CN110321871A - 一种基于lstm的掌静脉识别系统及方法 - Google Patents

一种基于lstm的掌静脉识别系统及方法 Download PDF

Info

Publication number
CN110321871A
CN110321871A CN201910623911.2A CN201910623911A CN110321871A CN 110321871 A CN110321871 A CN 110321871A CN 201910623911 A CN201910623911 A CN 201910623911A CN 110321871 A CN110321871 A CN 110321871A
Authority
CN
China
Prior art keywords
vena metacarpea
image
lstm
metacarpea image
module
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
CN201910623911.2A
Other languages
English (en)
Other versions
CN110321871B (zh
Inventor
武伟伟
王叶南
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.)
Chengdu College of University of Electronic Science and Technology of China
Original Assignee
Chengdu College of University of Electronic Science and Technology of China
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 Chengdu College of University of Electronic Science and Technology of China filed Critical Chengdu College of University of Electronic Science and Technology of China
Priority to CN201910623911.2A priority Critical patent/CN110321871B/zh
Publication of CN110321871A publication Critical patent/CN110321871A/zh
Application granted granted Critical
Publication of CN110321871B publication Critical patent/CN110321871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于LSTM的掌静脉识别系统，包括：启动模块，用于感应目标人群并启动掌静脉识别系统；图像采集模块，用于获取目标掌静脉图像；温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；图像预处理模块，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；图像识别模块，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别；数据库模块，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。相比传统的特征点和基于纹理特征进行比对，针对时间、温度变化，无论效率、准确率都有大幅地提高。

Description

一种基于LSTM的掌静脉识别系统及方法
技术领域
本发明涉及图像处理与深度学习技术领域，具体涉及一种基于LSTM的掌静脉识别系统。
背景技术
传统的掌静脉识别受光线强弱、温度高低、位置等外部因素的影响，一次性识别成功率低。
当前的掌静脉识别算法主要是基于特征点和基于纹理特征进行比对，其中特征点主要是指静脉纹路中的一线显著的关键点，具有很强的辨识度，如端点、分叉点、交点等。对于这些特征点的提取普遍做法是采用SIFT、SURF等方法，这些方法一般在特征点数量较多时效果很好，但耗时也高，不适合在嵌入式设备中应用。此外，基于纹理特征的方法目前也较为普遍，如LBP特征、HOG特征等，这些方法对图像清晰度不再敏感，但其表达能力也很有限，不能应对多变的实际应用场景。
CN105474234A公开了一种掌静脉识别的方法，包括：获取用户的目标掌静脉图像；从所述用户的目标掌静脉图像中提取感兴趣区域ROI；获取所述ROI对应的特征数据，所述特征数据为经过二值化处理得到的；通过比对所述目标掌静脉图像对应的特征数据与已登记的原始掌静脉图像对应的特征数据，对所述用户的目标掌静脉图像进行识别，其中，所述已登记的原始掌静脉图像对应的特征数据为预先计算得到的。该方法作为基于特征点和基于纹理特征进行比对，一般在特征点数量较多时效果较好，但耗时高，不适合嵌入式设备中应用，也不能应对多变的实际应用场景，不具有自我学习能力。
CN106056041公开了一种对手掌静脉图像进行采集并识别的系统方法，现利用红外工业摄像头采集人手掌的静脉图像，再对原始图像进行归一化、二值化、中值滤波进行预处理得出具有一定特征的目标图像，接下来对图像通过多层卷积和池化等操作进行训练，最终得到合理的权矩阵。该方法没有人工进行静脉图像标注，原始的输入数据会随着数据量增大而产生较大的偏移；并且，针对因时间偏移而带来人手掌的静脉图像变化不能进行自动调整，即不具有记忆属性。
CN108615002公开了一种基于卷积神经网络的手掌静脉认证方法，该基于卷积神经网络的手掌静脉认证方法具体步骤如下：S1、根据训练样本集图像，对卷积神经网络进行训练，S2、用户注册图像输入到卷积网络模型生成特征向量，S3、输入待识别图像，S4、待识别特征向量与模板存储模块中的模板特征向量进行比对识别；S5、比对结果获得的概率值取最大值，最大概率值大于一定阈值，则认证成功，否则认证失败。该方法同样针对因时间偏移而带来人手掌的静脉图像变化不能进行自动调整，不具有记忆属性。
发明内容
本发明针对上述技术问题，提出了一种基于LSTM的掌静脉识别系统，在一定历史时间范围，对不同温度的掌静脉图像数据进行学习，从而生成不同的掌静脉数据识别模板。掌静脉设备识别时，不同温度下，与对应的图像描述模型进行比对，排除温度影响，从而提高掌静脉数据识别的效率、准确率。
为了实现本发明的目的，本发明采用的技术方案是：
一种基于LSTM的掌静脉识别系统，包括：
启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；
图像采集模块，用于获取目标掌静脉图像；
温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；
图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；
图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；
数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。
本发明所述的图像预处理模块，采用FCN模型提取目标掌静脉图像的数据信息。
本发明所述的图像识别模块，根据图像采集时的温度信息，将掌静脉图像数据作为对应温度的LSTM-CNN模型的输入，提取生成特征向量。
本发明还提供了一种基于LSTM的掌静脉识别方法，包括以下步骤：
S1.采集一段时间内的不同人的掌静脉图像数据和温度信息；
S2.对采集到的掌静脉图像数据进行人工标注，训练出基于掌静脉数据的FCN(全卷积网络)模型；
S3.利用人工标注后的掌静脉图像数据，建立多个不同温度下的LSTM-CNN模型；
S4.通过传感器获取用户注册掌静脉图像及温度信息，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；
S5.基于用户注册掌静脉图像的数据信息作为输入，经多个不同温度的LSTM-CNN模型提取生成特征向量，并作为特征向量模板存储；
S6.通过传感器获取待识别掌静脉图像及温度信息，选择相应温度的LSTM-CNN模型提取待识别掌静脉的特征向量与特征向量模板进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。
经过训练，LSTM-CNN中保存有多个不同温度下的特征向量模板，如果待识别掌静脉特征向量与对应温度的已有特征向量小于特定的阀值，即认为相同。
本发明所述S6步骤的比对方法为：
S61将待识别掌静脉数据在深度学习模型LSTM-CNN的Embedding层进行向量化并转换成向量A；
S62向量A传入深度学习模型LSTM-CNN的LSTM层一LSTM单元；
S63将LSTM单元的输出hi传入深度学习模型LSTM-CNN的第一DropOut层；
S64将第一DropOut层的输出传入Conv卷积层进行卷积后，使用ReLU激活函数将卷积层的输出设为ci；
S65将该Conv层的输出ci依次经第二DropOut层、SoftMax层处理后，将得到的输出y′与特征向量模板yID一起计算产生损失值；当前计算的损失值与前m次损失值的平均值的差小于阈值，则认证成功，否则认证失败。
优选地，所述损失值Cost(y′，yID)＝-yIDlog(y′)+(1-yID)log(1-y′)。
优选地，所述的阈值为0.5。
本发明所述S1步骤，采集-20～40摄氏度温度变化的掌静脉图像数据。
本发明的有益效果在于：
1、本发明的掌静脉识别系统采用LSTM-CNN模型训练，基于训练的掌静脉数据集，提取图像描述数据集中的CNN特征，通过二层、三层及多层LSTM-CNN模型进行训练，最终获得基于不同温度下的逐层多目标优化及多层概率融合的图像描述模型。相比传统的特征点和基于纹理特征进行比对，基于LSTM-CNN模型训练，针对时间、温度变化，无论效率、准确率都有大幅地提高。
2、相比传统的特征点和基于纹理特征进行比对，通过人工标注训练掌静脉切割的FCN模型，更好地识别掌静脉图像信息，从而更加高效地识别掌静脉图像信息。
3、相比传统的解决方案，LSTM-CNN具有历史记忆性、训练性，通过标注掌静脉数据的训练，可不断地优化特征向量；通过历史数据的训练，可随着时间数据的变化，特征向量体现时间的属性从而避免偏差过大。
附图说明
图1为本发明基于LSTM的掌静脉识别系统的框图。
图2为本发明基于LSTM的掌静脉识别方法的流程示意图。
图3为单张掌静脉数据图片信息。
图4为基于掌静脉图片的FCN模型。
图5为训练并着色之后的掌静脉图像。
具体实施方式
为了更加清楚、详细地说明本发明的目的技术方案，下面通过相关实施例对本发明进行进一步描述。以下实施例仅为具体说明本发明的实施方法，并不限定本发明的保护范围。
实施例1
如图1所示，一种基于LSTM的掌静脉识别系统，包括：
启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；
图像采集模块，用于获取目标掌静脉图像；
温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；
图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；
图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；
数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。
本发明所述的图像预处理模块，采用FCN模型提取目标掌静脉图像的数据信息。
本发明所述的图像识别模块，根据图像采集时的温度信息，将掌静脉图像数据作为对应温度的LSTM-CNN模型的输入，提取生成特征向量。
本发明的图像采集模块，采用日本富士通公司的PalmSecure传感器，自动地实现掌静脉图像的读取功能。
所述的热释电红外传感模块为热释电红外传感器，型号为LHI778。温度传感器模块为市面可采购的常规温度传感器。
使用时，热释电红外传感模块感应到区域范围内的目标人群并启动图像采集模块和温度传感器模块；图像采集模块获取目标掌静脉图像，温度传感器模块获取当前的温度信息；图像预处理模块读取掌静脉图像的数据信息作为图像识别模块的输入，图像识别模块，基于当前温度，对获取的掌静脉图像与数据库模块中存储的已注册用户的掌静脉图像模板进行比对，比对成功，则用户身份验证一致，否则，为不一致。
实施例2
一种基于LSTM的掌静脉识别方法，人工标注掌静脉图像数据进而训练出FCN模型，作为图像预处理模块。通过卷积神经网络(CNN)计算标注过的掌静脉图像数据的特征向量，进而通过LSTM训练出掌静脉识别模型，即图像识别模块。将待识别的掌静脉数据输入到掌静脉识别模型与已注册的用户掌静脉数据进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。具体流程示意图如图2所示，下面进行具体说明。
具体包括如下步骤：
S1.采集一段时间内的不同人的掌静脉图像数据和温度信息；
人的掌静脉信息会随着时间的推移而发生改变，而传统的识别方法都假定人的掌静脉信息是不变的。同时，外界温度的变化也会对掌静脉图像提取产生较大的影响。本发明针对不同时间(也意味着温度的差异性)进行训练，从而满足多种实际场景的需求。
S2.对采集到的掌静脉图像数据进行人工标注，训练出基于掌静脉数据的FCN(全卷积网络)模型；
后续采集的人掌静脉图像，通过FCN模型可快速、准确地读取人手掌静脉数据信息。
S3.利用人工标注后的掌静脉图像数据，建立多个不同温度下的LSTM-CNN模型；
S4.通过传感器获取用户注册掌静脉图像及温度信息，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；
S5.基于用户注册掌静脉图像的数据信息作为输入，经多个不同温度的LSTM-CNN模型提取生成特征向量，并作为特征向量模板存储；
S6.通过传感器获取待识别掌静脉图像及温度信息，选择相应温度的LSTM-CNN模型与特征向量模板进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。
在步骤S1中，在一个月时间内，人工模拟从-20～40摄氏度的温度变化，采集掌静脉图像数据和温度信息。共计12000张，10人的单张掌静脉数据图片，单张掌静脉数据图片如图3所示。
在步骤S2中，采用人工标注，实现不同温度下，用户掌静脉图像数据的标注工作，从而训练出基于掌静脉图片的FCN模型，见图4。
标注的是掌静脉形状信息，每个掌静脉形状信息，对应一个xml文件，xml文件中包含了用户掌静脉的位置信息。基于标注后的掌静脉图像数据，读取掌静脉数据中的特定位置的数据信息。标注目标物体，生成对应的xml文件，一张图像对应一个xml文件，xml文件主要内容是图像的路径以及图像中的目标在图像中的位置等信息。
深度学习图像分割(FCN)训练自己的模型分为以下三步：
1.采用开源软件labelme，为掌静脉的数据制作label；
2.将自己的数据分为训练集,验证集和测试集，分配比例为1:1:1；
3.编写自己的输入数据层并输入到FCN模型。
FCN模型建模参数：输入为384*384*3的手掌静脉图片，卷积网络层由1个卷积核为24*24的基础卷积层，步长(Stride)设为24，填充值(padding)为0。
经过训练并着色之后的掌静脉图像如图5所示。
在步骤S3中，利用人工标注后的掌静脉图像数据，按温度对数据进行分类，在-20～40摄氏度的范围内，每5摄氏度建立一个LSTM-CNN模型，从而建立12个不同温度下的LSTM-CNN模型；进行LSTM-CNN模型训练之前，将数据集划分为：
a)训练集：用于训练模型
b)验证集：每一次迭代训练完成后，测试一次该训练的效果
c)测试集：测试模型的检测准确性。
分配比例为1:1:1。
长短期记忆模型(LSTM)是一种特殊的RNN模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆：
1)随机无放回的从该图像数据集合中选取一组图像数据，从该图像分组中抽取BatchSize个图像数据，每一个图像构成一数据w，该图像对应的标签集合为y；根据图像编号集合CharID将数据w转换为对应的编号，得到数据BatchData；根据标签编号集合LabelID将集合y中的标签转换为对应的编号，得到数据yID；
2)将步骤1)生成的多个数据BatchData及其对应的标签数据yID一起送入深度学习模型LSTM-CNN，训练该深度学习模型LSTM-CNN的参数，当深度学习模型产生的损失值满足设定条件或者达到最大迭代次数N为8，则终止深度学习模型的训练，得到训练后的深度学习模型LSTM-CNN；否则采用步骤1)的方法重新生成数据BatchData训练该深度学习模型LSTM-CNN；
3)将待预测的混合图像数据PreData转换成与该深度学习模型LSTM-CNN匹配的数据PreMData，并将其送入训练好的深度学习模型LSTM-CNN，得到图像结果OrgResult。
进一步的，该数据BatchData的长度为一固定长度maxLen 4096，当抽取到的数据长度l＜maxLen时，将该句子后面补maxLen-l个0，得到BatchData；并将对应的数据yID后面补maxLen-l个0，得到数据yID；其中，maxLen等于该深度学习模型LSTM-CNN中的LSTM单元个数。
进一步的，产生该损失值的方法为：
21)将数据BatchData在深度学习模型LSTM-CNN的Embedding层进行向量化，将数据BatchData中的每个图像转换成一向量；
22)将各数据BatchData对应的向量传入深度学习模型LSTM-CNN的LSTM层，其中该数据BatchData中的每一图像对应的向量传入LSTM层的一LSTM单元；且第i-1个LSTM单元的输出结果输入第i个LSTM单元；
23)将每个LSTM单元的输出hi传入深度学习模型LSTM-CNN的第一DropOut层；
24)将第一DropOut层的输出传入Conv卷积层进行卷积后，使用ReLU激活函数将卷积层的输出设为ci；
25)将该Conv层的输出ci依次经第二DropOut层、SoftMax层处理后，将得到的输出y′与传入的数据yID一起计算产生损失值。
进一步的，所述损失值Cost(y′，yID)＝-yIDlog(y′)+(1-yID)log(1-y′)；其中y′表示数据BatchData经过该SoftMax层后的输出。
进一步的，所述步骤2)中，所述设定条件为：当前计算的损失值与前m次损失值的平均值的差小于阈值。
进一步的，使用Adam梯度下降算法训练该深度学习模型LSTM-CNN的参数。
26)如果深度学习模型产生的Cost(y′，yID)计算得到的损失值不再降低，或者达到最大迭代次数N(8)，则终止深度学习模型的训练；否则跳到步骤1)。
其中，Costi′(y′，yID)表示前i次迭代时的损失值，Cost(y′，yID)表示当前迭代产生的损失值，这个公式表达的意思是如果当前的损失值与前M次损失值的平均值的差小于阈值θ，则认为不再降低。
在步骤S4中，通过传感器获取用户注册掌静脉图像及温度信息，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；
在步骤S5中，基于用户注册掌静脉图像的数据信息作为输入，经12个不同温度的LSTM-CNN模型提取生成特征向量，并作为特征向量模板存储；
用户注册掌静脉图像A，得到经过FCN模型并处理后的用户掌静脉图像数据信息B。
将用户掌静脉图像数据信息B输入LSTM-CNN深度学习模型，从而获得识别特征向量值C，作为特征向量模板存储。
实施例3
本实施例在实施例1的基础上：
所述S6步骤的比对方法为：
S61将待识别掌静脉数据在深度学习模型LSTM-CNN的Embedding层进行向量化并转换成向量A；
S62向量A传入深度学习模型LSTM-CNN的LSTM层一LSTM单元；
S63将LSTM单元的输出hi传入深度学习模型LSTM-CNN的第一DropOut层；
S64将第一DropOut层的输出传入Conv卷积层进行卷积后，使用ReLU激活函数将卷积层的输出设为ci；
S65将该Conv层的输出ci依次经第二DropOut层、SoftMax层处理后，将得到的输出特征向量y'与特征向量模板yID一起计算产生损失值；当前计算的损失值与前m次损失值的平均值的差小于阈值，则认证成功，否则认证失败。
基于待识别掌静脉图像和温度信息(20-25℃),选择相应温度段(20-25℃)的LSTM-CNN模型，并进行比对工作。若比对大于一定阈值，则认证成功，否则认证失败。
进一步的，所述损失值Cost(y′，yID)＝-yIDlog(y′)+(1-yID)log(1-y′)；其中y′表示数据BatchData经过该SoftMax层后的输出。
进一步的，将阈值设定为0.5，若当前计算的损失值与前m次损失值的平均值的差比对大于0.5，则认为待识别掌静脉特征向量与用户注册的掌静脉特征向量模板一致，则用户身份验证一致。
针对该场景，m设定为18。
本发明进行了80次验证实验，准确率为100％。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能的等同替换或改变，均被认为属于本发明的权利要求的保护范围。

Claims (8)

1.一种基于LSTM的掌静脉识别系统，其特征在于，包括：
启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；
图像采集模块，用于获取目标掌静脉图像；
温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；
图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；
图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；
数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。
2.根据权利要求1所述基于LSTM的掌静脉识别系统，其特征在于，所述的图像预处理模块，采用FCN模型提取目标掌静脉图像的数据信息。
3.根据权利要求1所述基于LSTM的掌静脉识别系统，其特征在于，所述的图像识别模块，根据图像采集时的温度信息，将掌静脉图像数据作为对应温度的LSTM-CNN模型的输入，提取生成特征向量。
4.根据权利要求1所述基于LSTM的掌静脉识别方法，其特征在于，包括以下步骤：
S1.采集一段时间内的不同人的掌静脉图像数据和温度信息；
S2.对采集到的掌静脉图像数据进行人工标注，训练出基于掌静脉数据的FCN模型；
S3.利用人工标注后的掌静脉图像数据，建立多个不同温度下的LSTM-CNN模型；
S4.通过传感器获取用户注册掌静脉图像，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；
S5.基于用户注册掌静脉图像的数据信息作为输入，经多个不同温度的LSTM-CNN模型提取生成特征向量，并作为特征向量模板存储；
S6.通过传感器获取待识别掌静脉图像及温度信息，选择相应温度的LSTM-CNN模型提取待识别掌静脉的特征向量与特征向量模板进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。
5.根据权利要求4所述基于LSTM的掌静脉识别方法，其特征在于，所述S6步骤的比对方法为：
S61 将待识别掌静脉数据在深度学习模型LSTM-CNN的Embedding层进行向量化并转换成向量A；
S62 向量A传入深度学习模型LSTM-CNN的LSTM层一LSTM单元；
S63 将LSTM单元的输出hi传入深度学习模型LSTM-CNN的第一DropOut层；
S64 将第一DropOut层的输出传入Conv卷积层进行卷积后，使用ReLU激活函数将卷积层的输出设为ci；
S65 将该Conv层的输出ci依次经第二DropOut层、SoftMax层处理后，将得到的输出y′与特征向量模板yID一起计算产生损失值；当前计算的损失值与前m次损失值的平均值的差小于阈值，则认证成功，否则认证失败。
6.根据权利要求5所述基于LSTM的掌静脉识别方法，其特征在于，所述损失值Cost(y′，yID)＝-yIDlog(y′)+(1-yID)log(1-y′)。
7.根据权利要求5所述基于LSTM的掌静脉识别方法，其特征在于，所述的阈值为0.5。
8.根据权利要求4所述基于LSTM的掌静脉识别方法，其特征在于，所述S1步骤，采集-20～40摄氏度温度变化的掌静脉图像数据。
CN201910623911.2A 2019-07-11 2019-07-11 一种基于lstm的掌静脉识别系统及方法 Active CN110321871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910623911.2A CN110321871B (zh) 2019-07-11 2019-07-11 一种基于lstm的掌静脉识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910623911.2A CN110321871B (zh) 2019-07-11 2019-07-11 一种基于lstm的掌静脉识别系统及方法

Publications (2)

Publication Number Publication Date
CN110321871A true CN110321871A (zh) 2019-10-11
CN110321871B CN110321871B (zh) 2023-04-07

Family

ID=68121840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910623911.2A Active CN110321871B (zh) 2019-07-11 2019-07-11 一种基于lstm的掌静脉识别系统及方法

Country Status (1)

Country Link
CN (1) CN110321871B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420582A (zh) * 2020-11-04 2021-09-21 中国银联股份有限公司 用于掌静脉识别的防伪检测方法及其系统
CN117292443A (zh) * 2023-09-25 2023-12-26 杭州名光微电子科技有限公司 一种融合人脸和掌静脉的多模态识别系统及其方法
CN117315833A (zh) * 2023-09-28 2023-12-29 杭州名光微电子科技有限公司 一种用于智能门锁的掌静脉识别模组及其方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542263A (zh) * 2012-02-06 2012-07-04 北京鑫光智信软件技术有限公司 一种基于指部生物特征的多模态身份认证方法及装置
CN104952447A (zh) * 2015-04-30 2015-09-30 深圳市全球锁安防系统工程有限公司 一种老龄人安康服务智能穿戴设备及语音识别方法
CN106355825A (zh) * 2016-11-17 2017-01-25 天津稻恩科技有限公司 一种基于掌纹掌脉识别的安防系统
CN106803316A (zh) * 2015-11-26 2017-06-06 浙江维融电子科技股份有限公司 一种基于多重身份识别系统的vtm机及其识别方法
CN107169432A (zh) * 2017-05-09 2017-09-15 深圳市科迈爱康科技有限公司 基于肌电的生物识别方法、终端及计算机可读存储介质
CN107724900A (zh) * 2017-09-28 2018-02-23 深圳市晟达机械设计有限公司 一种基于掌纹识别的家庭防盗门
CN107967442A (zh) * 2017-09-30 2018-04-27 广州智慧城市发展研究院 一种基于无监督学习和深层网络的指静脉识别方法及系统
CN108615002A (zh) * 2018-04-22 2018-10-02 广州麦仑信息科技有限公司 一种基于卷积神经网络的手掌静脉认证方法
CN109615733A (zh) * 2018-11-15 2019-04-12 金菁 一种基于人脸识别的农牧场防盗方法、装置及存储介质
CN109767438A (zh) * 2019-01-09 2019-05-17 电子科技大学 一种基于动态多目标优化的红外热图像缺陷特征识别方法
CN109758160A (zh) * 2019-01-11 2019-05-17 南京邮电大学 一种基于lstm-rnn模型的无创血糖预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542263A (zh) * 2012-02-06 2012-07-04 北京鑫光智信软件技术有限公司 一种基于指部生物特征的多模态身份认证方法及装置
CN104952447A (zh) * 2015-04-30 2015-09-30 深圳市全球锁安防系统工程有限公司 一种老龄人安康服务智能穿戴设备及语音识别方法
CN106803316A (zh) * 2015-11-26 2017-06-06 浙江维融电子科技股份有限公司 一种基于多重身份识别系统的vtm机及其识别方法
CN106355825A (zh) * 2016-11-17 2017-01-25 天津稻恩科技有限公司 一种基于掌纹掌脉识别的安防系统
CN107169432A (zh) * 2017-05-09 2017-09-15 深圳市科迈爱康科技有限公司 基于肌电的生物识别方法、终端及计算机可读存储介质
CN107724900A (zh) * 2017-09-28 2018-02-23 深圳市晟达机械设计有限公司 一种基于掌纹识别的家庭防盗门
CN107967442A (zh) * 2017-09-30 2018-04-27 广州智慧城市发展研究院 一种基于无监督学习和深层网络的指静脉识别方法及系统
CN108615002A (zh) * 2018-04-22 2018-10-02 广州麦仑信息科技有限公司 一种基于卷积神经网络的手掌静脉认证方法
CN109615733A (zh) * 2018-11-15 2019-04-12 金菁 一种基于人脸识别的农牧场防盗方法、装置及存储介质
CN109767438A (zh) * 2019-01-09 2019-05-17 电子科技大学 一种基于动态多目标优化的红外热图像缺陷特征识别方法
CN109758160A (zh) * 2019-01-11 2019-05-17 南京邮电大学 一种基于lstm-rnn模型的无创血糖预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章启浩等: "身份鉴别新技术——掌静脉识别技术与应用", 《热点聚焦》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420582A (zh) * 2020-11-04 2021-09-21 中国银联股份有限公司 用于掌静脉识别的防伪检测方法及其系统
CN113420582B (zh) * 2020-11-04 2023-09-05 中国银联股份有限公司 用于掌静脉识别的防伪检测方法及其系统
CN117292443A (zh) * 2023-09-25 2023-12-26 杭州名光微电子科技有限公司 一种融合人脸和掌静脉的多模态识别系统及其方法
CN117292443B (zh) * 2023-09-25 2024-06-07 杭州名光微电子科技有限公司 一种融合人脸和掌静脉的多模态识别系统及其方法
CN117315833A (zh) * 2023-09-28 2023-12-29 杭州名光微电子科技有限公司 一种用于智能门锁的掌静脉识别模组及其方法
CN117315833B (zh) * 2023-09-28 2024-06-04 杭州名光微电子科技有限公司 一种用于智能门锁的掌静脉识别模组及其方法

Also Published As

Publication number Publication date
CN110321871B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110321870A (zh) 一种基于lstm的掌静脉识别方法
CN109815801A (zh) 基于深度学习的人脸识别方法及装置
CN107391709A (zh) 一种基于新型注意模型进行图像字幕生成的方法
CN107506722A (zh) 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN110321871A (zh) 一种基于lstm的掌静脉识别系统及方法
CN107330444A (zh) 一种基于生成对抗网络的图像自动文本标注方法
CN108427942A (zh) 一种基于深度学习的手掌检测与关键点定位方法
CN108108674A (zh) 一种基于关节点分析的行人再识别方法
CN109299701A (zh) 基于gan扩充多人种特征协同选择的人脸年龄估计方法
CN107437100A (zh) 一种基于跨模态关联学习的图像位置预测方法
CN107741781A (zh) 无人机的飞行控制方法、装置、无人机及存储介质
CN108805222A (zh) 一种基于arm平台的深度学习数字手写体识别方法
CN106485186A (zh) 图像特征提取方法、装置、终端设备及系统
CN107871107A (zh) 人脸认证方法和装置
CN108960171B (zh) 一种基于特征迁移学习的转换手势识别到身份识别的方法
CN105956570B (zh) 基于唇部特征和深度学习的笑脸识别方法
CN112183198A (zh) 肢体骨架和头手部件轮廓融合的手势识别方法
CN109886153A (zh) 一种基于深度卷积神经网络的实时人脸检测方法
CN109886154A (zh) 基于Inception V3的多数据集联合训练的行人外观属性识别方法
CN107944398A (zh) 基于深度特征联合表示图像集人脸识别方法、装置和介质
Vishwakarma et al. Simple and intelligent system to recognize the expression of speech-disabled person
Chang et al. Automated facial expression recognition system using neural networks
CN105426882A (zh) 一种人脸图像中快速定位人眼的方法
CN107992783A (zh) 人脸图像处理方法及装置
CN107862322A (zh) 结合图片和文本进行图片属性分类的方法、装置及系统

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