CN110717469A - 一种基于相关性语义特征学习的手指静脉识别方法及系统 - Google Patents
一种基于相关性语义特征学习的手指静脉识别方法及系统 Download PDFInfo
- Publication number
- CN110717469A CN110717469A CN201910982421.1A CN201910982421A CN110717469A CN 110717469 A CN110717469 A CN 110717469A CN 201910982421 A CN201910982421 A CN 201910982421A CN 110717469 A CN110717469 A CN 110717469A
- Authority
- CN
- China
- Prior art keywords
- code
- codes
- test image
- semantic
- learning
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相关性语义特征学习的手指静脉识别方法及系统,属于计算机视觉技术领域。本发明的基于相关性语义特征学习的手指静脉识别方法,根据手指静脉的特点定义具有语义信息的编码,根据构建的语义信息的编码构建多编码学习模型,多编码学习模型对所有的编码同时进行学习,并在学习过程中获取多个编码的相关性信息,提高每个编码的学习准确度;通过将测试图像输入多编码学习模型,获取测试图像的多个编码特征,将获取的多个编码特征与注册用户的编码特征进行比对,判断测试图像与注册用户是否为同一用户。该发明的基于相关性语义特征学习的手指静脉识别方法能够获取图像的语义信息,并具有较好的区分性,具有很好的推广应用价值。
Description
技术领域
本发明涉及计算机视觉技术领域,具体提供一种基于相关性语义特征学习的手指静脉识别方法及系统。
背景技术
特征提取是图像处理、模式识别等领域的重要一步。相比较其他类型的特征,二值编码具有简单、存储空间占用少等优点。然而,现有的二值编码大都没有语义信息,降低了特征的可解释性。因此,如何有效解决现有特征可解释性低、有效性差问题,具有重要的研究意义和应用价值。
发明内容
本发明的技术任务是针对上述存在的问题,提供一种能够获取图像的语义信息,并具有较好的区分性,从而提高识别精度的基于相关性语义特征学习的手指静脉识别方法。
本发明进一步的技术方案是提供一种基于相关性语义特征学习的手指静脉识别系统。
为实现上述目的,本发明提供了如下技术方案:
一种基于相关性语义特征学习的手指静脉识别方法,该方法首先根据手指静脉的特点定义具有语义信息的编码,根据构建的语义信息的编码构建多编码学习模型,多编码学习模型对所有的编码同时进行学习,并在学习过程中获取多个编码的相关性信息,提高每个编码的学习准确度;通过将测试图像输入多编码学习模型,获取测试图像的多个编码特征,将获取的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
该基于相关性语义特征学习的手指静脉识别方法能够对所有的编码同时进行学习,并在学习过程中能够获取多个编码的相关性信息,从而提高每个编码的学习准确度。因此,学到的特征一方面能够获取图像的语义信息,另一方面具有较好的区分性,提高了识别精度。
作为优选,该方法具体包括以下步骤:
S1、训练阶段:构建多编码学习模型
1)构建语义编码;
2)根据构建的语义编码构建多编码学习模型;
S2、测试阶段:将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
作为优选,所述构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
作为优选,所述多编码学习模型的构建如公式(1)所示,通过最小化目标函数,获得多编码学习模型,
其中,t为编码的数目,Y(i,k)为所有样本第k个编码的值,X为训练样本的特征,是个nxd的矩阵,Wk为关于第k个标记的权重向量,ɑ是超参数。
作为优选,测试阶段首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
一种基于相关性语义特征学习的手指静脉识别系统,该系统包括训练模块和测试模块:
训练模块用于在训练阶段构建多编码学习模型,其中包括构建语义编码和根据构建的语义编码构建多编码学习模型;
测试模块用于在测试阶段将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
作为优选,训练模块中,构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
作为优选,训练模块的多编码学习模型的构建如公式(1)所示,通过最小化目标函数,获得多编码学习模型,
其中,t为编码的数目,Y(i,k)为所有样本第k个编码的值,X为训练样本的特征,是个nxd的矩阵,Wk为关于第k个标记的权重向量,ɑ是超参数。
作为优选,测试模块在测试阶段,首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
与现有技术相比,本发明的基于相关性语义特征学习的手指静脉识别方法具有以下突出的有益效果:所述基于相关性语义特征学习的手指静脉识别方法能够对所有的编码同时进行学习,并在学习过程中能够获取多个编码的相关性信息,从而提高每个编码的学习准确度。因此,学到的特征一方面能够获取图像的语义信息,另一方面具有较好的区分性,提高了识别精度,具有良好的推广应用价值。
具体实施方式
下面将结合实施例,对本发明的基于相关性语义特征学习的手指静脉识别方法及系统作进一步详细说明。
实施例
本发明的基于相关性语义特征学习的手指静脉识别方法,首先根据手指静脉的特点定义具有语义信息的编码,根据构建的语义信息的编码构建多编码学习模型,多编码学习模型对所有的编码同时进行学习,并在学习过程中获取多个编码的相关性信息,提高每个编码的学习准确度;通过将测试图像输入多编码学习模型,获取测试图像的多个编码特征,将获取的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
该方法具体包括以下步骤:
S1、训练阶段:构建多编码学习模型
1)构建语义编码;
2)根据构建的语义编码构建多编码学习模型。
S2、测试阶段:将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
本发明中基于手指静脉的生理特点构建语义编码,包括但不限于以下四种:
1)全局网络描述码
局网络描述码用于描述指静脉血管网络的全局特点。在本文中,主要依据手指静脉网络分支数量进行判定,该编码值为1时,表示数量较多,为0表示数量较少。
2)显著性网络描述码
著性网络描述码用于描述手指静脉网络是否有显著性较高(血管密度较大)的区域。该编码值为1时,表示有显著性网络,为0表示没有显著性网络。
3)网络清晰度描述码
使用相同的图像采集设备、在同样的采集条件下,有的用户手指静脉图像纹路清晰度较高、有的用户纹路清晰度就明显低。一般来说,男性手指纹路清晰度普遍比女性要高。因此,从这个角度,该编码可以对不同性别的用户进行识别。该编码值为1时,表示清晰度较高,为0表示清晰度较低。
4)网络主特征描述码
网络主特征描述码主要用于描述指静脉网络中是否有“主静脉血管”。在手指静脉图像中,有的网络中静脉宽度远远大过其他分支静脉,有的网络中静脉分支的宽度分布较为均匀。在本文中,将宽度远远高于其他血管的静脉定义为网络的主静脉。该编码值为1时,表示有主静脉,为0表示没有主静脉。
多编码学习模型的构建如公式(1)所示,通过最小化目标函数,获得多编码学习模型,
其中,t为编码的数目,Y(i,k)为所有样本第k个编码的值,X为训练样本的特征,是个nxd的矩阵,Wk为关于第k个标记的权重向量,ɑ是超参数。
测试阶段首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
本发明的基于相关性语义特征学习的手指静脉识别系统,该系统包括训练模块和测试模块:
训练模块用于在训练阶段构建多编码学习模型,其中包括构建语义编码和根据构建的语义编码构建多编码学习模型。
构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
训练模块的多编码学习模型的构建如公式(1)所示,通过最小化目标函数,获得多编码学习模型,
其中,t为编码的数目,Y(i,k)为所有样本第k个编码的值,X为训练样本的特征,是个nxd的矩阵,Wk为关于第k个标记的权重向量,ɑ是超参数。
测试模块用于在测试阶段将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
测试模块在测试阶段,首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (9)
1.一种基于相关性语义特征学习的手指静脉识别方法,其特征在于:该方法首先根据手指静脉的特点定义具有语义信息的编码,根据构建的语义信息的编码构建多编码学习模型,多编码学习模型对所有的编码同时进行学习,并在学习过程中获取多个编码的相关性信息,提高每个编码的学习准确度;通过将测试图像输入多编码学习模型,获取测试图像的多个编码特征,将获取的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
2.根据权利要求1所述的基于相关性语义特征学习的手指静脉识别方法,其特征在于:该方法具体包括以下步骤:
S1、训练阶段:构建多编码学习模型
1)构建语义编码;
2)根据构建的语义编码构建多编码学习模型;
S2、测试阶段:将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
3.根据权利要求2所述的基于相关性语义特征学习的手指静脉识别方法,其特征在于:所述构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
5.根据权利要求4所述的基于相关性语义特征学习的手指静脉识别方法,其特征在于:测试阶段首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
6.一种基于相关性语义特征学习的手指静脉识别系统,其特征在于:该系统包括训练模块和测试模块:
训练模块用于在训练阶段构建多编码学习模型,其中包括构建语义编码和根据构建的语义编码构建多编码学习模型;
测试模块用于在测试阶段将测试图像的多个编码特征与注册用户的编码特征进行比对,基于获取的相似度判断测试图像与注册用户是否为同一用户。
7.根据权利要求6所述的基于相关性语义特征学习的手指静脉识别系统,其特征在于:训练模块中,构建语义编码包括全局网络描述码、显著性网络描述码、网络清晰度描述码和网络主特征描述码。
9.根据权利要求8所述的基于相关性语义特征学习的手指静脉识别系统,其特征在于:测试模块在测试阶段,首先将测试图像输入多编码学习模型,获取测试图像的多个编码特征,再进行识别,识别过程为将获取的编码特征与注册用户的编码特征进行比对,利用海名距比较测试图像的编码特征与注册用户的编码特征的相似度,基于获取的相似度判断测试图像与注册用户是否为同一用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982421.1A CN110717469B (zh) | 2019-10-16 | 2019-10-16 | 一种基于相关性语义特征学习的手指静脉识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982421.1A CN110717469B (zh) | 2019-10-16 | 2019-10-16 | 一种基于相关性语义特征学习的手指静脉识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717469A true CN110717469A (zh) | 2020-01-21 |
CN110717469B CN110717469B (zh) | 2022-04-12 |
Family
ID=69212703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982421.1A Active CN110717469B (zh) | 2019-10-16 | 2019-10-16 | 一种基于相关性语义特征学习的手指静脉识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717469B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和系统、计算机设备 |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
CN107145829A (zh) * | 2017-04-07 | 2017-09-08 | 电子科技大学 | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 |
KR101837369B1 (ko) * | 2017-10-11 | 2018-03-14 | 주식회사 올아이티탑 | 다중 안전 잠금 기능을 구비하는 통합단말기의 생체인증에 의한 결제단말기의 금융 거래 중계 시스템의 처리 방법 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN108664859A (zh) * | 2017-03-31 | 2018-10-16 | 上海云从企业发展有限公司 | 指静脉识别方法及系统 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
-
2019
- 2019-10-16 CN CN201910982421.1A patent/CN110717469B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和系统、计算机设备 |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
CN108664859A (zh) * | 2017-03-31 | 2018-10-16 | 上海云从企业发展有限公司 | 指静脉识别方法及系统 |
CN107145829A (zh) * | 2017-04-07 | 2017-09-08 | 电子科技大学 | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 |
KR101837369B1 (ko) * | 2017-10-11 | 2018-03-14 | 주식회사 올아이티탑 | 다중 안전 잠금 기능을 구비하는 통합단말기의 생체인증에 의한 결제단말기의 금융 거래 중계 시스템의 처리 방법 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
Non-Patent Citations (2)
Title |
---|
KUN SU等: "Learning binary hash codes for finger vein image retrieval", 《PATTERN RECOGNITION LETTERS》 * |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110717469B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11429809B2 (en) | Image processing method, image processing device, and storage medium | |
CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN112001373B (zh) | 一种物品识别方法、装置及存储介质 | |
CN109977213B (zh) | 一种面向智能问答系统的最优答案选择方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN112036511B (zh) | 基于注意力机制图卷积神经网络的图像检索方法 | |
CN112347223A (zh) | 文档检索方法、设备及计算机可读存储介质 | |
CN110717469B (zh) | 一种基于相关性语义特征学习的手指静脉识别方法及系统 | |
CN111783478A (zh) | 机器翻译质量估计方法、装置、设备及存储介质 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN111950615B (zh) | 一种基于树种优化算法的网络故障特征选择方法 | |
CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 | |
CN109902657B (zh) | 一种基于分块协同表示的人脸识别方法 | |
CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
CN114627348B (zh) | 多主体任务中基于意图的图片识别方法 | |
CN111507085B (zh) | 句型识别方法 | |
CN116089589B (zh) | 问句生成方法及装置 | |
CN115730601A (zh) | 基于人工智能的命名实体识别方法、装置、设备及介质 | |
CN115618019A (zh) | 知识图谱构建方法、装置及终端设备 | |
CN116701677A (zh) | 一种基于正负均衡轮次优化与多表互补的指静脉哈希索引方法 | |
CN114780774A (zh) | 基于自动搜索度量函数的文物图像小样本分类算法 | |
CN113011346A (zh) | 一种基于度量学习的辐射源未知信号识别方法 | |
CN116383342A (zh) | 一种在噪声标签下鲁棒的跨域文本检索方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220321 Address after: Building S02, 1036 Gaoxin Langchao Road, Jinan, Shandong 250100 Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |