矿用虹膜安全识别检测方法、系统、介质及终端

技术领域

本发明涉及矿用人员安全管理技术领域，具体而言，涉及矿用虹膜安全识别检测方法、系统、介质及终端。

背景技术

煤矿等矿山企业实际开采作业中具有瓦斯突出、透水、冒顶、塌方等众多不可预估的各种安全事故隐患，矿山安全生产不容忽视。在矿山安全生产作业中，由于其生产开采作业的高危特性，所以对于矿工入井的安全检测提出了更高的要求。

通常入井前需要通过人脸识别来核验矿工的身份，获取矿工的真实有效信息。现如今，虹膜识别技术是利用人体虹膜纹理的终身不变性和个体差异性的特点来实现身份识别的。然而，目前由于煤矿等矿山实际开采环境较差，灰尘风沙大，面部识别比较单一，获取旷工人脸信息不可避免会出现一定的误差；并且根据有关资料显示，由于疲劳下井造成的井下事故比重较大，原因是生产开采作业中空气稀薄，耗费体力较大，有些旷工下井前可能已经感到不适或者长期下井作业疲劳过度，但是却还坚持下井，矿下工作难度大，疲劳更容易出现安全事故。因此，矿用虹膜安全识别检测方法对检测旷工疲劳状态的研究很有必要。

发明内容

本发明的目的在于提供矿用虹膜安全识别检测方法、系统、介质及终端，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了矿用虹膜安全识别检测方法，包括：

获取目标对象眼部的虹膜图像，对虹膜图像进行预处理，得到预处理后第一虹膜图像，采用图像整体清晰度评估方法提取第一虹膜图像中质量合格的图像记作第二虹膜图像，其中第二虹膜图像包括第一纹理图像和第二纹理图像，其中第一纹理图像包括斑点、细丝和条纹，第二纹理图像包括色素和血管；

基于深度可分离卷积结构对第一纹理图像进行图像识别，得到第一纹理图像中的纹理特征；

利用Yolov4模型对第二纹理图像的特征进行提取，得到第二纹理图像的颜色特征，其中第二纹理图像包括主干网络的选择信息、非极大值抑制的阈值和先验框信息；

采用阈值二值化的方法，将纹理特征和颜色特征结合以实现降维处理，将处理后的纹理特征和颜色特征进行拼接，得到拼接后的虹膜整体特征；

将拼接后的虹膜整体特征输入至预设的疲劳程度检测模型中进行疲劳识别，判断目标对象的虹膜是否属于疲劳模式，若是，则判断目标对象的疲劳程度并进行报警，若否，则判断目标对象为安全状态。

优选地，所述获取目标对象眼部的虹膜图像，对虹膜图像进行预处理，得到预处理后第一虹膜图像，采用图像整体清晰度评估方法提取第一虹膜图像中质量合格的图像记作第二虹膜图像，其中包括：

通过摄像装置采集到目标对象眼部的虹膜图像，对虹膜图像进行虹膜圆环定位、虹膜圆环归一化和归一化虹膜图像增强，得到图像增强后的第一虹膜图像；

对第一虹膜图像进行缩放处理，去除超过预设比例的背景区域，得到剔除背景后的第一虹膜图像，并利用高斯滤波处理，对第一虹膜图像进行噪音弱化，得到预处理后第一虹膜图像；

采用 Tenengrad 梯度函数的清晰度评价方法对预处理后的第一虹膜图像进行评价，剔除第一虹膜图像中模糊图像和重度模糊图像，保留清晰图像并记作第二虹膜图像，其中评价方法为利用 Sobel 算子来提取图像梯度幅值并进行累加计算图像清晰度。

优选地，所述基于深度可分离卷积结构对第一纹理图像进行图像识别，得到第一纹理图像中的纹理特征，其中包括：

通过深度可分离卷积结构对第一纹理图像的特征进行提取，得到第一特征图像，其中第一特征图像包括斑点特征图像、细丝特征图像和条纹特征图像；

将斑点特征图像、细丝特征图像和条纹特征图像分别进行灰度变换，得到相对应的斑点灰度图像、细丝灰度图像和条纹灰度图像，并将斑点灰度图像、细丝灰度图像和条纹灰度图像内的同一灰度值的像素点分别进行连线，其中采用线性插值法对连线进行插值处理，得到第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像；

将第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像进行融合，得到第二特征图像，对第二特征图像进行边缘检测，并将第二特征图像外的图像转化为白色；

将第二特征图像内的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇的中心点进行平均值求解，得到所有聚类簇中心点的平均值，将平均值作为第一纹理图像的纹理特征。

优选地，所述对第二特征图像进行边缘检测，并将第二特征图像外的图像转化为白色，其中包括：

对第二特征图像进行去噪处理，得到去噪后的第二特征图像，并计算去噪后的第二特征图像的像素强度梯度；

根据像素强度梯度对去噪后的第二特征图像的去噪像素进行非最大值抑制，得到去噪后的第二特征图像的边缘图像；

利用小波变换方法对边缘图像进行分解处理，得到分解处理后三个高频分量，分别为斑点边缘图像、细丝边缘图像和条纹边缘图像，其中斑点边缘图像包括边缘图像中的斑点在水平方向的低频分量和垂直方向的高频分量，细丝边缘图像包括边缘图像中的细丝在水平方向的高频分量和垂直方向的低频分量，条纹边缘图像包括边缘图像中的条纹在水平方向的高频分量和垂直方向的高频分量，其中小波变换方法采用的小波函数为墨西哥帽状函数；

对斑点边缘图像、细丝边缘图像和条纹边缘图像分别进行追踪处理，得到第一边缘图像、第二边缘图像和第三边缘图像，并将第一边缘图像、第二边缘图像和第三边缘图像之外的图像转化为白色。

优选地，所述利用Yolov4模型对第二纹理图像的特征进行提取，得到第二纹理图像的颜色特征，其中包括：

基于深度学习目标检测算法，将第二纹理图像调整至预设尺寸并输入至训练完成的Yolov4目标检测模型中，确定矩形框，将矩形框所包围的区域记作色素区域和血管区域，其中确定矩形框包括：利用滑动窗口在第二纹理图像上进行滑动处理，确定多个第一中心点，基于多个第一中心点在第二虹膜图像上进行映射处理，确定多个第二中心点；基于预设尺寸的锚框在每个第二中心点处生成多个候选锚框，其中预设尺寸的锚框是由Yolov4目标检测模型的训练数据得到，根据多个候选锚框，确定第二纹理图像中的色素区域和血管区域；

对色素区域进行分量提取得到色调值、饱和度值和明度值，记作第一颜色量化提取值，对血管区域进行分量提取得到色调值、饱和度值和明度值，记作第二颜色量化提取值；

将第一颜色量化提取值和第二颜色量化提取值分别均等划分得到至少四等份的颜色量化提取值，将每一份的颜色量化提取值进行组合得到第二纹理图像的颜色特征。

第二方面，本申请还提供了矿用虹膜安全识别检测系统，包括获取模块、识别模块、提取模块、处理模块和判断模块，其中：

获取模块：用于获取目标对象眼部的虹膜图像，对虹膜图像进行预处理，得到预处理后第一虹膜图像，采用图像整体清晰度评估方法提取第一虹膜图像中质量合格的图像记作第二虹膜图像，其中第二虹膜图像包括第一纹理图像和第二纹理图像，其中第一纹理图像包括斑点、细丝和条纹，第二纹理图像包括色素和血管；

识别模块：用于基于深度可分离卷积结构对第一纹理图像进行图像识别，得到第一纹理图像中的纹理特征；

提取模块：用于利用Yolov4模型对第二纹理图像的特征进行提取，得到第二纹理图像的颜色特征，其中第二纹理图像包括主干网络的选择信息、非极大值抑制的阈值和先验框信息；

处理模块：用于采用阈值二值化的方法，将纹理特征和颜色特征结合以实现降维处理，将处理后的纹理特征和颜色特征进行拼接，得到拼接后的虹膜整体特征；

判断模块：用于将拼接后的虹膜整体特征输入至预设的疲劳程度检测模型中进行疲劳识别，判断目标对象的虹膜是否属于疲劳模式，若是，则判断目标对象的疲劳程度并进行报警，若否，则判断目标对象为安全状态。

第三方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于矿用虹膜安全识别检测方法的步骤。

第四方面，本申请还提供了一种终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述基于矿用虹膜安全识别检测方法的步骤。

本发明的有益效果为：本发明采取像整体清晰度评估方法对图像进行提取，可以提高图像的清晰度；通过Sobel算子快速地筛选过于模糊或者重度模糊的图像，并选取清晰虹膜图像，方便后续计算；加入了目标检测模型对色素区域和血管区域进行识别定位，与传统识别方法相比，其处理速度与定位精度更高。

本发明通过对第一纹理图像进行纹理提取，快速确定了斑点特征图像、细丝特征图像和条纹特征图像，并进而确定了斑点灰度图像、细丝灰度图像和条纹灰度图像，为之后判断纹理特征做准备，本步骤通过对纹理图像的提取，减少了人工判断，减少误差。

本发明通过第二特征图像内的所有像素点进行聚类，快速确定聚类簇中心点，然后将所有中心点的平均值作为第一纹理图像的纹理特征，这样可以针对于不同的颜色特征判断第一纹理图像的纹理程度；对第二特征图像进行去噪，提高图像的清晰度和可分辨行，从而提高图像识别检测分析的效果，并采用非最大值抑制，从一组重叠框中选择出最佳的边界框，剔除与极大值重叠较多的其余冗杂的检测框结果，进而得到第二特征图像的边缘图像；本发明在处理图像时采用了降维处理，提高了计算效率，也有利于整体识别算法的鲁棒性，防止原有特征的空间信息丢失，也有效的表征了虹膜纹理的变化。

本发明检测下井旷工的疲劳状态，防止疲劳下井的发生，提高矿工下井的安全性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的矿用虹膜安全识别检测方法流程示意图；

图2为本发明实施例中所述的矿用虹膜安全识别检测系统结构示意图；

图3为本发明实施例中所述的矿用虹膜安全识别检测方法终端结构图。

图中：701、获取模块；7011、第一处理单元；7012、第二处理单元；7013、评价单元；702、识别模块；7021、第一提取单元；7022、变换单元；7023、融合单元；70231、去噪单元；70232、第三处理单元；70233、第四处理单元；70234、第五处理单元；7024、聚类单元；703、提取模块；7031、训练单元；7032、第二提取单元；7033、划分单元；704、处理模块；705、判断模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

本实施例提供了一种矿用虹膜安全识别检测方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。

S100、获取目标对象眼部的虹膜图像，对虹膜图像进行预处理，得到预处理后第一虹膜图像，采用图像整体清晰度评估方法提取第一虹膜图像中质量合格的图像记作第二虹膜图像，其中第二虹膜图像包括第一纹理图像和第二纹理图像，其中第一纹理图像包括斑点、细丝和条纹，第二纹理图像包括色素和血管。

需要说明的是，当图像越清晰，图像中包含的细节信息就越丰富，这种特征映射到空间域中则可以认为图像中相邻像素间的灰度变化越大，图像就越清晰。因此，采取像整体清晰度评估方法对图像进行提取，可以提高图像的清晰度。虹膜图像质量评价是由于采集时的诸多因素的影响导致实际采集的虹膜图像存在着图像模糊或眼睑睫毛严重遮挡等劣质图像，故在虹膜图像采集阶段需要对采集的图像的质量进行判断，提高图像幸存率的前提下筛除质量不合格图像，瞳孔区域的灰度值较小而其他区域的灰度值明显有别于瞳孔区域的灰度值，为了提取瞳孔区域，可通过求出虹膜图像的灰度直方图，设置阈值进行判断处理，对虹膜图像进行二值化操作，最后将提取的瞳孔区域计算瞳孔的面积并进行虹膜区域指标测量，设置阈值，将瞳孔中的像素数与阈值进行比较，从而达到筛选的目的。在本申请中也可以采用傅里叶频域的高频能量的方法进行质量评价，在此不做过多赘述。

可以理解的是，在本步骤S100中包括S101、S102和S103，其中：

S101、通过摄像装置采集到目标对象眼部的虹膜图像，对虹膜图像进行虹膜圆环定位、虹膜圆环归一化和归一化虹膜图像增强，得到图像增强后的第一虹膜图像；

需要说明的是，首先将采集到的虹膜图像做最初的预处理，虹膜图像一般包括人眼及周围眼皮区域，而虹膜纹理区域仅是虹膜图像中的一部分，消除眼睑、睫毛、瞳孔和巩膜等非虹膜纹理区域的干扰。其次，光照的变化会使得虹膜纹理区域产生弹性形变，同一个体在不同时刻所采集到的虹膜图像之间存在一定的旋转偏差，因此，需要对虹膜圆环进行归一化处理生成标准统一的归一化虹膜图像。为了提升后续纹理描述的效果，需要通过图像增强算法提升虹膜纹理的对比度。

S102、对第一虹膜图像进行缩放处理，去除超过预设比例的背景区域，得到剔除背景后的第一虹膜图像，并利用高斯滤波处理，对第一虹膜图像进行噪音弱化，得到预处理后第一虹膜图像；

需要说明的是，对缩小后的第一虹膜图像进行增强处理，得到增强后的第一虹膜图像，采用K均值算法对第一虹膜图像中的虹膜图像进行锚定框架；并根据锚定框架后的虹膜图像的长宽比，对增强后的虹膜图像进行缩放处理，得到处理后的虹膜图像。

在实际虹膜采集的过程中，由于人眼特殊的生理结构以及周围环境的灰尘等外界因素，眼睛眨动时产生的眼睑遮挡会导致虹膜区域部分缺失，过于浓密的睫毛更是会遮挡虹膜纹理，从而直接影响识别结果，因此需要剔除遮挡的背景部分，

需要说明的是，在对于噪音弱化方面，可以对剔除背景后的第一虹膜图像进行高斯滤波处理，经过之前的几个操作，去除背景等已经可以将第一虹膜图像进行读取，但是第一虹膜图像中的噪声也会跟着操作有可能被增强。选择高斯滤波对图像进行滤波操作，这样可以有效的分割眼睑和睫毛噪音区域。在本步骤中，高斯滤波的过程是用一个卷积核扫描图像中每一个像素点，将邻域各个像素值与对应位置的权值相乘并求和，整个过程也可以看作图像与高斯正态分布做卷积操作，本步骤中可以选择大小为3×3，方差为2的高斯正态分布卷积核进行高斯滤波。

S103、采用 Tenengrad 梯度函数的清晰度评价方法对预处理后的第一虹膜图像进行评价，剔除第一虹膜图像中模糊图像和重度模糊图像，保留清晰图像并记作第二虹膜图像，其中评价方法为利用 Sobel 算子来提取图像梯度幅值并进行累加计算图像清晰度。

需要说明的是，采用 Tenengrad 梯度函数的清晰度评价方法的计算过程如下：

式中，设Sobel 算子计算预处理后的第一虹膜图像在某点处的梯度幅度为S（x，y），F（f）为预处理后的第一虹膜图像的清晰度评价值，M和N代表预处理后的第一虹膜图像的分辨率，Tenengrad 梯度函数根据Sobel 算子提取图像梯度幅值，其中Tenengrad利用Sobel算子分别计算水平和垂直方向的梯度，同一图像中，梯度值越高，图像越清晰。

可以理解的是，通过Sobel算子处理后的得到平均灰度值，灰度值越大，图像越清晰，采用此算法的目的是快速地筛选过于模糊或者重度模糊的图像，并选取清晰图像并记作第二虹膜图像。具体地，还可以基于图像分割的能量最小化算法分离纹理区域和非纹理区域以进行睫毛分割，使用像素强度值分割瞳孔，虹膜和背景。

S200、基于深度可分离卷积结构对第一纹理图像进行图像识别，得到第一纹理图像中的纹理特征。

可以理解的是，在本S200步骤中包括S201、S202、S203和S204，其中：

S201、通过深度可分离卷积结构对第一纹理图像的特征进行提取，得到第一特征图像，其中第一特征图像包括斑点特征图像、细丝特征图像和条纹特征图像；

需要说明的是，当神经处于紧张或者疲劳状态时，斑点会出现在组织纤维较弱或缺氧的部分，并且细丝和条纹会增多，并且呈浅白色，当虹膜的纤维密度很疏散，无光亮时，也处于疲劳状态，对抗疾病力极差，当虹膜的纤维密度如丝绸紧密、光亮，那么说明目标对象不处于疲惫状态，因此提取第一纹理图像的特征是比较重要的。

S202、将斑点特征图像、细丝特征图像和条纹特征图像分别进行灰度变换，得到相对应的斑点灰度图像、细丝灰度图像和条纹灰度图像，并将斑点灰度图像、细丝灰度图像和条纹灰度图像内的同一灰度值的像素点分别进行连线，其中采用线性插值法对连线进行插值处理，得到第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像；

可以理解的是，通过对第一纹理图像进行纹理提取，快速确定了斑点特征图像、细丝特征图像和条纹特征图像，并进而确定了斑点灰度图像、细丝灰度图像和条纹灰度图像，为之后判断纹理特征做准备，本步骤通过对纹理图像的提取，减少了人工判断，减少误差。

需要说明的是，免疫力不佳时，即疲劳时，虹膜的纤维，也就是细丝，会呈现像麻布袋的疏松现象（密度为四级），斑点会增多，条纹呈现白色线体；若身体组织机能的免疫力强，即不处于疲劳时，则虹膜的纤维会像绸缎般的紧密结合，几乎无斑点出现，条纹减少，身体密度为1级，就代表身体健康。

S203、将第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像进行融合，得到第二特征图像，对第二特征图像进行边缘检测，并将第二特征图像外的图像转化为白色；

S204、将第二特征图像内的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇的中心点进行平均值求解，得到所有聚类簇中心点的平均值，将平均值作为第一纹理图像的纹理特征。

可以理解的是，本步骤中对第二特征图像进行边缘检测后，将第二特征图像外的图像转化为白色，也可以转化为其他颜色，白色相对来说便于观察，防止在提取第二特征图像的过程中产生有关于颜色特征的误差，本步骤通过第二特征图像内的所有像素点进行聚类，快速确定聚类簇中心点，然后将所有中心点的平均值作为第一纹理图像的纹理特征，这样可以针对于不同的颜色特征判断第一纹理图像的纹理程度，对第一纹理图像的纹理特征也可以做到进一步的评价。

需要说明的是，在步骤S203中对第二特征图像进行边缘检测，并将第二特征图像外的图像转化为白色，其中包括S2031、S2032、S2033和S2034，其中：

S2031、对第二特征图像进行去噪处理，得到去噪后的第二特征图像，并计算去噪后的第二特征图像的像素强度梯度；

S2032、根据像素强度梯度对去噪后的第二特征图像的去噪像素进行非最大值抑制，得到去噪后的第二特征图像的边缘图像；

需要说明的是，对第二特征图像进行去噪，提高图像的清晰度和可分辨行，从而提高图像识别检测分析的效果，并采用非最大值抑制，从一组重叠框中选择出最佳的边界框，剔除与极大值重叠较多的其余冗杂的检测框结果，进而得到第二特征图像的边缘图像。

S2033、利用小波变换方法对边缘图像进行分解处理，得到分解处理后三个高频分量，分别为斑点边缘图像、细丝边缘图像和条纹边缘图像，其中斑点边缘图像包括边缘图像中的斑点在水平方向的低频分量和垂直方向的高频分量，细丝边缘图像包括边缘图像中的细丝在水平方向的高频分量和垂直方向的低频分量，条纹边缘图像包括边缘图像中的条纹在水平方向的高频分量和垂直方向的高频分量，其中小波变换方法采用的小波函数为墨西哥帽状函数；

需要说明的是，采用的小波函数除了墨西哥帽状函数之外，还可以采用Moret小波函数、sym6小波函数等。具体地，高频分量对应的是图像的边缘、细节和噪声部分，因此需要对边缘图像进行分解增强，对边缘图像进行分解后，采用不同的增强处理方法对各自进行处理，可以得到更高质量的增强后的高频分量，进而得到优质的增强后的图像，进而提高图像质量。

S2034、对斑点边缘图像、细丝边缘图像和条纹边缘图像分别进行追踪处理，得到第一边缘图像、第二边缘图像和第三边缘图像，并将第一边缘图像、第二边缘图像和第三边缘图像之外的图像转化为白色。

需要说明的是，边缘检测的目的是标识第一边缘图像、第二边缘图像和第三边缘图像中亮度变化明显的点，并将第一边缘图像、第二边缘图像和第三边缘图像之外的图像转化为白色，更加清晰，方便后续进行观察，防止产生误差。

S300、利用Yolov4模型对第二纹理图像的特征进行提取，得到第二纹理图像的颜色特征，其中第二纹理图像包括主干网络的选择信息、非极大值抑制的阈值和先验框信息。

可以理解的是，在本S300步骤中包括S301、S302和S303，其中：

S301、基于深度学习目标检测算法，将第二纹理图像调整至预设尺寸并输入至训练完成的Yolov4目标检测模型中，确定矩形框，将矩形框所包围的区域记作色素区域和血管区域，其中确定矩形框包括：利用滑动窗口在第二纹理图像上进行滑动处理，确定多个第一中心点，基于多个第一中心点在第二虹膜图像上进行映射处理，确定多个第二中心点；基于预设尺寸的锚框在每个第二中心点处生成多个候选锚框，其中预设尺寸的锚框是由Yolov4目标检测模型的训练数据得到，根据多个候选锚框，确定第二纹理图像中的色素区域和血管区域；

需要说明的是，需要说明的是，其中Yolo是一种基于anchor的神经网络目标检测算法，采用CutMix、Mosaic、Self-adversarial等方法进行训练。具体地，可将图片调整到预设尺寸，如520*520后输入训练好的Yolov4目标检测模型，得到边长为2*3的矩形框，然后将矩形框所包围的区域视作色素区域和血管区域。目标检测算法可以分为one-stage算法、Yolo算法、SSD算法、two-stage算法以及R-CNN系算法等，在此不做赘述。而Yolov4中例如特征提取主干网络的选择、非极大值抑制的阈值、先验框等具体参数可由工作人员自行调节至理想值，这里不做具体要求。在本步骤中加入了目标检测模型对色素区域和血管区域进行识别定位，与传统识别方法相比，其处理速度与定位精度更高。

S302、对色素区域进行分量提取得到色调值、饱和度值和明度值，记作第一颜色量化提取值，对血管区域进行分量提取得到色调值、饱和度值和明度值，记作第二颜色量化提取值；

需要说明的是，将本步骤中的色调值、饱和度值和明度值进行提取作为颜色特征的量化值。

S303、将第一颜色量化提取值和第二颜色量化提取值分别均等划分得到至少四等份的颜色量化提取值，将每一份的颜色量化提取值进行组合得到第二纹理图像的颜色特征。

需要说明的是，对第一颜色量化提取值和第二颜色量化提取值进行直方图统计或者均等分划分。将得到的颜色量化提取值进行组合形成多维度的组合颜色特征，提升图像颜色识别的准确度。其中，在本实施例中，虹膜黑色素沉淀可能是由于眼部疲劳，情绪激动时，会导致血液循环加快，虹膜中的血管扩张，眼睛的颜色会变亮，若疲劳也会导致虹膜充血，因此识别第二纹理图像的颜色特征对后续判断矿工是否劳累奠定了基础。

S400、采用阈值二值化的方法，将纹理特征和颜色特征结合以实现降维处理，将处理后的纹理特征和颜色特征进行拼接，得到拼接后的虹膜整体特征。

可以理解的是，在本步骤中，将纹理特征和颜色特征进行结合，生成特征图，并采用8 bits编码对特征图进行降维，特征图具有纹理结构清晰和边界明显的特点，以图像的像素中值128作为阈值，计算公式如下：

式中，

需要说明的是，采用纹理特征和颜色特征进行拼接，得到拼接后的虹膜整体特征，提高了虹膜检测的高准确率，即能够保证对所有的不同像素面积占比的虹膜的特征情况检测的高准确率。虹膜识别技术的原理则是基于人眼的普遍规律，采用图像处理方法定位并提取虹膜

区域的纹理特征，即将提取拼接得到的虹膜整体特征，通过对比不同虹膜纹理特征的相似程度来确定矿工的身份以及为后续识别疲劳程度奠定了坚实的基础。

S500、将拼接后的虹膜整体特征输入至预设的疲劳程度检测模型中进行疲劳识别，判断目标对象的虹膜是否属于疲劳模式，若是，则判断目标对象的疲劳程度并进行报警，若否，则判断目标对象为安全状态。

可以理解的是，在本步骤中，以虹膜直径作为评分点，正常成年人的平均虹膜直径11.4-12mm，若虹膜收缩异常或者神经系统损失以及疲劳等问题，虹膜直径会过小，若无异常则虹膜直径显示正常；光反应是对虹膜对光次级的反应情况，通常包括对光的收缩和扩张两种情况，虹膜对光有反应则表示虹膜对光刺激有正常的收缩反应，若对光有异常反应，则表示神经系统损失或者视为疲劳。根据不同阈值划分为3种模式，分别为普通疲劳模式、中度疲劳模式以及重度疲劳模式，充分描述虹膜的状态，可以更好地识别不同疲劳程度下的不同的虹膜特征情况，进而提高疲劳程度检测的准确率，并根据三种阈值情况，记录待识别检测对象的疲劳诊断及严重程度。若不属于疲劳模式，则表示待识别检测对象为安全，则可下井作业。

实施例2

如图2所示，本实施例提供了一种矿用虹膜安全识别检测系统，参见图2所述系统包括获取模块701、识别模块 702、提取模块703、处理模块704和判断模块705，其中：

获取模块701：用于获取目标对象眼部的虹膜图像，对虹膜图像进行预处理，得到预处理后第一虹膜图像，采用图像整体清晰度评估方法提取第一虹膜图像中质量合格的图像记作第二虹膜图像，其中第二虹膜图像包括第一纹理图像和第二纹理图像，其中第一纹理图像包括斑点、细丝和条纹，第二纹理图像包括色素和血管；

识别模块 702：用于基于深度可分离卷积结构对第一纹理图像进行图像识别，得到第一纹理图像中的纹理特征；

提取模块703：用于利用Yolov4模型对第二纹理图像的特征进行提取，得到第二纹理图像的颜色特征，其中第二纹理图像包括主干网络的选择信息、非极大值抑制的阈值和先验框信息；

处理模块704：用于采用阈值二值化的方法，将纹理特征和颜色特征结合以实现降维处理，将处理后的纹理特征和颜色特征进行拼接，得到拼接后的虹膜整体特征；

判断模块705：用于将拼接后的虹膜整体特征输入至预设的疲劳程度检测模型中进行疲劳识别，判断目标对象的虹膜是否属于疲劳模式，若是，则判断目标对象的疲劳程度并进行报警，若否，则判断目标对象为安全状态。

具体地，所述获取模块701，包括第一处理单元7011、第二处理单元7012和评价单元7013，其中：

第一处理单元7011：用于通过摄像装置采集到目标对象眼部的虹膜图像，对虹膜图像进行虹膜圆环定位、虹膜圆环归一化和归一化虹膜图像增强，得到图像增强后的第一虹膜图像；

第二处理单元7012：用于对第一虹膜图像进行缩放处理，去除超过预设比例的背景区域，得到剔除背景后的第一虹膜图像，并利用高斯滤波处理，对第一虹膜图像进行噪音弱化，得到预处理后第一虹膜图像；

评价单元7013：用于采用 Tenengrad 梯度函数的清晰度评价方法对预处理后的第一虹膜图像进行评价，剔除第一虹膜图像中模糊图像和重度模糊图像，保留清晰图像并记作第二虹膜图像，其中评价方法为利用 Sobel 算子来提取图像梯度幅值并进行累加计算图像清晰度。

具体地，所述识别模块 702，包括第一提取单元7021、变换单元7022、融合单元7023和聚类单元7024，其中：

第一提取单元7021：用于通过深度可分离卷积结构对第一纹理图像的特征进行提取，得到第一特征图像，其中第一特征图像包括斑点特征图像、细丝特征图像和条纹特征图像；

变换单元7022：用于将斑点特征图像、细丝特征图像和条纹特征图像分别进行灰度变换，得到相对应的斑点灰度图像、细丝灰度图像和条纹灰度图像，并将斑点灰度图像、细丝灰度图像和条纹灰度图像内的同一灰度值的像素点分别进行连线，其中采用线性插值法对连线进行插值处理，得到第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像；

融合单元7023：用于将第一斑点灰度图像、第一细丝灰度图像和第一条纹灰度图像进行融合，得到第二特征图像，对第二特征图像进行边缘检测，并将第二特征图像外的图像转化为白色；

聚类单元7024：用于将第二特征图像内的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇的中心点进行平均值求解，得到所有聚类簇中心点的平均值，将平均值作为第一纹理图像的纹理特征。

具体地，所述融合单元7023，包括去噪单元70231、第三处理单元70232、第四处理单元70233和第五处理单元70234，其中：

去噪单元70231：用于对第二特征图像进行去噪处理，得到去噪后的第二特征图像，并计算去噪后的第二特征图像的像素强度梯度；

第三处理单元70232：用于根据像素强度梯度对去噪后的第二特征图像的去噪像素进行非最大值抑制，得到去噪后的第二特征图像的边缘图像；

第四处理单元70233：用于点边缘图像、细丝边缘图像和条纹边缘图像，其中斑点边缘图像包括边缘图像中的斑点在水平方向的低频分量和垂直方向的高频分量，细丝边缘图像包括边缘图像中的细丝在水平方向的高频分量和垂直方向的低频分量，条纹边缘图像包括边缘图像中的条纹在水平方向的高频分量和垂直方向的高频分量，其中小波变换方法采用的小波函数为墨西哥帽状函数；

第五处理单元70234：用于对斑点边缘图像、细丝边缘图像和条纹边缘图像分别进行追踪处理，得到第一边缘图像、第二边缘图像和第三边缘图像，并将第一边缘图像、第二边缘图像和第三边缘图像之外的图像转化为白色。

具体地，所述提取模块703，包括训练单元7031、第二提取单元7032和划分单元7033，其中：

训练单元7031：用于基于深度学习目标检测算法，将第二纹理图像调整至预设尺寸并输入至训练完成的Yolov4目标检测模型中，确定矩形框，将矩形框所包围的区域记作色素区域和血管区域，其中确定矩形框包括：利用滑动窗口在第二纹理图像上进行滑动处理，确定多个第一中心点，基于多个第一中心点在第二虹膜图像上进行映射处理，确定多个第二中心点；基于预设尺寸的锚框在每个第二中心点处生成多个候选锚框，其中预设尺寸的锚框是由Yolov4目标检测模型的训练数据得到，根据多个候选锚框，确定第二纹理图像中的色素区域和血管区域；

第二提取单元7032：用于对色素区域进行分量提取得到色调值、饱和度值和明度值，记作第一颜色量化提取值，对血管区域进行分量提取得到色调值、饱和度值和明度值，记作第二颜色量化提取值；

划分单元7033：用于将第一颜色量化提取值和第二颜色量化提取值分别均等划分得到至少四等份的颜色量化提取值，将每一份的颜色量化提取值进行组合得到第二纹理图像的颜色特征。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种矿用虹膜安全识别检测方法可相互对应参照。

可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的矿用虹膜安全识别检测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

实施例4

图3是本申请实施例提供的一种终端的结构图。如该图所示，该实施例的终端4包括：至少一个处理器40（图3中仅示出一个）、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。

所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图3仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。