CN110543822A - 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 - Google Patents
一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 Download PDFInfo
- Publication number
- CN110543822A CN110543822A CN201910691149.1A CN201910691149A CN110543822A CN 110543822 A CN110543822 A CN 110543822A CN 201910691149 A CN201910691149 A CN 201910691149A CN 110543822 A CN110543822 A CN 110543822A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- finger
- image
- neural network
- convolutional neural
- 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.)
- Pending
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 145
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 23
- 210000001145 finger joint Anatomy 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于卷积神经网络和监督式离散哈希的指静脉识别方法,使用双侧红外照射采集指静脉图像并进行预处理、边缘检测、方向矫正和感兴趣区域(ROI)提取;采用Res2net卷积神经网络对ROI指静脉图像提取特征;采用离散式哈希算法模型进行二进制编码;将提取的二进制编码特征作为待注册/识别的指静脉特征;构建指静脉图像数据库,将待识别指静脉图像经过上述处理得到识别的特征编码之后在指静脉数据库中一一进行检索识别,采用哈明距离度量得出相似度,获得匹配识别结果。在本发明实施例中,深度学习可以获得更有表征能力的特征编码,并且离散式哈希算法可以使特征模板尺寸更小,在海量匹配人脸匹配中更加高效。
Description
技术领域
本发明涉及生物特征识别技术、图像识别、模式识别、深度学习领域,尤其涉及一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法。
背景技术
随着信息技术的快速发展,利用生物特征识别技术进行个人的身份验证受到人们越来越多的关注。与传统的身份认证方法相比,生物特征识别技术利用人体的生理特征或者行为特征进行身份的认证,具有极高的安全性并且不会丢失。人体的生物特征主要有人脸、虹膜、指纹、掌纹、指静脉、掌静脉等,行为特征主要有步态、笔迹等。在这些生物特征中,手指静脉以其活体采集防盗取、使用方便卫生等特点被用户广泛接受。手指静脉认证主要是利用手指内静脉的分布图像进行身份认证,因为指静脉之间的交叉点、角度以及空间位置被认为是排它信息,而排它信息是可以被用来生成一个唯一的密钥。
目前的指静脉识别方法大多为基于领域内知识,涉及图像处理、滤波、增强、特征提取等;当前图像采集设备的成像质量较低,人为的设计提取特征算法来表征静脉特征难度较大,从而会影响后续特征匹配以及识别;部分学者提出基于传统的神经网络实现指静脉身份识别,也有新的研究提出基于卷积神经网络提取静脉纹路的身份认证系统。然而在指静脉识别中还有大量关键性问题需要解决;
目前亟待解决的问题有:传统图像算法提取手工特征鲁棒性不佳,造成识别的准确率难以提高;在海量指静脉数据库中查询时速度较慢,难以实时,而且在实际应用中特征存储的成本也相对较高,匹配速度较慢。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,提取更深层、更具鲁棒性的指静脉特征,然后通过监督式离散哈希算法对特征序列进行二值化,获得最终的二进制特征编码,从而显著提升识别的速度和精度,同时减小特征模板的尺寸。
为了解决上述技术问题,本发明提供了一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,技术方案如下:
A、连接指静脉的双侧红外采集设备,进行指静脉图像采集;
B、对指静脉图像进行预处理和边缘检测,确定手指的轮廓边缘,根据手指的轮廓边缘确定手指中线,根据中线的倾斜角度对指静脉图像进行方向矫正;根据手指关节高亮确定指静脉图像的ROI区域,截取ROI图像并进行归一化处理;
C、使用卷积神经网络提取经过归一化处理后的ROI图像的float型特征编码;
D、使用监督式离散哈希算法模型对提取到的float型特征编码进行二值化,获取指静脉图像的二进制特征编码;
E、将步骤D得到的二进制特征编码作为指静脉的注册模板存储到指静脉数据库中,对待识别的指静脉图像基于哈明距离的度量进行检索识别。
进一步的,所述的步骤A具体为:
A1、客户机通过USB数据线与指静脉的双侧红外采集设备建立连接;
A2、客户机控制指静脉红外采集设备采集手指静脉的近红外图像并将指静脉的图像保存成本地的图像;
A3、在采集到的指静脉图像中,将手指指尖的方向记为x轴正方向,指关节方向记为y轴方向。
进一步的,所述步骤B具体为:
B1、利用对比度受限的自适应直方图均衡化(CALHE)对指静脉图像进行初步的图像增强,增加指静脉图像中的静脉与背景的对比度;
B2、通过高斯滤波对增强后的指静脉图像进行滤波操作,减少噪声点的干扰,得到预处理后的指静脉图像;
B3、通过Sobel边缘检测算子检测预处理后的指静脉图像中手指的轮廓边缘;根据轮廓两侧的中点通过最小二乘法进行直线拟合,得到手指中线;
B4、计算手指中线的倾斜角度,根据倾斜角度将指静脉图像旋转至水平;
B5、根据手指的轮廓分割出手指图,对手指图在y轴上做投影,根据指静脉红外图上指关节高亮特点,确定手指关节的位置,截取手指关节所在线沿x 轴正方向向前240个像素点所包含的静脉图像;
B6、在根据指关节截取的静脉图像中根据上下轮廓确定指静脉图像的ROI 区域,截取ROI图像,所述ROI图像不包含轮廓且ROI图像的中线也是手指图的中线;
B7、对得到的ROI图像进行尺度的归一化。
进一步的,所述步骤C具体为:
C1、卷积神经网络通过一个个的Res2net模块组合而成,Res2net模块是由 Resnet模块发展而来,采用更小的卷积组来替代Resnet模块中的3*3卷积层;首先通过将1*1卷积之后的特征图均分为s个特征图子集,每个特征图子集大小相等,但是通道数是输入特征图的1/s,对每个特征图子集Xi,有一个对应的3*3 卷积Ki(·),假设Ki(·)的输出是Yi,接下来的每个特征图子集Xi会加上Ki-1(·)的输出,然后一起输入到Ki(·);为了在增大s的同时,减少参数量,省去了X1的3*3 网络;这里改进了Res2net的结构,通过交叉连接,将所有的特征图子集的输出拼接起来,然后再送入下一层的1*1卷积层;卷积神经网络的输出层为一个线性变化层,损失函数使用Additive Angular Margin loss,增大类间距离,提高识别的准确率;
C2、训练模型时,采用公开的指静脉数据集和采集到的经过步骤B预处理后的数据集结合起来作为训练集和测试集,对训练集进行数据扩展,主要有图像左右翻转、图像上下左右十个像素内的随机裁剪等操作;设置初始学习率为0.01,学习率的值根据训练次数的增加呈阶梯式下降;设置batch_size的大小为64;当测试集的准确率达到预定目标后,停止训练并将训练好的网络参数文件保存为.pb文件;
C3、对步骤B得到的ROI图像进行灰度归一化;
C4、加载卷积神经网络,读取训练好的网络参数文件,即步骤C2得到的.pb 文件,包括各个网络层的权重值;将权重导入卷积神经网络,再将步骤B得到的归一化后的ROI图像输入卷积神经网络,输出float型特征编码。
进一步的,所述步骤D具体为:
D1、建立监督式离散哈希算法模型,将步骤C得到的float型特征编码以及对应的标签作为模型的训练数据其中xi和yi分别表示第i个指静脉图像的float型特征编码和对应的标签,n表示静脉图像的数目;设定编码的长度L,即128位;设定锚点数m、最大迭代数t,正则化参数λ和ν;优化监督式离散哈希算法模型的模型参数,得到训练好的模型参数文件保存为.pb文件;
D2、读取训练好的离散哈希算法模型的参数文件,加载到监督式离散哈希算法模型中;
D3、将步骤C中提取到的float型指静脉特征编码输入步骤D2中的算法模型中,输出指静脉图像的二进制特征编码其中bi表示第i个指静脉图像的二进制特征编码。
进一步的,所述步骤E具体为:
E1、通过步骤A采集待识别的指静脉图像,并进一步通过步骤B、C、D 提取待匹配的二进制编码;
E2、在识别阶段,将步骤E1提取的待匹配的二进制特征编码与指静脉数据库中已注册的二进制特征编码依次计算哈明距离di,即两个指静脉图像的相似度,并与设定的阈值D进行比较,若di>D,则判断为同一个人的指静脉图像,相反则判断为不是同一个人的;
E3、若待匹配的二进制编码未存储在指静脉数据库中,则可选择进入注册阶段,将步骤E1得到的二进制编码写入指静脉数据库中,重复步骤E2。
与现有技术相比,本发明具有的有益效果是:与现有技术相比,本发明采用了基于卷积神经网络和离散式离散哈希算法的指静脉识别的方法。首先,卷积神经网络采用了改进的Res2net模块作为网络主结构,在尽量不增加网络参数的情况下,可以多尺度的、更好的提取到鲁棒性较好的指静脉特征,使指静脉识别的准确率相对于传统的识别方法更高。同时选用Additive Angular Margin loss作为神经网络的损失函数,可以增大类别之间的距离,使网络可以提取到更具有分辨力的特征,适用于具有较高相似度的指静脉图像。网络的学习率采用阶梯式的设置,随着训练次数的增加逐渐降低学习率,可以有效加快训练速度。卷积神经网络提取到的特征送入监督式离散哈希算法模型中进行二值化,提取出二进制的特征编码,监督式离散哈希算法生成的二进制特征向量间的匹配分数和卷积神经网络输出的实值特征向量间的匹配分数保持一致。这种哈希算法的主要优点在于可以极大的减少指静脉模板的存储空间,同时二值化模板对匹配速度的性能提升也是巨大的,因为其计算匹配分数所需的汉明距离要比计算实值特征向量间的欧式距离快的多。所以本发明对于传统指静脉识别方法来说是一个技术的突破。
附图说明
图1是本方法的步骤图;
图2是对指静脉图像预处理并提取ROI区域的流程图;
图3指静脉边缘检测以及方向矫正示意图;
图4为对图像进行相应旋转的示意图;
图5指静脉图像ROI提取示意图;
图6是提取指静脉特征的卷积神经网络的结构图;
图7是Res2net模块示意图;
图8是监督式离散哈希算法训练步骤图;
图9是指静脉识别的流程图。
具体实施方式
以下结合附图和具体实施对本发明进行详细描述,但不作为对本发明的限定。
如图1所示,本方法的实施步骤如下:
A、连接指静脉的双侧红外采集设备,进行指静脉图像采集。
使用指静脉的红外采集设备附带的USB接口的数据线,将PC机与设备相连接,并在PC机上安装设备所需要的驱动程序。将手指按照采集设备要求放置在相应的位置,等待设备采集指静脉图像。采集到的静脉图像通过程序读出,然后保存到本地。
B、通过高斯滤波等对指静脉图像进行预处理、对于预处理后的指静脉图像进行边缘检测,确定出手指的轮廓边缘,根据手指的轮廓边缘进行手指中线的确定,根据中线的倾斜角度对手指进行方向矫正;根据手指关节高亮确定指静脉图像的ROI区域,截取ROI图像并进行归一化处理。
本步骤的流程图如图2所示。在步骤A中我们通过指静脉红外采集设备获取到了指静脉图像。通过对比度受限的自适应直方图均衡化对静脉图像进行初步的增强。将图像分成若干个子块,并对每个子块统计得到的直方图进行裁剪,使其幅值低于某个上限。将峰值处的像素值均匀的分布在整个灰度区间上,以保证直方图总面积不变。经过对比度增强后的图像存在噪声,而这些噪声大部分是点状似的单独的散落在图像的各处,通过高斯滤波以及中值滤波等方式能够过滤掉图像中类似于孤岛状的噪声,从而减少将噪声对指静脉识别的影响。如图3,对去噪后的指静脉图像进行Sobel算子边缘检测,检测出手指在图像中的边缘,根据手指的边缘来确定出手指的中线,即通过手指上下边缘的中点拟合出一条直线,并计算出该中线的倾斜角度。如图4,根据手指的倾斜角度对图像进行相应的旋转,并根据手指的边缘提取出图像的有效区域。如图5,根据手指关节高亮的特点,作出图像有效区域在y轴上的投影,根据投影的峰点确定手指关节点,然后截取关节点y轴负方向40个像素,y轴正方向200个像素作为感兴趣区域。最用尺度归一化为120×314大小作为ROI感兴趣区域,截取ROI图像,所述ROI 图像不包含轮廓且ROI图像的中线也是手指图的中线;对得到的ROI图像进行尺度的归一化。
C、使用卷积神经网络提取经过归一化后的ROI图像的特征编码。
如图6所示,卷积神经网络的输入层是一个由卷积层、批标准化层、relu激活层和最大池化层组成的模块,然后通过4个Res2net模块组合而成,Res2net 模块是有Resnet模块发展而来,采用更小的卷积组来替代Resnet模块中的3*3 卷积层。首先通过将1*1卷积之后的特征图均分为s个特征图子集,每个特征图子集大小相等,但是通道数是输入特征图的1/s,对每个特征图子集Xi,有一个对应的3*3卷积Ki(·),假设Ki(·)的输出是Yi。接下来的每个特征图子集Xi会加上 Ki-1(·)的输出,然后一起输入到Ki(·)。为了在增大s的同时,减少参数量,省去了X1的3*3网络。如图7,这里改进了Res2net的结构,通过交叉连接,减少网络模块的参数量,更好的提取出有效特征。卷积神经网络的输出层为一个线性变化层。损失函数使用Additive Angular Margin loss,增大类间距离,提高识别的准确率。
训练模型时,采用公开的指静脉数据集和采集到的指静脉图经过步骤B预处理后的数据集结合起来作为训练集和测试集;对训练集进行数据扩展,主要有图像左右翻转、图像上下左右十个像素内的随机裁剪等操作;输入的图像应该进行灰度归一化,把灰度值归一化到0到1之间。设置初始学习率为0.01,学习率的值根据训练次数的值变动,呈阶梯式,为[0.01,0.001,0.0001],对应的训练batch 次数为(2000,20000,100000);设置batch_size的大小为64;当准确率达到目标或者达到最大训练次数后,停止训练并将训练好的模型保存为.pb文件。
对步骤B得到的ROI图像进行灰度归一化;再将步骤B得到的归一化后的 ROI图像输入训练好的模型中,输出是512维的float型特征编码。
D、使用监督式离散哈希算法模型对提取到的指静脉特征编码进行二值化,获取指静脉的二进制特征编码。
监督式哈希算法生成的二进制特征编码间的匹配分数和步骤C输出的实值特征编码间的匹配分数保持一致。监督式离散哈希算法的训练阶段如图8所示,主要是从n张图像对应的特征编码集和对应的标签矩阵中学习获得L bits的二进制特征编码集首先,需要设定编码的长度L,锚点数m,最大的迭代数t,正则化参数λ和ν。从输入的训练集数据中随机选择m个样本通过RBF核函数计算出映射的训练数据随机初始化 bi,bi是一个长度为L的二元{1,-1}向量。循环一下步骤直到收敛或者达到最大迭代次数:G-step:通过多分类SVM计算出参数矩阵W;F-step:使用相应的公式计算出投影矩阵P,和F(x);B-step:选择L2损失函数,通过DCC算法按位迭代学习
E、将提取的二进制特征编码在具有同样编码格式的指静脉数据库中进行哈明距离的度量,根据阈值获取匹配结果。
如图9所示,待识别图像在指静脉数据库中的检索识别分为采集、图像预处理、特征提取即编码、注册、识别5个步骤。首先通过所述的步骤A采集指静脉图像,并进一步的根据B、C、D所述算法对图像进行处理并提取特征编码 Gw(x)。Gw(x)是一个具有128位的二进制特征向量。若待匹配的二进制编码未存储在指静脉数据库中,在注册阶段,将Gw(x)写入到数据库中。在识别阶段,通过步骤A、B、C、D提取指静脉图像的特征编码Gw(x)',并在数据库中已注册的特征编码中进行一一匹配,计算两个特征编码的哈明距离,计算机计算二进制序列的哈明距离具有很大的优势,计算速度很快,可以极大的提高检索的速度。根据求得的哈明距离,跟设定的阈值进行比较,超过这个阈值的,就认为这是同一个人的手指静脉,相反则认为不是同一个人的。
Claims (6)
1.一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,所述指静脉识别步骤如下:
A、连接指静脉的双侧红外采集设备,进行指静脉图像采集;
B、对指静脉图像进行预处理和边缘检测,确定手指的轮廓边缘,根据手指的轮廓边缘确定手指中线,根据中线的倾斜角度对指静脉图像进行方向矫正;根据手指关节高亮确定指静脉图像的ROI区域,截取ROI图像并进行归一化处理;
C、使用卷积神经网络提取经过归一化处理后的ROI图像的float型特征编码;
D、使用监督式离散哈希算法模型对提取到的float型特征编码进行二值化,获取指静脉图像的二进制特征编码,并作为指静脉的注册模板存储到指静脉数据库中;
E、对待识别的指静脉图像基于哈明距离的度量进行检索识别。
2.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,其特征在于所述的步骤A具体为:
A1、客户机通过USB数据线与指静脉的双侧红外采集设备建立连接;
A2、客户机控制指静脉红外采集设备采集手指静脉的近红外图像并将指静脉的图像保存成本地的图像;
A3、在采集到的指静脉图像中,将手指指尖的方向记为x轴正方向,指关节方向记为y轴方向。
3.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,其特征在于所述步骤B具体为:
B1、利用对比度受限的自适应直方图均衡化对指静脉图像进行初步的图像增强,增加指静脉图像中的静脉与背景的对比度;
B2、通过高斯滤波对增强后的指静脉图像进行滤波操作,减少噪声点的干扰,得到预处理后的指静脉图像;
B3、通过Sobel边缘检测算子检测预处理后的指静脉图像中手指的轮廓边缘;根据轮廓两侧的中点通过最小二乘法进行直线拟合,得到手指中线;
B4、计算手指中线的倾斜角度,根据倾斜角度将指静脉图像旋转至水平;
B5、根据手指的轮廓分割出手指图,对手指图在y轴上做投影,根据指静脉红外图上指关节高亮特点,确定手指关节的位置,截取手指关节所在线沿x轴正方向向前240个像素点所包含的静脉图像;
B6、在根据指关节截取的静脉图像中根据上下轮廓确定指静脉图像的ROI区域,截取ROI图像,所述ROI图像不包含轮廓且ROI图像的中线也是手指图的中线;
B7、对得到的ROI图像进行尺度的归一化。
4.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,其特征在于所述步骤C具体为:
C1、卷积神经网络通过一个个的Res2net模块组合而成,Res2net模块是由Resnet模块发展而来,采用更小的卷积组来替代Resnet模块中的3*3卷积层;首先通过将1*1卷积之后的特征图均分为s个特征图子集,每个特征图子集大小相等,但是通道数是输入特征图的1/s,对每个特征图子集Xi,有一个对应的3*3卷积Ki(·),假设Ki(·)的输出是Yi,接下来的每个特征图子集Xi会加上Ki-1(·)的输出,然后一起输入到Ki(·);为了在增大s的同时,减少参数量,省去了X1的3*3网络;这里改进了Res2net的结构,通过交叉连接,将所有的特征图子集的输出拼接起来,然后再送入下一层的1*1卷积层;卷积神经网络的输出层为一个线性变化层,损失函数使用Additive Angular Margin loss;
C2、训练模型时,采用公开的指静脉数据集和采集到的经过步骤B预处理后的数据集结合起来作为训练集和测试集,对训练集进行数据扩展;设置初始学习率为0.01,学习率的值根据训练次数的增加呈阶梯式下降;设置batch_size的大小为64;当测试集的准确率达到预定目标后,停止训练并将训练好的网络参数文件保存为.pb文件;
C3、对步骤B得到的ROI图像进行灰度归一化;
C4、加载卷积神经网络,读取训练好的网络参数文件,即步骤C2得到的.pb文件,包括各个网络层的权重值;将权重导入卷积神经网络,再将步骤B得到的归一化后的ROI图像输入卷积神经网络,输出float型特征编码。
5.根据权利要求1所述的一种基于卷积神经网络和离散式哈希算法的指静脉识别方法,其特征在于所述步骤D具体为:
D1、建立监督式离散哈希算法模型,将步骤C得到的float型特征编码以及对应的标签作为模型的训练数据其中xi和yi分别表示第i个指静脉图像的float型特征编码和对应的标签,n表示静脉图像的数目;设定编码的长度L,即128位;设定锚点数m、最大迭代数t,正则化参数λ和ν;优化监督式离散哈希算法模型的模型参数,得到训练好的模型参数文件保存为.pb文件;
D2、读取训练好的离散哈希算法模型的参数文件,加载到监督式离散哈希算法模型中;
D3、将步骤C中提取到的float型指静脉特征编码输入步骤D2中的算法模型中,输出指静脉图像的二进制特征编码其中bi表示第i个指静脉图像的二进制特征编码;将二进制特征编码作为指静脉的注册模板存储到指静脉数据库中。
6.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法,其特征在于所述步骤E具体为:
E1、通过步骤A采集待识别的指静脉图像,并进一步通过步骤B、C、D提取待匹配的二进制编码;
E2、在识别阶段,将步骤E1提取的待匹配的二进制特征编码与指静脉数据库中已注册的二进制特征编码依次计算哈明距离di,即两个指静脉图像的相似度,并与设定的阈值D进行比较,若di>D,则判断为同一个人的指静脉图像,相反则判断为不是同一个人的;
E3、若待匹配的二进制编码未存储在指静脉数据库中,则可选择进入注册阶段,将步骤E1得到的二进制编码写入指静脉数据库中,重复步骤E2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691149.1A CN110543822A (zh) | 2019-07-29 | 2019-07-29 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691149.1A CN110543822A (zh) | 2019-07-29 | 2019-07-29 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543822A true CN110543822A (zh) | 2019-12-06 |
Family
ID=68709915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910691149.1A Pending CN110543822A (zh) | 2019-07-29 | 2019-07-29 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543822A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111931717A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | 基于语义和图像识别的心电信息提取方法及装置 |
CN111950461A (zh) * | 2020-08-13 | 2020-11-17 | 南京邮电大学 | 基于卷积神经网络的形变检测与矫正的手指静脉识别方法 |
CN112001292A (zh) * | 2020-08-18 | 2020-11-27 | 大连海事大学 | 一种基于多尺度注意力机制深度哈希的指静脉索引方法 |
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 |
CN112994896A (zh) * | 2021-03-17 | 2021-06-18 | 黑龙江恒讯科技有限公司 | 一种基于静脉识别数字证书认证方法 |
CN113205051A (zh) * | 2021-05-10 | 2021-08-03 | 中国科学院空天信息创新研究院 | 基于高空间分辨率遥感影像的储油罐提取方法 |
CN113269702A (zh) * | 2021-05-21 | 2021-08-17 | 中国矿业大学 | 基于跨尺度特征融合的低曝光静脉图像增强方法 |
CN113343760A (zh) * | 2021-04-29 | 2021-09-03 | 暖屋信息科技(苏州)有限公司 | 一种基于多尺度特征神经网络的人体行为识别方法 |
CN113379643A (zh) * | 2021-06-29 | 2021-09-10 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113936307A (zh) * | 2021-12-17 | 2022-01-14 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
WO2022052701A1 (zh) * | 2020-09-14 | 2022-03-17 | 中国矿业大学 | 基于多模态静脉图像性别信息异构分离的身份识别方法 |
TWI768555B (zh) * | 2020-11-23 | 2022-06-21 | 威盛電子股份有限公司 | 調整神經網路輸入資料的系統及方法 |
CN114974258A (zh) * | 2022-07-27 | 2022-08-30 | 深圳市北科瑞声科技股份有限公司 | 基于语音处理的说话人分离方法、装置、设备及存储介质 |
CN114998950A (zh) * | 2022-08-01 | 2022-09-02 | 北京圣点云信息技术有限公司 | 一种基于深度学习的静脉加密与识别方法 |
CN115063845A (zh) * | 2022-06-20 | 2022-09-16 | 华南理工大学 | 基于轻量级网络及深度哈希的指静脉识别方法 |
WO2024032277A1 (zh) * | 2023-05-26 | 2024-02-15 | 杭州电子科技大学 | 基于深度神经网络编码的个人化人脸生物密钥生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN109934241A (zh) * | 2019-03-28 | 2019-06-25 | 南开大学 | 可集成到神经网络架构中的图像多尺度信息提取方法及应用 |
-
2019
- 2019-07-29 CN CN201910691149.1A patent/CN110543822A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN109934241A (zh) * | 2019-03-28 | 2019-06-25 | 南开大学 | 可集成到神经网络架构中的图像多尺度信息提取方法及应用 |
Non-Patent Citations (6)
Title |
---|
AJAY KUMAR ET AL.: "Human Identification Using Finger Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
CIHUI XIE ET AL.: "Finger vein identification using Convolutional Neural Network and supervised discrete hashing", 《PATTERN RECOGNITION LETTERS》 * |
JIANKANG DENG ET AL.: "ArcFace: Additive Angular Margin Loss for Deep Face Recognition", 《ARXIV》 * |
SHANG-HUA GAO ET AL.: "Res2Net: A New Multi-scale Backbone Architecture", 《ARXIV》 * |
何鑫 等: "基于改进卷积神经网络的指静脉识别", 《计算机工程与设计》 * |
戴庆华 等: "基于siamese卷积神经网络的指静脉识别", 《电子测量技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111950461A (zh) * | 2020-08-13 | 2020-11-17 | 南京邮电大学 | 基于卷积神经网络的形变检测与矫正的手指静脉识别方法 |
CN111950461B (zh) * | 2020-08-13 | 2022-07-12 | 南京邮电大学 | 基于卷积神经网络的形变检测与矫正的手指静脉识别方法 |
CN112001292A (zh) * | 2020-08-18 | 2020-11-27 | 大连海事大学 | 一种基于多尺度注意力机制深度哈希的指静脉索引方法 |
CN112001292B (zh) * | 2020-08-18 | 2024-01-09 | 大连海事大学 | 一种基于多尺度注意力机制深度哈希的指静脉索引方法 |
WO2022052701A1 (zh) * | 2020-09-14 | 2022-03-17 | 中国矿业大学 | 基于多模态静脉图像性别信息异构分离的身份识别方法 |
CN111931717A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | 基于语义和图像识别的心电信息提取方法及装置 |
WO2021159751A1 (zh) * | 2020-09-22 | 2021-08-19 | 平安科技(深圳)有限公司 | 基于语义和图像识别的心电信息提取方法、装置、计算机设备及存储介质 |
TWI768555B (zh) * | 2020-11-23 | 2022-06-21 | 威盛電子股份有限公司 | 調整神經網路輸入資料的系統及方法 |
CN112749735B (zh) * | 2020-12-30 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 |
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 |
CN112994896A (zh) * | 2021-03-17 | 2021-06-18 | 黑龙江恒讯科技有限公司 | 一种基于静脉识别数字证书认证方法 |
CN113343760A (zh) * | 2021-04-29 | 2021-09-03 | 暖屋信息科技(苏州)有限公司 | 一种基于多尺度特征神经网络的人体行为识别方法 |
AU2022202669B2 (en) * | 2021-05-10 | 2023-06-22 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method for extracting oil storage tank based on high-spatial resolution remote sensing image |
CN113205051A (zh) * | 2021-05-10 | 2021-08-03 | 中国科学院空天信息创新研究院 | 基于高空间分辨率遥感影像的储油罐提取方法 |
CN113269702A (zh) * | 2021-05-21 | 2021-08-17 | 中国矿业大学 | 基于跨尺度特征融合的低曝光静脉图像增强方法 |
CN113379643A (zh) * | 2021-06-29 | 2021-09-10 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113379643B (zh) * | 2021-06-29 | 2024-05-28 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113936307A (zh) * | 2021-12-17 | 2022-01-14 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
CN115063845A (zh) * | 2022-06-20 | 2022-09-16 | 华南理工大学 | 基于轻量级网络及深度哈希的指静脉识别方法 |
CN115063845B (zh) * | 2022-06-20 | 2024-05-28 | 华南理工大学 | 基于轻量级网络及深度哈希的指静脉识别方法 |
CN114974258A (zh) * | 2022-07-27 | 2022-08-30 | 深圳市北科瑞声科技股份有限公司 | 基于语音处理的说话人分离方法、装置、设备及存储介质 |
CN114998950A (zh) * | 2022-08-01 | 2022-09-02 | 北京圣点云信息技术有限公司 | 一种基于深度学习的静脉加密与识别方法 |
WO2024032277A1 (zh) * | 2023-05-26 | 2024-02-15 | 杭州电子科技大学 | 基于深度神经网络编码的个人化人脸生物密钥生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
CN107748877B (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN105760841B (zh) | 一种身份识别方法及系统 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN109271966B (zh) | 一种基于指静脉的身份认证方法、装置及设备 | |
CN111274915B (zh) | 一种指静脉图像的深度局部聚合描述子提取方法及系统 | |
CN104951940A (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
Jung et al. | Fingerprint liveness detection by a template-probe convolutional neural network | |
Hou et al. | Finger-vein biometric recognition: A review | |
Bao et al. | Extracting region of interest for palmprint by convolutional neural networks | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN114022914B (zh) | 基于融合深度网络的掌纹识别方法 | |
CN115311746A (zh) | 一种基于多特征融合的离线签名真伪检测方法 | |
Hsia et al. | Embedded Vein Recognition System with Wavelet Domain. | |
Mokni et al. | Pre-processing and extraction of the ROIs steps for palmprints recognition system | |
Hu et al. | A new finger vein recognition method based on LBP and 2DPCA | |
Benziane et al. | Dorsal hand vein identification based on binary particle swarm optimization | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN116342968B (zh) | 一种双通道人脸识别方法及装置 | |
Pratiwi et al. | Identity recognition with palm vein feature using local binary pattern rotation Invariant | |
Harb et al. | Palm print recognition |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |
|
RJ01 | Rejection of invention patent application after publication |