CN111062345A - 静脉识别模型的训练方法、装置和静脉图像识别装置 - Google Patents
静脉识别模型的训练方法、装置和静脉图像识别装置 Download PDFInfo
- Publication number
- CN111062345A CN111062345A CN201911329330.4A CN201911329330A CN111062345A CN 111062345 A CN111062345 A CN 111062345A CN 201911329330 A CN201911329330 A CN 201911329330A CN 111062345 A CN111062345 A CN 111062345A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- sample
- vein
- recognition
- 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
- 238000012549 training Methods 0.000 title claims abstract description 265
- 210000003462 vein Anatomy 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 238000012795 verification Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 21
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 102100024607 DNA topoisomerase 1 Human genes 0.000 description 11
- 101000830681 Homo sapiens DNA topoisomerase 1 Proteins 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- 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
- 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
Abstract
本发明公开了静脉识别模型的训练方法、装置和静脉图像识别装置,属于生物特征识别领域。本发明利用第一训练样本训练第一神经网络模型,获取特征提取模型;通过特征提取模型提取第二训练样本中的训练特征信息,采用训练特征信息训练第二神经网络模型,获取识别模型及识别模型的门限范围,实现基于新增样本(第二训练样本)对第二神经网络模型的训练;通过门限范围确定待识别样本的识别结果,使第二神经网络模型可对新增类别的样本进行识别,避免干扰类别样本对模型的干扰,从而实现快速训练学习的效果,达到实时训练模型的目的。
Description
技术领域
本发明涉及生物特征识别领域,尤其涉及静脉识别模型的训练方法、装置和静脉图像识别装置。
背景技术
静脉特征(如:手指静脉、手掌静脉等)属于生理特征,不会磨损,较难伪造,具有很高安全性。静脉特征不仅支持活体检测这一独有的特性,更在抗干扰和防伪性方面远远优于人脸和指纹等其他生物特征。生物特征识别作为一门新兴的技术可通过识别静脉特征辨别人员身份信息,生物特征识别具有可抗干扰、防伪造、精准度高等优点。由于深度学习相比于传统的图像处理具有学习能力强,识别精度高的优点,因此目前主要采用深度学习的方法识别静脉特征。然而,由于现有的深度学习网络模型结构比较复杂、需要确定的参数很多、通常采用迭代寻优方式训练,训练时间较长,无法满足样本实时增加的需要,不能有效避免新增类别的样本对系统的干扰,训练效果差的问题。
发明内容
针对现有深度学习网络模型无法满足样本实时增加的问题,现提供一种旨在可支持新增样本,能够实时训练的静脉识别模型的训练方法、装置和静脉图像识别装置。
本发明提供了一种静脉识别模型的训练方法,包括:
采用第一训练样本训练第一神经网络模型,获取特征提取模型;
通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;
所述识别模型通过所述门限范围确定待识别样本的识别结果;
静脉识别模型包括所述特征提取模型和所述识别模型;
所述第一训练样本包括所述第二训练样本。
优选的,所述采用第一训练样本训练第一神经网络模型,获取特征提取模型,包括:
采用所述第一训练样本训练所述第一神经网络模型,采用所述第一训练样本对训练后的所述第一神经网络模型进行迁移学习,删除所述第一神经网络模型中的至少一层全连接层,获取所述特征提取模型。
优选的,所述通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围,包括:
所述第二训练样本包括:第三训练样本和校验样本;
通过所述特征提取模型提取第三训练样本中的训练特征信息;
采用所述第三训练样本的训练特征信息训练所述第二神经网络模型,获取初始识别模型;
通过所述特征提取模型提取校验样本中的校验特征信息;
采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围。
优选的,所述第二神经网络模型采用极限学习机。
优选的,所述采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围,包括:
将所述校验特征信息输入所述初始识别模型的隐层节点进行训练,调节所述初始识别模型的权重参数,获取所述识别模型及所述识别模型的门限范围。
优选的,所述门限范围为通过所述初始识别模型对所述校验特征信息识别,输出的类别识别概率的均值和标准差确定的门限范围。
本发明还提供了一种利用静脉识别模型的静脉图像识别方法,包括:
接收输入的静脉图像;
采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
采用识别模块对所述特征信息进行识别,输出识别结果。
本发明还提供了一种静脉识别模型的训练装置,包括:
第一训练单元,用于采用第一训练样本训练第一神经网络模型,获取特征提取模型;
第二训练单元,用于通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;所述识别模型通过所述门限范围确定待识别样本的识别结果;
静脉识别模型包括所述特征提取模型和所述识别模型;
所述第一训练样本包括所述第二训练样本。
本发明还提供了一种利用静脉识别模型的静脉图像识别装置,包括:
接收单元,用于接收输入的静脉图像;
特征提取单元,用于采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
识别单元,用于采用识别模块对所述特征信息进行识别,输出识别结果。
本发明还提供了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的静脉识别模型的训练方法以及如上述的利用静脉识别模型的静脉图像识别方法。
上述技术方案的有益效果:
本技术方案中,本发明利用第一训练样本训练第一神经网络模型,获取特征提取模型;通过特征提取模型提取第二训练样本中的训练特征信息,采用训练特征信息训练第二神经网络模型,获取识别模型及识别模型的门限范围,实现基于新增样本(第二训练样本)对第二神经网络模型的训练;通过门限范围确定待识别样本的识别结果,使第二神经网络模型可对新增类别的样本进行识别,避免干扰类别样本对模型的干扰,从而实现快速训练学习的效果,达到实时训练模型的目的。
附图说明
图1为本发明所述的静脉识别模型的训练方法的一种实施例的流程图;
图2为本发明静脉识别模型的内部模块图;
图3为本发明获取识别模型及所述识别模型的门限范围的一种实施例的流程图;
图4为ELM网络示意图;
图5为TOP1得分-概率分布及判别区间划分示意图;
图6为TOP1-TOP2得分-概率分布及判别区间划分示意图;
图7为本发明所述的利用静脉识别模型的静脉图像识别方法的一种实施例的流程图;
图8为本发明所述的静脉识别模型的训练装置的一种实施例的模块图;
图9为本发明所述的利用静脉识别模型的静脉图像识别装置的一种实施例模块图;
图10为本发明所述的计算机设备一实施例的硬件的架构示意图;
图11为本发明所述的计算机设备另一实施例的硬件的架构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本发明提供了一种静脉识别模型的训练方法,包括:
S01.采用第一训练样本训练第一神经网络模型,获取特征提取模型;
进一步地,步骤S01中可包括:
采用所述第一训练样本训练所述第一神经网络模型,采用所述第一训练样本对训练后的所述第一神经网络模型进行迁移学习,删除所述第一神经网络模型中的至少一层全连接层,获取所述特征提取模型。
在本实施例中,第一训练样本为静脉图像,该静脉图像由静脉采集装置获取,对第一神经网络模型进行训练时,需将第一训练样本中的静脉图像调整为预设尺寸。静脉采集装置可包括摄像装置、红外LED、控制装置、通信模块等,实现静脉图像采集。
具体地,第一训练样本中的样本可以来自于ImageNet(可视化数据库)中,第一训练样本的格式包括但不限于jpg、bmp等。在对第一神经网络模型训练之前,需对第一训练样本进行预处理(如剪裁、缩放等调整方式),使输入第一神经网络模型的第一训练样本图像为320×240像素。
以第一神经网络模型可采用VGG-16模型为例,采用第一训练样本训练第一神经网络模型,获取特征提取模型的具体过程如下:
初始的VGG-16模型输入为320×240像素,VGG-16模型由13个卷积层、5个池化层和3个全连接层(第一全连接层FC1、第二全连接层FC2和第三全连接层FC3)组成,13个ReLU非线性操作,卷积层采用3×3大小的卷积核提取特征,VGG-16模型输出为1000类别,对应于ImageNet大型数据集上的1000个图像类别。去掉翻转镜像等不必要的数据增广操作。在ImageNet大型数据集上采用第一训练样本对第一神经网络模型进行训练,以增强模型对图像的识别能力;为了进一步提升网络的特征提取能力,利用迁移学习的方式对第一训练样本对模型进行了优化,使模型可以更准确地提取静脉的特征。在训练完成后删除后面2层全连接层(FC2和FC3),调整VGG-16模型的第一全连接层FC1的大小(如:第一全连接层FC1输出4096维特征矢量),使其与样本的静脉类别个数相同。
作为举例而非限定,第一训练样本包括2个公开数据库(数据库A、数据库B)和1个自建数据库(数据库C)。数据库A共采集106人,每个人6个手指,每个手指6张图像,共计3816张图像、636类别。数据库B共采集156人,每人2个手指,每个手指12张或者6张图像,共计3132张图像、312类别。数据库C共有1159手指类别,每个手指类别10张图像,共计11590张图像。数据库A和B采用六折交叉验证进行训练(每个类别图像中的训练图像与测试图像按5:1划分),数据库C则采用五折交叉验证进行训练(每个类别图像中的训练图像与测试图像按7:3划分)。第一训练样本可采用人工标注方式进行类别划分。训练时学习率设为0.0001,识别正确率达到99.9%时结束训练。
S02.通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;
需要说明的是:所述第一训练样本包括所述第二训练样本。
在本实施例中,所述识别模型通过所述门限范围确定待识别样本的识别结果。参考图2本实施例的静脉识别模型包括所述特征提取模型和所述识别模型。
进一步地,所述第二训练样本可包括:第三训练样本和校验样本;
作为举例而非限定,以第一训练样本与第二训练样本相同为例,第二训练样本包括数据库A、数据库B和数据库C为例:
其中,第三训练样本和校验样本共同构成第二训练样本;
第三训练样本包括:数据库A中的500个类别共3000张指静脉图像,数据库B中的250个类别共1500张指静脉图像,数据库C中的804个类别共8040张指静脉图像;
校验样本包括:数据库A中其余的136个类别共816张指静脉图像,数据库B中其余的62个类别共372张指静脉图像,数据库C中其余的223个手指类别共2230张手指图像。
对于第二神经网络模型的训练以5-1划分方式来划分第三训练样本和校验样本,但不同的是这些样本数据是由全部类别(包括已有和新增类别)的图像样本且经过已训练好的特征提取模型而产生的输出数据所构成。
参考图3,步骤S02可包括:
S021.通过所述特征提取模型提取第三训练样本中的训练特征信息;
S022.采用所述第三训练样本的训练特征信息训练所述第二神经网络模型,获取初始识别模型;
其中,所述第二神经网络模型可采用极限学习机(Extreme Learning Machine,ELM)。极限学习机是采用了隐层节点为径向基函数(RBF)的极速学习机,网络的隐层节点数为静脉识别的类别个数,网络的输入为特征提取模型提取的特征信息。
S023.通过所述特征提取模型提取校验样本中的校验特征信息;
S024.采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围。
具体地,步骤S024中可包括:
将所述校验特征信息输入所述初始识别模型的隐层节点进行训练,调节所述初始识别模型的权重参数,获取所述识别模型及所述识别模型的门限范围。
需要说明的是:所述门限范围为通过所述初始识别模型对所述校验特征信息识别,输出的类别识别概率的均值和标准差确定的门限范围。
在图4的ELM网络中,网络的输入矢量P=[p1,p2,...,pm]T为图1中特征提取模型输出的深度特征矢量(即第一全连接层FC1输出的4096维矢量P=[p1,p2,...,pm]T),隐层节点的激活函数为径向基函数,即:
其中,Ci为第i类训练样本的均值矢量,σi为第i类训练样本的标准差。该ELM网络的各个输出节点为线性函数,即:
其中,j表示类别标号j=1,2,…,n,wij为权重。
上述ELM网络中的全部参数是通过采用已有类别的第三训练样本和新增类别的校验样本共同训练得到,权重矩阵W是通过求解广义逆矩阵的ELM网络快速学习算法得到。
由于上述ELM网络是通过采用第三训练样本和校验样本共同训练出来的,所以既能用于识别已有类别的图像,又能用于识别新增类别的图像。同时由于该ELM网络训练算法的训练速度远远快于通常使用的BP(Error Back Propagation)算法,所以可以快速实现对新增类别图像样本的处理、满足系统实时处理的需要。
将静脉识别模型的输出转换为概率,转化公式如下:
其中,yi表示属于类别i的概率,xi表示静脉识别模型的第i个类别的输出。
通过对第二训练样本以非第二训练样本的识别得分进行分析发现,网络对第二训练样本以非第二训练样本的TOP1得分分布不同,差值得分(TOP1-TOP2得分)分布也不同,根据训练集的分布特征,绘制得分-概率分布图。参考图5-图6所示,通过计算第二训练样本以非第二训练样本的均值和方差,求得第二训练样本TOP1得分的置信区间A以及TOP1-TOP2差值得分的置信区间A1。同时,求得非第二训练样本的置信区间D以及TOP1-TOP2差值得分的置信区间D1,当得分落入置信区间内时,可直接作出判断。对于得分在置信区间外时,可以求得两区间边界的中线,划分区间B、C、B1、C1,当样本得分以及差值得分同时落在区间B及B1时,认为样本属于第二训练样本,否则为非第二训练样本。
在步骤S2中获取识别模型及所述识别模型的门限范围的具体过程如下:
利用特征提取模型提取第三训练样本的特征信息,基于该特征信息训练第二神经网络模型,获取初始识别模型;
将校验样本输入特征提取模型,通过特征提取模型提取校验特征信息,统计TOP1得分以及TOP1-TOP2的差值得分;
采用五折交叉验证,并根据识别结果是否正确,分别计算校验样本的TOP1得分的均值、方差,以及TOP1-TOP2差值得分的均值方差;
对于待检测图像,TOP1的得分为S1,TOP2的得分为S2,二者差值为D=S1-S2,采用的判别条件为:
a1.如果S1∈A或者D∈A1,接受;否则,执行步骤a2;
a2.如果S1∈B并且D∈B1,接受;否则,拒绝。
在本实施例中,静脉识别模型采用所述特征提取模型和所述识别模型组成,使系统结构得到极大地简化。
本实施例的,静脉识别模型的训练方法利用第一训练样本训练第一神经网络模型,获取特征提取模型;通过特征提取模型提取第二训练样本中的训练特征信息,采用训练特征信息训练第二神经网络模型,获取识别模型及识别模型的门限范围,实现基于新增样本(第二训练样本)对第二神经网络模型的训练;通过门限范围确定待识别样本的识别结果,使第二神经网络模型可对新增类别的样本进行识别,避免干扰类别样本对模型的干扰,从而实现快速训练学习的效果,达到实时训练模型的目的。
需要说明的是,本发明的静脉识别模型的训练方法也适用于其他手部静脉识别如手掌静脉识别等。
为了测试本发明的识别模型的识别精准度,提供了2个公开数据库,对识别模型的防御非样本攻击能力、识别精度、运行时间等主要性能进行了测试。
具体过程如下:
手指静脉图像数据库Q中共包含636个手指(即636个类别),每个手指包括6张图像样本。选取其中的500个类别图像共3000张指静脉图像作为第三训练样本的图像样本;选取剩余136个类别图像中的100个类别作为校验样本的图像样本;余下36个类别图像作为“外来样本”,测试系统对非系统样本的拒绝能力。
手指静脉图像数据库Z中共包含312个手指(即312个类别),每个手指包括6张图像样本。选取其中的250个类别共1500张指静脉图像作为第三训练样本的图像样本;其余62个类别图像中的50个类别图像作为校验样本的图像样本;余下12个类别图像作为“外来样本”。
第三训练样本参与特征提取模型的训练,也参与识别模型的训练;校验样本不参与特征提取模型的训练,参与识别模型的训练;“外来样本”既不参与特征提取模型的训练,与不参与识别模型的训练。其中,第三训练样本和校验样本相当于系统内样本。
对于公开手指静脉数据库Q,进行六组实验,TOP1门限设置为0.931,TOP 1-TOP2的门限设置为0.927,实验结果如下表1所示:
表1
对于公开手指静脉数据库Z,进行六组实验,TOP1门限设置为0.975,TOP1-TOP 2门限设置为0.97,实验结果如下表2所示:
表2
其中,拒假:对于外来样本,被系统拒绝(因得分不满足所设置的接受时的门限);
认假:外来样本,被系统错误接受(因得分高于所设置的接受门限);
拒识1:对于系统内样本,本身为错误类别,得分最高,但分值低于接受的门限,被系统拒绝。
拒识2:对于系统内样本,本身为正确类别,得分最高,但因分值不满足接受的门限,被系统拒绝。
误识:对于系统内样本,本身为错误类别,但得分最高,而且高于接受的门限,被系统错误接收。
正确识别:对于系统内样本,本身为正确类别且得分最高,而且高于接受的门限,被系统正确接收。
从表1和表2的数据可以看出,本发明的静脉识别模型具有极高的识别精度和极强的防止外来样本攻击的能力。
在特征提取模型训练完成的前提下,系统的运行时间主要包括训练识别模型的时间和检测时间,对于训练阶段,识别模型的训练时间和样本数量的关系如表3所示,从表3中可以看出,针对增加样本后新旧样本合计约9000手指的数据,系统识别网络的训练时间不到5分钟,而针对新增手指样本后需要一定处理时间(如输入样本对应人员的各种信息),完全可以满足静脉样本实时增加的需求。
表3
在特征提取模型训练完成的前提下,本发明的识别模型提取每张静脉图像特征以及识别(检测)时间如表4所示。从图中数据可以看出,单张图像的总识别时间(包括特征提取和识别)小于100ms,系统具有极高的实时性。
表4
识别图像 | 特征提取时间 | 检测时间 |
新采集图像 | 20±5ms | 50±10ms |
实施例二
如图7所示,本发明还提供了一种利用静脉识别模型的静脉图像识别方法,包括:
S11.接收输入的静脉图像;
S12.采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
S13.采用识别模块对所述特征信息进行识别,输出识别结果。
在本实施例中,通过特征提取模型提取静脉图像的特征信息,利用识别模块基于获取的特征信息进行识别输出结果,具有识别速度快效率高的优点,且特征提取模型和识别模块支持新增的样本训练,能够有效地防止新增样本对系统的干扰,训练耗时短。
实施例三
如图8所示,本发明还提供了一种静脉识别模型的训练装置1可包括:第一训练单元11和第二训练单元12;
第一训练单元11,用于采用第一训练样本训练第一神经网络模型,获取特征提取模型;
第一训练单元11采用所述第一训练样本训练所述第一神经网络模型,采用所述第一训练样本对训练后的所述第一神经网络模型进行迁移学习,删除所述第一神经网络模型中的至少一层全连接层,获取所述特征提取模型
具体地,第一训练样本中的样本可以来自于ImageNet(可视化数据库)中,第一训练样本的格式包括但不限于jpg、bmp等。在对第一神经网络模型训练之前,需对第一训练样本进行预处理(如剪裁、缩放等调整方式),使输入第一神经网络模型的第一训练样本图像为320×240像素。
以第一神经网络模型可采用VGG-16模型为例,采用第一训练样本训练第一神经网络模型,获取特征提取模型的具体过程如下:
初始的VGG-16模型输入为320×240像素,VGG-16模型由13个卷积层、5个池化层和3个全连接层(第一全连接层FC1、第二全连接层FC2和第三全连接层FC3)组成,13个ReLU非线性操作,卷积层采用3×3大小的卷积核提取特征,VGG-16模型输出为1000类别,对应于ImageNet大型数据集上的1000个图像类别。去掉翻转镜像等不必要的数据增广操作。在ImageNet大型数据集上采用第一训练样本对第一神经网络模型进行训练,以增强模型对图像的识别能力;为了进一步提升网络的特征提取能力,利用迁移学习的方式对第一训练样本对模型进行了优化,使模型可以更准确地提取静脉的特征。在训练完成后删除后面2层全连接层(FC2和FC3),调整VGG-16模型的第一全连接层FC1的大小(如:第一全连接层FC1输出4096维特征矢量),使其与样本的静脉类别个数相同。
第二训练单元12,用于通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;所述识别模型通过所述门限范围确定待识别样本的识别结果;
需要说明的是:所述第一训练样本包括所述第二训练样本。
在本实施例中,所述识别模型通过所述门限范围确定待识别样本的识别结果。本实施例的静脉识别模型包括所述特征提取模型和所述识别模型。
进一步地,所述第二训练样本可包括:第三训练样本和校验样本;
第二训练单元12通过所述特征提取模型提取第三训练样本中的训练特征信息;采用所述第三训练样本的训练特征信息训练所述第二神经网络模型,获取初始识别模型;其中,所述第二神经网络模型可采用极限学习机(Extreme Learning Machine,ELM)。
第二训练单元12通过所述特征提取模型提取校验样本中的校验特征信息;采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围。
第二训练单元12将所述校验特征信息输入所述初始识别模型的隐层节点进行训练,调节所述初始识别模型的权重参数,获取所述识别模型及所述识别模型的门限范围。
需要说明的是:所述门限范围为通过所述初始识别模型对所述校验特征信息识别,输出的类别识别概率的均值和标准差确定的门限范围。
在本实施例中,静脉识别模型的训练装置1利用第一训练样本训练第一神经网络模型,获取特征提取模型;通过特征提取模型提取第二训练样本中的训练特征信息,采用训练特征信息训练第二神经网络模型,获取识别模型及识别模型的门限范围,实现基于新增样本(第二训练样本)对第二神经网络模型的训练;通过门限范围确定待识别样本的识别结果,使第二神经网络模型可对新增类别的样本进行识别,避免干扰类别样本对模型的干扰,从而实现快速训练学习的效果,达到实时训练模型的目的。
实施例四
如图9所示,本发明还提供了一种利用静脉识别模型的静脉图像识别装置2可包括:接收单元21、特征提取单元22和识别单元23;
接收单元21,用于接收输入的静脉图像;
特征提取单元22,用于采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
识别单元23,用于采用识别模块对所述特征信息进行识别,输出识别结果。
在实际应用中,识别单元23可由CPU+GPU工作站构成,作为举例而非限定,CPU+GPU工作站配置如下:CPU:CoreTM i7-7700@3.60GHz;GPU:NVIDIA GeForce GTX 1080Ti(3584cuda核);内存:DDR4 3200 32G;硬盘:2T。
作为举例而非限定,还可包括采集单元,通过采集单元采集静脉图像,通过有线通信或无线通信方式将采集的静脉图像传输给接收单元21。静脉图像可以是符合预设尺寸的图像(如:320×240像素的彩色图像)。
在本实施例中,通过特征提取模型提取静脉图像的特征信息,利用识别模块基于获取的特征信息进行识别输出结果,具有识别速度快效率高的优点,且特征提取模型和识别模块支持新增的样本训练,能够有效地防止新增样本对系统的干扰,训练耗时短。
实施例五
如图10-图11所示,一种计算机设备3,所述计算机设备3包括:
存储器31,用于存储可执行程序代码;以及
处理器32,用于调用所述存储器31中的所述可执行程序代码,执行步骤包括上述的静脉识别模型的训练方法以及利用静脉识别模型的静脉图像识别方法。
图10-图11在中以一个处理器32为例。
存储器31作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的静脉识别模型的训练方法对应的程序指令/模块(例如,图8所示的第一训练单元11和第二训练单元12)。处理器32通过运行存储在存储器31中的非易失性软件程序、指令以及模块,从而执行计算机设备3的各种功能应用以及数据处理,即实现上述实施例用于静脉识别模型的训练方法。
存储器31作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的利用静脉识别模型的静脉图像识别方法对应的程序指令/模块(例如,图9所示的接收单元21、特征提取单元22和识别单元23)。处理器32通过运行存储在存储器31中的非易失性软件程序、指令以及模块,从而执行计算机设备3的各种功能应用以及数据处理,即实现上述实施例用于利用静脉识别模型的静脉图像识别方法。
存储器31可以包括存储程序区和存储数据区,其中,存储程序区可存储搡作系统、至少一个功能所需要的应用程序;存储数据区可存储用户在计算机设备3的播放信息。此外,存储器31可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器31可选包括相对于处理器32远程设置的存储器31,这些远程存储器31可以通过网络连接至静脉识别模型的训练装置1以及利用静脉识别模型的静脉图像识别装置2。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31中,当被所述一个或者多个处理器32执行时,执行上述任意方法实施例中的静脉识别模型的训练方法,例如,执行以上描述的图1中的方法步骤S01至步骤S02,实现图8所示的第一训练单元11和第二训练单元12的功能。
所述一个或者多个模块存储在所述存储器31中,当被所述一个或者多个处理器32执行时,执行上述任意方法实施例中的利用静脉识别模型的静脉图像识别方法,例如,执行以上描述的图7中的方法步骤S11至步骤S13,实现图9所示的接收单元21、特征提取单元22和识别单元23的功能。
本申请实施例的计算机设备3以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
实施例六
本申请实施例提供了一种非易失性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处理器执行,例如图10中的一个处理器32,可使得上述一个或多个处理器32可执行上述任意方法实施例中的静脉识别模型的训练方法,例如,执行以上描述的图1中的方法步骤S01至步骤S02,实现图8所示的静脉识别模型的训练方法的功能。
本申请实施例提供了一种非易失性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处理器执行,例如图11中的一个处理器32,可使得上述一个或多个处理器32可执行上述任意方法实施例中的利用静脉识别模型的静脉图像识别方法,例如,执行以上描述的图7中的方法步骤S11至步骤S13,实现图9所示的利用静脉识别模型的静脉图像识别方法的功能。
以上所描述的装置实施例仅仅是示意性的,其中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,或者也可以分布到至少两个网络单元上。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申请实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域普通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,当然也可以通过硬件。本领域普通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,可包括如上述各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(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种静脉识别模型的训练方法,其特征在于,包括:
采用第一训练样本训练第一神经网络模型,获取特征提取模型;
通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;
所述识别模型通过所述门限范围确定待识别样本的识别结果;
静脉识别模型包括所述特征提取模型和所述识别模型;
所述第一训练样本包括所述第二训练样本。
2.根据权利要求1所述的静脉识别模型的训练方法,其特征在于,所述采用第一训练样本训练第一神经网络模型,获取特征提取模型,包括:
采用所述第一训练样本训练所述第一神经网络模型,采用所述第一训练样本对训练后的所述第一神经网络模型进行迁移学习,删除所述第一神经网络模型中的至少一层全连接层,获取所述特征提取模型。
3.根据权利要求1所述的静脉识别模型的训练方法,其特征在于,所述通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围,包括:
所述第二训练样本包括:第三训练样本和校验样本;
通过所述特征提取模型提取第三训练样本中的训练特征信息;
采用所述第三训练样本的训练特征信息训练所述第二神经网络模型,获取初始识别模型;
通过所述特征提取模型提取校验样本中的校验特征信息;
采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围。
4.根据权利要求1或3所述的静脉识别模型的训练方法,其特征在于,所述第二神经网络模型采用极限学习机。
5.根据权利要求3所述的静脉识别模型的训练方法,其特征在于,所述采用所述校验特征信息校验所述初始识别模型,获取识别模型及所述识别模型的门限范围,包括:
将所述校验特征信息输入所述初始识别模型的隐层节点进行训练,调节所述初始识别模型的权重参数,获取所述识别模型及所述识别模型的门限范围。
6.根据权利要求5所述的静脉识别模型的训练方法,其特征在于,所述门限范围为通过所述初始识别模型对所述校验特征信息识别,输出的类别识别概率的均值和标准差确定的门限范围。
7.一种利用静脉识别模型的静脉图像识别方法,其特征在于,包括:
接收输入的静脉图像;
采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
采用识别模块对所述特征信息进行识别,输出识别结果。
8.一种静脉识别模型的训练装置,其特征在于,包括:
第一训练单元,用于采用第一训练样本训练第一神经网络模型,获取特征提取模型;
第二训练单元,用于通过所述特征提取模型提取第二训练样本中的训练特征信息,采用所述训练特征信息训练第二神经网络模型,获取识别模型及所述识别模型的门限范围;所述识别模型通过所述门限范围确定待识别样本的识别结果;
静脉识别模型包括所述特征提取模型和所述识别模型;
所述第一训练样本包括所述第二训练样本。
9.一种利用静脉识别模型的静脉图像识别装置,其特征在于,包括:
接收单元,用于接收输入的静脉图像;
特征提取单元,用于采用特征提取模型对所述静脉图像进行特征提取,获取特征信息;
识别单元,用于采用识别模块对所述特征信息进行识别,输出识别结果。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至6的任一项所述的静脉识别模型的训练方法以及如权利要求7所述的利用静脉识别模型的静脉图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329330.4A CN111062345B (zh) | 2019-12-20 | 2019-12-20 | 静脉识别模型的训练方法、装置和静脉图像识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329330.4A CN111062345B (zh) | 2019-12-20 | 2019-12-20 | 静脉识别模型的训练方法、装置和静脉图像识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062345A true CN111062345A (zh) | 2020-04-24 |
CN111062345B CN111062345B (zh) | 2024-03-29 |
Family
ID=70301186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329330.4A Active CN111062345B (zh) | 2019-12-20 | 2019-12-20 | 静脉识别模型的训练方法、装置和静脉图像识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062345B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241680A (zh) * | 2020-09-14 | 2021-01-19 | 中国矿业大学 | 基于静脉相似图像知识迁移网络的多模态身份认证方法 |
CN113505716A (zh) * | 2021-07-16 | 2021-10-15 | 重庆工商大学 | 静脉识别模型的训练方法、静脉图像的识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416440A (zh) * | 2018-03-20 | 2018-08-17 | 上海未来伙伴机器人有限公司 | 一种神经网络的训练方法、物体识别方法及装置 |
CN110033040A (zh) * | 2019-04-12 | 2019-07-19 | 华南师范大学 | 一种火焰识别方法、系统、介质和设备 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-20 CN CN201911329330.4A patent/CN111062345B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416440A (zh) * | 2018-03-20 | 2018-08-17 | 上海未来伙伴机器人有限公司 | 一种神经网络的训练方法、物体识别方法及装置 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN110033040A (zh) * | 2019-04-12 | 2019-07-19 | 华南师范大学 | 一种火焰识别方法、系统、介质和设备 |
Non-Patent Citations (1)
Title |
---|
刘胜前;张烈平;赵阳;孙旋;: "基于改进型ELM的指静脉识别算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241680A (zh) * | 2020-09-14 | 2021-01-19 | 中国矿业大学 | 基于静脉相似图像知识迁移网络的多模态身份认证方法 |
CN113505716A (zh) * | 2021-07-16 | 2021-10-15 | 重庆工商大学 | 静脉识别模型的训练方法、静脉图像的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111062345B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945366B (zh) | 一种人脸识别的方法及装置 | |
US20210334604A1 (en) | Facial recognition method and apparatus | |
CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
CN108875907B (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN112107866A (zh) | 用户行为数据处理方法、装置、设备及存储介质 | |
WO2021159902A1 (zh) | 年龄识别方法、装置、设备及计算机可读存储介质 | |
CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
CN111062345B (zh) | 静脉识别模型的训练方法、装置和静脉图像识别装置 | |
CN108874889A (zh) | 基于目标体图像的目标体检索方法、系统及装置 | |
CN113988314A (zh) | 一种选择客户端的分簇联邦学习方法及系统 | |
CN109635625B (zh) | 智能身份核验方法、设备、存储介质及装置 | |
WO2021120587A1 (zh) | 基于oct的视网膜分类方法、装置、计算机设备及存储介质 | |
CN114926892A (zh) | 一种基于深度学习的眼底图像匹配方法、系统和可读介质 | |
CN114511912A (zh) | 基于双流卷积神经网络的跨库微表情识别方法及装置 | |
CN110839242B (zh) | 异常号码识别方法及装置 | |
CN113343198B (zh) | 一种基于视频的随机手势认证方法及系统 | |
CN109740672A (zh) | 多流特征距离融合系统与融合方法 | |
CN109377577A (zh) | 一种基于人脸识别的考勤方法、系统及存储装置 | |
Sharma et al. | Sign language gesture recognition | |
CN105469116B (zh) | 一种基于人机交互的幼儿识图及数据扩充方法 | |
CN105797375A (zh) | 一种跟随用户脸部表情改变角色模型表情的方法和终端 | |
WO2021082861A1 (zh) | 评分方法、装置、电子设备及存储介质 | |
CN110415708A (zh) | 基于神经网络的说话人确认方法、装置、设备及存储介质 | |
CN110414609A (zh) | 基于不完全信息博弈的对象确定方法及装置 | |
CN115795394A (zh) | 层级多模态和高级增量学习的生物特征融合身份识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |