CN107832718A - 基于自编码器的手指静脉防伪鉴别方法及系统 - Google Patents

基于自编码器的手指静脉防伪鉴别方法及系统 Download PDF

Info

Publication number
CN107832718A
CN107832718A CN201711135122.1A CN201711135122A CN107832718A CN 107832718 A CN107832718 A CN 107832718A CN 201711135122 A CN201711135122 A CN 201711135122A CN 107832718 A CN107832718 A CN 107832718A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
msup
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711135122.1A
Other languages
English (en)
Other versions
CN107832718B (zh
Inventor
秦华锋
刘霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Weimai Zhilian Technology Co ltd
Original Assignee
Chongqing Technology and Business University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Technology and Business University filed Critical Chongqing Technology and Business University
Priority to CN201711135122.1A priority Critical patent/CN107832718B/zh
Publication of CN107832718A publication Critical patent/CN107832718A/zh
Application granted granted Critical
Publication of CN107832718B publication Critical patent/CN107832718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例提供的基于自编码器的手指静脉防伪鉴别方法及系统，属于生物特征识别技术领域。基于自编码器的手指静脉防伪鉴别方法，首先根据采集的手指静脉图像和它对应的标签建立训练集合。其次，构建稀疏自编码器模型并利用灰度图像训练集合对其进行训练。然后，利用训练好的SAE的权值初始化神经网络，并对其进行训练。将神经网络每个隐含层的输出作为提取的特征向量。最后，将各特征向量分别输入到随机森林分类器，并将输出结果用贝叶斯模型进行决策融合，以实现对手指静脉的真伪鉴别。

Description

基于自编码器的手指静脉防伪鉴别方法及系统
技术领域
本发明涉及生物特征识别技术领域，具体而言，涉及基于自编码器的手指静脉防伪鉴别方法及系统。
背景技术
信息技术的快速发展使得信息安全越来越重要，这也意味着需要越来越高的信息安全保护。作为一种新兴的生物识别技术，基于静脉的生物特征在生物识别领域引起了广泛关注。与传统生物识别技术，如指纹，掌纹，虹膜，面部识别相比，静脉识别技术具有成本低廉，数据易于采集的无接触式操作的优点。此外，由于静脉位于生物体的内部，所以很难被盗取和伪造，并且不易受表层皮肤变化的影响，因此具有更高的安全性能。
然而，手指静脉识别面临着许多挑战，一个关键的问题是使用假手指静脉图像进行系统攻击。有研究表明使用传统激光打印机打印真伪手指静脉图像而产生静脉伪影对生物识别系统产生了成功的攻击。因此，对于手指静脉防伪鉴别应予以极大重视。目前已有不少手指静脉防伪鉴别算法，比如二值化统计图像特征(BSIF)，雷斯变换(RT)，局部二进制模式(LBP)，局部相位量化(LPQ)，但它们利用手工描述子对静脉特征进行提取，因此现有技术中存在以下缺点：(1)很难证明手工提取的特征一定与手指静脉的图像真伪是相关的。(2)即使存在区分图像真伪的特征，也很难建立有效的数学模型去描述它们。
发明内容
本发明提供的基于自编码器的手指静脉防伪鉴别方法及系统，旨在改善上述技术问题。
本发明提供的一种基于自编码器的手指静脉防伪鉴别方法，包括：采集手指静脉图像；基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；获取所述稀疏自编码器的权重和偏置；基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；基于所述权重初始化所述BP神经网络；基于所述标注后的所述真假图像训练所述BP神经网络；获取所述BP神经网络所输出的输出结果；将所述输出结果作为输入的所述真假图像的深度特征；将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；获取所述随机森林分类器的输出结果；将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；基于所述概率判断所述手指静脉图像的真假。
优选地，所述的稀疏自编码器满足：将原始数据x＝{x1,x2,…,xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1,y2,…,ym}，即：
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1,z2,…zn}，z的维度与原始数据x的维度一致，即： 其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；构造代价损失函数J(w,b)；所述代价损失函数J(w,b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；首先计算隐含层第i个神经元的平均活跃度：其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；然后，为了实现上述的限制，需要加入一个惩罚项：KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；最后构造代价损失函数J(w,b)，其中w＝{w1,w2},b＝{b1,b2}，
其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；通过梯度下降算法优化代价损失函数及参数w,b，
其中，x(k),z(k)为第k个原始数据和重构数据，wk，bk分别表示第k个数据的权重与偏执，α表示学习率。
优选地，所述的预设softmax分类器中的预设函数为Softmax函数。
优选地，所述的Softmax函数满足：σ(z)＝{σ(z1),…,σ(zm)}，其中：zi＝wix+bi，其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
优选地，所述预设随机森林分类器满足：利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x),h2(x),…,hk(x)}，最终的分类决策如下：其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。
本发明提供的一种基于自编码器的手指静脉防伪鉴别系统，包括：图像采集单元，用于采集手指静脉图像；图像处理单元，用于基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；第一训练单元，用于基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；第一构建单元，用于基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；第一数据获取单元，用于获取所述稀疏自编码器的权重和偏置；第二构建单元，用于基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；初始化单元，用于基于所述权重初始化所述BP神经网络；第二训练单元，用于基于所述标注后的所述真假图像训练所述BP神经网络；第二数据获取单元，用于获取所述BP神经网络所输出的输出结果；数据标记单元，用于将所述输出结果作为输入的所述真假图像的深度特征；第三训练单元，用于将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；第三数据获取单元，用于获取所述随机森林分类器的输出结果；概率获取单元，用于将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；真假识别单元，用于基于所述概率判断所述手指静脉图像的真假。
优选地，所述的稀疏自编码器满足：将原始数据x＝{x1,x2,…,xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1,y2,…,ym}，即：
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1,z2,…zn}，z的维度与原始数据x的维度一致，即： 其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；构造代价损失函数J(w,b)；所述代价损失函数J(w,b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；首先计算隐含层第i个神经元的平均活跃度：其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；然后，为了实现上述的限制，需要加入一个惩罚项：KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；最后构造代价损失函数J(w,b)，其中w＝{w1,w2},b＝{b1,b2}，
其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；通过梯度下降算法优化代价损失函数及参数w,b，
其中，x(k),z(k)为第k个原始数据和重构数据，wk，bk分别表示第k个数据的权重与偏执，α表示学习率。
优选地，所述的预设softmax分类器中的预设函数为Softmax函数。
优选地，所述的Softmax函数满足：σ(z)＝{σ(z1),…,σ(zm)}，其中：zi＝wix+bi，其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
优选地，所述预设随机森林分类器满足：利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x),h2(x),…,hk(x)}，最终的分类决策如下：其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。
上述本发明提供的基于自编码器的手指静脉防伪鉴别方法及系统，通过采集手指静脉图像，再基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；从而基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；接着再基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；通过获取所述稀疏自编码器的权重和偏置；再基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；再基于所述权重初始化所述BP神经网络；再基于所述标注后的所述真假图像训练所述BP神经网络；再获取所述BP神经网络所输出的输出结果；通过将所述输出结果作为输入的所述真假图像的深度特征；从而将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；获取所述随机森林分类器的输出结果；将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；最后基于所述概率判断所述手指静脉图像的真假。本发明首次将稀疏自编码器用于手指静脉图像的防伪鉴别；并且首次结合稀疏自编码器、BP神经网络和随机森林实现对手指静脉真假图像的鉴别。以及为了充分训练该网络，本发明对决策层进行最小错误率贝叶斯决策融合。
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为本发明实施例提供的电子设备的结构框图；
图2为本发明第一实施例提供的基于自编码器的手指静脉防伪鉴别方法的流程图；
图3为图2所示的基于自编码器的手指静脉防伪鉴别方法中的基于SAE的网络结构示意图；
图4为图2所示的基于自编码器的手指静脉防伪鉴别方法中的基于BP神经网络与随机森林的手指静脉图像真伪鉴别模型；
图5为本发明第二实施例提供的基于自编码器的手指静脉防伪鉴别装置的功能模块示意图。
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。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。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。
如图1所示，为本发明实施例提供的一种电子设备的结构框图。所述电子设备300包括基于自编码器的手指静脉防伪鉴别装置400、存储器302、存储控制器303、处理器304及外设接口305。
所述存储器302、存储控制器303、处理器304及外设接口305各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于自编码器的手指静脉防伪鉴别装置400包括至少一个可以软件或固件(firmware)的形式存储于所述存储器302中或固化在所述电子设备300的操作系统(operating system，OS)中的软件功能模块。所述处理器304用于执行存储器302中存储的可执行模块，例如所述基于自编码器的手指静脉防伪鉴别装置400包括的软件功能模块或计算机程序。
其中，存储器302可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read－Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器302用于存储程序，所述处理器304在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器100所执行的方法可以应用于处理器304中，或者由处理器304实现。
处理器304可能是一种集成电路芯片，具有信号的处理能力。上述的处理器304可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
所述外设接口305将各种输入/输出装置耦合至处理器304以及存储器302。在一些实施例中，外设接口305、处理器304以及存储控制器303可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
请参阅图2，为本发明第一实施例提供的基于自编码器的手指静脉防伪鉴别方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101，采集手指静脉图像。
在本实施例中，所述样本集中的图像来源于瑞士Idiap研究所的“Spoofing－Attack Finger Vein Database”(https：//www.idiap.ch/dataset/fvspoofingattack)。该数据库中真假手指静脉图像来自110个人体产生的440幅图像，每人左右食指各采集两次，共产生880幅静脉图像。这又分为3个部分，即训练集、验证集、测试集，其中训练集中有真假手指静脉图像各120幅共240幅，验证集中有真假手指静脉图像各120幅共240幅，测试集中包含共400幅真假手指静脉图像，每幅图像大小为150×565像素。训练集用来训练DBN模型与BP神经网络模型，验证集用于阈值估算，测试集用于检验模型的好坏。
作为一种实施方式，在手指静脉图像的采集中，首先，利用红外光采集照射人体手指，位于手指下方的红外相机可以获取到相应的手指静脉图像。
步骤S102，基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注。
作为一种实施方式，将真实的手指静脉图像打印到纸张上，再放入采集装置中获取到该手指对应的假手指静脉图像。在数据库建立过程中，把从人体手指上采集的静脉图像标注为1，从打印纸上采集得到的图像标注为0，从而设置手指静脉图像的真假图像。例如，设为1的为真图像，为0的为假图像，也可以是为0的为真图像，为1的为假图像。在此，不作具体限定。
步骤S103，基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同。
作为一种实施方式，训练集合中只含有真假静脉图像各120幅共240幅。验证集合中共有240幅图像，其中120幅真，120幅假。测试集合中共有400幅图像，其中200幅真，200幅假。
在本实施例中，手指静脉图像的深度特征提取方法如下：
所述的应用于提取手指静脉图像特征的稀疏自编码器模型包括：输入层、第一隐含层、第二隐含层、输出层，如图3所示。所述的应用于提取手指静脉图像特征的神经网络模型包括：输入层、第一隐含层、第二隐含层、输出层，如图4所示。
所述的输入层，SAE(稀疏自编码器)模型含有经归一化处理的240幅图像，每幅归一化图像维度为3390(30×113)维，即3390个输入；NN模型含有3390个神经元与对应的真假图像块标签。
所述的隐含层，SAE模型与NN模型均采用sigmoid函数作为激活函数。
所述的输出层，SAE模型输出神经元个数与其输入神经元个数一致，NN模型输出两个神经元，即真假静脉图像，其值在{0，1}间选择。
步骤S104，基于所述标注后的所述真假图像进行构建和训练稀疏自编码器。
在本实施例中，训练稀疏自编码器包括：①构建两个稀疏自编码器，然后初始化SAE中均值为0的权重w，偏置b，以及偏置增量Δb和权重增量Δw均为零，其他参数初始值为任意常数。
②对于一幅图像F，它的质量标签为q∈{0,1}，其中0表示印刷图像，1表示真实获得的静脉图像。训练集合表示为{(F1，q1)，(F2，q2)，…，(FN，qN)}。把训练数据集分成不同的子集合，分批次输入到如图2所示的自编码器中，通过sigmoid激活函数将原始数据编码以及解码，具体地，将原始数据x＝{x1,x2,…,xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1,y2,…,ym}，即：
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1,z2,…zn}，z的维度与原始数据x的维度一致，即：
其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；
然后加入稀疏项以及正则项构造代价损失函数计算解码后的数据与原始数据的误差，再采用梯度下降算法优化权重和偏置，使得代价损失函数误差较小，即原始特征与重构特征比较相似。当所有批次的图像在网络进行一次前向传播和反向传播后，得到更新的权重和偏置，以此训练SAE。具体为：
其中，J(w,b)为代价损失函数，N为样本个数，为重构误差项，λ、μ为正则项与稀疏惩罚项的权重系数，为正则项，为稀疏惩罚项，m为编码层神经元个数，ρ是稀疏性参数，ρi为编码层的第i个神经元的平均激活度。
其中，x(k),z(k)为第k个原始数据和重构数据，α表示学习率，wk为第k个数据的权重，bk为第k个数据的偏置。
③通过反复迭代寻找权重和偏置的最优解。当精度满足要求时，停止迭代，从而完成本次深度神经网络模型的训练。
④完成训练后，去掉稀疏自编码器的输出层。增加一个softmax分类器作为输出层以构建一个BP神经网络，然后将带标签的训练图像输入到NN中进行训练。
步骤S105，获取所述稀疏自编码器的权重和偏置。
步骤S106，基于预设softmax分类器和所述稀疏自编码器构建BP神经网络。
所述的预设softmax分类器中的预设函数为Softmax函数。所述的Softmax函数满足：σ(z)＝{σ(z1),…,σ(zm)}，
其中：
zi＝wix+bi，
其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
步骤S107，基于所述权重初始化所述BP神经网络。
步骤S108，基于所述标注后的所述真假图像训练所述BP神经网络。
在本实施例中，所述BP神经网络的训练如下：
在SAE(Sparse Autoencoder，稀疏自编码器)网络结构中增加一个softmax分类器构建一个神经网络NN，然后利用SAE训练的权值初始化BP神经网络，把带标签的训练图像输入到NN中进行训练，以提取真假静脉图像的特征。其中，BP神经网络中输入层、第一隐含层、第二隐含层神经元个数与SAE网络中对应的输入层、第一隐含层、第二隐含层神经元个数相同。
BP神经网络模型的隐含层中，使用sigmoid激活函数的表达式作为激励函数。其定义如下：
其中σ(x)为激活函数的输出。
BP神经网络模型的输出层中，采用softmax分类器。Softmax函数σ(z)＝{σ(z1),…,σ(zm)}定义如下：
zi＝wix+bi
其中，σ(zi)表示数据x属于类别i的概率，zi表示第i个类别的线性预测结果，m表示分类个数，w和b表示x的权重和偏置。
步骤S109，获取所述BP神经网络所输出的输出结果。
步骤S110，将所述输出结果作为输入的所述真假图像的深度特征。
步骤S111，将所述深度特征分别输入到对应的预设随机森林分类器中进行训练。
其中，所述的预设随机森林分类器满足：首先，利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；其次，从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；再次，重复前面两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；最后，根据k种分类结果对训练样本进行投票表决决定其最终分类。通过k轮训练，得到的分类模型序列{h1(x),h2(x),…,hk(x)}最终的分类决策如下：
其中，H(x)表示组合分类模型，hi表示单个决策树分类模型，y为输出变量，I(hi(x)＝y)为示性函数。经过训练后，随机森林可以计算任意输入特征向量所对应输出图像的真假类别。
步骤S112，获取所述随机森林分类器的输出结果。
步骤S113，将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率。
在本实施例中，将各随机森林分类器得到的输出结果，进行最小错误率贝叶斯决策融合，得到最终分类结果，从而判断出手指静脉图像的真假。基于最小错误率的贝叶斯决策过程是首先计算出样本x属于各个不同类别的可能性，然后根据判决规则，选择可能性最大的一个作为决策的结果。具体计算如下：
首先通过贝叶斯公式计算后验概率p(wi|x)：
其中，p(wi|x)表示在x出现的条件下，样本为wi类的概率，p(wi)是先验概率，p(x|wi)是条件概率密度函数，c为类别总数。
然后通过决策规则判断样本x的最终类别：
如果p(wi|x)＝maxj＝1,2…cp(wj|x)，则x∈wi。
步骤S114，基于所述概率判断所述手指静脉图像的真假。
在本实施例中，本申请所提出的基于自编码器的手指静脉防伪鉴别方法不仅适用于手指静脉图像的防伪鉴别，而且可以应用到其他生物特征图像防伪鉴别中。在此，不作具体限定。
请参阅图5，为本发明第二实施例提供的基于自编码器的手指静脉防伪鉴别装置的功能模块示意图。所述基于自编码器的手指静脉防伪鉴别装置400包括：图像采集单元410、图像处理单元420、第一训练单元430、第一构建单元440、第一数据获取单元450、第二构建单元460、初始化单元470、第二训练单元480、第二数据获取单元490、数据标记单元491、第三训练单元492、第三数据获取单元493、概率获取单元494和真假识别单元495。
图像采集单元410，用于采集手指静脉图像。
图像处理单元420，用于基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注。
第一训练单元430，用于基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同。
第一构建单元440，用于基于所述标注后的所述真假图像进行构建和训练稀疏自编码器。
其中，所述的稀疏自编码器满足：将原始数据x＝{x1,x2,…,xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1,y2,…,ym}，即：
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1,z2,…zn}，z的维度与原始数据x的维度一致，即：
其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；构造代价损失函数J(w,b)；所述代价损失函数J(w,b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；首先计算隐含层第i个神经元的平均活跃度：其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；其中，ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；然后，为了实现上述的限制，需要加入一个惩罚项： KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；最后构造代价损失函数J(w,b)，其中w＝{w1,w2},b＝{b1,b2}，
其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；通过梯度下降算法优化代价损失函数及参数w,b，
其中，x(k),z(k)为第k个原始数据和重构数据，wk，bk分别表示第k个数据的权重与偏执，α表示学习率。
第一数据获取单元450，用于获取所述稀疏自编码器的权重和偏置。
第二构建单元460，用于基于预设softmax分类器和所述稀疏自编码器构建BP神经网络。
其中，所述的预设softmax分类器中的预设函数为Softmax函数，所述的Softmax函数满足：σ(z)＝{σ(z1),…,σ(zm)}，其中：zi＝wix+bi，其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
初始化单元470，用于基于所述权重初始化所述BP神经网络。
第二训练单元480，用于基于所述标注后的所述真假图像训练所述BP神经网络。
第二数据获取单元490，用于获取所述BP神经网络所输出的输出结果。
数据标记单元491，用于将所述输出结果作为输入的所述真假图像的深度特征。
第三训练单元492，用于将所述深度特征分别输入到对应的预设随机森林分类器中进行训练。
其中，所述预设随机森林分类器满足：利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x),h2(x),…,hk(x)}，最终的分类决策如下：其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。
第三数据获取单元493，用于获取所述随机森林分类器的输出结果。
概率获取单元494，用于将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率。
真假识别单元495，用于基于所述概率判断所述手指静脉图像的真假。
综上所述，本发明提供的基于自编码器的手指静脉防伪鉴别方法及系统，通过采集手指静脉图像，再基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；从而基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；接着再基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；通过获取所述稀疏自编码器的权重和偏置；再基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；再基于所述权重初始化所述BP神经网络；再基于所述标注后的所述真假图像训练所述BP神经网络；再获取所述BP神经网络所输出的输出结果；通过将所述输出结果作为输入的所述真假图像的深度特征；从而将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；获取所述随机森林分类器的输出结果；将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；最后基于所述概率判断所述手指静脉图像的真假。本申请首次将稀疏自编码器用于手指静脉图像的防伪鉴别；并且首次结合稀疏自编码器、BP神经网络和随机森林实现对手指静脉真假图像的鉴别。为了得到较好的分类结果，本申请对决策层进行最小错误率贝叶斯决策融合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。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。

Claims (10)

1.一种基于自编码器的手指静脉防伪鉴别方法，其特征在于，包括：
采集手指静脉图像；
基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；
基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；
基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；
获取所述稀疏自编码器的权重和偏置；
基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；
基于所述权重初始化所述BP神经网络；
基于所述标注后的所述真假图像训练所述BP神经网络；
获取所述BP神经网络所输出的输出结果；
将所述输出结果作为输入的所述真假图像的深度特征；
将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；
获取所述随机森林分类器的输出结果；
将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；
基于所述概率判断所述手指静脉图像的真假。
2.根据权利要求1所述的方法，其特征在于，所述的稀疏自编码器满足：
将原始数据x＝{x1，x2，…，xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1，y2，…，ym}，即：
<mrow> <mi>y</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1，z2，…zn}，z的维度与原始数据x的维度一致，即：
<mrow> <mi>z</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mi>y</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mi>y</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；
构造代价损失函数J(w，b)；
所述代价损失函数J(w，b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；
首先计算隐含层第i个神经元的平均活跃度：
<mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>y</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；
其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；
然后，为了实现上述的限制，需要加入一个惩罚项：
<mrow> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;rho;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;rho;</mi> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <mi>&amp;rho;</mi> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> </mfrac> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>
KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；
最后构造代价损失函数J(w，b)，其中w＝{w1，w2}，b＝{b1，b2}，
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mo>|</mo> <mo>|</mo> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;lambda;</mi> <mi>W</mi> <mo>+</mo> <msubsup> <mi>&amp;mu;&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;rho;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <mi>W</mi> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>,</mo> </mrow>
其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；
通过梯度下降算法优化代价损失函数及参数w，b，
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>,</mo> <mi>z</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mn>2</mn> <msup> <mi>&amp;lambda;w</mi> <mi>k</mi> </msup> <mo>,</mo> </mrow>
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>,</mo> <mi>z</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msup> <mi>w</mi> <mi>k</mi> </msup> <mo>=</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> <mo>-</mo> <mi>&amp;alpha;</mi> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msup> <mi>b</mi> <mi>k</mi> </msup> <mo>=</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> <mo>-</mo> <mi>&amp;alpha;</mi> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，x(k)，z(k)为第k个原始数据和重构数据，wk，bk分别表示第k个数据的权重与偏执，α表示学习率。
3.根据权利要求1所述的方法，其特征在于，所述的预设softmax分类器中的预设函数为Softmax函数。
4.根据权利要求3所述的方法，其特征在于，所述的Softmax函数满足：σ(z)＝{σ(z1)，…，σ(zm)}，
其中：
<mrow> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> </mrow>
zi＝wix+bi，
其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
5.根据权利要求1所述的方法，其特征在于，所述预设随机森林分类器满足：
利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；
从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；
重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；
根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x)，h2(x)，…，hk(x)}，最终的分类决策如下：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>arg</mi> <mi> </mi> <msub> <mi>max</mi> <mi>y</mi> </msub> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>=</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。
6.一种基于自编码器的手指静脉防伪鉴别系统，其特征在于，包括：
图像采集单元，用于采集手指静脉图像；
图像处理单元，用于基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；
第一训练单元，用于基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；
第一构建单元，用于基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；
第一数据获取单元，用于获取所述稀疏自编码器的权重和偏置；
第二构建单元，用于基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；
初始化单元，用于基于所述权重初始化所述BP神经网络；
第二训练单元，用于基于所述标注后的所述真假图像训练所述BP神经网络；
第二数据获取单元，用于获取所述BP神经网络所输出的输出结果；
数据标记单元，用于将所述输出结果作为输入的所述真假图像的深度特征；
第三训练单元，用于将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；
第三数据获取单元，用于获取所述随机森林分类器的输出结果；
概率获取单元，用于将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；
真假识别单元，用于基于所述概率判断所述手指静脉图像的真假。
7.根据权利要求6所述的系统，其特征在于，所述的稀疏自编码器满足：
将原始数据x＝{x1，x2，…，xn}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y1，y2，…，ym}，即：
<mrow> <mi>y</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z1，z2，…zn}，z的维度与原始数据x的维度一致，即：
<mrow> <mi>z</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mi>y</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mi>y</mi> <mo>+</mo> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w1、w2、b1、b2分别为输入层到隐含层、隐含层到重构层的权重及偏置；
构造代价损失函数J(w，b)；
所述代价损失函数J(w，b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；
首先计算隐含层第i个神经元的平均活跃度：
<mrow> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>y</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，N为样本个数，ρi为编码层的第i个神经元的平均激活度；
其次，令ρi＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；
然后，为了实现上述的限制，需要加入一个惩罚项：
<mrow> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;rho;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;rho;</mi> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <mi>&amp;rho;</mi> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> </mfrac> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>
KL(ρ||ρi)是一个以ρ为均值和一个以ρi为均值的两个伯努利随机变量之间的相对熵；
最后构造代价损失函数J(w，b)，其中w＝{w1，w2}，b＝{b1，b2}，
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mo>|</mo> <mo>|</mo> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;lambda;</mi> <mi>W</mi> <mo>+</mo> <msubsup> <mi>&amp;mu;&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;rho;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <mi>W</mi> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>,</mo> </mrow>
其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；
通过梯度下降算法优化代价损失函数及参数w，b，
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>,</mo> <mi>z</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mn>2</mn> <msup> <mi>&amp;lambda;w</mi> <mi>k</mi> </msup> <mo>,</mo> </mrow>
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>,</mo> <mi>z</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msup> <mi>w</mi> <mi>k</mi> </msup> <mo>=</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> <mo>-</mo> <mi>&amp;alpha;</mi> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msup> <mi>b</mi> <mi>k</mi> </msup> <mo>=</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> <mo>-</mo> <mi>&amp;alpha;</mi> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msup> <mi>b</mi> <mi>k</mi> </msup> </mrow> </mfrac> <mi>J</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，x(k)，z(k)为第k个原始数据和重构数据，wk，bk分别表示第k个数据的权重与偏执，α表示学习率。
8.根据权利要求6所述的系统，其特征在于，所述的预设softmax分类器中的预设函数为Softmax函数。
9.根据权利要求8所述的系统，其特征在于，所述的Softmax函数满足：σ(z)＝{σ(z1)，…，σ(zm)}，
其中：
<mrow> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> </mrow>
zi＝wix+bi，
其中，所述σ(zi)表示数据x属于类别i的概率，所述zi表示第i个类别的线性预测结果，所述m表示分类个数，所述w和所述b表示所述x的权重和偏置。
10.根据权利要求6所述的系统，其特征在于，所述预设随机森林分类器满足：
利用bootstrap抽样从训练集抽取与训练集容量大小相同的样本作为一棵决策树的根节点；
从所有特征中随机无放回地按照一定规则抽取部分特征作为节点的分裂属性，以此建立一个CART决策树模型；
重复上述两个步骤k次，建立k颗决策树，产生k种分类结果，即建立随机森林；
根据k种分类结果对训练样本进行投票表决决定其最终分类，其中，通过k轮训练，得到的分类模型序列{h1(x)，h2(x)，…，hk(x)}，最终的分类决策如下：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>arg</mi> <mi> </mi> <msub> <mi>max</mi> <mi>y</mi> </msub> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>=</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，所述H(x)表示组合分类模型，所述hi表示单个决策树分类模型，所述y为输出变量，所述I(hi(x)＝y)为示性函数。
CN201711135122.1A 2017-11-13 2017-11-13 基于自编码器的手指静脉防伪鉴别方法及系统 Active CN107832718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711135122.1A CN107832718B (zh) 2017-11-13 2017-11-13 基于自编码器的手指静脉防伪鉴别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711135122.1A CN107832718B (zh) 2017-11-13 2017-11-13 基于自编码器的手指静脉防伪鉴别方法及系统

Publications (2)

Publication Number Publication Date
CN107832718A true CN107832718A (zh) 2018-03-23
CN107832718B CN107832718B (zh) 2020-06-05

Family

ID=61651825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711135122.1A Active CN107832718B (zh) 2017-11-13 2017-11-13 基于自编码器的手指静脉防伪鉴别方法及系统

Country Status (1)

Country Link
CN (1) CN107832718B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776805A (zh) * 2018-05-03 2018-11-09 北斗导航位置服务（北京）有限公司 一种建立图像分类模型、图像特征分类的方法及装置
CN109635756A (zh) * 2018-12-17 2019-04-16 黑龙江大学 融合指纹与指静脉的二维码身份认证方法
CN110390309A (zh) * 2019-05-22 2019-10-29 西南科技大学 一种基于残差分布的手指静脉非法用户识别方法
CN110443217A (zh) * 2019-08-13 2019-11-12 深圳大学 一种基于多光谱的指纹防伪方法及系统
WO2020087732A1 (zh) * 2018-11-02 2020-05-07 无锡祥生医疗科技股份有限公司 基于神经网络的静脉与动脉识别方法与系统
CN111339974A (zh) * 2020-03-03 2020-06-26 景德镇陶瓷大学 一种现代陶瓷与古陶瓷的鉴别方法
CN111767958A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于随机森林算法的肠镜退镜时间的实时监测方法
CN111860552A (zh) * 2019-04-28 2020-10-30 中国科学院计算机网络信息中心 基于核自编码器的模型训练方法、装置及存储介质
CN113454654A (zh) * 2019-02-28 2021-09-28 三菱电机株式会社 数据处理装置、数据处理系统和数据处理方法
CN113487762A (zh) * 2021-07-22 2021-10-08 东软睿驰汽车技术（沈阳）有限公司 一种编码模型生成方法、充电数据获取方法及装置
CN114863191A (zh) * 2022-07-06 2022-08-05 南通大学 基于区块链的防伪信息识别与传输方法
CN114943290A (zh) * 2022-05-25 2022-08-26 盐城师范学院 一种基于多源数据融合分析的生物入侵识别方法
CN116258579A (zh) * 2023-04-28 2023-06-13 成都新希望金融信息有限公司 用户信用评分模型的训练方法及用户信用评分方法
CN118116036A (zh) * 2024-01-25 2024-05-31 重庆工商大学 基于深度强化学习的手指静脉图像特征提取和编码方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463120A (zh) * 2014-12-08 2015-03-25 中国人民解放军国防科学技术大学 基于二叉树的手指静脉识别方法
CN105069400A (zh) * 2015-07-16 2015-11-18 北京工业大学 基于栈式稀疏自编码的人脸图像性别识别系统
CN105550712A (zh) * 2015-12-23 2016-05-04 西安电子科技大学 基于优化卷积自动编码网络的极光图像分类方法
CN106096623A (zh) * 2016-05-25 2016-11-09 中山大学 一种犯罪识别与预测方法
US20170004397A1 (en) * 2015-06-30 2017-01-05 Adobe Systems Incorporated Procedural modeling using autoencoder neural networks
CN106503654A (zh) * 2016-10-24 2017-03-15 中国地质大学（武汉） 一种基于深度稀疏自编码网络的人脸情感识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463120A (zh) * 2014-12-08 2015-03-25 中国人民解放军国防科学技术大学 基于二叉树的手指静脉识别方法
US20170004397A1 (en) * 2015-06-30 2017-01-05 Adobe Systems Incorporated Procedural modeling using autoencoder neural networks
CN105069400A (zh) * 2015-07-16 2015-11-18 北京工业大学 基于栈式稀疏自编码的人脸图像性别识别系统
CN105550712A (zh) * 2015-12-23 2016-05-04 西安电子科技大学 基于优化卷积自动编码网络的极光图像分类方法
CN106096623A (zh) * 2016-05-25 2016-11-09 中山大学 一种犯罪识别与预测方法
CN106503654A (zh) * 2016-10-24 2017-03-15 中国地质大学（武汉） 一种基于深度稀疏自编码网络的人脸情感识别方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776805A (zh) * 2018-05-03 2018-11-09 北斗导航位置服务（北京）有限公司 一种建立图像分类模型、图像特征分类的方法及装置
WO2020087732A1 (zh) * 2018-11-02 2020-05-07 无锡祥生医疗科技股份有限公司 基于神经网络的静脉与动脉识别方法与系统
CN109635756B (zh) * 2018-12-17 2022-07-05 黑龙江大学 融合指纹与指静脉的二维码身份认证方法
CN109635756A (zh) * 2018-12-17 2019-04-16 黑龙江大学 融合指纹与指静脉的二维码身份认证方法
CN113454654A (zh) * 2019-02-28 2021-09-28 三菱电机株式会社 数据处理装置、数据处理系统和数据处理方法
CN111860552B (zh) * 2019-04-28 2024-10-15 中国科学院计算机网络信息中心 基于核自编码器的模型训练方法、装置及存储介质
CN111860552A (zh) * 2019-04-28 2020-10-30 中国科学院计算机网络信息中心 基于核自编码器的模型训练方法、装置及存储介质
CN110390309A (zh) * 2019-05-22 2019-10-29 西南科技大学 一种基于残差分布的手指静脉非法用户识别方法
CN110443217A (zh) * 2019-08-13 2019-11-12 深圳大学 一种基于多光谱的指纹防伪方法及系统
CN110443217B (zh) * 2019-08-13 2022-09-02 深圳大学 一种基于多光谱的指纹防伪方法及系统
CN111339974A (zh) * 2020-03-03 2020-06-26 景德镇陶瓷大学 一种现代陶瓷与古陶瓷的鉴别方法
CN111339974B (zh) * 2020-03-03 2023-04-07 景德镇陶瓷大学 一种现代陶瓷与古陶瓷的鉴别方法
CN111767958A (zh) * 2020-07-01 2020-10-13 武汉楚精灵医疗科技有限公司 基于随机森林算法的肠镜退镜时间的实时监测方法
CN113487762A (zh) * 2021-07-22 2021-10-08 东软睿驰汽车技术（沈阳）有限公司 一种编码模型生成方法、充电数据获取方法及装置
CN113487762B (zh) * 2021-07-22 2023-07-04 东软睿驰汽车技术（沈阳）有限公司 一种编码模型生成方法、充电数据获取方法及装置
CN114943290A (zh) * 2022-05-25 2022-08-26 盐城师范学院 一种基于多源数据融合分析的生物入侵识别方法
CN114943290B (zh) * 2022-05-25 2023-08-08 盐城师范学院 一种基于多源数据融合分析的生物入侵识别方法
CN114863191A (zh) * 2022-07-06 2022-08-05 南通大学 基于区块链的防伪信息识别与传输方法
CN116258579A (zh) * 2023-04-28 2023-06-13 成都新希望金融信息有限公司 用户信用评分模型的训练方法及用户信用评分方法
CN116258579B (zh) * 2023-04-28 2023-08-04 成都新希望金融信息有限公司 用户信用评分模型的训练方法及用户信用评分方法
CN118116036A (zh) * 2024-01-25 2024-05-31 重庆工商大学 基于深度强化学习的手指静脉图像特征提取和编码方法

Also Published As

Publication number Publication date
CN107832718B (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN107832718B (zh) 基于自编码器的手指静脉防伪鉴别方法及系统
Daas et al. Multimodal biometric recognition systems using deep learning based on the finger vein and finger knuckle print fusion
Hasan et al. Fingerprint image enhancement and recognition algorithms: a survey
Al-johania et al. Dorsal Hand Vein Recognition by Convolutional Neural Networks: Feature Learning and Transfer Learning Approaches.
EP1433118A1 (en) System and method of face recognition using portions of learned model
Gumaei et al. An improved multispectral palmprint recognition system using autoencoder with regularized extreme learning machine
Sharma et al. An intelligent approach for fingerprint presentation attack detection using ensemble learning with improved local image features
Kumar et al. Palmprint recognition using rank level fusion
Shawkat et al. The new hand geometry system and automatic identification
Talab et al. A Novel Statistical Feature Analysis‐Based Global and Local Method for Face Recognition
Travieso et al. Hand shape identification on multirange images
Kumar et al. Ann trained and WOA optimized feature-level fusion of iris and fingerprint
CN106529490B (zh) 基于稀疏自编码码本实现笔迹鉴别的系统及方法
Diarra et al. Study of deep learning methods for fingerprint recognition
Qin et al. Adversarial learning-based data augmentation for palm-vein identification
Arora et al. FKPIndexNet: An efficient learning framework for finger-knuckle-print database indexing to boost identification
Jeyanthi et al. An efficient automatic overlapped fingerprint identification and recognition using ANFIS classifier
Sharma et al. SFincBuster: Spoofed fingerprint buster via incremental learning using leverage bagging classifier
Ramirez-Cortes et al. A biometric system based on neural networks and SVM using morphological feature extraction from hand-shape images
Oveisi et al. A feature level multimodal approach for palmprint and knuckleprint recognition using AdaBoost classifier
Verma et al. A survey on data-driven iris spoof detectors: state-of-the-art, open issues and future perspectives
Oyeniyi et al. An enhanced iris feature extraction technique using continuous wavelet transform
Sasikala Bee Swarm based Feature Selection for Fake and Real Fingerprint Classification using Neural Network Classifiers.
AlShemmary et al. Siamese Network-Based Palm Print Recognition
Bensefia et al. Validity of handwriting in biometric systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230329

Address after: 401329 2nd Floor, Building 18, Section 1, Science Valley Phase 1, Hangu Town, Nan'an District, Chongqing

Patentee after: Chongqing Financial Technology Research Institute

Patentee after: Qin Huafeng

Address before: No.19, Xuefu Avenue, Nan'an District, Chongqing, 400000

Patentee before: CHONGQING TECHNOLOGY AND BUSINESS University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240606

Address after: Building 18, 2nd Floor, Section 1, Science Valley Phase 1, Hangu Town, Jiulongpo District, Chongqing, 400000

Patentee after: Chongqing Weimai Zhilian Technology Co.,Ltd.

Country or region after: China

Address before: 401329 2nd Floor, Building 18, Section 1, Science Valley Phase 1, Hangu Town, Nan'an District, Chongqing

Patentee before: Chongqing Financial Technology Research Institute

Country or region before: China

Patentee before: Qin Huafeng

TR01 Transfer of patent right