摘要
在非合作环境中进行虹膜分割和定位具有挑战性，这是由于光照变化、远距离、移动对象和有限的用户配合等因素的影响。传统方法在面对这些条件下捕获的虹膜图像时，通常表现不佳。最近的研究表明，深度学习方法在虹膜分割任务中能够取得令人印象深刻的效果。此外，由于虹膜被定义为瞳孔与巩膜之间的环形区域，可以施加几何约束以帮助更准确地定位虹膜并改善分割结果。本文提出了一种名为IrisParseNet的深度多任务学习框架，旨在利用瞳孔、虹膜和巩膜之间的内在关联，在统一模型中提升虹膜分割和定位的性能。具体而言，IrisParseNet首先应用了一个全卷积编码器-解码器注意力网络（Fully Convolutional Encoder-Decoder Attention Network），同时估计瞳孔中心、虹膜分割掩模以及虹膜内/外边界。然后，采用了一种有效的后处理方法来实现虹膜内/外圆的精确定位。为了训练和评估所提出的方法，我们手动标注了三个具有挑战性的虹膜数据集，即CASIA-Iris-Distance、UBIRIS.v2和MICHE-I，这些数据集涵盖了多种类型的噪声。我们在这些新标注的数据集上进行了广泛的实验，结果显示我们的方法在各种基准测试中优于现有最先进的方法。所有的真实标注数据、标注代码和评估协议均公开发布于https://github.com/xiamenwcy/IrisParseNet。