定位算法大多基于虹膜圖像的某一或者某些不變特征計(jì)算得到虹膜區(qū)域的內(nèi)外邊界，大都是用規(guī)則圓形作為幾何模板來(lái)限定虹膜區(qū)域，如圖1所示。這類算法不能適用梯度值在變化過(guò)程中出現(xiàn)局部最值的情況，以及在處理眼睛區(qū)域以外的臉部信息時(shí)表現(xiàn)的并不是很穩(wěn)健。此外，這些算法幾乎都是在單一圖像數(shù)據(jù)源上設(shè)計(jì)，使得算法泛化能力降低。

圖1 用圓形限定虹膜區(qū)域

近幾年，深度學(xué)習(xí)（Deep Learning）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在計(jì)算機(jī)視覺任務(wù)中取得了不亞于人類的成就，像分類任務(wù)[11-13]和定位任務(wù)[14-16]。分類任務(wù)可以說(shuō)是定位任務(wù)的子任務(wù)，定位任務(wù)比分類任務(wù)要難得多，目標(biāo)定位不光準(zhǔn)確地定位到目標(biāo)的位置還要清楚地告訴人們定位的是什么。深度學(xué)習(xí)不再去構(gòu)建單個(gè)物體的特征，相反它提取復(fù)雜的圖像特征，組合圖像空間上不同區(qū)域的特征信息，依靠這種具有細(xì)粒度的空間關(guān)系對(duì)目標(biāo)定位[7]。卷積神經(jīng)網(wǎng)絡(luò)在定位任務(wù)上能同時(shí)兼顧速度和精度，依賴大量豐富的樣本卷積神經(jīng)網(wǎng)絡(luò)能完美地解決在不同條件的下拍攝得到的虹膜數(shù)據(jù)集的定位問(wèn)題。

針對(duì)傳統(tǒng)算法的缺陷和CNN在計(jì)算機(jī)視覺任務(wù)中的出色表現(xiàn)，本文提出改進(jìn)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的多任務(wù)虹膜快速定位方法CINET（Cascade Iris Network）。與大多文獻(xiàn)中所不同的是，文中通過(guò)定義邊界框?qū)缒^(qū)域進(jìn)行定位[5]，以及對(duì)虹膜內(nèi)外邊緣進(jìn)行關(guān)鍵點(diǎn)檢測(cè)，包括虹膜左右邊緣點(diǎn)、瞳孔左右邊緣點(diǎn)和瞳孔圓心。通過(guò)對(duì)大量虹膜數(shù)據(jù)集的學(xué)習(xí)，CINET能做到對(duì)多尺度的虹膜圖像快速定位和關(guān)鍵點(diǎn)檢測(cè)，不僅解決了傳統(tǒng)算法在多個(gè)不同數(shù)據(jù)集上表現(xiàn)不穩(wěn)健的缺陷，而且大大節(jié)約了計(jì)算成本，能夠做到快速、準(zhǔn)確地完成虹膜定位和關(guān)鍵點(diǎn)檢測(cè)。

2 基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的多任務(wù)虹膜快速定位

2.1 相關(guān)工作

人類的視覺系統(tǒng)能夠精準(zhǔn)地定位到物體的位置，然后確定物體的類別，然而在計(jì)算機(jī)視覺任務(wù)中，在一個(gè)場(chǎng)景中找到目標(biāo)的計(jì)算量是很大的，怎樣做到不犧牲精度的前提下減少計(jì)算量提高檢測(cè)的速度是計(jì)算機(jī)視覺任務(wù)要解決的重要問(wèn)題。

Region Proposal的提出讓目標(biāo)檢測(cè)有了新的突破，Selective Search[17]和Sliding Window都是常用的方法。本文參考RPN[18]設(shè)計(jì)出用來(lái)檢測(cè)候選區(qū)域的全卷積網(wǎng)絡(luò)，在網(wǎng)絡(luò)頂層的卷積特征圖上采用Sliding Window策略，每個(gè)滑動(dòng)窗口被映射到低維特征同時(shí)對(duì)物體種類評(píng)分和邊界框回歸。與RPN不同的是，本文在考慮多尺度的問(wèn)題上采取了金字塔策略對(duì)圖像進(jìn)行多尺度變換，而沒(méi)有采用“anchor”[18]，主要是因?yàn)楹缒さ膶捀弑壬蠜](méi)有很大的變化，形態(tài)較為單一。

候選區(qū)域僅僅只是粗定位，要獲得精確的定位需要對(duì)候選框進(jìn)一步分類和回歸，因此本文設(shè)計(jì)了多級(jí)網(wǎng)絡(luò)結(jié)構(gòu)。

2.2 CINET網(wǎng)絡(luò)設(shè)計(jì)

設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型在多個(gè)數(shù)據(jù)集上進(jìn)行訓(xùn)練和評(píng)估，卷積層對(duì)輸入圖片進(jìn)行特征提取，全連接層對(duì)網(wǎng)絡(luò)的輸出進(jìn)行分類預(yù)測(cè)和邊界框回歸以及關(guān)鍵點(diǎn)定位。

CINET的網(wǎng)絡(luò)結(jié)構(gòu)源自用于人臉檢測(cè)模型MTCNN[19]的啟發(fā)，采用了級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)解決目標(biāo)分類定位和關(guān)鍵點(diǎn)檢測(cè)的多任務(wù)。網(wǎng)絡(luò)結(jié)構(gòu)同樣由三級(jí)組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，卷積層使用具有很小感受野的3×3卷積核，這是能夠捕捉空間特征的最小卷積核尺寸[12]，卷積步長(zhǎng)固定為1個(gè)像素，這相當(dāng)于卷積層與輸入圖像的每一個(gè)像素進(jìn)行卷積運(yùn)算，該策略避免了卷積核和步長(zhǎng)過(guò)大而導(dǎo)致的準(zhǔn)確率不高的問(wèn)題。3×3卷積核的使用也大大減少了參數(shù)數(shù)量，加快了網(wǎng)絡(luò)的計(jì)算速度。在一些卷積層后進(jìn)行最大池化下采樣，整個(gè)卷積核池化操作不使用Padding策略，所有隱藏層采用ReLU[20]激活函數(shù)替代PReLU[21]。

網(wǎng)絡(luò)的第一級(jí)為淺層的全卷積網(wǎng)絡(luò)，目的是為了輸出檢測(cè)目標(biāo)的候選區(qū)域，命名為C1-Net。淺層的設(shè)計(jì)靈感來(lái)源于ZFNET[22]，ZFNET指出在較淺的網(wǎng)絡(luò)層目標(biāo)特征能夠在很短的訓(xùn)練時(shí)間內(nèi)被激活，網(wǎng)絡(luò)達(dá)到收斂的狀態(tài)，考慮到檢測(cè)目標(biāo)沒(méi)有復(fù)雜和突變的特征，C1-Net采用了淺層的全卷積網(wǎng)絡(luò)設(shè)計(jì)，如圖2（a）。

網(wǎng)絡(luò)的第二級(jí)由卷積層和全連接層構(gòu)成，目的是為了進(jìn)一步去除類別得分概率低和重疊較多的目標(biāo)候選框，命名為C2-Net，如圖2（b）。

網(wǎng)絡(luò)的第三級(jí)也是由卷積層和全連接層構(gòu)成，最終輸出大小為16的全連接層，包含2個(gè)類別評(píng)分，4個(gè)邊框和10個(gè)關(guān)鍵點(diǎn)的坐標(biāo)值，目的是完成對(duì)目標(biāo)的精確定位和關(guān)鍵點(diǎn)的檢測(cè)，命名為C3-Net，如圖2（c）。

圖2 CINET結(jié)構(gòu)

CINET每一級(jí)的輸入為不同尺寸大小的灰度圖像，不同尺寸的圖像由金字塔策略對(duì)圖像進(jìn)行多尺度變換獲得。由于本文采用的虹膜圖像都為紅外灰度圖像，為單通道像素?cái)?shù)據(jù)，C1-Net的輸入為12×12×1圖像，經(jīng)過(guò)卷積層的特征提取和池化層的抽樣，最后通過(guò)兩個(gè)大小不同的卷積計(jì)算輸出檢測(cè)目標(biāo)的類別和位置信息，大小為1×1×2的卷積來(lái)預(yù)測(cè)檢測(cè)目標(biāo)的類別概率，大小為1×1×4的卷積來(lái)預(yù)測(cè)檢測(cè)目標(biāo)邊界框的坐標(biāo)回歸值，最終通過(guò)邊界框回歸校準(zhǔn)得到檢測(cè)目標(biāo)的候選框的位置坐標(biāo)，對(duì)邊界框進(jìn)行非極大值抑制策略（NMS）[7]去除類別得分概率較低和重疊較多的目標(biāo)候選框；C2-Net的輸入為24×24×1圖像，與C1-Net不同的是經(jīng)過(guò)卷積層的特征提取和池化層的抽樣后將圖像特征平鋪為1維向量，經(jīng)過(guò)全連接層輸出檢測(cè)目標(biāo)的類別概率和邊界框的坐標(biāo)回歸值，通過(guò)邊界框回歸校準(zhǔn)和非極大值抑制進(jìn)一步得到更為精確的目標(biāo)候選框；C3-Net與C2-Net原理類似，其輸入圖像的大小為48×48×1，最終網(wǎng)絡(luò)輸出目標(biāo)除了類別概率、邊界框的回歸值外，還將輸出5個(gè)關(guān)鍵點(diǎn)位置坐標(biāo)。

3 實(shí)驗(yàn)評(píng)估

本章將詳細(xì)描述CINET的在多個(gè)數(shù)據(jù)庫(kù)上的訓(xùn)練和評(píng)估結(jié)果，不同數(shù)據(jù)庫(kù)上虹膜圖像如圖3所示。

圖3 不同數(shù)據(jù)庫(kù)中的虹膜圖像

3.1 數(shù)據(jù)庫(kù)

泛化能力強(qiáng)的網(wǎng)絡(luò)模型在訓(xùn)練階段對(duì)數(shù)據(jù)集的樣本數(shù)量要求非常大，訓(xùn)練階段需要準(zhǔn)備充足的數(shù)據(jù)集來(lái)避免過(guò)擬合現(xiàn)象，增強(qiáng)網(wǎng)絡(luò)對(duì)多種數(shù)據(jù)集的適應(yīng)能力。

CASIA-IrisV1虹膜數(shù)據(jù)庫(kù)總共由108類共756幅圖像構(gòu)成；CASIA-IrisV2虹膜數(shù)據(jù)庫(kù)由Device1和Device2兩個(gè)子集組成，每個(gè)數(shù)據(jù)集各包含60類1 200幅虹膜圖像；CASIA-IrisV3數(shù)據(jù)庫(kù)包括了700多人1 500多類共22 035幅虹膜圖像，其包括3個(gè)子集，分別為Interval、Lamp和Twins；CASIA-IrisV4數(shù)據(jù)庫(kù)在CASIA-IrisV3版本上新增3個(gè)特色數(shù)據(jù)集，文章選取其中兩個(gè)作為訓(xùn)練數(shù)據(jù)，Thousand和Distance，包含了千人級(jí)和遠(yuǎn)距離虹膜人臉圖像庫(kù)；CASIA-Iris-Fake數(shù)據(jù)庫(kù)包含多種類型的假體虹膜圖像；ND_Contact_Data數(shù)據(jù)庫(kù)由活體和非活體虹膜圖像構(gòu)成，包括活體虹膜，有紋理和沒(méi)有紋理的虹膜圖像。

3.2 訓(xùn)練

在訓(xùn)練階段從多個(gè)虹膜數(shù)據(jù)庫(kù)中挑選了一些質(zhì)量較差的圖像進(jìn)行訓(xùn)練，如圖4所示。

圖4 訓(xùn)練圖像樣本

上述圖像中，有由光線造成的虹膜區(qū)域存在光斑和整體模糊的圖像，有大量眉毛睫毛干擾的圖像，有佩戴美瞳、眼鏡導(dǎo)致虹膜紋理發(fā)生變化的圖像，有在角度上產(chǎn)生虹膜扭曲的圖像。

在訓(xùn)練過(guò)程中，需要完成虹膜與非虹膜的分類，目標(biāo)邊界框的回歸以及關(guān)鍵點(diǎn)的定位，總體的損失函數(shù)由類別損失、邊界框回歸損失和關(guān)鍵點(diǎn)位置損失的加權(quán)和構(gòu)成：

由于級(jí)聯(lián)的網(wǎng)絡(luò)目的不同，所以各個(gè)損失在不同網(wǎng)絡(luò)中的權(quán)重有所不同，在C1-Net和C2-Net中λcls=1，λbox=0.5，λcoord=0；在C3-Net中λcls=1，λbox=0.5，λcoord=0.5。

類別損失函數(shù)通過(guò)交叉熵?fù)p失定義為：

其中，pi為網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)類別的概率，為真實(shí)虹膜樣本的標(biāo)簽。

預(yù)測(cè)邊界框與真實(shí)虹膜區(qū)域的偏移量大小，包括邊界框的左上角坐標(biāo)值和寬高值，將定位視為回歸問(wèn)題，邊界框回歸損失函數(shù)通過(guò)歐幾里德?lián)p失定義為：

關(guān)鍵點(diǎn)預(yù)測(cè)包括虹膜左右邊緣點(diǎn)、瞳孔左右邊緣點(diǎn)和瞳孔圓心，關(guān)鍵點(diǎn)預(yù)測(cè)也視為回歸問(wèn)題，關(guān)鍵點(diǎn)位置損失函數(shù)定義為：

訓(xùn)練遵循以下的參數(shù)設(shè)置，基于反向傳播算法[23]，使用具有動(dòng)量的小批量梯度下降優(yōu)化函數(shù)來(lái)執(zhí)行訓(xùn)練，批量大小設(shè)置為64，動(dòng)量為0.9，權(quán)重衰減懲罰參數(shù)設(shè)置為4×10-3。初始學(xué)習(xí)率設(shè)置為1×10-3，當(dāng)訓(xùn)練集的代價(jià)函數(shù)停止改善時(shí)學(xué)習(xí)率減少10倍。三個(gè)網(wǎng)絡(luò)分別在迭代30 000、30 000和50 000次停止。

在多個(gè)虹膜數(shù)據(jù)庫(kù)上用矩形框?qū)⒑缒^(qū)域標(biāo)定出來(lái)，并在虹膜區(qū)域標(biāo)注虹膜左右邊緣點(diǎn)、瞳孔左右邊緣點(diǎn)和瞳孔圓心作為5個(gè)關(guān)鍵點(diǎn)，然后通過(guò)設(shè)定截取圖像與標(biāo)定區(qū)域的交并比大小來(lái)選取訓(xùn)練樣本，樣本包括正樣本、負(fù)樣本和中間樣本，具體做法如下：

（1）正樣本：與真實(shí)虹膜區(qū)域的交并比大于等于0.65，帶有關(guān)鍵點(diǎn)標(biāo)簽。

（2）中間樣本：與真實(shí)虹膜區(qū)域的交并比介于0.4和0.65之間，帶有關(guān)鍵點(diǎn)標(biāo)簽。

（3）負(fù)樣本：與真實(shí)虹膜區(qū)域的交并比小于等于0.3。

在選取樣本過(guò)程中舍棄了交并比介于0.3和0.4之間的圖像是由于以下兩個(gè)因素：交并比大于等于0.65定義為正樣本，交并比小于等于0.3的定義為負(fù)樣本，通過(guò)0.65和0.3兩個(gè)閾值定義正負(fù)樣本能夠做到很好的分類效果；中間樣本的定義是為了和正樣本一起用來(lái)對(duì)檢測(cè)目標(biāo)的邊界框回歸和關(guān)鍵點(diǎn)定位，之所以選取0.4～0.65的交并比大小，是因?yàn)樵谶吔缈蚧貧w的過(guò)程中需要保證預(yù)測(cè)框和真實(shí)框之間不能出現(xiàn)太大的偏差才能做到準(zhǔn)確的回歸預(yù)測(cè)，并且能與負(fù)樣本有較大區(qū)別，對(duì)于網(wǎng)絡(luò)訓(xùn)練時(shí)容易區(qū)分。

人臉檢測(cè)主要考慮的是整個(gè)人臉的輪廓形狀和大小，在現(xiàn)實(shí)場(chǎng)景中人臉的特征和周圍的背景信息能較好地區(qū)分開來(lái)，而本文需要考慮人臉上除虹膜以外的信息特征，有些眼鏡支架在灰度分布和形狀上與眼睛形狀是相似的?？紤]到這些因素本文擴(kuò)增了數(shù)據(jù)集，在遠(yuǎn)距離虹膜人臉數(shù)據(jù)庫(kù)CASIA-IrisV4-Distance中截取了此類圖像作為負(fù)樣本，如圖5所示。為了讓訓(xùn)練數(shù)據(jù)更加豐富多樣，在不同虹膜數(shù)據(jù)庫(kù)上截取了訓(xùn)練樣本，如表1所示。

圖5 佩戴眼鏡的人臉虹膜圖像

表1 網(wǎng)絡(luò)訓(xùn)練集樣本信息

3.3 測(cè)試

采用3個(gè)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試。首先，在C1-Net輸出的卷積特征圖的每一個(gè)空間位置上生成邊界框的置信度和坐標(biāo)信息。然后調(diào)整候選區(qū)域尺寸輸入到C2-Net進(jìn)行進(jìn)一步的分類和邊框回歸。最終由C3-Net輸出邊界框的置信度和坐標(biāo)信息以及5個(gè)關(guān)鍵點(diǎn)的坐標(biāo)信息。對(duì)每一級(jí)網(wǎng)絡(luò)的輸出都采取了NMS策略濾除重復(fù)的邊界框，節(jié)約了計(jì)算時(shí)間。

最后，本文從多個(gè)圖像庫(kù)中隨機(jī)選取了2 000幅圖像作為測(cè)試集，并且設(shè)計(jì)了單尺度和多尺度的評(píng)估方式。此外，根據(jù)測(cè)試輸出的5個(gè)關(guān)鍵點(diǎn)和真實(shí)標(biāo)記數(shù)據(jù)計(jì)算它們的半徑差值以及瞳孔中心點(diǎn)的歐式距離作為關(guān)鍵點(diǎn)的評(píng)估，如圖6所示。

圖6 關(guān)鍵點(diǎn)測(cè)試評(píng)估

為了分析測(cè)試結(jié)果，虹膜定位準(zhǔn)確率評(píng)估方式由公式（5）計(jì)算得到：

其中，TP為真正例，如圖7（a）所示，TN為真負(fù)例，F(xiàn)P為假正例，如圖7（b）所示，F(xiàn)N為假負(fù)例。由于測(cè)試集只含虹膜圖像，因此在測(cè)試結(jié)果中TN=0,FN=0。

圖7 虹膜定位樣例

Pi,i∈{1 ,2,3,4,5}，為預(yù)測(cè)的五個(gè)關(guān)鍵點(diǎn)，( C1,r)為真實(shí)標(biāo)記的瞳孔中心和半徑，( C2,R)為真實(shí)標(biāo)記的虹膜中心和半徑。

按照以下的評(píng)估標(biāo)準(zhǔn)，將差值小于10個(gè)像素單位記為準(zhǔn)確結(jié)果。

其中，D_iris為測(cè)試與真實(shí)標(biāo)記虹膜半徑差值，D_pupil為測(cè)試與真實(shí)標(biāo)記瞳孔半徑差值，D_center為測(cè)試與真實(shí)標(biāo)記瞳孔的歐式距離。

所有的測(cè)試評(píng)估均在Windows 10環(huán)境下搭載AMD Ryzen 5 1600處理器的計(jì)算機(jī)上完成。

3.3.1 單尺度評(píng)估

在單尺度上評(píng)估網(wǎng)絡(luò)模型的性能，這主要考慮到虹膜的尺寸大小正常情況下在200×200像素附近，在虹膜識(shí)別的場(chǎng)景中這個(gè)值一般不會(huì)發(fā)生大的變化。在3.1節(jié)提到的數(shù)據(jù)庫(kù)上，計(jì)算了完成標(biāo)記的虹膜數(shù)量和虹膜直徑均值和標(biāo)準(zhǔn)差，如表2所示。

表2 不同數(shù)據(jù)庫(kù)虹膜數(shù)量和尺寸信息

最后，縮放尺度設(shè)置為0.062 5，對(duì)不同數(shù)據(jù)庫(kù)的虹膜圖像進(jìn)行測(cè)試評(píng)估，平均準(zhǔn)確率（mean Accuracy，mA）為98.7%。最好的結(jié)果可以達(dá)到100%的準(zhǔn)確率，然而最低結(jié)果只有94.5%，如表3所示。

表3 單尺度上測(cè)試評(píng)估結(jié)果

3.3.2 多尺度評(píng)估

接下來(lái)評(píng)估多尺度對(duì)準(zhǔn)確率和測(cè)試時(shí)間的影響，首先本文統(tǒng)計(jì)了不同數(shù)據(jù)庫(kù)虹膜圖像尺寸分布情況，可以發(fā)現(xiàn)不同數(shù)據(jù)庫(kù)的虹膜圖像的大小分布存在些許差異，如圖8所示。測(cè)試包括在單張圖像的幾個(gè)縮放尺度上運(yùn)行模型，最后通過(guò)不同尺度在該圖像上進(jìn)行預(yù)測(cè)，結(jié)果如表4所示。

表4 多尺度上測(cè)試評(píng)估結(jié)果

圖8 不同數(shù)據(jù)庫(kù)虹膜尺寸數(shù)量分布

多尺度與單尺度測(cè)試在準(zhǔn)確率和時(shí)間上的對(duì)比結(jié)果如表5所示。結(jié)果表明在多尺度上的測(cè)試結(jié)果明顯優(yōu)于單尺度，mA=99.9%。最顯著的是在Interval上準(zhǔn)確率提升了5.3%，在測(cè)試時(shí)間上也有略微的減少，除了在Distance分辨率較大的圖像上測(cè)試時(shí)間增加了3.3 ms?？傮w來(lái)說(shuō)，多尺度評(píng)估在達(dá)到高的準(zhǔn)確率的同時(shí)還能兼顧實(shí)時(shí)性。

表5 多尺度與單尺度的評(píng)估結(jié)果對(duì)比

根據(jù)公式（6），多尺度的關(guān)鍵點(diǎn)測(cè)試結(jié)果如圖9和表6所示，可以發(fā)現(xiàn)CINET可以對(duì)多類虹膜圖像進(jìn)行精準(zhǔn)的定位和關(guān)鍵點(diǎn)的檢測(cè)，不僅包括受到睫毛和光斑干擾的圖像，由于角度造成形變和受到眼鏡片干擾的圖像，佩戴美瞳和隱形眼鏡虹膜紋理發(fā)生變化的圖像，而且還包括遠(yuǎn)距離虹膜人臉圖像。

圖9 不同數(shù)據(jù)庫(kù)虹膜和關(guān)鍵點(diǎn)定位

表6 關(guān)鍵點(diǎn)測(cè)試結(jié)果

最后，本文還對(duì)比了其他幾種虹膜定位算法，其準(zhǔn)確率和時(shí)間測(cè)試對(duì)比結(jié)果如表7所示，可以發(fā)現(xiàn)CINET的評(píng)估結(jié)果要優(yōu)于這些算法。

4 結(jié)束語(yǔ)

本文提出CINET，一種多任務(wù)虹膜快速定位模型，通過(guò)在多個(gè)類別虹膜數(shù)據(jù)庫(kù)上訓(xùn)練本文的模型，可以完成對(duì)虹膜區(qū)域的定位和關(guān)鍵點(diǎn)的檢測(cè)。本文的方法是基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型，適應(yīng)于不受限場(chǎng)景下拍攝的虹膜圖像定位檢測(cè)，能夠?qū)崿F(xiàn)快速準(zhǔn)確的檢測(cè)效果，最終CINET在多個(gè)類別虹膜數(shù)據(jù)庫(kù)上定位和關(guān)鍵點(diǎn)檢測(cè)的最好結(jié)果分別可以達(dá)到100%和99.7%的準(zhǔn)確率。在未來(lái)的工作中打算研究一個(gè)更小的網(wǎng)絡(luò)來(lái)完成多任務(wù)檢測(cè)，以及探究增加關(guān)鍵點(diǎn)的個(gè)數(shù)與網(wǎng)絡(luò)性能之間的聯(lián)系，同時(shí)將在網(wǎng)絡(luò)中增加虹膜活體檢測(cè)的任務(wù)，能夠在一個(gè)網(wǎng)絡(luò)中實(shí)現(xiàn)更多任務(wù)的目標(biāo)。