CN110674681A - 基于注意力机制的身份验证方法和装置 - Google Patents
基于注意力机制的身份验证方法和装置 Download PDFInfo
- Publication number
- CN110674681A CN110674681A CN201910743897.XA CN201910743897A CN110674681A CN 110674681 A CN110674681 A CN 110674681A CN 201910743897 A CN201910743897 A CN 201910743897A CN 110674681 A CN110674681 A CN 110674681A
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- preset model
- identified
- heat map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 title claims abstract description 32
- 238000012795 verification Methods 0.000 title claims description 6
- 210000003462 vein Anatomy 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims description 102
- 238000010606 normalization Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供了一种基于注意力机制的身份验证方法和装置。本发明涉及人工智能领域,该方法包括:采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型;根据待识别图像的识别结果判断身份验证是否通过。本发明实施例提供的技术方案能够解决相关技术中无法准确地基于指静脉进行身份验证的问题。
Description
【技术领域】
本发明涉及人工智能领域,尤其涉及一种基于注意力机制的身份验证方法和装置。
【背景技术】
指静脉识别技术利用手指静脉血管的纹理进行身份验证,对人体无害,具有不易被盗取、伪造等特点。该识别技术可广泛应用于银行金融、政府、教育等领域的门禁系统。
目前,基于指静脉进行身份验证存在的问题是:从图像中采集到的关于指静脉的信息较少,识别准确度较低,从而无法准确地基于指静脉进行身份验证。
【发明内容】
有鉴于此,本发明实施例提供了一种基于注意力机制的身份验证方法和装置,用以解决相关技术中无法准确地基于指静脉进行身份验证的问题。
本发明实施例提供了一种基于注意力机制的身份验证方法,所述方法包括:采集待识别图像;将所述待识别图像输入第一预设模型,所述第一预设模型输出所述待识别图像的图像特征以及热度图,所述图像特征用于指示所述待识别图像中的指静脉所在区域的特征,所述热度图由所述第一预设模型根据所述图像特征构建生成;将所述图像特征以及所述热度图输入第二预设模型,所述第二预设模型输出所述待识别图像的识别结果,所述第二预设模型为基于注意力机制的端到端模型;根据所述待识别图像的识别结果判断身份验证是否通过。
进一步地,在所述采集待识别图像之后,所述方法还包括:对所述待识别图像进行归一化处理,所述归一化处理包括尺寸归一化处理、灰度归一化处理;对归一化处理之后的待识别图像进行增强处理和去噪处理。
进一步地,在所述对所述待识别图像进行归一化处理之前,所述方法还包括:计算所述待识别图像的图像质量参数,所述图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;如果所述待识别图像的图像质量参数不满足预设条件,则输出提示信息,所述提示信息用于提示重新采集图像。
进一步地,所述第一预设模型包含三维深度卷积残缺网络以及特征金字塔网络,所述待识别图像的图像特征由所述三维深度卷积残缺网络从所述待识别图像中提取得到;所述热度图由所述第一预设模型根据所述特征金字塔网络和所述图像特征构建。
进一步地,在所述将所述待识别图像输入第一预设模型之前,所述方法还包括:获取已标注有指静脉的图像样本;根据指静脉所在的区域构建热度图样本;根据所述图像样本和所述热度图样本进行模型训练,得到所述第一预设模型以及图像特征样本,所述图像特征样本是通过所述第一预设模型对所述图像样本进行处理获得的图像特征;根据所述热度图样本、所述图像特征样本进行模型训练,得到所述第二预设模型。
本发明实施例提供了一种基于注意力机制的身份验证装置,所述装置包括:采集单元,用于采集待识别图像;第一输入单元,用于将所述待识别图像输入第一预设模型,所述第一预设模型输出所述待识别图像的图像特征以及热度图,所述图像特征用于指示所述待识别图像中的指静脉所在区域的特征,所述热度图由所述第一预设模型根据所述图像特征构建生成;第二输入单元,用于将所述图像特征以及所述热度图输入第二预设模型,所述第二预设模型输出所述待识别图像的识别结果,所述第二预设模型为基于注意力机制的端到端模型;判断单元,用于根据所述待识别图像的识别结果判断身份验证是否通过。
进一步地,所述装置还包括:第一处理单元,用于在所述采集单元采集待识别图像之后,对所述待识别图像进行归一化处理,所述归一化处理包括尺寸归一化处理、灰度归一化处理;第二处理单元,用于对归一化处理之后的待识别图像进行增强处理和去噪处理。
进一步地,所述装置还包括:计算单元,用于在所述第一处理单元对所述待识别图像进行归一化处理之前,计算所述待识别图像的图像质量参数,所述图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;输出单元,用于如果所述待识别图像的图像质量参数不满足预设条件,则输出提示信息,所述提示信息用于提示重新采集图像。
进一步地,所述第一预设模型包含三维深度卷积残缺网络以及特征金字塔网络,所述待识别图像的图像特征由所述三维深度卷积残缺网络从所述待识别图像中提取得到;所述热度图由所述第一预设模型根据所述特征金字塔网络和所述图像特征构建。
进一步地,所述装置还包括:获取单元,用于在所述第一输入单元将所述待识别图像输入第一预设模型之前,获取已标注有指静脉的图像样本;构建单元,用于根据指静脉所在的区域构建热度图样本;第一训练单元,用于根据所述图像样本和所述热度图样本进行模型训练,得到所述第一预设模型以及图像特征样本,所述图像特征样本是通过所述第一预设模型对所述图像样本进行处理获得的图像特征;第二训练单元,用于根据所述热度图样本、所述图像特征样本进行模型训练,得到所述第二预设模型。
在本发明实施例中,采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果;根据待识别图像的识别结果判断身份验证是否通过,热度图能够较好地展现待识别图像的指静脉区域的全局特性,携带了较多的关于指静脉特征的信息,因此,本发明实施例对图像进行识别的准确度更高,从而基于图像进行身份验证的准确度也更高,解决了相关技术中无法准确地基于指静脉进行身份验证的问题,能够准确地基于指静脉进行身份验证。
【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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是根据本发明第一实施例的基于注意力机制的身份验证方法的流程图;
图2是根据本发明第二实施例的基于注意力机制的身份验证方法的流程图;
图3是根据本发明实施例的一种模型训练方法的流程图;
图4是根据本发明第三实施例的基于注意力机制的身份验证装置的示意图;
图5是根据本发明实施例的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
指静脉是指人体手指内部的静脉血管,指静脉识别就是利用该血管结构的特征来实现身份认证。在可见光下,指静脉是不可见的,只有在特殊的采集装置下才能获取。医学证明,人体手指静脉的血管结构在近红外光的照射下,能够穿透骨骼和肌肉,而流经静脉血管的血红蛋白容易吸收该波段的红外光而突显出静脉结构。通过专门的图像采集装置如红外CCD摄像机即可拍摄到指静脉图像,然后对指静脉图像进行分析处理,便可从中得到指静脉特征。不同人的静脉结构是不同的,即使是双胞胎的各手指静脉也是不同的,而且成年人的指静脉结构不再变化,即指静脉具有唯一性,这就为指静脉识别提供了科学依据。
请参见图1,所示为本发明第一实施例提供的基于注意力机制的身份验证方法的流程图,包括:
步骤S101:采集待识别图像。
作为一种可选的实施方式,在采集待识别图像之后,计算待识别图像的图像质量参数,图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。如果待识别图像的图像质量参数不满足预设条件,则输出提示信息,提示信息用于提示重新采集图像。如果待识别图像的图像质量参数满足预设条件,则执行步骤S102。例如,如果待识别图像的峰值信噪比低于某一预设峰值信噪比阈值,则确定该待识别图像的图像质量较差,需要重新采集图像。
峰值信噪比(Peak signal-to-noise ratio,缩写为PSNR)是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语。由于许多信号都有非常宽的动态范围,峰值信噪比常用对数分贝单位来表示。
均方误差(Mean Squared Error,缩写为MSE):均方误差法首先计算原始图像和失真像象素差值的均方值,然后通过均方值的大小来确定失真图像的失真程度。
图像的熵表示为图像灰度级集合的比特平均数,单位比特/像素,也描述了图像信源的平均信息量。熵指的是体系的混乱的程度,对焦良好的图像的熵大于没有清晰对焦的图像,因此可以用熵作为一种对焦评价标准。熵越大,图像越清晰。
作为一种可选的实施方式,在采集待识别图像之后,对待识别图像进行归一化处理,归一化处理包括尺寸归一化处理、灰度归一化处理;对归一化处理之后的待识别图像进行增强处理和去噪处理。
图像采集时,因光强、手指厚度、血液温度、手指倾斜度等条件不同,在不同时间采集到的图像在灰度分布上有较大差异,这会给以后的图像处理和匹配增加难度。因此在采集图像以后要进行归一化处理,包括尺寸归一化和灰度归一化。
尺寸归一化处理的好处是:1.对于不同手指而言,尺寸大小不同对静脉的匹配结果无影响,即不会引起误识;但如果是同一手指,如果尺寸不一样,易引起误识,即自己认不出自己的情况。2.如果实际采集到的图像过大,进行图像处理的时间会很长,而归一化尺寸例如缩小到一定像素大小,在不影响识别结果的前提下,可以进一步缩短匹配时间,提高匹配效率。
图像尺寸归一化实质上是一种图像的几何变换,一般采用从图像反方向影射实现。反向影射就是扫描图像的每个像素,按照给定的变换公式来确定像素对应的原像素。用这种方法来计算图像可以保证整个图像没有空像素,即得到的图像每个像素点上都有相应的灰度值。
灰度归一化主要是为了增加图像的亮度,使图像的细节更加清楚,以减弱光线和光照强度的影响。
作为一种可选的实施方式,利用差分高斯算法对待识别图像进行光照预处理,滤除待识别图像的低频信息,保留待识别图像的高频信息,得到高斯图像;对高斯图像进行图像直方图均衡化处理,得到灰度值均匀的图像,然后对得到的图像依次进行同态滤波处理、平滑滤波处理、邻域最小值滤波处理。
图像直方图均衡化处理是把图像的灰度直方图从在某个灰度区间比较集中的形式,变成在全部灰度范围内的均匀分布的形式,从而增加图像的局部对比度,使图像的局部更加清晰。
同态滤波是将频率过滤和灰度变换相结合的一种图像处理方法,依靠图像的照度或者反射率模型作为频域处理的基础,利用压缩亮度范围和增强对比度来改善图像的质量。使用该方法可以使图像处理符合人眼对于亮度响应的非线性特性,从而避免直接对图像进行傅里叶变换处理所导致的失真。
可以使用高斯滤波器对经过同态滤波的第一预设区域的图像进行平滑滤波处理。高斯滤波器是根据高斯函数的形状来选择权值的线性平滑滤波器。高斯滤波器对去除服从正态分布的噪声有较好的效果。
邻域最小值滤波是对图像中每个像素进行遍历,遍历到的像素的值被该点某邻域窗口内的所有点中的最小像素值取代。
通过对图像进行增强和去噪处理,提高了图像的质量,从而提高了图像识别的准确度,因此提高了基于图像进行身份验证的准确度。
步骤S102:将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成。
步骤S103:将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型。
注意力机制(Attention Mechanism)源于对人类视觉的研究。在认知科学中,由于信息处理的瓶颈,选择性地关注所有信息的一部分,同时忽略其他可见的信息。
步骤S104:根据待识别图像的识别结果判断身份验证是否通过。
如果待识别图像的识别结果表明待识别图像与预设数据库中存储的任意一个预设图像之间的相似度均小于预设相似度阈值,则确定身份验证不通过;如果待识别图像的识别结果表明待识别图像与预设数据库中存储的任意一个预设图像之间的相似度大于预设相似度阈值,则确定身份验证通过。
在本发明实施例中,采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果;根据待识别图像的识别结果判断身份验证是否通过,热度图能够较好地展现待识别图像的指静脉区域的全局特性,携带了较多的关于指静脉特征的信息,因此,本发明实施例对图像进行识别的准确度更高,从而基于图像进行身份验证的准确度也更高,解决了相关技术中无法准确地基于指静脉进行身份验证的问题,能够准确地基于指静脉进行身份验证。
请参见图2,所示为本发明第二实施例提供的基于注意力机制的身份验证方法的流程图,包括:
步骤S201:采集待识别图像。
步骤S202:计算待识别图像的图像质量参数,图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
步骤S203:如果待识别图像的图像质量参数满足预设条件,则对待识别图像进行尺寸归一化处理、灰度归一化处理。
步骤S204:对归一化处理之后的待识别图像进行增强处理和去噪处理。
步骤S205:将增强处理和去噪处理后的待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成。
第一预设模型包含三维深度卷积残缺网络以及特征金字塔网络。三维深度卷积残缺网络从待识别图像中提取出特定的图像特征,这些图像特征可以指示待识别图像中指静脉的特征,比如,指静脉的位置、形状、大小等等,本发明实施例对于上述图像特征的具体类型不做限定;而特征金字塔网络用于根据三维深度卷积残缺网络提取到的图像特征构建热度图。
在本发明实施例中,特征金字塔网络可以是基于稠密连接的特征金字塔网络。
基于稠密连接的特征金字塔网络由特征提取网络和金字塔网络组成。
特征提取网络由依次连接的1个卷积滤波器尺寸为7*7、卷积步长为1的卷积层,1个池化滤波器尺寸为3*3、池化步长为2的最大池化层,第一稠密模块,第一转换层,第二稠密模块,第二转换层,第三稠密模块,第三转换层和第四稠密模块组成。第一稠密模块至第四稠密模块分别由6,12,24,16个稠密卷积层组成,而稠密卷积层由依次连接的1个批正则化层,1个激活函数层,1个卷积滤波器尺寸为1*1、卷积步长为1的卷积层,1个批正则化层,1个激活函数层,1个卷积滤波器尺寸为3*3、卷积步长为1的卷积层组成。在第一稠密模块至第四稠密模块中,对于每一个稠密卷积层,所有在前稠密卷积层的输出都作为该稠密卷积层的输入,该稠密卷积层的输出作为所有在后稠密卷积层的输入,这一设计保证了特征的复用,减少特征的遗失。第一转换层至第三转换层均由1个卷积滤波器尺寸为1*1、卷积步长为1的卷积层和1个池化滤波器尺寸为2*2、池化步长为2的平均池化层组成。
金字塔网络包括3个上采样模块以及3个Attention模块。其中,每个上采样模块均由1个放大尺寸为2的双线性插值层,1个卷积滤波器尺寸为3*3、卷积步长为1的卷积层和1个卷积滤波器尺寸为1*1、卷积步长为1的卷积层组成。每个上采样模块输出的特征图进入对应的Attention模块,并在Attention模块中分成两路,其中一路依次经1个池化滤波器尺寸为3*3、池化步长为2的最大池化层,1个卷积滤波器尺寸为k*k、卷积步长为1的卷积层,1个卷积滤波器尺寸为(k+2)*(k+2)、卷积步长为1的卷积层,1个放大尺寸为2的双线性插值层,1个Sigmoid激活函数层输出权值特征图(激活值取值范围为0~1);另一路输出依次经1个卷积滤波器尺寸为1*1、卷积步长为1的卷积层,1个卷积滤波器尺寸为3*3、卷积步长为1的卷积层,1个卷积滤波器尺寸为3*3、卷积步长为1的卷积层和1个卷积滤波器尺寸为1*1、卷积步长为1的卷积层,输出卷积特征图,得到权值特征图和卷积特征图相乘后再与卷积特征图相加。在本发明实施例中,对于3个Attention模块,k值分别取3、7、11。
在本发明实施例中,还可以构建不同分辨率的热度图,即,在两个或者两个以上的分辨率上构建热度图,也就是说,根据一个待识别图像的指静脉所在区域的属性,可以构建多个不同分辨率(即多尺度)的热度图。
步骤S206:将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型。
第二预设模型中可以包含注意力模块、巻积层、连接层以及激活函数,该激活函数为预设的固定函数,在训练过程中,注意力模块可以将各个分辨率下的热度图和图像特征进行点乘,然后根据各分辨率对应的点乘结果与各个分辨率的权重进行加权求和后,与图像对应的指静脉所在区域的特征一并输入到卷积层和连接层进行训练。
将图像特征以及热度图输入训练完成后的第二预设模型,第二预设模型输出待识别图像的识别结果。
步骤S207:根据待识别图像的识别结果判断身份验证是否通过。
在本实施例中,对待识别图像进行识别之前,进行了尺寸归一化处理、灰度归一化处理、增强处理和去噪处理,从而得到更高的图像质量,进一步提高了图像识别的准确度,从而进一步提高了基于图像进行身份验证的准确度。
请参见图3,所示为本发明实施例提供的一种模型训练方法的流程图,包括:
步骤S301:获取已标注有指静脉的图像样本。
步骤S302:根据指静脉所在的区域构建热度图样本。
步骤S303:根据图像样本和热度图样本进行模型训练,得到第一预设模型以及图像特征样本,图像特征样本是通过第一预设模型对图像样本进行处理获得的图像特征。
步骤S304:根据热度图样本、图像特征样本进行模型训练,得到第二预设模型。
请参见图4,所示为本发明第三实施例提供的基于注意力机制的身份验证装置的示意图,该装置用于执行本发明第一实施例提供的基于注意力机制的身份验证方法,该装置包括:采集单元41、第一输入单元42、第二输入单元43、判断单元44。
采集单元41,用于采集待识别图像。
第一输入单元42,用于将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成。
第二输入单元43,用于将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型。
判断单元44,用于根据待识别图像的识别结果判断身份验证是否通过。
在本发明实施例中,采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果;根据待识别图像的识别结果判断身份验证是否通过,热度图能够较好地展现待识别图像的指静脉区域的全局特性,携带了较多的关于指静脉特征的信息,因此,本发明实施例对图像进行识别的准确度更高,从而基于图像进行身份验证的准确度也更高,解决了相关技术中无法准确地基于指静脉进行身份验证的问题,能够准确地基于指静脉进行身份验证。
作为一种可选的实施方式,装置还包括:第一处理单元、第二处理单元。
第一处理单元,用于在采集单元41采集待识别图像之后,对待识别图像进行归一化处理,归一化处理包括尺寸归一化处理、灰度归一化处理。
第二处理单元,用于对归一化处理之后的待识别图像进行增强处理和去噪处理。
作为一种可选的实施方式,装置还包括:计算单元、输出单元。
计算单元,用于在第一处理单元对待识别图像进行归一化处理之前,计算待识别图像的图像质量参数,图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
输出单元,用于如果待识别图像的图像质量参数不满足预设条件,则输出提示信息,提示信息用于提示重新采集图像。
作为一种可选的实施方式,第一预设模型包含三维深度卷积残缺网络以及特征金字塔网络,待识别图像的图像特征由三维深度卷积残缺网络从待识别图像中提取得到;热度图由第一预设模型根据特征金字塔网络和图像特征构建。
作为一种可选的实施方式,装置还包括:获取单元、构建单元、第一训练单元、第二训练单元。
获取单元,用于在第一输入单元42将待识别图像输入第一预设模型之前,获取已标注有指静脉的图像样本。
构建单元,用于根据指静脉所在的区域构建热度图样本。
第一训练单元,用于根据图像样本和热度图样本进行模型训练,得到第一预设模型以及图像特征样本,图像特征样本是通过第一预设模型对图像样本进行处理获得的图像特征。
第二训练单元,用于根据热度图样本、图像特征样本进行模型训练,得到第二预设模型。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以下步骤:采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型;根据待识别图像的识别结果判断身份验证是否通过。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在采集待识别图像之后,对待识别图像进行归一化处理,归一化处理包括尺寸归一化处理、灰度归一化处理;对归一化处理之后的待识别图像进行增强处理和去噪处理。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在对待识别图像进行归一化处理之前,计算待识别图像的图像质量参数,图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;如果待识别图像的图像质量参数不满足预设条件,则输出提示信息,提示信息用于提示重新采集图像。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在将待识别图像输入第一预设模型之前,获取已标注有指静脉的图像样本;根据指静脉所在的区域构建热度图样本;根据图像样本和热度图样本进行模型训练,得到第一预设模型以及图像特征样本,图像特征样本是通过第一预设模型对图像样本进行处理获得的图像特征;根据热度图样本、图像特征样本进行模型训练,得到第二预设模型。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现以下步骤:采集待识别图像;将待识别图像输入第一预设模型,第一预设模型输出待识别图像的图像特征以及热度图,图像特征用于指示待识别图像中的指静脉所在区域的特征,热度图由第一预设模型根据图像特征构建生成;将图像特征以及热度图输入第二预设模型,第二预设模型输出待识别图像的识别结果,第二预设模型为基于注意力机制的端到端模型;根据待识别图像的识别结果判断身份验证是否通过。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在采集待识别图像之后,对待识别图像进行归一化处理,归一化处理包括尺寸归一化处理、灰度归一化处理;对归一化处理之后的待识别图像进行增强处理和去噪处理。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在对待识别图像进行归一化处理之前,计算待识别图像的图像质量参数,图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;如果待识别图像的图像质量参数不满足预设条件,则输出提示信息,提示信息用于提示重新采集图像。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在将待识别图像输入第一预设模型之前,获取已标注有指静脉的图像样本;根据指静脉所在的区域构建热度图样本;根据图像样本和热度图样本进行模型训练,得到第一预设模型以及图像特征样本,图像特征样本是通过第一预设模型对图像样本进行处理获得的图像特征;根据热度图样本、图像特征样本进行模型训练,得到第二预设模型。
图5是本发明实施例提供的一种计算机设备的示意图。如图5所示,该实施例的计算机设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53,该计算机程序53被处理器51执行时实现实施例中的基于注意力机制的身份验证方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器51执行时实现实施例中基于注意力机制的身份验证装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备50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。计算机设备可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图5仅仅是计算机设备50的示例,并不构成对计算机设备50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,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51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(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
存储器52可以是计算机设备50的内部存储单元,例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备,例如计算机设备50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,存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(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以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于注意力机制的身份验证方法,其特征在于,所述方法包括:
采集待识别图像;
将所述待识别图像输入第一预设模型,所述第一预设模型输出所述待识别图像的图像特征以及热度图,所述图像特征用于指示所述待识别图像中的指静脉所在区域的特征,所述热度图由所述第一预设模型根据所述图像特征构建生成;
将所述图像特征以及所述热度图输入第二预设模型,所述第二预设模型输出所述待识别图像的识别结果,所述第二预设模型为基于注意力机制的端到端模型;
根据所述待识别图像的识别结果判断身份验证是否通过。
2.根据权利要求1所述的方法,其特征在于,在所述采集待识别图像之后,所述方法还包括:
对所述待识别图像进行归一化处理,所述归一化处理包括尺寸归一化处理、灰度归一化处理;
对归一化处理之后的待识别图像进行增强处理和去噪处理。
3.根据权利要求2所述的方法,其特征在于,在所述对所述待识别图像进行归一化处理之前,所述方法还包括:
计算所述待识别图像的图像质量参数,所述图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;
如果所述待识别图像的图像质量参数不满足预设条件,则输出提示信息,所述提示信息用于提示重新采集图像。
4.根据权利要求1所述的方法,其特征在于,所述第一预设模型包含三维深度卷积残缺网络以及特征金字塔网络,所述待识别图像的图像特征由所述三维深度卷积残缺网络从所述待识别图像中提取得到;所述热度图由所述第一预设模型根据所述特征金字塔网络和所述图像特征构建。
5.根据权利要求1至4任一项所述的方法,其特征在于,在所述将所述待识别图像输入第一预设模型之前,所述方法还包括:
获取已标注有指静脉的图像样本;
根据指静脉所在的区域构建热度图样本;
根据所述图像样本和所述热度图样本进行模型训练,得到所述第一预设模型以及图像特征样本,所述图像特征样本是通过所述第一预设模型对所述图像样本进行处理获得的图像特征;
根据所述热度图样本、所述图像特征样本进行模型训练,得到所述第二预设模型。
6.一种基于注意力机制的身份验证装置,其特征在于,所述装置包括:
采集单元,用于采集待识别图像;
第一输入单元,用于将所述待识别图像输入第一预设模型,所述第一预设模型输出所述待识别图像的图像特征以及热度图,所述图像特征用于指示所述待识别图像中的指静脉所在区域的特征,所述热度图由所述第一预设模型根据所述图像特征构建生成;
第二输入单元,用于将所述图像特征以及所述热度图输入第二预设模型,所述第二预设模型输出所述待识别图像的识别结果,所述第二预设模型为基于注意力机制的端到端模型;
判断单元,用于根据所述待识别图像的识别结果判断身份验证是否通过。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第一处理单元,用于在所述采集单元采集待识别图像之后,对所述待识别图像进行归一化处理,所述归一化处理包括尺寸归一化处理、灰度归一化处理;
第二处理单元,用于对归一化处理之后的待识别图像进行增强处理和去噪处理。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
计算单元,用于在所述第一处理单元对所述待识别图像进行归一化处理之前,计算所述待识别图像的图像质量参数,所述图像质量参数包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵;
输出单元,用于如果所述待识别图像的图像质量参数不满足预设条件,则输出提示信息,所述提示信息用于提示重新采集图像。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的基于注意力机制的身份验证方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于:所述程序指令被处理器加载并执行时实现权利要求1至5任意一项所述的基于注意力机制的身份验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743897.XA CN110674681A (zh) | 2019-08-13 | 2019-08-13 | 基于注意力机制的身份验证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743897.XA CN110674681A (zh) | 2019-08-13 | 2019-08-13 | 基于注意力机制的身份验证方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674681A true CN110674681A (zh) | 2020-01-10 |
Family
ID=69068765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743897.XA Pending CN110674681A (zh) | 2019-08-13 | 2019-08-13 | 基于注意力机制的身份验证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539341A (zh) * | 2020-04-26 | 2020-08-14 | 香港中文大学(深圳) | 目标定位方法、装置、电子设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150078630A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Biometric template security and key generation |
CN107153827A (zh) * | 2017-05-26 | 2017-09-12 | 北方工业大学 | 手背静脉图像的识别处理方法及装置 |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107833219A (zh) * | 2017-11-28 | 2018-03-23 | 腾讯科技(深圳)有限公司 | 图像识别方法及装置 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
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 |
CN108197577A (zh) * | 2018-01-08 | 2018-06-22 | 安徽大学 | 联合Sobel和MFRAT的指静脉图像特征提取方法 |
CN108229531A (zh) * | 2017-09-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象特征处理方法、装置、存储介质和电子设备 |
CN109934102A (zh) * | 2019-01-28 | 2019-06-25 | 浙江理工大学 | 一种基于图像超分辨率的指静脉识别方法 |
CN109993257A (zh) * | 2019-04-10 | 2019-07-09 | 黑龙江大学 | 一种基于静脉特征的二维码 |
-
2019
- 2019-08-13 CN CN201910743897.XA patent/CN110674681A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150078630A1 (en) * | 2013-09-16 | 2015-03-19 | EyeVerify, Inc. | Biometric template security and key generation |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107153827A (zh) * | 2017-05-26 | 2017-09-12 | 北方工业大学 | 手背静脉图像的识别处理方法及装置 |
CN108229531A (zh) * | 2017-09-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象特征处理方法、装置、存储介质和电子设备 |
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 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
CN107833219A (zh) * | 2017-11-28 | 2018-03-23 | 腾讯科技(深圳)有限公司 | 图像识别方法及装置 |
CN108197577A (zh) * | 2018-01-08 | 2018-06-22 | 安徽大学 | 联合Sobel和MFRAT的指静脉图像特征提取方法 |
CN109934102A (zh) * | 2019-01-28 | 2019-06-25 | 浙江理工大学 | 一种基于图像超分辨率的指静脉识别方法 |
CN109993257A (zh) * | 2019-04-10 | 2019-07-09 | 黑龙江大学 | 一种基于静脉特征的二维码 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539341A (zh) * | 2020-04-26 | 2020-08-14 | 香港中文大学(深圳) | 目标定位方法、装置、电子设备和介质 |
CN111539341B (zh) * | 2020-04-26 | 2023-09-22 | 香港中文大学(深圳) | 目标定位方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | BM3D-Net: A convolutional neural network for transform-domain collaborative filtering | |
CN106339998B (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN108399611B (zh) | 基于梯度正则化的多聚焦图像融合方法 | |
CN111358455B (zh) | 一种多数据源的血压预测方法和装置 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
Llano et al. | Optimized robust multi-sensor scheme for simultaneous video and image iris recognition | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
Ren et al. | Enhanced non-local total variation model and multi-directional feature prediction prior for single image super resolution | |
CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN111814682A (zh) | 人脸活体检测方法及装置 | |
Asmuni et al. | An improved multiscale retinex algorithm for motion-blurred iris images to minimize the intra-individual variations | |
Cui et al. | An image edge detection method based on haar wavelet transform | |
CN110147769B (zh) | 一种手指静脉图像匹配方法 | |
CN110705341A (zh) | 基于指静脉图像的验证方法、装置、存储介质 | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN114973308A (zh) | 弹性权重固化和多元相似损失的手指静脉识别方法及系统 | |
CN110674681A (zh) | 基于注意力机制的身份验证方法和装置 | |
CN113450275A (zh) | 基于元学习的画质增强系统及方法、存储介质 | |
CN115689947A (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
CN108564031A (zh) | 基于多模态融合的单幅近红外手掌图像识别方法 | |
Kabacinski et al. | Human Vein Pattern Correlation-A Comparison of Segmentation Methods. |
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 |