Resumen

La segmentación del iris es un paso crítico en todo el procedimiento de reconocimiento del iris. La mayoría de los algoritmos de segmentación del iris de última generación se basan en información de bordes. Sin embargo, un gran número de puntos de borde ruidosos detectados por un detector basado en bordes normal en una imagen con reflejos especulares u otros obstáculos pueden llevar a errores en la localización del límite pupilar y del límite del limbo. En este artículo, presentamos un método de combinación de algoritmos basados en el aprendizaje y en bordes para la segmentación del iris. Se ha construido un Faster R-CNN bien diseñado con solo seis capas para localizar y clasificar el ojo. Con el cuadro delimitador encontrado por el Faster R-CNN, se localiza la región pupilar utilizando un modelo de mezcla gaussiana. Luego, el límite circular de la región pupilar se ajusta según cinco puntos de borde clave. Se utiliza un algoritmo de selección de puntos de borde para encontrar los puntos de borde del limbo, y el límite circular del limbo se construye utilizando estos puntos de borde. Los resultados experimentales mostraron que el método propuesto de segmentación del iris logró una precisión del 95.49% en la desafiante base de datos CASIA-Iris-Thousand.

• Materias:Comunicación inalámbrica Blockchain Comunicaciones vehiculares Enrutamiento Redes centradas
• Subjects:Wireless communication Blockchain Vehicular communications Routing Focused networks
• Palabras claves:Segmentación del iris; Algoritmos basados en bordes; Algoritmos basados en aprendizaje; R-CNN más rápida; Región pupilar; Límite del limbo
• Keywords:Iris segmentation; Edge-based algorithms; Learning-based algorithms; Faster R-CNN; Pupillary region; Limbus boundary