CN111639558B - 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 - Google Patents

一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 Download PDF

Info

Publication number
CN111639558B
CN111639558B CN202010414634.7A CN202010414634A CN111639558B CN 111639558 B CN111639558 B CN 111639558B CN 202010414634 A CN202010414634 A CN 202010414634A CN 111639558 B CN111639558 B CN 111639558B
Authority
CN
China
Prior art keywords
image
finger vein
feature
finger
registration
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.)
Active
Application number
CN202010414634.7A
Other languages
English (en)
Other versions
CN111639558A (zh
Inventor
赵国栋
张烜
胡振寰
李学双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Holy Point Century Technology Co ltd
Original Assignee
Holy Point Century Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Holy Point Century Technology Co ltd filed Critical Holy Point Century Technology Co ltd
Priority to CN202010414634.7A priority Critical patent/CN111639558B/zh
Publication of CN111639558A publication Critical patent/CN111639558A/zh
Application granted granted Critical
Publication of CN111639558B publication Critical patent/CN111639558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • 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
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及基于ArcFace Loss和改进残差网络的指静脉身份验证方法，包括以下步骤：1)采集若干手指的指静脉图像，对图像预处理；2)构建卷积神经网络；3)训练模型：使用ArcFace Loss对卷积神经网络进行训练；4)注册阶段：将注册图像增强后输入训练好的卷积神经网络中，得到特征向量并取平均值作为该手指的特征存储为注册特征库；5)验证阶段：计算该特征向量与注册特征库中每一特征的余弦相似度，并依据其距离与阈值判断其是否对应到某一根手指。本发明对轻量级残差网络进行改进使其对指静脉特征的表达能力得到有效的提升，有效的提高了注册特征库的质量，整个方法简单易行鲁棒，有效的提升指静脉识别的准确率。

Description

一种基于ArcFace Loss和改进残差网络的指静脉身份验证 方法
技术领域
本发明属于信息安全领域中的生物识别技术，具体涉及一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法。
背景技术
随着信息技术的发展，人们对于信息安全的要求越来越高，人脸识别、指纹认证等技术已广泛应用于人们的日常生活中。但在金融、军工等领域，人们往往需要更加安全可靠的生物识别技术，指静脉识别作为第二代生物识别技术，具有体内特征、不可复制、非接触式测量、安全级别高等优点，具有巨大的研究价值。
目前，指静脉识别算法主要可分为基于指静脉纹路的方法、基于局部不变特征的方法和基于纹理特征的方法。比如，专利号为CN 110633709A的发明专利申请公开了一种基于残差网络的特征图处理方法，包括：在残差网络的瓶颈层残差支路中最后一个卷积层之后接入一SE模块；在残差网络的桥连接支路中下采样模块之后接入一SE模块；在残差网络的加法模块与激活函数模块之间接入实例标准化模块；将特征图输入经过改进的残差网络进行处理，得到下一层的特征图。本发明对传统残差网络进行了改进，分别在瓶颈层残差支路和桥连接支路中加入了一SE模块，并在残差网络中加入了实例标准化模块，利用经过改进的残差网络处理特征图，增强了瓶颈层残差支路中的特征图，接入实例标准化模块提高了残差网络的泛化能力，消除了残差网络对图像外观因素的影响。
在这些算法中，特征往往都需要专家手工设计，其表达能力往往具有局限性，由此也造成其在出现平移、旋转等情况下，性能会出现大幅度下降的情况，算法鲁棒性较差。近年来，由于硬件性能的提升以及数据量的增大，深度学习得到了迅猛的发展，检测、识别等领域取得了一系列突破。相对于传统方法，深度学习网络可以自动从大量的训练数据中学习到相应特征，该特征往往比传统手工设计的特征具有更高的鲁棒性。在基于深度学习算法的识别方法中，普遍存在训练数据量小，网络参数多造成算法对硬件的要求高，损失函数设计不恰当等问题，从而使得深度学习在指静脉识别领域上的应用受到限制。
发明内容
本发明的目的是解决现有技术中，在基于残差网络的指静脉识别方法中存在的表达能力具有局限性、算法鲁棒性差，在基于深度学习算法的识别方法中，普遍存在训练数据量小，网络参数多造成算法对硬件的要求高，损失函数设计不恰当等问题，提出一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法。
为了达到目的，本发明提供的技术方案为：
本发明涉及一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法，包括以下步骤：
1)采集若干手指的指静脉图像，对图像预处理；
2)构建卷积神经网络：对轻量级残差网络ResNet18的每个卷积块进行改进，构建卷积神经网络；
3)训练模型：将预处理后的图像输入到卷积神经网络的模型中提取成多维的特征向量，并使用ArcFace Loss对卷积神经网络进行训练；
4)注册阶段：将注册图像增强后输入训练好的卷积神经网络中，得到特征向量并取平均值作为该手指的特征存储为注册特征库；
5)验证阶段：设定相似度阈值，将验证图像增强后输入到训练好的卷积神经网络中得到该验证图像的特征向量，分别计算该特征向量与注册特征库中每一特征的余弦相似度，并依据其距离与阈值判断其是否对应到某一根手指。
优选地，所述的步骤1)中，对图像预处理包括：对采集的指静脉数据库图像进行扩充，并对扩充后的数据库图像进行仿射变换，使用双边滤波法将得到的数据库图像进行增强。
优选地，所述步骤1)中对图像预处理的步骤包括：
1.1)对采集到的每个手指的指静脉数据库图像进行上下、左右翻转，将翻转后的图像分别设定为一个新的手指图像，将数据库扩大为原来的4倍；
1.2)设定相应的概率随机对图片进行平移、旋转操作，将变换后的图像加入数据库中，对数据库进行扩充；
1.3)通过滤波器BF对图像进行滤波增强。
优选地，滤波增强的计算公式为：
Figure BDA0002494492020000021
其中，Gs表示像素值权重，Gr表示空间距离权重，Wq表示滤波窗口内每个像素值的权重和，q为滤波窗口内的中心点，p为滤波器内的某一点，Iq为滤波窗口内中心点的像素值，Ip为p点的像素值，S为整个滤波窗口，Gs中的σ为值域标准差，Gr中的σ为空间域标准差；
公式中，像素值权重Gs的计算公式为：
Figure BDA0002494492020000031
公式中，空间距离权重Gr的计算公式为：
Figure BDA0002494492020000032
公式中，滤波窗口内每个像素值的权重和Wq的计算公式为：
Wq＝∑p∈SGs(p)Gr(p) (4)。
优选地，所述步骤2)中，对轻量级残差网络进行改进的方式是将卷积块Conv2_x、Conv3_x、Conv4_x、Conv5_x中的激活函数由Relu改为PRelu，并在这些卷积块的空间和通道两个维度加上注意力机制，其具体步骤是：
2.1)在通道上，对每个特征层使用Max Pooling和Average Pooling，再将得到的2维特征经过双层感知机后进行加和操作，最后经过Sigmoid函数激活得到通道权重Mc(F)，通道权重Mc(F)的计算公式为：
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (5)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，MLP为双层感知机，σ为sigmoid激活函数；
2.2)将得到的通道权重与通道对应相乘对通道进行重新标定；
2.3)在空间上，对每一维度的空间特征使用Max Pooling和Average Pooling并对其进行连接操作，将得到的2维特征经过卷积降为一维，最后经过Sigmoid函数激活得到空间权重Ms(F)，空间权重Ms(F)的计算公式为：
Ms(F)＝σ(f7*7[AvgPool(F)；MaxPool(F)]) (6)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，f7*7为卷积核大小为7*7的卷积，σ为sigmoid激活函数。
2.4)将得到的空间权重与空间特征对应相乘对空间特征进行重新标定。
优选地，所述步骤3)中，ArcFace Loss的计算公式为：
Figure BDA0002494492020000033
其中，L为ArcFace Loss，m为训练样本数，s为缩放系数，i为某一训练样本，yi为训练样本i所属的类别，j为某一类别，n为类别数，θj为类别j的参数，a为所设置的间隔大小。
优选地，所述步骤4)和步骤5)中分别采用双边滤波增强的方式对注册图像及验证图像进行图像增强。
优选地，所述步骤1)中，采集每个手指的指静脉图像时，采集的是不同位置、不同角度的指静脉图像。
优选地，所述步骤5)中，设定相似度阈值的方法是：
挑选一批已知类别的指静脉图像，使用双边滤波增强，每个手指随机挑选一张图片作为注册图像输入到训练完成的卷积神经网络中获得注册特征向量，其余图像输入到训练完成的卷积神经网络中获得特征向量，并依次计算其与每一个注册特征向量之间的余弦相似度，将其与余弦相似度最大的注册图像配对；在[-1,1]之间以0.01为增量依次取值作为余弦相似度阈值，计算每个阈值下网络的配对准确率，选择准确率满足要求的阈值作为最终的余弦相似度阈值。
优选地，所述步骤5)中，依据距离与阈值判断验证图像是否对应到某一根手指的具体方法是：选择余弦相似度最大的注册图像进行配对，若两者之间的相似度大于相似度阈值，则该验证图片属于该类别，若两者之间的相似度小于相似度阈值，则该验证图片不在注册库的类别中。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
1.本发明涉及的基于ArcFace Loss和改进残差网络的指静脉身份验证方法首先对指静脉图片进行了有效的增强，然后对轻量级残差网络进行改进，并选用合适的损失函数对其进行训练，使其对指静脉特征的表达能力得到有效的提升。
2.本发明在注册时使用若干幅指静脉图像，将图像增强后输入训练好的卷积神经网络中，取平均值作为注册特征，有效的提高了注册特征库的质量，可以有效的提升指静脉识别的准确率，尤其提高了指静脉在采集过程中出现平移、旋转等情况下的识别鲁棒性。
附图说明
图1为本发明基于ArcFace Loss和改进残差网络的指静脉身份验证方法的流程图；
图2为本发明采集的指静脉图像；
图3为本发明中经过双边滤波后得到的指静脉图像；
图4为本发明中双边滤波后resize成224*224的指静脉图像。
具体实施方式
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
结合附图1所示，本发明涉及一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法，包括以下步骤：
1)使用指静脉采集设备采集1000个手指每个手指不同位置的10张指静脉图片作为数据库，采集的图片大小为400*200，按7:1:2的比例分为训练集，测试集和验证集，采集的图像如图2所示；对图像预处理，首先对采集的指静脉数据库图像进行扩充，并对扩充扩充后的数据库图像进行仿射变换，使用双边滤波法将得到的数据库图像进行增强，其具体步骤包括：
1.1)将包含训练集的700指图片进行上下、左右翻转，将翻转后的图像分别设定为一个新的手指图像，进而将数据集扩充成2800指的数据集，将数据库扩大为原来的4倍；
1.2)设定相应的概率随机对图片进行平移、旋转操作，本实施例中按50％的概率随机进行平移、旋转等仿射变化，平移量设置为指静脉图片的±10％以内，旋转角度设置为±5°以内，将变换后的图像加入数据库中，对数据库进行扩充；
1.3)通过滤波窗口为11*11、值域标准差为22、空间域标准差为11的双边滤波器BF对图像进行滤波增强，滤波后的图像如图3所示，计算公式为：
Figure BDA0002494492020000051
其中，Gs表示像素值权重，Gr表示空间距离权重，Wq表示滤波窗口内每个像素值的权重和，q为滤波窗口内的中心点，p为滤波器内的某一点，Iq为滤波窗口内中心点的像素值，Ip为p点的像素值，S为整个滤波窗口，Gs中的σ为值域标准差，Gr中的σ为空间域标准差；
公式中，像素值权重Gs的计算公式为：
Figure BDA0002494492020000052
公式中，空间距离权重Gr的计算公式为：
Figure BDA0002494492020000061
公式中，滤波窗口内每个像素值的权重和Wq的计算公式为：
Wq＝∑p∈SGs(p)Gr(p) (4)。
2)对轻量级残差网络ResNet18的每个卷积块进行改进，构建卷积神经网络，其中，ResNet18的结构如表1所示：
表1：ResNet18的结构表
Figure BDA0002494492020000062
对轻量级残差网络进行改进的方式是将卷积块Conv2_x、Conv3_x、Conv4_x、Conv5_x中的激活函数由Relu改为PRelu，并在这些卷积块的空间和通道两个维度加上注意力机制，其具体步骤是：
2.1)在通道上，对每个特征层使用Max Pooling和Average Pooling，再将得到的2维特征经过双层感知机后进行加和操作，最后经过Sigmoid函数激活得到通道权重Mc(F)，通道权重Mc(F)的计算公式为：
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (5)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，MLP为双层感知机，σ为sigmoid激活函数；
2.2)将得到的通道权重与通道对应相乘对通道进行重新标定；
2.3)在空间上，对每一维度的空间特征使用Max Pooling和Average Pooling并对其进行连接操作，将得到的2维特征经过卷积降为一维，最后经过Sigmoid函数激活得到空间权重Ms(F)，空间权重Ms(F)的计算公式为：
Ms(F)＝σ(f7*7[AvgPool(F)；MaxPool(F)]) (6)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，f7*7为卷积核大小为7*7的卷积，σ为sigmoid激活函数。
2.4)将得到的空间权重与空间特征对应相乘对空间特征进行重新标定。
3)将预处理后的图像resize成224*224的大小，如图4所示，输入到卷积神经网络的模型中提取成多维的特征向量，并使用ArcFace Loss对卷积神经网络进行训练，ArcFaceLoss的计算公式为：
Figure BDA0002494492020000071
其中，L为ArcFace Loss，m为训练样本数，s为缩放系数，i为某一训练样本，yi为训练样本i所属的类别，j为某一类别，n为类别数，θj为类别j的参数，a为所设置的间隔大小；训练过程中，将epoch设置为125，batchsize设置为64，学习率设置为0.1，并分别在第35，65，95个epoch将学习率降低为前一阶段的十分之一。
4)注册过程中，将验证集的每个手指随机挑选三张图片作为注册图，采用滤波窗口为11*11，值域标准差为22，空间域标准差为11的双边滤波器将图像增强，并resize成224*224的大小，然后输入到训练好的卷积神经网络中，得到特征向量并取平均值作为该手指的特征存储为注册特征库；
5)验证过程中，设定相似度阈值，设定相似度阈值的方法是：将测试集使用滤波窗口为11*11，值域标准差为22，空间域标准差为11的双边滤波器进行滤波并resize成224*224的大小，每个手指随机挑选一张图片作为注册图像输入到训练完成的卷积神经网络中获得注册特征向量，其余图像输入到训练完成的卷积神经网络中获得特征向量，并依次计算其与每一个注册特征向量之间的余弦相似度，将其与余弦相似度最大的注册图像配对；在[-1,1]之间以0.01为增量依次取值作为余弦相似度阈值，计算每个阈值下网络的配对准确率，选择准确率满足要求的阈值作为最终的余弦相似度阈值，本实施例中，选择0误识别下的余弦相似度阈值为0.27；
采用双边滤波增强的方式将验证集中的验证图像增强后输入到训练好的卷积神经网络中得到该验证图像的特征向量，分别计算该特征向量与注册特征库中每一特征的余弦相似度，并依据其距离与阈值判断其是否对应到某一根手指，依据距离与阈值判断验证图像是否对应到某一根手指的具体方法是：选择余弦相似度最大的注册图像进行配对，若两者之间的相似度大于相似度阈值0.27，则该验证图片属于该类别，若两者之间的相似度小于相似度阈值0.27，该验证图片不在注册库的类别中，将模型认定验证图片在注册库类别中的比值记为通过率，将通过的验证图片中匹配准确的比值记为准确率，最终得到通过率为98.15％，准确率为100％。
为了验证本发明的有效性，按以上步骤重复实验五次，并在相同阈值下使用SoftMax Loss和原始ResNet18网络所训练的模型作为对比，所得的实验结果如表2所示：
表2：五次实验的结果
Figure BDA0002494492020000081
由实验结果可知，指静脉识别的通过率始终保持在98％以上并且十分稳定，这说明将多张指静脉图像的特征平均值作为注册特征可以有效的提高注册特征库的质量；指静脉的识别准确率很高达到99％以上，这说明所构建的深度学习网络可以有效的提取指静脉图像的特征，另外，ArcFace Loss训练的网络可以有效的将不同手指的指静脉区分开来。同时，可以通过适当提升阈值的方法来提高识别准确率使其接近于100％。与SoftMax Loss和原始ResNet18所训练的模型对比可以直观的看出本发明所述的一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法在指静脉识别方面的优越性。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (9)

1.一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：其包括以下步骤：
1)采集若干手指的指静脉图像，对图像预处理；
2)构建卷积神经网络：对轻量级残差网络ResNet18的每个卷积块进行改进，构建卷积神经网络，对轻量级残差网络进行改进的方式是将卷积块Conv2_x、Conv3_x、Conv4_x、Conv5_x中的激活函数由Relu改为PRelu，并在这些卷积块的空间和通道两个维度加上注意力机制，其具体步骤是：
2.1)在通道上，对每个特征层使用Max Pooling和Average Pooling，再将得到的2维特征经过双层感知机后进行加和操作，最后经过Sigmoid函数激活得到通道权重Mc(F)，通道权重Mc(F)的计算公式为：
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (5)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，MLP为双层感知机，σ为sigmoid激活函数；
2.2)将得到的通道权重与通道对应相乘对通道进行重新标定；
2.3)在空间上，对每一维度的空间特征使用Max Pooling和Average Pooling并对其进行连接操作，将得到的2维特征经过卷积降为一维，最后经过Sigmoid函数激活得到空间权重Ms(F)，空间权重Ms(F)的计算公式为：
Ms(F)＝σ(f7*7[AvgPool(F)；MaxPool(F)]) (6)；
式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，f7*7为卷积核大小为7*7的卷积，σ为sigmoid激活函数；
2.4)将得到的空间权重与空间特征对应相乘对空间特征进行重新标定；
3)训练模型：将预处理后的图像输入到卷积神经网络的模型中提取成多维的特征向量，并使用ArcFace Loss对卷积神经网络进行训练；
4)注册阶段：将注册图像增强后输入训练好的卷积神经网络中，得到特征向量并取平均值作为该手指的特征存储为注册特征库；
5)验证阶段：设定相似度阈值，将验证图像增强后输入到训练好的卷积神经网络中得到该验证图像的特征向量，分别计算该特征向量与注册特征库中每一特征的余弦相似度，并依据其距离与阈值判断其是否对应到某一根手指。
2.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述的步骤1)中，对图像预处理包括：对采集的指静脉数据库图像进行扩充，并对扩充后的数据库图像进行仿射变换，使用双边滤波法将得到的数据库图像进行增强。
3.根据权利要求2所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤1)中对图像预处理的步骤包括：
1.1)对采集到的每个手指的指静脉数据库图像进行上下、左右翻转，将翻转后的图像分别设定为一个新的手指图像，将数据库扩大为原来的4倍；
1.2)设定相应的概率随机对图片进行平移、旋转操作，将变换后的图像加入数据库中，对数据库进行扩充；
1.3)通过滤波器BF对图像进行滤波增强。
4.根据权利要求3所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：滤波增强的计算公式为：
Figure FDA0004192766830000021
其中，Gs表示像素值权重，Gr表示空间距离权重，Wq表示滤波窗口内每个像素值的权重和，q为滤波窗口内的中心点，p为滤波器内的某一点，Iq为滤波窗口内中心点的像素值，Ip为p点的像素值，S为整个滤波窗口，Gs中的σ为值域标准差，Gr中的σ为空间域标准差；
公式中，像素值权重Gs的计算公式为：
Figure FDA0004192766830000022
公式中，空间距离权重Gr的计算公式为：
Figure FDA0004192766830000023
公式中，滤波窗口内每个像素值的权重和Wq的计算公式为：
Wq＝∑p∈SGs(p)Gr(p) (4)。
5.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤3)中，ArcFace Loss的计算公式为：
Figure FDA0004192766830000024
其中，L为ArcFace Loss，m为训练样本数，s为缩放系数，i为某一训练样本，yi为训练样本i所属的类别，j为某一类别，n为类别数，θj为类别j的参数，a为所设置的间隔大小。
6.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤4)和步骤5)中分别采用双边滤波增强的方式对注册图像及验证图像进行图像增强。
7.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤1)中，采集每个手指的指静脉图像时，采集的是不同位置、不同角度的指静脉图像。
8.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤5)中，设定相似度阈值的方法是：
挑选一批已知类别的指静脉图像，使用双边滤波增强，每个手指随机挑选一张图片作为注册图像输入到训练完成的卷积神经网络中获得注册特征向量，其余图像输入到训练完成的卷积神经网络中获得特征向量，并依次计算其与每一个注册特征向量之间的余弦相似度，将其与余弦相似度最大的注册图像配对；在[-1,1]之间以0.01为增量依次取值作为余弦相似度阈值，计算每个阈值下网络的配对准确率，选择准确率满足要求的阈值作为最终的余弦相似度阈值。
9.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤5)中，依据距离与阈值判断验证图像是否对应到某一根手指的具体方法是：选择余弦相似度最大的注册图像进行配对，若两者之间的相似度大于相似度阈值，则该验证图像在注册库的类别中，若两者之间的相似度小于相似度阈值，则该验证图像不在注册库的类别中。
CN202010414634.7A 2020-05-15 2020-05-15 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 Active CN111639558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010414634.7A CN111639558B (zh) 2020-05-15 2020-05-15 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414634.7A CN111639558B (zh) 2020-05-15 2020-05-15 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法

Publications (2)

Publication Number Publication Date
CN111639558A CN111639558A (zh) 2020-09-08
CN111639558B true CN111639558B (zh) 2023-06-20

Family

ID=72330881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414634.7A Active CN111639558B (zh) 2020-05-15 2020-05-15 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法

Country Status (1)

Country Link
CN (1) CN111639558B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931758B (zh) * 2020-10-19 2021-01-05 北京圣点云信息技术有限公司 一种结合面部静脉的人脸识别方法及装置
CN112380512B (zh) * 2020-11-02 2022-06-14 广州光达创新科技有限公司 卷积神经网络动态手势认证方法、装置、存储介质及设备
CN112200156B (zh) * 2020-11-30 2021-04-30 四川圣点世纪科技有限公司 基于聚类辅助的静脉识别模型训练方法及装置
CN112200159B (zh) * 2020-12-01 2021-02-19 四川圣点世纪科技有限公司 一种基于改进残差网络的非接触式掌静脉识别方法
CN112733627B (zh) * 2020-12-28 2024-02-09 杭州电子科技大学 一种基于融合局部与全局特征网络的指静脉识别方法
CN112949570B (zh) * 2021-03-26 2022-08-09 长春工业大学 一种基于残差注意力机制的指静脉识别方法
CN112801066B (zh) * 2021-04-12 2022-05-17 北京圣点云信息技术有限公司 一种基于多姿态面部静脉的身份识别方法及装置
CN113298055A (zh) * 2021-07-27 2021-08-24 深兰盛视科技（苏州）有限公司 静脉识别方法、装置、设备及计算机可读存储介质
CN116145294A (zh) * 2023-03-13 2023-05-23 上海致景信息科技有限公司 倍捻机断纱识别方法、系统、设备及存储介质
CN117576597B (zh) * 2024-01-15 2024-04-12 深圳市金飞杰信息技术服务有限公司 一种基于无人机驾驶的视觉识别方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977609A (zh) * 2017-11-20 2018-05-01 华南理工大学 一种基于cnn的指静脉身份验证方法
CN109241995A (zh) * 2018-08-01 2019-01-18 中国计量大学 一种基于改进型ArcFace损失函数的图像识别方法
CN110390937A (zh) * 2019-06-10 2019-10-29 南京硅基智能科技有限公司 一种基于ArcFace loss算法的跨信道声纹识别方法
CN110555380A (zh) * 2019-07-30 2019-12-10 浙江理工大学 基于Center Loss损失函数的指静脉识别方法
CN110751271A (zh) * 2019-10-28 2020-02-04 西安烽火软件科技有限公司 一种基于深度神经网络的图像溯源特征表征方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2570528B (en) * 2018-06-25 2020-06-10 Imagination Tech Ltd Bilateral filter with data model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977609A (zh) * 2017-11-20 2018-05-01 华南理工大学 一种基于cnn的指静脉身份验证方法
CN109241995A (zh) * 2018-08-01 2019-01-18 中国计量大学 一种基于改进型ArcFace损失函数的图像识别方法
CN110390937A (zh) * 2019-06-10 2019-10-29 南京硅基智能科技有限公司 一种基于ArcFace loss算法的跨信道声纹识别方法
CN110555380A (zh) * 2019-07-30 2019-12-10 浙江理工大学 基于Center Loss损失函数的指静脉识别方法
CN110751271A (zh) * 2019-10-28 2020-02-04 西安烽火软件科技有限公司 一种基于深度神经网络的图像溯源特征表征方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
an arcloss-based and openset-test-oriented finger vein recognition system;Zhenxiang Chen等;《Chinese conference on biometric recognition》;全文 *
基于多级通道注意力的遥感图像分割方法;余帅等;《激光与光电子学进展》(第04期);全文 *
基于角度特征的分类网络;王立华等;《计算机科学》(第02期);全文 *

Also Published As

Publication number Publication date
CN111639558A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111639558B (zh) 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN103646244B (zh) 人脸特征的提取、认证方法及装置
CN105718889B (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN106228142A (zh) 基于卷积神经网络和贝叶斯决策的人脸验证方法
CN111414862A (zh) 基于神经网络融合关键点角度变化的表情识别方法
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN108564040B (zh) 一种基于深度卷积特征的指纹活性检测方法
Wang et al. Weber local descriptors with variable curvature gabor filter for finger vein recognition
CN111079514A (zh) 一种基于clbp和卷积神经网络的人脸识别方法
CN113095156B (zh) 一种基于逆灰度方式的双流网络签名鉴定方法及装置
CN107315995B (zh) 一种基于拉普拉斯对数脸及卷积神经网络的人脸识别方法
CN113920516B (zh) 一种基于孪生神经网络的书法字骨架匹配方法及系统
Meng et al. Finger vein recognition based on convolutional neural network
Song et al. Face recognition method based on siamese networks under non-restricted conditions
CN114398972A (zh) 一种基于联合表示注意力机制的深度学习图像匹配方法
Tao et al. Finger‐Vein Recognition Using Bidirectional Feature Extraction and Transfer Learning
Huang et al. Human emotion recognition based on face and facial expression detection using deep belief network under complicated backgrounds
CN112070009B (zh) 基于改进的lbp算子的卷积神经网络表情识别方法
CN111325162A (zh) 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法
Liu et al. A novel high-resolution fingerprint representation method
Huang et al. Skew correction of handwritten Chinese character based on ResNet
CN115984906A (zh) 掌纹图像识别方法、装置、设备及存储介质
Rai et al. Handwritten signature verification using TensorFlow
Janarthanan et al. An Efficient Face Detection and Recognition System Using RVJA and SCNN

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