CN110889386A - 一种基于结构特征学习的手指静脉识别方法 - Google Patents
一种基于结构特征学习的手指静脉识别方法 Download PDFInfo
- Publication number
- CN110889386A CN110889386A CN201911211176.0A CN201911211176A CN110889386A CN 110889386 A CN110889386 A CN 110889386A CN 201911211176 A CN201911211176 A CN 201911211176A CN 110889386 A CN110889386 A CN 110889386A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- feature learning
- recognition method
- structural
- structural feature
- 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
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
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明特别涉及一种基于结构特征学习的手指静脉识别方法。该基于结构特征学习的手指静脉识别方法,首先获取手指静脉注意力特征,用于提取手指静脉像素点特征;然后基于兴趣区域的特点,引入图论技术和度量学习模型,获得结构特征;最后,利用识别器对结构图进行识别分类即可。该基于结构特征学习的手指静脉识别方法,能够准确提取细节点特征,从而有效获取手指静脉的结构信息,进一步提高识别精度。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于结构特征学习的手指静脉识别方法。
背景技术
手指静脉识别技术是一种新的生物特征识别技术,它利用手指内的静脉分布图像来进行身份识别。近年来,发展势头迅猛,极具潜力。
手指静脉识别技术的工作原理,是依据人类手指中流动的血液可吸收特定波长的光线,而使用特定波长光线对手指进行照射,可得到手指静脉的清晰图像。利用这一固有的科学特征,将实现对获取的影像进行分析、处理,从而得到手指静脉的生物特征,再将得到的手指静脉特征信息与事先注册的手指静脉特征进行比对,从而确认登录者的身份。
同其他生物识别技术相比,指静脉认证技术具备以下主要优势:
第一,是一种全新的生物识别技术,不会遗失、不会被窃、无记忆密码负担。原始手指静脉影像被捕获并数字化处理,图像比对由日立专有的手指静脉提取算法完成,整个过程不到1秒。
第二,人体内部信息,不受表皮粗糙、外部环境(温度、湿度)的影响。使用者心理抗拒性低,受生理和环境影响的因素也低,包括:干燥皮肤,油污,灰尘等污染,皮肤表面异常等。
第三,适用人群广,准确率高,不可复制、不可伪造,安全便捷。静脉隐藏在身体内部,被复制或盗用的机率很小。认假率为0.0001%,拒真率为0.01%,注册失败率小于0.03%。
第四,活体识别,用手指静脉进行身份识别时,获取的是手指静脉的图像特征,是手指活体时才存在的特征。在该系统中,非活体的手指是得不到静脉图像特征的,因而无法识别,从而也就无法造假。
近年来,手指静脉识别技术被迅速应用到了各个技术领域,并发挥了重要作用。在实际应用中发现,手指静脉识别技术具有以下特点:
1、实用性和先进性
生物认证技术在当今高科技发展的时代已经被广泛认可,并且已经通过国家认证机构认证并经过各行业广泛应用,具有切实有效的普及、应用价值。指静脉生物认证技术是目前世界上最先进的生物识别技术,具有高度安全性、严密性和广泛的应用性,满足当前的业务需求,并兼顾未来的业务发展方向。
2、安全可靠性
指静脉认证技术与无线射频识别技术(RFID)结合,可以对犯人进行全方位安防管理,实现犯属、狱警以及监狱内其他人员的身份识别,有效避免了人员被冒充等安全事故的出现;利用RFID技术实时地对犯人活动区域进行全方位监控,避免了犯人进入禁止区域。
3、灵活性和可扩展性
同时,指静脉智能化管理系统基于生物识别技术平台,具备较强的针对性,除提供生物智能采集数据、生物认证等多种应用功能外,还提供引擎功能,实现业务流程的自动化控制,满足异构系统之间跨平台、跨数据库等要求。通过各子系统模块接口耦合,进行各子系统之间的连接,实现了高内聚低耦合的设计模式。使系统更加灵活,可以满足以后的系统模块扩展。
4、可管理性
通过数据中心管理,整合各子系统的数据资源,统一管理多数据库,分流各子系统的数据,通过分流数据库和各子系统关联来支持整个系统的运行,分流数据统一汇总到数据中心。这种数据分流中心管理的崭新设计模式,满足了监狱系统的数据利用需求。
现有的手指静脉识别方法主要是通过提取指静脉图像的纹理、细节点特征等对指静脉进行识别。然而,这类特征对于指静脉的旋转、平移变化比较敏感。手指静脉具有较强的结构特性,对于旋转、平移等变化具有较强的鲁棒性。虽然细节点特征能够从一定程度上反映指静脉的拓扑结构特点,然而细节点在提取时容易受到噪声干扰,从而使得细节点特征提取不准确,另外,细节点特征很难较好地获取静脉的结构信息。因此,研究一种较强的结构性特征,对于提高手指静脉识别的精度具有较强的理论研究意义和应用价值。
为了提取更为有效地提取指静脉的结构特点,本发明提出了一种基于结构特征学习的手指静脉识别方法。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于结构特征学习的手指静脉识别方法。
本发明是通过如下技术方案实现的:
一种基于结构特征学习的手指静脉识别方法,其特征在于,包括以下步骤:
第一步,获取手指静脉注意力特征,用于提取手指静脉像素点特征;
第二步,基于兴趣区域的特点,引入图论技术和度量学习模型,获得结构特征;
第三步,利用识别器对结构图进行识别分类。
所述第一步中,利用浅层特征学习模型提取手指静脉像素点特征。
该基于结构特征学习的手指静脉识别方法,包括训练和特征分类两个阶段。
所述训练阶段包括手指静脉浅层特征学习,结构特征学习和识别器训练。
采用PSPnet模型作为所述注意力特征学习模型,获得的概率图即为手指静脉的注意力特征。
图论技术是获得结构特征常用的技术。所述第二步中,将注意力特征映射中的每个元素看作图的一个节点,利用图论技术提取每个节点的局部信息。
所述第二步中,引入度量学习框架中的近邻成分分析(NeighbourhoodComponents Analysis,NCA)来更好地学习两个节点之间的相似度,两个节点之间的相似度作为结构图的边,完成结构图的构建。
为了有效地处理图结构特征,所述第三步中,采用图卷积神经网络作为识别器。
所述特征分类阶段,包括以下步骤:
首先,将测试图像输入浅层特征学习模型,获得该图像的注意力特征映射映射;
然后,将浅层特征映射中的每个元素看作图的一个节点,提取每个节点的局部信息;并引入度量学习框架中的近邻成分分析(Neighbourhood Components Analysis,NCA)来学习两个节点之间的相似度,将两个节点之间的相似度作为结构图的边,完成结构图的构建。
最后,将结构图输入到训练好的识别模型,获得识别结果。
本发明的有益效果是:该基于结构特征学习的手指静脉识别方法,能够准确提取细节点特征,从而有效获取手指静脉的结构信息,进一步提高识别精度。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。显然,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
该基于结构特征学习的手指静脉识别方法,包括以下步骤:
第一步,获取手指静脉注意力特征,用于提取手指静脉像素点特征;
第二步,基于兴趣区域的特点,引入图论技术和度量学习模型,获得结构特征;
第三步,利用识别器对结构图进行识别分类。
所述第一步中,利用浅层特征学习模型提取手指静脉像素点特征。
该基于结构特征学习的手指静脉识别方法,包括训练阶段和特征分类阶段。
所述训练阶段包括手指静脉浅层特征学习,结构特征学习和识别器训练。
采用PSPnet模型作为所述注意力特征学习模型,获得的概率图即为手指静脉的注意力特征。
图论技术是获得结构特征常用的技术。所述第二步中,将注意力特征映射中的每个元素看作图的一个节点,利用图论技术提取每个节点的局部信息。
所述第二步中,引入度量学习框架中的近邻成分分析(NeighbourhoodComponents Analysis,NCA)来更好地学习两个节点之间的相似度,两个节点之间的相似度作为结构图的边,完成结构图的构建。
为了有效地处理图结构特征,所述第三步中,采用图卷积神经网络作为识别器。
所述特征分类阶段,包括以下步骤:
首先,将测试图像输入浅层特征学习模型,获得该图像的注意力特征映射映射;
然后,将浅层特征映射中的每个元素看作图的一个节点,提取每个节点的局部信息;并引入度量学习框架中的近邻成分分析(Neighbourhood Components Analysis,NCA)来学习两个节点之间的相似度,将两个节点之间的相似度作为结构图的边,完成结构图的构建。
最后,将结构图输入到训练好的识别模型,获得识别结果。
以上对本发明实例中的一种基于结构特征学习的手指静脉识别方法进行了详细的介绍。本部分采用具体实例对发明的原理及实施方式进行了阐述,以上实例仅用于帮助理解本发明的核心思想,在不脱离本发明原理的情况下,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Claims (9)
1.一种基于结构特征学习的手指静脉识别方法,其特征在于,包括以下步骤:
第一步,获取手指静脉注意力特征,用于提取手指静脉像素点特征;
第二步,基于兴趣区域的特点,引入图论技术和度量学习模型,获得结构特征;
第三步,利用识别器对结构图进行识别分类。
2.根据权利要求1所述的基于结构特征学习的手指静脉识别方法,其特征在于:所述第一步中,利用浅层特征学习模型提取手指静脉像素点特征。
3.根据权利要求2所述的基于结构特征学习的手指静脉识别方法,其特征在于:包括训练阶段和特征分类阶段。
4.根据权利要求3所述的基于结构特征学习的手指静脉识别方法,其特征在于:所述训练阶段包括手指静脉浅层特征学习,结构特征学习和识别器训练。
5.根据权利要求4所述的基于结构特征学习的手指静脉识别方法,其特征在于:采用PSPnet模型作为所述注意力特征学习模型,获得的概率图即为手指静脉的注意力特征。
6.根据权利要求5所述的基于结构特征学习的手指静脉识别方法,其特征在于:所述第二步中,将注意力特征映射中的每个元素看作图的一个节点,利用图论技术提取每个节点的局部信息。
7.根据权利要求1所述的基于结构特征学习的手指静脉识别方法,其特征在于:所述第二步中,引入度量学习框架中的近邻成分分析来更好地学习两个节点之间的相似度,两个节点之间的相似度作为结构图的边,完成结构图的构建。
8.根据权利要求1所述的基于结构特征学习的手指静脉识别方法,其特征在于:为了有效地处理图结构特征,所述第三步中,采用图卷积神经网络作为识别器。
9.根据权利要求3所述的基于结构特征学习的手指静脉识别方法,其特征在于:所述特征分类阶段,包括以下步骤:
首先,将测试图像输入浅层特征学习模型,获得该图像的注意力特征映射映射;
然后,将浅层特征映射中的每个元素看作图的一个节点,提取每个节点的局部信息;并引入度量学习框架中的近邻成分分析(Neighbourhood Components Analysis,NCA)来学习两个节点之间的相似度,将两个节点之间的相似度作为结构图的边,完成结构图的构建。
最后,将结构图输入到训练好的识别模型,获得识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211176.0A CN110889386A (zh) | 2019-12-02 | 2019-12-02 | 一种基于结构特征学习的手指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211176.0A CN110889386A (zh) | 2019-12-02 | 2019-12-02 | 一种基于结构特征学习的手指静脉识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889386A true CN110889386A (zh) | 2020-03-17 |
Family
ID=69749888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211176.0A Pending CN110889386A (zh) | 2019-12-02 | 2019-12-02 | 一种基于结构特征学习的手指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889386A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
CN107341505A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于图像显著性与Object Bank的场景分类方法 |
CN108717539A (zh) * | 2018-06-11 | 2018-10-30 | 北京航空航天大学 | 一种小尺寸舰船检测方法 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN110263874A (zh) * | 2019-06-27 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力关系图学习的图像分类方法及装置 |
-
2019
- 2019-12-02 CN CN201911211176.0A patent/CN110889386A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
CN107341505A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于图像显著性与Object Bank的场景分类方法 |
CN108717539A (zh) * | 2018-06-11 | 2018-10-30 | 北京航空航天大学 | 一种小尺寸舰船检测方法 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN110263874A (zh) * | 2019-06-27 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力关系图学习的图像分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427421A (zh) | 基于人脸识别的门禁控制方法 | |
CN111462379A (zh) | 一种含掌静脉和人脸识别的门禁管理方法、系统及介质 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
Charity et al. | A bimodal biometrie student attendance system | |
Zhong et al. | Towards application of dorsal hand vein recognition under uncontrolled environment based on biometric graph matching | |
CN113609977A (zh) | 基于信道状态信息商距离的行人步态识别方法 | |
Zhao et al. | Trustworthy authorization method for security in Industrial Internet of Things | |
Belhadj | Biometric system for identification and authentication | |
Srivastava | Personal identification using iris recognition system, a review | |
Hamouchene et al. | Efficient approach for iris recognition | |
CN112417986B (zh) | 一种基于深度神经网络模型的半监督在线人脸识别方法及系统 | |
CN111723595A (zh) | 人员身份识别方法和系统 | |
Yoon | Fingerprint recognition: models and applications | |
Srinivas et al. | Artificial intelligence based optimal biometric security system using palm veins | |
CN110889386A (zh) | 一种基于结构特征学习的手指静脉识别方法 | |
Ezhilmaran et al. | A review study on latent fingerprint recognition techniques | |
CN102368291B (zh) | 基于指纹图像隐形意识的个人身份验证系统 | |
Lv et al. | Research on fingerprint feature recognition of access control based on deep learning | |
CN117333910B (zh) | 一种基于静脉识别的醉酒检测方法 | |
CN105139254A (zh) | 一种基于耳纹识别银行远程身份认证的方法及系统 | |
Shende et al. | Soft computing approach for feature extraction of palm biometric | |
Sengottuvelan et al. | Analysis of Living and Dead Finger Impression Identification for Biometric Application | |
Shrivastava | Use of Biometrics and Artificial Intelligence in Libraries | |
Sun et al. | Research on palm vein recognition algorithm based on improved convolutional neural network | |
CN115424383B (zh) | 一种智能门禁管理系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |