CN110751057A - 基于长短时记忆循环神经网络的手指静脉验证方法及装置 - Google Patents
基于长短时记忆循环神经网络的手指静脉验证方法及装置 Download PDFInfo
- Publication number
- CN110751057A CN110751057A CN201910921731.2A CN201910921731A CN110751057A CN 110751057 A CN110751057 A CN 110751057A CN 201910921731 A CN201910921731 A CN 201910921731A CN 110751057 A CN110751057 A CN 110751057A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- neural network
- scnn
- long
- training
- 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 112
- 230000015654 memory Effects 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012795 verification Methods 0.000 title claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000000295 complement effect Effects 0.000 claims abstract description 14
- 238000006073 displacement reaction Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 239000003550 marker Substances 0.000 claims abstract description 5
- 230000000306 recurrent effect Effects 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (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)
Abstract
本发明公开了一种基于长短时记忆循环神经网络的手指静脉验证方法及装置，包括以下步骤：根据若干条基线自动标记关于静脉和背景的像素；对于每个标记的所述像素，沿着不同的方向生成不同的序列；存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN‑LSTM，使各个所述SCNN‑LSTM形成互补和过完备的表示形式；对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P‑SVM中对静脉纹路进行分割；使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。本发明能够有效地解决了手指静脉识别中训练样本不足的问题，满足了神经网络有效求解的需求。
Description
技术领域
本发明涉及神经网络算法技术领，特别涉及一种基于长短时记忆循环神经网络的手指静脉验证方法及装置。
背景技术
由于人们对身份识别的要求越来越高，手指静脉识别作为一种新兴的生物识别技术，在生物认证领域引起了广泛的关注。相对于其他生物特征识别技术(如人脸、步态和指纹)，手指静脉识别技术有一些明显的优势，例如：更高的用户友好性，活性检测，高安全性，以及设备小型化，这使得它非常适合于高安全性和用户友好的应用程序。
现有的手指静脉识别是基于假设的分割静脉纹路。然而，这些假设并不总是有效地检测手指静脉纹路，因为一些静脉像素可能由比山谷或直线更复杂的分布创建。此外，它们还通过图像处理方法显式地提取了一些静脉特征，这可能会丢弃手指静脉纹路的相关信息。此外，他们没有从不同的图像中获得任何先验知识，因为他们独立于其他图像分割每个图像。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于长短时记忆循环神经网络的手指静脉验证方法及装置，能够有效地解决了手指静脉识别中训练样本不足的问题，满足了神经网络有效求解的需求。
根据本发明的第一方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法，包括以下步骤：
根据若干条基线自动标记关于静脉和背景的像素；
对于每个标记的所述像素，沿着不同的方向生成不同的序列；
存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
根据本发明实施例的基于长短时记忆循环神经网络的手指静脉验证方法，至少具有如下有益效果：本发明实施例首先通过结合已知的手指静脉图像分割技术自动分配标签，并为每个标签像素沿不同方向生成不同的序列。其次，对得到的序列分别训练若干个叠加卷积神经网络和长短时记忆(SCNN-LSTM)模型。各个SCNN-LSTM的输出形成互补的、过完备的表示形式，并联合放入概率支持向量机(P-SVM)中，在给定以其为中心的多个序列的情况下，预测每个前景像素(静脉像素)的概率，能够有效地解决了手指静脉识别中训练样本不足的问题，满足了神经网络有效求解的需求。
根据本发明的一些实施例，所述基线包括：重复行跟踪、最大曲率点、平均曲率、差分曲率、区域增长、宽线检测器和Gabor滤波器。
根据本发明的一些实施例，所述存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式包括：针对SCNN-LSTM训练，基于标记的所述像素生成训练序列。
根据本发明的一些实施例，所述SCNN-LSTM由CNN模型和LSTM模型组成，用于训练学习手指静脉纹理分割的关节纹理和空间依赖表示。
根据本发明的第二方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证装置，包括：
标记单元，用于根据若干条基线自动标记关于静脉和背景的像素；
像素生成单元，用于对于每个标记的所述像素，沿着不同的方向生成不同的序列；
训练单元，用于存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
融合分割单元，用于对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
特征匹配单元，用于使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
根据本发明的第三方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面的基于长短时记忆循环神经网络的手指静脉验证方法。
根据本发明的第四方面实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面的基于长短时记忆循环神经网络的手指静脉验证方法。
根据本发明的第五方面实施例的一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上述第一方面的基于长短时记忆循环神经网络的手指静脉验证方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法的步骤流程图；
图2为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法的架构示意图；
图3为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法中SCNN-LSTM网络模型的说明图；
图4为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法中SCNN-LSTM网络模型框架的示意图；
图5为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法中多SCNN-LSTM网络模型框架的示意图；
图6为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证装置的结构图；
图7为本发明实施例的一种基于长短时记忆循环神经网络的手指静脉验证设备的结构图。
附图标记：
基于长短时记忆循环神经网络的手指静脉验证装置100、标记单元110、像素生成单元120、训练单元130、融合分割单元140、特征匹配单元150；
基于长短时记忆循环神经网络的手指静脉验证设备200、控制处理器210、存储器220。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，根据本发明的第一方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证方法，包括以下步骤：
S1：根据若干条基线自动标记关于静脉和背景的像素；
S2：对于每个标记的所述像素，沿着不同的方向生成不同的序列；
S3：存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
S4：对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
S5：使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
根据本发明实施例的基于长短时记忆循环神经网络的手指静脉验证方法，至少具有如下有益效果：本发明实施例首先通过结合已知的手指静脉图像分割技术自动分配标签，并为每个标签像素沿不同方向生成不同的序列。其次，对得到的序列分别训练若干个叠加卷积神经网络和长短时记忆(SCNN-LSTM)模型。各个SCNN-LSTM的输出形成互补的、过完备的表示形式，并联合放入概率支持向量机(P-SVM)中，在给定以其为中心的多个序列的情况下，预测每个前景像素(静脉像素)的概率，能够有效地解决了手指静脉识别中训练样本不足的问题，满足了神经网络有效求解的需求。
根据本发明的一些实施例，所述基线包括：重复行跟踪、最大曲率点、平均曲率、差分曲率、区域增长、宽线检测器和Gabor滤波器。
根据本发明的一些实施例，所述存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式包括：针对SCNN-LSTM训练，基于标记的所述像素生成训练序列。LSTM模块是我们的SCNN-LSTM的子网，它可以方便地在序列数据中长时间地存储上下文信息。
根据本发明的一些实施例，所述SCNN-LSTM由CNN模型和LSTM模型组成，用于训练学习手指静脉纹理分割的关节纹理和空间依赖表示。
下面将按照附图更详细地描述本公开的算法过程。
图2是本发明方法架构：首先我们使用7条基线来标记训练集和验证集中的像素。其次，对于每个标记的像素，沿着不同的方向创建不同的序列。然后将每个序列转发到SCNN-LSTM，预测其属于静脉纹路的概率。因此，对于不同的方向有多个标记分数，这些分数从SVM的输入中提取出来，用于提取静脉特征。以这种方式将所提出的SCNN-LSTM模型应用于整个图像，增强了静脉图像，最后进行特征匹配。
对于每个输入的指静脉图像，有7条基线，即重复行跟踪、最大曲率点、平均曲率、差分曲率、区域增长、宽线检测器和Gabor滤波器来分割静脉纹路，生成7个二值图像。每个二值图像的值(0和1分别表示背景和静脉像素)被视为输入图像对应像素的标签。我们计算了七个二值图像的平均值，得到了一个平均图像F。对于一个像素(x，y)，如果F(x，y)＝1，则标记为静脉纹路；如果F(x，y)＝0，则标记为背景。
针对SCNN-LSTM训练，基于标记像素生成训练序列。首先，我们选择一个标记像素作为当前点c0，并沿着给定的方向θ确定其相邻的k-1像素。这导致沿着方向θ生成k个像素组成的集合
其中0≤θ＜π，k是强制对称性的奇数。然后，我们从训练中的图像创建以c0和它k-1个相邻像素为中心的大小为s×s的patches，得到的patch构成一个序列
同样地，类似地，k个像素的标签为Sθ创建一个标记序列
这图，我们将所有可能的静脉方向θ量化为一组C值
其中i＝1，2，...，C，C启发性地设置为4。即如3a所示，θ∈{0°，45°，90°，135°}。因此，每个标记像素c0有四个序列。图2显示了当前像素c0沿着方向0°的序列
图3是本发明中SCNN-LSTM网络模型框架说明图，它由CNN模型和LST M模型组成，训练学习手指静脉纹理分割的关节纹理和空间依赖表示。SCNN-L STM接受一个与k个patches相关的序列作为输入。在SCNN-LSTM中，通过去除已有CNN模型的输出层来用于静脉纹理表示，建立了一个深度CNN模型。然后将任意patch作为CNN模型的输入，它输出一个固定长度的向量表示，这个向量表示被进一步转发给一个循环序列学习模块(LSTM)来学习空间中的成分表示。
图4是本发明中SCNN-LSTM网络模型框架，CNN模型分别由一个输入层、三个卷积层、两个最大池化层和一个全连接层组成。这三层的核数分别为24、48、100，两层卷积核的大小均为5。
LSTM模块是我们的SCNN-LSTM的子网，它可以方便地在序列数据中长时间地存储上下文信息。通常，LSTM是用来建模时间依赖关系的。在图像中，这种时间依赖学习被转换为空间域。通过将CNN产生的深层特征序列映射到隐藏状态，对空间依赖关系进行建模。为了预测空间迭代分布，输出层采用了softma x算法。最后，我们对LSTM网络的softmax层的输出进行平均，计算预测的分布。给定输入xt，ht-1和ct-1，位置t处的LSTM更新为
it＝σ(Wxixt+Whixt-1+bi)
ft＝σ(Wxfxt+Whfxt-1+bf)
ot＝σ(Wx0xt+Wh0xt-1+b0)
gt＝tanh(Wxcxt+Whcht-1+bc)
ht＝ot*tanh(ct)
这里σ和tanh分别是逻辑sigmoid(sigm)和双曲正切(tanh)，定义为
σx＝(1+e-x)-1
*是点积的结果。此外，ht、it、ft、ot、gt和ct分别表示位置t处的隐藏单元、输入门、遗忘门、输出门、输入调制门和存储单元。
输出层：最后一个隐藏层的输出用softmax函数进行归一化：
zn是LSTM隐藏状态下输出的一个线性组合。
图5是本发明中多SCNN-LSTM网络框架，对于从给定的手指静脉图像F具有标签为l∈{0，1}的像素，我们沿着方向θ*生成序列Sθ*∈Ss×s×K，并使用第2.1节中描述的方案将其标记为
其中0和1分别表示背景和静脉。用于静脉分割的训练集表示为{(Sθ*，1，Lθ*，1)}，{(Sθ*，2，Lθ*，2)}，...，{(Sθ*，N，Lθ*，N)}，其中N是训练数据库中手指静脉图像的序列数。当我们将所有可能的静脉方向量化为四个方向时，我们通过这种方式获得4个训练数据集。设
是第i个训练数据集(i＝1，2，3，4)。然后，针对每个数据集分别训练一个不同的SCNN-LSTM，每个SCNN-LSTM从一个特定的序列生成一个分数。我们结合4个SCNN-LSTMs的输出，生成一个四维向量v＝[v1，v2，v3，v4]，作为P-SVM的输入，预测像素的概率。
生成分数。采用支持向量机模型，根据预测的四个方向的分布情况，计算出一个像素属于静脉纹路的概率。在这项工作中，我们使用了P-SVM模型，它需要一组用于训练的向量，来组合所有方向的所有特征。假设v是从标签为l∈{0，1}的像素的四个序列中提取的向量。P-SVM经过训练，提供一个概率值p(0到1：从背景到静脉)
其中，ε(v)为一般两类SVM[46]的输出，v为输入特征向量，w和γ为经P-SVM训练的拟合参数。经过训练，我们可以根据任意像素的特征向量v和上面公式计算出任意像素的概率。
特征匹配。将所有训练图像映射到汉明空间后，利用汉明距离匹配两幅图像。一般情况下，对采集的图像进行平移和旋转归一化处理，但由于定位和归一化处理的不准确，仍然存在一些差异。然而，汉明距离不够鲁棒，以至于不能减少这些变化。因此，我们使用一个增强的汉明距离来计算两幅可能存在空间位移的图像之间的非重叠区域，以进行手指静脉匹配。
参照图6，根据本发明的第二方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证装置100，包括：
标记单元110，用于根据若干条基线自动标记关于静脉和背景的像素；
像素生成单元120，用于对于每个标记的所述像素，沿着不同的方向生成不同的序列；
训练单元130，用于存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
融合分割单元140，用于对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
特征匹配单元150，用于使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
需要说明的是，由于本实施例中的基于长短时记忆循环神经网络的手指静脉验证装置100与上述的基于长短时记忆循环神经网络的手指静脉验证方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
参照图7，根据本发明的第三方面实施例的一种基于长短时记忆循环神经网络的手指静脉验证设备200，该基于长短时记忆循环神经网络的手指静脉验证设备200可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该基于长短时记忆循环神经网络的手指静脉验证设备200包括：一个或多个控制处理器210和存储器220，图7中以一个控制处理器210为例。
控制处理器210和存储器220可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于长短时记忆循环神经网络的手指静脉验证方法对应的程序指令/模块，例如，图6中所示的单元110-150。控制处理器210通过运行存储在存储器220中的非暂态软件程序、指令以及模块，从而执行基于长短时记忆循环神经网络的手指静脉验证装置100的各种功能应用以及数据处理，即实现上述方法实施例的基于长短时记忆循环神经网络的手指静脉验证方法。
存储器220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于长短时记忆循环神经网络的手指静脉验证装置100的使用所创建的数据等。此外，存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于控制处理器210远程设置的存储器220，这些远程存储器220可以通过网络连接至该基于长短时记忆循环神经网络的手指静脉验证设备200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器220中，当被所述一个或者多个控制处理器210执行时，执行上述方法实施例中的基于长短时记忆循环神经网络的手指静脉验证方法，例如，执行以上描述的图1中的方法步骤S1至S5，实现图6中的单元110-150的功能。
根据本发明的第四方面实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器210执行，例如，被图7中的一个控制处理器210执行，可使得上述一个或多个控制处理器210执行上述方法实施例中的基于长短时记忆循环神经网络的手指静脉验证方法，例如，执行以上描述的图1中的方法步骤S1至S5，实现图6中的单元110-150的功能。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
根据本发明的第五方面实施例的一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上述第一方面的基于长短时记忆循环神经网络的手指静脉验证方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种基于长短时记忆循环神经网络的手指静脉验证方法，其特征在于，包括以下步骤：
根据若干条基线自动标记关于静脉和背景的像素；
对于每个标记的所述像素，沿着不同的方向生成不同的序列；
存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
2.根据权利要求1所述的基于长短时记忆循环神经网络的手指静脉验证方法，其特征在于，所述基线包括：重复行跟踪、最大曲率点、平均曲率、差分曲率、区域增长、宽线检测器和Gabor滤波器。
3.根据权利要求1所述的基于长短时记忆循环神经网络的手指静脉验证方法，其特征在于，所述存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式包括：针对SCNN-LSTM训练，基于标记的所述像素生成训练序列。
4.根据权利要求1所述的基于长短时记忆循环神经网络的手指静脉验证方法，其特征在于；所述SCNN-LSTM由CNN模型和LSTM模型组成，用于训练学习手指静脉纹理分割的关节纹理和空间依赖表示。
5.一种基于长短时记忆循环神经网络的手指静脉验证装置，其特征在于，包括：
标记单元，用于根据若干条基线自动标记关于静脉和背景的像素；
像素生成单元，用于对于每个标记的所述像素，沿着不同的方向生成不同的序列；
训练单元，用于存在各种基于所述序列的训练集，在所述训练集上独立训练若干个SCNN-LSTM，使各个所述SCNN-LSTM形成互补和过完备的表示形式；
融合分割单元，用于对于测试图像，预测每个所述序列到静脉纹路的概率，并将基于patch的所述序列的得分联合输入到P-SVM中对静脉纹路进行分割；
特征匹配单元，用于使用汉明距离来计算两幅存在空间位移的图像之间的非重叠区域，从而实现手指静脉匹配。
6.一种基于长短时记忆循环神经网络的手指静脉验证设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至4任一项所述的基于长短时记忆循环神经网络的手指静脉验证方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的基于长短时记忆循环神经网络的手指静脉验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921731.2A CN110751057A (zh) | 2019-09-27 | 2019-09-27 | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921731.2A CN110751057A (zh) | 2019-09-27 | 2019-09-27 | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751057A true CN110751057A (zh) | 2020-02-04 |
Family
ID=69277219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910921731.2A Pending CN110751057A (zh) | 2019-09-27 | 2019-09-27 | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751057A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832419A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
| CN113409182A (zh) * | 2020-03-17 | 2021-09-17 | 株式会社东芝 | 图像处理装置 |
| WO2021196528A1 (zh) * | 2020-03-30 | 2021-10-07 | 东南大学 | 基于深度循环神经网络的全球电离层电子总含量预测方法 |
| CN114692681A (zh) * | 2022-03-18 | 2022-07-01 | 电子科技大学 | 基于scnn的分布式光纤振动及声波传感信号识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN110135253A (zh) * | 2019-04-11 | 2019-08-16 | 重庆工商大学 | 一种基于长期递归卷积神经网络的手指静脉认证方法 |
-
2019
- 2019-09-27 CN CN201910921731.2A patent/CN110751057A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN110135253A (zh) * | 2019-04-11 | 2019-08-16 | 重庆工商大学 | 一种基于长期递归卷积神经网络的手指静脉认证方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409182A (zh) * | 2020-03-17 | 2021-09-17 | 株式会社东芝 | 图像处理装置 |
| WO2021196528A1 (zh) * | 2020-03-30 | 2021-10-07 | 东南大学 | 基于深度循环神经网络的全球电离层电子总含量预测方法 |
| CN111832419A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
| CN111832419B (zh) * | 2020-06-16 | 2023-11-28 | 五邑大学 | 手指静脉验证方法、电子设备和存储介质 |
| CN114692681A (zh) * | 2022-03-18 | 2022-07-01 | 电子科技大学 | 基于scnn的分布式光纤振动及声波传感信号识别方法 |
| CN114692681B (zh) * | 2022-03-18 | 2023-08-15 | 电子科技大学 | 基于scnn的分布式光纤振动及声波传感信号识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751057A (zh) | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 | |
| CN110555481B (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
| CN112597941B (zh) | 一种人脸识别方法、装置及电子设备 | |
| Huang et al. | Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy | |
| Pisharady et al. | Attention based detection and recognition of hand postures against complex backgrounds | |
| CN112800903B (zh) | 一种基于时空图卷积神经网络的动态表情识别方法及系统 | |
| Yan et al. | Ranking with uncertain labels | |
| Deng et al. | M3 csr: Multi-view, multi-scale and multi-component cascade shape regression | |
| Wei et al. | Unsupervised domain adaptation with regularized optimal transport for multimodal 2D+ 3D facial expression recognition | |
| CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN106803055A (zh) | 人脸识别方法和装置 | |
| WO2014205231A1 (en) | Deep learning framework for generic object detection | |
| US20220075994A1 (en) | Real-time facial landmark detection | |
| Nuevo et al. | RSMAT: Robust simultaneous modeling and tracking | |
| CN108664925A (zh) | 人脸识别的方法及用户终端 | |
| Wang et al. | Multi-manifold modeling in non-Euclidean spaces | |
| An et al. | Person re-identification via hypergraph-based matching | |
| Hsu et al. | Human body motion parameters capturing using kinect | |
| Zarbakhsh et al. | Low-rank sparse coding and region of interest pooling for dynamic 3D facial expression recognition | |
| CN116091596A (zh) | 一种自下而上的多人2d人体姿态估计方法及装置 | |
| CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
| Juang et al. | Stereo-camera-based object detection using fuzzy color histograms and a fuzzy classifier with depth and shape estimations | |
| CN109447147B (zh) | 基于双图稀疏的深度矩阵分解的图像聚类方法 | |
| Zhuang et al. | Local sliced-wasserstein feature sets for illumination-invariant face recognition | |
| Wang et al. | Pedestrian recognition in multi-camera networks using multilevel important salient feature and multicategory incremental learning |
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: 20200204 |
|
| RJ01 | Rejection of invention patent application after publication |