CN111428643A - 指静脉图像识别方法、装置、计算机设备及存储介质 - Google Patents
指静脉图像识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111428643A CN111428643A CN202010219433.1A CN202010219433A CN111428643A CN 111428643 A CN111428643 A CN 111428643A CN 202010219433 A CN202010219433 A CN 202010219433A CN 111428643 A CN111428643 A CN 111428643A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- vein image
- image
- identified
- similarity
- 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 321
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本发明涉及生物识别技术领域,提供一种指静脉图像识别方法、装置、计算机设备及存储介质,该方法包括:对包含有手指静脉纹路分布信息的图像预处理得到待识别的指静脉图像;获取待识别的指静脉图像的单通道灰度图并输入至预先训练好的卷积神经网络;预先训练好的卷积神经网络根据单通道灰度图得到多维度特征表示;分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;将各个相似度与预设阈值对比,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。通过本发明的实施,能够解决现有技术中的指静脉识别技术存在的识别精准度较低的问题。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种指静脉图像识别方法、装置、计算机设备及存储介质。
背景技术
近些年,随着深度学习方法的深入研究和进步,生物识别技术已经在众多领域内得到广泛的应用。目前,生活中随处可见,越来越多的产品已经采用了不同的生物识别技术来取代了传统的密码,口令卡等方式进行身份认证以及通过语音等方式直接输入信息取代了传统的打字输入模式。而指静脉识别技术作为生物识别技术中的一种,是利用人体独一无二的生理或行为特征来自动识别个人身份,具有无需记忆密码、高度唯一性、难以被盗用等优点,同时操作简单、方便快捷,因而在近些年得到了广泛的研究,发展迅速。
目前,现有的指静脉识别技术主要是先获取待测的指静脉图像,然后对其进行增强处理,卷积神经网络对经过增强处理的指静脉图像进行特征提取,然后通过分类器对提取的特征进行分类匹配识别,从而获得对应的识别结果。
虽然通过上述的指静脉识别技术能够实现指静脉匹配,但是由于在上述指静脉识别技术的实现过程中,仅通过增强处理,同时通过分类器根据特征对图像进行分类再进行匹配,使得上述的指静脉识别技术的识别精准度较低。因此,综上所述,现有技术中的指静脉识别技术存在识别精准度较低的问题。
发明内容
本发明提供一种指静脉图像识别方法、装置、计算机设备及存储介质,以解决现有技术中的指静脉识别技术存在的识别精准度较低的问题。
本发明提供一种指静脉图像识别方法,包括:
对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像;
获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络;
预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示;
分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;
将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。
本发明提供一种指静脉图像识别装置,包括:
待识别的指静脉图像获取模块,用于对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像;
单通道灰度图获取模块,用于获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络;
多维度特征表示获取模块,用于预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示;
相似度获取模块,用于分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;
目标指静脉图像获取模块,用于将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。
本发明提供一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明提供的一种指静脉图像识别方法的步骤。
本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现本发明提供的一种指静脉图像识别方法的步骤。
本申请提供的一种指静脉图像识别方法、装置、计算机设备及存储介质中,首先对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像,然后获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络,再预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示,再之分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度,最后将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。在本发明中,全连接层输出特征表示,通过特征表示计算获得相似度,有效利用了卷积神经网络获得的特征信息,使得静脉识别的精准度提高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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他的附图。
图1是本发明实施例的指静脉图像识别方法的一应用环境示意图;
图2是本发明实施例的指静脉图像识别方法的流程示意图;
图3是本发明实施例的指静脉图像识别方法中步骤11的效果示意图;
图4是本发明实施例的指静脉图像识别方法中步骤14的流程示意图;
图5是本发明实施例的指静脉图像识别方法的又一流程示意图;
图6是本发明实施例的指静脉图像识别方法中步骤23的流程示意图;
图7是本发明实施例的指静脉图像识别装置的模块示意图;
图8是本发明实施例的计算机设备的模块示意图。
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他实施例,都属于本发明保护的范围。
本发明的第一实施例提供的指静脉图像识别方法,可应用于如图1所示的应用环境中,其中,采集设备与服务器之间进行通信。采集设备获取包含有手指静脉纹路分布信息的图像,将包含有手指静脉纹路分布信息的图像发送至服务端,服务端对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像,然后获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络,再预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示,再之分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度,最后将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。其中,采集设备可以是具备摄像头的摄制设备。服务端可以是具备图像数据处理能力的设备,服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要注意的是,图1仅给出了本实施例的一种应用场景,采集设备还可以是从摄制装置获取包含有手指静脉纹路分布信息的图像的智能设备,此处不做具体限制。
在本发明实施例中,如图2所示,提供一种指静脉图像识别方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤11至步骤15。
步骤11:对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像。
其中,包含手指静脉纹路分布信息的图像可以是采用能够穿透皮肤层的光线摄制,例如可以是近红外光。
进一步地,作为本实施例的一种实施方式,上述步骤11包括对包含有手指静脉纹路分布信息的图像进行预处理包括依次对图像进行去噪增强、最大曲率变换处理。
其中,去噪增强具体可以包括使用BM3D(Block-matching and 3D filtering,三维块匹配滤波)降噪、DCT(Discrete Cosine Transform,离散余弦变换)降噪、PCA(Principal Component Analysis,主成分分析)降噪、K-SVD(K-singular valuedecomposition,奇异值分解)降噪、非局部均值降噪等去噪算法对图像进行去噪处理,使用直方图均衡化、对数图像增强、指数图像增强等图像增强算法对图像进行增强处理。最大曲率变换处理包括再用最大曲率算法对经过去噪增强的图像进行计算,获得图像中的手指静脉轮廓,得到手指静脉的纹路。
具体地,如图3(a)和如图3(b)所示,图3(a)为包含有手指静脉纹路分布信息的图像,图3(b)为待识别的指静脉图像。根据如图3(a)和如图3(b)可知,经过对图像进行去噪增强、最大曲率变换处理获得的待识别的指静脉图像中手指静脉的纹路分布清洗,轮廓分明。
在本实施例中,通过对包含有手指静脉纹路分布信息的图像进行预处理包括依次对图像进行去噪增强、最大曲率变换处理,能够减少图像中的噪点,突出图像中的手指静脉纹路,提高图像中手指静脉图像的清晰度,有利于后续对待识别的指静脉图像进行识别,提高识别精准度。
步骤12:获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络。
其中,具体是获取待识别的指静脉图像中各个像素点的像素值,根据每个像素点的像素值得到单通道灰度图。另外,每个像素值大小在0至255之间。
进一步地,作为本实施例的一种实施方式,在上述步骤11至步骤12之间包括将待识别的指静脉图像转化为预设的像素大小。
其中,具体是将所有的待识别的指静脉图像转化为同样的像素大小。优选地,将待识别的指静脉图像转化为128×100的像素大小。
在本实施例中,通过将待识别的指静脉图像转化为预设的像素大小,能够实现将输入至卷积神经网络的指静脉图像按照统一的标准进行特征提取,有利于减少计算量,提高计算速度。
步骤13:预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示。
其中,多维度特征表示的维度与全连接层的输出通道数相关,全连接层的每一个输出通道可以代表单通道灰度图的一个维度的特征。
进一步地,作为本实施例的一种实施方式,预先训练好的卷积神经网络中包括六层卷积层和两层全连接层。
需要注意的是,六层卷积层中的各个卷积层之间层层递进,相互关联。
具体地,六层卷积层包括第一层卷积层、第二层卷积层、第三层卷积层、第四层卷积层、第五层卷积层、第六层卷积层,各卷积层的参数如下:
第一层卷积层中卷积核大小为11×11,步长为5,池化核大小为2×2,步长为1,输出为64;第二层卷积层中卷积核大小为9×9,步长为2,池化核大小为2×2,步长为1,输出为96;第三层卷积层中卷积核大小为5×5,步长为2,池化核大小为2×2,步长为1,输出为128;第四层卷积层中卷积核大小为5×5,步长为1,池化核大小为2×2,步长为1,输出为128;第五层卷积层中卷积核大小为5×5,步长为1,池化核大小为2×2,步长为1,输出为196;第六层卷积层中卷积核大小为5×5,步长为1,池化核大小为2×2,步长为1,输出为256。
具体地,两层全连接层包括第一层全连接层和第二层全连接层,第一层全连接层和第二层全连接层的输出通道数可以为预先设置,对其输出通道数不做具体限制。优选地,第一层全连接层的输出通道数为512,第二层全连接层的输出通道树为1000。另外,第一层全连接层分别与第一层卷积层的池化核、第二层卷积层的池化核、第三层卷积层的池化核、第四层卷积层的池化核、第五层卷积层的池化核、第六层卷积层的池化核连接。
在本实施例中,采用六层卷积层和两层权连接层的卷积神经网络提取单通道灰度图中的特征,六层卷积层提取出单通道灰度图的局部特征,并经由两层全连接层重新通过权值矩阵形成特征表示,大大提高了特征的利用率,提高了指静脉图像识别的识别精准度。
步骤14:分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度。
其中,历史指静脉图像可以是在数据库中预先存储的与用户身份绑定关联的指静脉图像。也就是说,当待识别的指静脉图像与历史指静脉图像匹配成功时,能够依据该匹配的历史指静脉图像获得与待识别的指静脉图像对应的身份信息。
进一步地,作为本实施例的一种实施方式,如图4所示,上述步骤14包括以下步骤141至步骤143。
步骤141:计算待识别的指静脉图像的多维度特征表示与数据库中预存的历史指静脉图像的多维度特征表示之间的欧氏距离。
其中,具体可以根据下式(1)计算获得待识别的指静脉图像的多维度特征表示与数据库中预存的历史指静脉图像的多维度特征表示之间的欧氏距离:
其中,dist(X,Y)代表欧氏距离,X代表待识别的指静脉图像的多维度特征表示,Y代表数据库中预存的历史指静脉图像的多维度特征表示,n代表多维度特征表示的维度,xi代表待识别的指静脉图像在第i个维度的特征表示,yi代表历史指静脉图像在第i个维度的特征表示。
步骤142:根据欧式距离按照下式(2)计算获得夹角表示:
其中,θ代表夹角表示,dist(X,Y)代表欧氏距离,X代表待识别的指静脉图像的多维度特征表示,Y代表数据库中预存的历史指静脉图像的多维度特征表示。
步骤143:根据夹角表示获得相似度。
其中,具体是根据夹角表示计算sin(θ),将计算得到的sin(θ)作为相似度。
在本实施例中,通过上述步骤141至步骤143的实施,能够计算获得待识别的指静脉图像的多维度特征表示与数据库中预存的历史指静脉图像的多维度特征表示之间的相似度,同时,相似度数值越大,相似度越高。
需要注意的是,为了能够获得待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度,需要重复上述步骤141至步骤143。
步骤15:将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。
其中,预设阈值的数值越高,识别获得的结果越准确。
另外,在本实施例中,当获得目标指静脉图像,从数据库中可以查询获得与目标指静脉图像对应的身份信息,并可以进行应用于各个场景的后续操作。例如,可以将本发明引用于门禁场景,当获得目标指静脉图像,发出对应指令控制开门,还可以将发明应用于身份信息查询,当获得目标指静脉图像,获取与目标指静脉图像对应的身份信息,并查询展示与身份信息关联的资料。此处不对本发明的实际应用场景做进一步地限定。
通过上述步骤11至步骤15的实施,能够有效利用全连接层获得的多维度特征表示,并进一步计算相似度,获得目标指静脉图像,同时对图像进行去噪增强、最大曲率变换,有效提高了指静脉图像识别的精准度,解决了现有技术中的指静脉识别技术存在的识别精准度较低的问题。
进一步地,作为本实施例的一种实施方式,如图5所示,训练卷积神经网络包括以下步骤21至步骤28。
步骤21:获取多张包含有手指静脉纹路分布信息的样本指静脉图像。
其中,可以将样本指静脉图像划分为训练集和测试集,对训练集和测试集的比值不做具体限制。优选地,训练集和测试集的比值为7:2。
步骤22:分别对样本指静脉图像进行预处理,得到待识别的样本指静脉图像。
其中,对样本指静脉图像进行预处理,得到待识别的样本指静脉图像的方法与上述步骤11中对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像的方法类似,此处不再赘述。
需要注意的是,在步骤22和步骤23之间,还可以包括将待识别的样本指静脉图像转化为预设的像素大小。其中,将待识别的样本指静脉图像转化为预设的像素大小的方法与上述将待识别的指静脉图像转化为预设的像素大小的方法类似,此处不再赘述。
步骤23:分别从待识别的样本指静脉图像中按照预设规则截取获得多张标准样本指静脉图像。
其中,各张标准样本指静脉图像的像素大小应当相等。
进一步地,作为本实施例的一种实施方式,如图6所示,上述步骤23包括以下步骤231至步骤232。
步骤231:对待识别的样本指静脉图像进行偏转,分别获得多张具有不同偏转角度的待识别的偏转样本指静脉图像。
其中,具体可以将待识别的样本指静脉图像按照不同角度进行偏转,每一张样本指静脉图像偏转后获得的待识别的偏转样本指静脉图像的数量不做体局限制,通常大于等于三。同时,偏转的角度可以是向左偏转3度、向左偏转10度、向右偏转3度、向右偏转10度等等。
步骤232:按照预设起始点和规定间隔分别从待识别的偏转样本指静脉图像中截取获得多张标准样本指静脉图像。
其中,在截取图像时,对于每张待识别的偏转样本指静脉图像,预设起始点和规定间隔应当相同。优选地,在本实施例中,从待识别的偏转样本指静脉图像的左边框取10像素位置,上边框取10像素位置作为起始点,然后向右每隔6像素截取一张像素大小为128*100的标准样本指静脉图像。
通过上述步骤231至步骤232的实施,能够通过对待识别的样本指静脉图像偏转的方式模拟出各种偏转条件下的图像,同时截取获得标准样本指静脉图像,有利于获得不同场景下的样本图像,便于训练获得识别精准度高的卷积神经网路。
步骤24:获取标准样本指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的卷积神经网络。
其中,步骤24的方法与上述步骤12类似,此处不再赘述。
步骤25:卷积神经网络根据单通道灰度图得到标准样本指静脉图像的多维度特征表示。
其中,获得标准样本指静脉图像的多维度特征表示与上述步骤13中得到待识别的指静脉图像的多维度特征表示的方法类似,此处不再赘述。
步骤26:分别计算标准样本指静脉图像的多维度特征表示与其他标准样本指静脉图像的多维度特征表示之间的相似度。
其中,步骤26中计算相似度的方法与上述步骤14中计算相似度的方法类似,此处不再赘述。
步骤27:将各个相似度分别与样本预设阈值进行比较,将与达到样本预设阈值的相似度对应的标准样本指静脉图像作为目标样本指静脉图像。
步骤28:根据与目标样本指静脉图像对应的标准样本指静脉图像和目标样本指静脉图像之间的关系计算识别精确度,当识别精确度未达到目标识别精确度时,调整卷积神经网络中卷积层和全连接层的参数,循环获取标准样本指静脉图像的多维度特征表示至本步骤,直至识别精确度达到目标识别精确度,并将当前参数的卷积神经网络确定为预先训练好的卷积神经网络。
其中,具体是先判断与目标样本指静脉图像对应的标准样本指静脉图像和目标样本指静脉图像是否为同一手指的图像,当与目标样本指静脉图像对应的标准样本指静脉图像和目标样本指静脉图像为同一手指的图像;代表识别正确,当与目标样本指静脉图像对应的标准样本指静脉图像和目标样本指静脉图像不为同一手指的图像,代表识别错误。识别精准度具体是根据识别正确次数在所有识别次数中的占比。另外,具体是调整卷积神经网络中卷积层和全连接层的各个权重参数。
需要注意的是,在本实施例中,可以通过测试集来判断卷积神经网络的识别准确率。另外,还可以将通过损失函数和识别精准度共同来判断卷积神经网络的好坏。
通过上述步骤21至步骤28的实施,能够训练获得预先训练好的卷积神经网络,以用于指静脉图像识别。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明的第二实施例提供一种指静脉图像识别装置,该指静脉图像识别装置与上述提供的指静脉图像识别方法一一对应。
进一步地,如图7所示,该指静脉图像识别装置包括待识别的指静脉图像获取模块41、单通道灰度图获取模块42、多维度特征表示获取模块43、相似度获取模块44和目标指静脉图像获取模块45。各功能模块详细说明如下:
待识别的指静脉图像获取模块41,用于对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像;
单通道灰度图获取模块42,用于获取待识别的指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络;
多维度特征表示获取模块43,用于预先训练好的卷积神经网络根据单通道灰度图得到待识别的指静脉图像的多维度特征表示;
相似度获取模块44,用于分别计算待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;
目标指静脉图像获取模块45,用于将各个相似度分别与预设阈值进行比较,将与达到预设阈值的相似度对应的历史指静脉图像作为目标指静脉图像并完成指静脉识别。
进一步地,作为本实施例的一种实施方式,上述相似度获取模块44具体包括欧氏距离获取单元、夹角表示获取单元和相似度获取单元。各功能单元详细说明如下:
欧氏距离获取单元,用于计算待识别的指静脉图像的多维度特征表示与数据库中预存的历史指静脉图像的多维度特征表示之间的欧氏距离;
夹角表示获取单元,用于根据欧式距离按照下式(2)计算获得夹角表示:
其中,θ代表夹角表示,dist(X,Y)代表欧氏距离,X代表待识别的指静脉图像的多维度特征表示,Y代表数据库中预存的历史指静脉图像的多维度特征表示;
相似度获取单元,用于根据夹角表示获得相似度。
进一步地,作为本实施例的一种是实施方式,本实实施例中的卷积神经网络中包括六层卷积层和两层全连接层。
进一步地,作为本实施例的一种是实施方式,上述指静脉图像获取模块41包括预处理单元。预处理单元详细说明如下:
预处理单元,用于对包含有手指静脉纹路分布信息的图像进行预处理包括依次对图像进行去噪增强、最大曲率变换处理。
进一步地,作为本实施例的一种实施方式,本指静脉图像识别装置还包括预设像素转化模块。预设像素转化模块详细说明如下:
预设像素转化模块,用于将待识别的指静脉图像转化为预设的像素大小。
进一步地,作为本实施例的一种实施方式,本指静脉图像识别装置还包括样本指静脉图像获取模块、待识别的样本指静脉图像获取模块、标准样本指静脉图像获取模块、单通道灰度图输入模块、特征表示获取模块、特征表示相似度获取模块、目标样本指静脉图像获取模块和卷积神经网络获取模块。各功能模块详细说明如下:
样本指静脉图像获取模块,用于获取多张包含有手指静脉纹路分布信息的样本指静脉图像;
待识别的样本指静脉图像获取模块,用于分别对样本指静脉图像进行预处理,得到待识别的样本指静脉图像;
标准样本指静脉图像获取模块,用于分别从待识别的样本指静脉图像中按照预设规则截取获得多张标准样本指静脉图像;
单通道灰度图输入模块,用于获取标准样本指静脉图像的单通道灰度图,并将单通道灰度图输入到包含卷积层和全连接层的卷积神经网络;
特征表示获取模块,用于卷积神经网络根据单通道灰度图得到标准样本指静脉图像的多维度特征表示;
特征表示相似度获取模块,用于分别计算标准样本指静脉图像的多维度特征表示与其他标准样本指静脉图像的多维度特征表示之间的相似度;
目标样本指静脉图像获取模块,用于将各个相似度分别与样本预设阈值进行比较,将与达到样本预设阈值的相似度对应的标准样本指静脉图像作为目标样本指静脉图像;
卷积神经网络获取模块,用于根据与目标样本指静脉图像对应的标准样本指静脉图像和目标样本指静脉图像之间的关系计算识别精确度,当识别精确度未达到目标识别精确度时,调整卷积神经网络中卷积层和全连接层的参数,循环获取标准样本指静脉图像的多维度特征表示至本步骤,直至识别精确度达到目标识别精确度,并将当前参数的卷积神经网络确定为预先训练好的卷积神经网络。
进一步地,作为本实施例的一种实施方式,上述标准样本指静脉图像获取模块具体包括偏转样本指静脉图像获取单元和标准样本指静脉图像获取单元。各功能单元详细说明如下:
偏转样本指静脉图像获取单元,用于对待识别的样本指静脉图像进行偏转,分别获得多张具有不同偏转角度的待识别的偏转样本指静脉图像;
标准样本指静脉图像获取单元,用于按照预设起始点和规定间隔分别从待识别的偏转样本指静脉图像中截取获得多张标准样本指静脉图像。
关于指静脉图像识别装置的具体限定可以参见上文中对于指静脉图像识别方法的限定,在此不再赘述。上述指静脉图像识别装置中的各个模块/单元可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明的第三实施例提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储指静脉图像识别方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
根据本申请的一个实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述指静脉图像识别方法的步骤,例如图2所示的步骤11至步骤15、如图4所示的步骤141至步骤143、如图5所示的步骤21至步骤28以及如图6所示的步骤231至步骤232。
本发明的第四实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明实施例提供的指静脉图像识别方法的步骤,例如图2所示的步骤11至步骤15、如图4所示的步骤141至步骤143、如图5所示的步骤21至步骤28以及如图6所示的步骤231至步骤232。或者,计算机程序被处理器执行时实现上述第一实施例提供的指静脉图像识别方法的各模块/单元的功能。为避免重复,这里不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种指静脉图像识别方法,其特征在于,所述方法包括:
对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像;
获取所述待识别的指静脉图像的单通道灰度图,并将所述单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络;
所述预先训练好的卷积神经网络根据所述单通道灰度图得到所述待识别的指静脉图像的多维度特征表示;
分别计算所述待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;
将各个所述相似度分别与预设阈值进行比较,将与达到所述预设阈值的所述相似度对应的所述历史指静脉图像作为目标指静脉图像并完成指静脉识别。
3.根据权利要求1所述的指静脉图像识别方法,其特征在于,所述预先训练好的卷积神经网络中包括六层卷积层和两层全连接层。
4.根据权利要求1所述的指静脉图像识别方法,其特征在于,所述对包含有手指静脉纹路分布信息的图像进行预处理的步骤包括:
依次对所述图像进行去噪增强、最大曲率变换处理。
5.根据权利要求4所述的指静脉图像识别方法,其特征在于,在所述对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像和所述获取所述待识别的指静脉图像的单通道灰度图,并将所述单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络之间包括:
将所述待识别的指静脉图像转化为预设的像素大小。
6.根据权利要求1所述的指静脉图像识别方法,其特征在于,训练所述卷积神经网络的步骤包括:
获取多张包含有所述手指静脉纹路分布信息的样本指静脉图像;
分别对所述样本指静脉图像进行预处理,得到待识别的样本指静脉图像;
分别从所述待识别的样本指静脉图像中按照预设规则截取获得多张标准样本指静脉图像;
获取所述标准样本指静脉图像的单通道灰度图,并将所述单通道灰度图输入到包含卷积层和全连接层的卷积神经网络;
所述卷积神经网络根据所述单通道灰度图得到所述标准样本指静脉图像的多维度特征表示;
分别计算所述标准样本指静脉图像的多维度特征表示与其他所述标准样本指静脉图像的多维度特征表示之间的相似度;
将各个所述相似度分别与样本预设阈值进行比较,将与达到所述样本预设阈值的所述相似度对应的所述标准样本指静脉图像作为目标样本指静脉图像;
根据与所述目标样本指静脉图像对应的所述标准样本指静脉图像和所述目标样本指静脉图像之间的关系计算识别精确度,当所述识别精确度未达到目标识别精确度时,调整所述卷积神经网络中所述卷积层和所述全连接层的参数,循环获取所述标准样本指静脉图像的多维度特征表示至本步骤,直至所述识别精确度达到所述目标识别精确度,并将当前参数的卷积神经网络确定为所述预先训练好的卷积神经网络。
7.根据权利要求6所述的指静脉图像识别方法,其特征在于,所述分别从所述待识别的样本指静脉图像中按照预设规则截取获得多张标准样本指静脉图像包括:
对所述待识别的样本指静脉图像进行偏转,分别获得多张具有不同偏转角度的待识别的偏转样本指静脉图像;
按照预设起始点和规定间隔分别从所述待识别的偏转样本指静脉图像中截取获得多张所述标准样本指静脉图像。
8.一种指静脉图像识别装置,其特征在于,包括:
待识别的指静脉图像获取模块,用于对包含有手指静脉纹路分布信息的图像进行预处理,得到待识别的指静脉图像;
单通道灰度图获取模块,用于获取所述待识别的指静脉图像的单通道灰度图,并将所述单通道灰度图输入到包含卷积层和全连接层的预先训练好的卷积神经网络;
多维度特征表示获取模块,用于所述预先训练好的卷积神经网络根据所述单通道灰度图得到所述待识别的指静脉图像的多维度特征表示;
相似度获取模块,用于分别计算所述待识别的指静脉图像的多维度特征表示与数据库中预存的各历史指静脉图像的多维度特征表示之间的相似度;
目标指静脉图像获取模块,用于将各个所述相似度分别与预设阈值进行比较,将与达到所述预设阈值的所述相似度对应的所述历史指静脉图像作为目标指静脉图像并完成指静脉识别。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述指静脉图像识别方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述指静脉图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219433.1A CN111428643A (zh) | 2020-03-25 | 2020-03-25 | 指静脉图像识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219433.1A CN111428643A (zh) | 2020-03-25 | 2020-03-25 | 指静脉图像识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428643A true CN111428643A (zh) | 2020-07-17 |
Family
ID=71555440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219433.1A Pending CN111428643A (zh) | 2020-03-25 | 2020-03-25 | 指静脉图像识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428643A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882660A (zh) * | 2020-07-23 | 2020-11-03 | 广联达科技股份有限公司 | 基于cad图纸的三维显示方法和三维显示装置 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701507A (zh) * | 2016-01-13 | 2016-06-22 | 吉林大学 | 基于动态随机池化卷积神经网络的图像分类方法 |
CN107037324A (zh) * | 2017-04-26 | 2017-08-11 | 华北电力大学 | 基于单端电气量的不受过渡电阻影响的故障测距方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和系统 |
US20170302909A1 (en) * | 2016-04-18 | 2017-10-19 | Otis Elevator Company | Auto commissioning system and method |
CN110390282A (zh) * | 2019-07-12 | 2019-10-29 | 西安格威西联科技有限公司 | 一种基于余弦中心损失的指静脉识别方法及系统 |
CN110427832A (zh) * | 2019-07-09 | 2019-11-08 | 华南理工大学 | 一种基于神经网络的小数据集手指静脉识别方法 |
-
2020
- 2020-03-25 CN CN202010219433.1A patent/CN111428643A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701507A (zh) * | 2016-01-13 | 2016-06-22 | 吉林大学 | 基于动态随机池化卷积神经网络的图像分类方法 |
US20170302909A1 (en) * | 2016-04-18 | 2017-10-19 | Otis Elevator Company | Auto commissioning system and method |
CN107037324A (zh) * | 2017-04-26 | 2017-08-11 | 华北电力大学 | 基于单端电气量的不受过渡电阻影响的故障测距方法 |
CN107194341A (zh) * | 2017-05-16 | 2017-09-22 | 西安电子科技大学 | Maxout多卷积神经网络融合人脸识别方法和系统 |
CN110427832A (zh) * | 2019-07-09 | 2019-11-08 | 华南理工大学 | 一种基于神经网络的小数据集手指静脉识别方法 |
CN110390282A (zh) * | 2019-07-12 | 2019-10-29 | 西安格威西联科技有限公司 | 一种基于余弦中心损失的指静脉识别方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882660A (zh) * | 2020-07-23 | 2020-11-03 | 广联达科技股份有限公司 | 基于cad图纸的三维显示方法和三维显示装置 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
WO2020015076A1 (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
WO2020050966A1 (en) | User adaptation for biometric authentication | |
CN109190470B (zh) | 行人重识别方法及装置 | |
US10885171B2 (en) | Authentication verification using soft biometric traits | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN113723238B (zh) | 一种人脸轻量网络模型构建方法和人脸识别方法 | |
CN111428643A (zh) | 指静脉图像识别方法、装置、计算机设备及存储介质 | |
CN112966626A (zh) | 人脸识别方法和装置 | |
CN111582027B (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN110942067A (zh) | 文本识别方法、装置、计算机设备和存储介质 | |
CN113095156A (zh) | 一种基于逆灰度方式的双流网络签名鉴定方法及装置 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN112001285A (zh) | 一种美颜图像的处理方法、装置、终端和介质 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
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 | |
Conti et al. | An advanced technique for user identification using partial fingerprint | |
Al-Nima | Human authentication with earprint for secure telephone system | |
CN113128427A (zh) | 人脸识别方法、装置、计算机可读存储介质及终端设备 | |
CN106407942B (zh) | 一种图像处理方法及其装置 | |
CN109165587B (zh) | 智能图像信息抽取方法 | |
Liu et al. | Finger-vein recognition with modified binary tree model | |
CN114973307A (zh) | 生成对抗和余弦三元损失函数的指静脉识别方法及系统 | |
CN114550224A (zh) | 基于深度学习的指纹图像识别比对方法、装置和电子设备 | |
CN111079551A (zh) | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
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: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |