CN111832419A - 手指静脉验证方法、电子设备和存储介质 - Google Patents

手指静脉验证方法、电子设备和存储介质 Download PDF

Info

Publication number
CN111832419A
CN111832419A CN202010551140.3A CN202010551140A CN111832419A CN 111832419 A CN111832419 A CN 111832419A CN 202010551140 A CN202010551140 A CN 202010551140A CN 111832419 A CN111832419 A CN 111832419A
Authority
CN
China
Prior art keywords
finger vein
image
finger
authentication method
vein authentication
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
Application number
CN202010551140.3A
Other languages
English (en)
Other versions
CN111832419B (zh
Inventor
王璠
曾军英
朱京明
朱伯远
秦传波
翟懿奎
甘俊英
李泳韩
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202010551140.3A priority Critical patent/CN111832419B/zh
Publication of CN111832419A publication Critical patent/CN111832419A/zh
Application granted granted Critical
Publication of CN111832419B publication Critical patent/CN111832419B/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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种手指静脉验证方法、电子设备和存储介质，应用于U‑Net网络架构，所述方法包括：获取指静脉图像，并对所述指静脉图像进行ROI提取处理；通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像；将任意两幅分割图像通过差分计算处理得到差分图像，以进行数据扩充；对所述差分图像进行通道复制后作为预训练阶段的输入，并保留所述预训练阶段的最优权重作为级联优化阶段对的预训练权重；将所述差分图像和原始的两幅所述分割图像进行通道叠加，作为所述级联优化阶段的输入，对预训练网络的参数进行优化，并得到优化后的手指静脉验证模型。

Description

手指静脉验证方法、电子设备和存储介质
技术领域
本发明涉及神经网络技术领域，特别涉及一种手指静脉验证方法、电子设备和存储介质。
背景技术
随着人们对生物识别系统安全性和准确性的要求越来越高，生物特征识别技术得到越来越多的关注。手指静脉识别作为众多生物特征识别技术中的一种，由于具有非接触式采集、活体检测、不易伪造、成本较低等优点，成为当前研究的热点。
近年来以卷积神经网络作为载体的指静脉识别方法获得了优异的性能，得益于CNN(Convolutional Neural Networks，卷积神经网络)学习到的深度特征具有良好的泛化和表达能力。与此同时，网络受有限公开静脉数据资源的制约，易出现过拟合，虽然静脉分割任务通过划分大量的patch(小块)解决了数据不足和类不平衡性等问题，但在验证任务中无法使用该策略，原因在于重叠的patch可以加深网络对于静脉纹路的理解，利于手指静脉的分割，但重复的相似patch会增加验证的难度，使得类间差异减小，类内差异增大。
此外，网络的特征表达丢失了图像的结构相关性，无法从维度上获取全部信息，而且随着网络的加深，会产生很大的计算开销。
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，本发明提出一种手指静脉验证方法、电子设备和存储介质，不仅能够提高手指静脉验证的准确率，并且还能够节约计算资源。
根据本发明的第一方面实施例的手指静脉验证方法，应用于U-Net网络架构，所述方法包括：
获取指静脉图像，并对所述指静脉图像进行ROI提取处理；
通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像；
将任意两幅分割图像通过差分计算处理得到差分图像，以进行数据扩充；
对所述差分图像进行通道复制后作为预训练阶段的输入，并保留所述预训练阶段的最优权重作为级联优化阶段对的预训练权重；
将所述差分图像和原始的两幅所述分割图像进行通道叠加，作为所述级联优化阶段的输入，对预训练网络的参数进行优化，并得到优化后的手指静脉验证模型。
根据本发明实施例的手指静脉验证方法，至少具有如下有益效果：本发明实施例手指静脉的分割图像是以检测局部最大曲率点生成的，对脉宽和亮度波动具有较强的鲁棒性；其次，数据扩充不会对本身数据进行破坏，而且可以大大增加关于指静脉的数据量；另外，将差分图像输入到U-Net网络架构中进行预训练，最后输出归结为是同源还是异源的二分类问题，最后对预训练网络进行微调，来使网络综合差分图像和原始的分割图像的有用信息，优化原有的网络参数。
根据本发明的一些实施例，所述ROI提取处理包括：
手指边缘检测、去除伪边缘、旋转校正。
根据本发明的一些实施例，所述ROI提取处理还包括：
截取手指内切区域、寻找指骨关节位置、截取手指ROI区域。
根据本发明的一些实施例，所述通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像，包括：
提取指静脉所有的中心位置；
连接所述中心位置以得到初级图像；
对所述初级图像进行标记以得到分割图像。
根据本发明的一些实施例，所述提取指静脉所有的中心位置，包括：
通过水平方向、垂直方向、与所述水平方向和所述垂直方向呈45°相交的两个倾斜方的横截面轮廓，通过计算局部最大曲率来检测指静脉所有的中心位置。
根据本发明的一些实施例，所述对所述初级图像进行标记以得到分割图像，包括：
对所述初级图像中的静脉纹路使用阈值进行二值化处理。
根据本发明的一些实施例，所述U-Net网络架构包括重复结构和Inception模块。
根据本发明的一些实施例，所述重复结构包括常规卷积块和残差循环卷积块。
根据本发明的第二方面实施例的电子设备，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的手指静脉验证方法。
根据本发明实施例的电子设备，至少具有如下有益效果：本发明实施例手指静脉的分割图像是以检测局部最大曲率点生成的，对脉宽和亮度波动具有较强的鲁棒性；其次，数据扩充不会对本身数据进行破坏，而且可以大大增加关于指静脉的数据量；另外，将差分图像输入到U-Net网络架构中进行预训练，最后输出归结为是同源还是异源的二分类问题，最后对预训练网络进行微调，来使网络综合差分图像和原始的分割图像的有用信息，优化原有的网络参数。
根据本发明的第三方面实施例的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为本发明一个实施例的手指静脉验证方法的流程图；
图2为本发明另一实施例的手指静脉验证方法的流程图；
图3为本发明一个实施例的电子设备的示意图；
图4为本发明一个实施例的指静脉验证算法总体流程图；
图5为本发明一个实施例的IU-Net的网络架构的示意图；
图6为本发明一个实施例的残差循环卷积块的详细设计的示意图；
图7为本发明一个实施例的Inception模块及其变体的示意图；
图8为本发明一个实施例的级联优化网络框架的示意图。
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所示，本发明第一方面的一个实施例提供了一种手指静脉验证方法，应用于U-Net网络架构，手指静脉验证方法包括：
S110：获取指静脉图像，并对指静脉图像进行ROI提取处理；
S120：通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像；
S130：将任意两幅分割图像通过差分计算处理得到差分图像，以进行数据扩充；
S140：对差分图像进行通道复制后作为预训练阶段的输入，并保留预训练阶段的最优权重作为级联优化阶段对的预训练权重；
S150：将差分图像和原始的两幅分割图像进行通道叠加，作为级联优化阶段的输入，对预训练网络的参数进行优化，并得到优化后的手指静脉验证模型。
在一实施例中，本发明实施例手指静脉的分割图像是以检测局部最大曲率点生成的，对脉宽和亮度波动具有较强的鲁棒性；其次，数据扩充不会对本身数据进行破坏，而且可以大大增加关于指静脉的数据量；另外，将差分图像输入到U-Net网络架构中进行预训练，最后输出归结为是同源还是异源的二分类问题，最后对预训练网络进行微调，来使网络综合差分图像和原始的分割图像的有用信息，优化原有的网络参数。
需要说明的是，数据扩充不会对本身数据进行破坏，而是以任意两幅分割图像的差分图像来进行的；手指静脉的分割图是以检测局部最大曲率点生成的，该方法对脉宽和亮度波动具有较强的鲁棒性；预训练阶段首先将差分图像进行通道复制，来作为神经网络的适应性输入；将上述预训练阶段的最优权重进行保存，作为级联优化阶段的预训练权重，将差分图像与原始两幅分割图像进行通道叠加作为微调优化的输入。
另外，需要说明的是，ROI提取处理包括：手指边缘检测、去除伪边缘、旋转校正、截取手指内切区域、寻找指骨关节位置、截取手指ROI区域。
本发明提出基于级联优化IU-Net的手指静脉验证算法，从网络的深度和宽度两方面出发，仔细研究了主流网络的设计标准，以U-Net构建本发明提出的IU-Net。图4是本发明方法实现的指静脉验证算法总体流程图，为了简洁，省略ROI提取和数据扩充过程，静脉的分割图像首先进行差分计算得到两者的差分图像，输入到IU-Net中进行预训练，最后输出归结为是同源还是异源的二分类问题；然后对预训练网络进行微调，来使网络综合差分图像和原始分割图像的有用信息，优化原有的网络参数。
参照图2所示，本发明第一方面的另一个实施例提供了一种手指静脉验证方法，关于上述步骤S120，具体地，包括：
S210：提取指静脉所有的中心位置；
S220：连接中心位置以得到初级图像；
S230：对初级图像进行标记以得到分割图像。
在一实施例中，关于上述步骤S210，F是手指图像，F(x,y)定义为像素(x,y)处的强度，Pf(z)是从F(x,y)任意方向和位置获得的横截面轮廓，z为轮廓的位置。为了把Pf(z)的位置和F(x,y)联系起来，定义一个映射函数使得F(x,y)＝Trs(Pf(z))。
横截面处的曲率定义为
Figure BDA0002541241980000061
κ(z)为正表示横截面轮廓是凹的，计算每个凹的区域中κ(z)的局部最大值即为静脉的中心位置，局部最大值点的位置定义为zi′，i＝0,1,…,N-1，N为局部最大值的数目。
分配给中心位置的分数定义为Scr(zi′)＝κ(zi′)×Wr(i)；
Wr(i)表示曲率为正的区域的宽度，当Wr(i)很大时，它是静脉的概率也很大；此外，当一条静脉的中心明显出现时，它的曲率是很大的，因此将区域的宽度和曲率均考虑到它们的分数中。
为了获得各个方向的指静脉纹路，分析了水平方向、垂直方向、与水平和垂直方向呈45°相交的两个倾斜方向共计四个方向的横截面轮廓，通过计算局部最大曲率来检测静脉的所有中心位置。
在一实施例中，关于上述步骤S220，为了连接静脉中心，消除噪声，进行了以下滤波操作：
首先检查像素(x,y)右侧的两个相邻像素和左侧两个相邻像素。如果(x,y)和两边的像素值都很大，则水平画一条线；如果(x,y)处有一个小的像素值，两边的像素值很大，则画一条间隙为(x,y)的线；如果(x,y)处有一个大的像素值，两边的像素值很小，则在(x,y)处应为噪声，这时应减小其值以消除噪声。上述操作可由下式表示：
Cd1(x,y)＝min{max(v(x+1,y),v(x+2,y))+max(v(x-1,y),v(x-2,y))}
用相同的方法对上面提及的四个方向进行计算，得到Cd2，Cd3，Cd4，最后通过选择每个像素的Cd1，Cd2，Cd3，Cd4的最大值，得到最终图像：
G＝max(Cd1,Cd2,Cd3,Cd4)。
在一实施例中，关于上述步骤S230，包括：对初级图像中的静脉纹路使用阈值进行二值化处理。具体地，静脉纹路G(x,y)通过使用阈值进行二值化，值小于阈值的像素被标记为图像背景的一部分，值大于或等于阈值的像素被标记为静脉区域的一部分。假定G(x,y)的直方图在形式上是双向的，则通过确定阈值就可以使G(x,y)各组值之间的分散性最大化。
根据本发明的一些实施例，U-Net网络架构包括重复结构和Inception模块，重复结构包括常规卷积块和残差循环卷积块。
在一实施例中，图5是IU-Net的网络架构，网络遵循典型的U-Net网络下采样基础架构，重复结构由一个常规卷积块和一个残差循环卷积块组成，在网络中间层和靠后层在重复结构后面引入Inception模块及其变体，下面简要介绍其设计准则：
从体系结构的角度来看，分类任务的CNN模型需要一个编码单元，并提供类的概率值作为输出。在分类任务中，我们对激活函数进行卷积运算，然后通过下采样层，从而降低了特征映射的维数。当输入样本遍历网络各层时，特征映射的数量增加，而特征映射的维数减少。理论上设计网络过程中，应避免对信息的过度压缩，即特征映射的维度应从输入到输出缓慢降低。U-Net网络中的收缩路径刚好符合这一设计标准，很自然地，我们便将其作为分类网络的基础架构；
残差循环卷积块的详细设计见图6，作用是提取更深层次的特征并将其积累保留，同时应用于该分类网络加深了网络的深度；
在经过两次最大池化操作后，重复结构后面紧跟一个Inception模块，见图7中的(a)，原因在于按照经验，在网络的初始层基本不会出现权重大多数为零的情况，一般发生在网络的中间层和靠后层。而且由于相邻单元间较强的相关性，在空间聚合的前提下，维度的降低并不会造成信息的损失。因此我们在中间层用了初始Inception模块进一步分解卷积核的变体。后面重复结构后又引入了Inception变体5(b)，目的在于进一步减小参数量，增加非线性变换。其后的重复结构后面我们放置了Inception模块变体5(c)，目的在于增大网络中每个单元的激活值，它符合我们设计网络的一般认知，即更高的维度表达更容易获得网络的局部表达，即相互独立的特征越多，输入的信息就被分解的越彻底，使得分解的特征空间相关性低，内部相关性高，把相关性强的聚集在一起会更容易收敛。此外，该变体进一步简化了计算，消除了计算瓶颈。
在网络的最后连接两个全连接层，第一个全连接层的维度实际上是最后Inception变体的展平操作，第二个全连接层的节点为2，用于验证的2分类任务；
图8为级联优化的网络框架，差分图像先经过通道复制传入IU-Net中进行预训练，此时得到一个预训练模型，然后差分图像和原始图像进行通道叠加，通过融合更多的图像信息对预训练模型进行微调，得到优化后的手指静脉验证模型。
总的来说，本发明实施例从网络的深度和宽度两方面出发，仔细研究了主流网络的设计标准，并以此为准则构建本发明提出的IU-Net。它以U-Net的收缩路径为基础架构，下采样过程不断提取分割图像的上下文信息，在常规卷积后加入残差循环卷积进一步对静脉特征进行挖掘和积累保留，同时增加网络深度，常规卷积与残差循环卷积组成一个个重复结构。在网络的中间层，引入Inception模块及其变体用以提取分割图像中的硬性特征，通过各种卷积分解操作，一方面可以增加网络深度，另一方面可以提取不同尺度的特征，增加网络宽度，同时可以简化计算。
基于上述实施例的手指静脉验证方法，提出本发明的电子设备的各个实施例。关于上述的电子设备，如图3所示，图3是本发明一个实施例提供的电子设备300的示意图。本发明实施例的电子设备300包括一个或多个控制处理器310和存储器320，图3中以一个控制处理器310及一个存储器320为例。
控制处理器310和存储器320可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器320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以及非暂态性计算机可执行程序。此外，存储器320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320可选包括相对于控制处理器310远程设置的存储器320，这些远程存储器可以通过网络连接至该电子设备300。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。
本领域技术人员可以理解，图3中示出的结构并不构成对电子设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在图3所示的电子设备300中，电子设备300可以用于调用存储器320中储存的手指静脉验证方法的控制程序，以实现手指静脉验证方法。
需要说明的是，本发明实施例的电子设备300可以手机、平板电脑、穿戴设备或者计算机等等电子设备。
由于本发明实施例的电子设备300能够执行如上述任一项实施例的手指静脉验证方法，因此，本发明实施例的电子设备300具备如上述任一项实施例的手指静脉验证方法所带来的技术效果，所以，本发明实施例的电子设备300的具体技术效果，可参照上述任一项实施例的手指静脉验证方法的技术效果。
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，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。
基于上述实施例的手指静脉验证方法，提出本发明的计算机可读存储介质的实施例。
本发明的一个实施例还提供了一种计算机可读存储介质，该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310执行，例如，被图3中的一个控制处理器310执行，可使得上述一个或多个控制处理器310执行上述方法实施例中的手指静脉验证方法，例如，执行以上描述的图1至图2中的方法步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
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 (10)

1.一种手指静脉验证方法，其特征在于，应用于U-Net网络架构，所述方法包括：
获取指静脉图像，并对所述指静脉图像进行ROI提取处理；
通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像；
将任意两幅分割图像通过差分计算处理得到差分图像，以进行数据扩充；
对所述差分图像进行通道复制后作为预训练阶段的输入，并保留所述预训练阶段的最优权重作为级联优化阶段对的预训练权重；
将所述差分图像和原始的两幅所述分割图像进行通道叠加，作为所述级联优化阶段的输入，对预训练网络的参数进行优化，并得到优化后的手指静脉验证模型。
2.根据权利要求1所述的手指静脉验证方法，其特征在于，所述ROI提取处理包括：
手指边缘检测、去除伪边缘、旋转校正。
3.根据权利要求2所述的手指静脉验证方法，其特征在于，所述ROI提取处理还包括：
截取手指内切区域、寻找指骨关节位置、截取手指ROI区域。
4.根据权利要求1所述的手指静脉验证方法，其特征在于，所述通过检测指静脉横截面局部最大曲率方法来提取静脉纹路，得到分割图像，包括：
提取指静脉所有的中心位置；
连接所述中心位置以得到初级图像；
对所述初级图像进行标记以得到分割图像。
5.根据权利要求4所述的手指静脉验证方法，其特征在于，所述提取指静脉所有的中心位置，包括：
通过水平方向、垂直方向、与所述水平方向和所述垂直方向呈45°相交的两个倾斜方的横截面轮廓，通过计算局部最大曲率来检测指静脉所有的中心位置。
6.根据权利要求4所述的手指静脉验证方法，其特征在于，所述对所述初级图像进行标记以得到分割图像，包括：
对所述初级图像中的静脉纹路使用阈值进行二值化处理。
7.根据权利要求1所述的手指静脉验证方法，其特征在于，所述U-Net网络架构包括重复结构和Inception模块。
8.根据权利要求7所述的手指静脉验证方法，其特征在于，所述重复结构包括常规卷积块和残差循环卷积块。
9.一种电子设备，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8任一项所述的手指静脉验证方法。
10.一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8任一项所述的手指静脉验证方法。
CN202010551140.3A 2020-06-16 2020-06-16 手指静脉验证方法、电子设备和存储介质 Active CN111832419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010551140.3A CN111832419B (zh) 2020-06-16 2020-06-16 手指静脉验证方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010551140.3A CN111832419B (zh) 2020-06-16 2020-06-16 手指静脉验证方法、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111832419A true CN111832419A (zh) 2020-10-27
CN111832419B CN111832419B (zh) 2023-11-28

Family

ID=72899167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010551140.3A Active CN111832419B (zh) 2020-06-16 2020-06-16 手指静脉验证方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111832419B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242884A (zh) * 2018-08-14 2019-01-18 西安电子科技大学 基于JCFNet网络的遥感视频目标跟踪方法
CN109766828A (zh) * 2019-01-08 2019-05-17 重庆同济同枥信息技术有限公司 一种车辆目标分割方法、装置及通信设备
CN109979564A (zh) * 2017-12-28 2019-07-05 北京连心医疗科技有限公司 一种智能放疗计划方法、设备和存储介质
CN110084238A (zh) * 2019-04-09 2019-08-02 五邑大学 基于LadderNet网络的指静脉图像分割方法、装置和存储介质
CN110738141A (zh) * 2019-09-26 2020-01-31 五邑大学 一种静脉识别的方法、装置、设备及存储介质
CN110751057A (zh) * 2019-09-27 2020-02-04 五邑大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979564A (zh) * 2017-12-28 2019-07-05 北京连心医疗科技有限公司 一种智能放疗计划方法、设备和存储介质
CN109242884A (zh) * 2018-08-14 2019-01-18 西安电子科技大学 基于JCFNet网络的遥感视频目标跟踪方法
CN109766828A (zh) * 2019-01-08 2019-05-17 重庆同济同枥信息技术有限公司 一种车辆目标分割方法、装置及通信设备
CN110084238A (zh) * 2019-04-09 2019-08-02 五邑大学 基于LadderNet网络的指静脉图像分割方法、装置和存储介质
CN110738141A (zh) * 2019-09-26 2020-01-31 五邑大学 一种静脉识别的方法、装置、设备及存储介质
CN110751057A (zh) * 2019-09-27 2020-02-04 五邑大学 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

Also Published As

Publication number Publication date
CN111832419B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN106971155B (zh) 一种基于高度信息的无人车车道场景分割方法
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN112419271B (zh) 一种图像分割方法、装置及计算机可读存储介质
CN110084238B (zh) 基于LadderNet网络的指静脉图像分割方法、装置和存储介质
CN107633226A (zh) 一种人体动作跟踪识别方法及系统
CN116403094B (zh) 一种嵌入式图像识别方法及系统
CN111179295B (zh) 改进的二维Otsu阈值图像分割方法和系统
CN111444807A (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN111104941B (zh) 图像方向纠正方法、装置及电子设备
CN111079626B (zh) 一种活体指纹识别方法、电子设备及计算机可读存储介质
CN116452810A (zh) 一种多层次语义分割方法、装置、电子设备及存储介质
CN109712134B (zh) 虹膜图像质量评价方法、装置及电子设备
CN112749578A (zh) 一种基于深度卷积神经网络的遥感图像自动道路提取方法
CN117115486B (zh) 纸币版本的识别方法、装置和电子设备
CN112733652B (zh) 图像目标识别方法、装置、计算机设备及可读存储介质
CN110765875B (zh) 交通目标的边界检测方法、设备及装置
CN111832419A (zh) 手指静脉验证方法、电子设备和存储介质
CN116363064A (zh) 融合目标检测模型和图像分割模型的缺陷识别方法及装置
CN114511523A (zh) 基于自监督学习的胃癌分子亚型分类方法及装置
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质
CN111222514B (zh) 一种基于视觉定位的局部地图优化方法
CN114511862A (zh) 表格识别方法、装置及电子设备
CN114049518A (zh) 图像分类方法、装置、电子设备和存储介质
CN109359654B (zh) 基于频率调谐全局显著度和深度学习的图像分割方法及系统

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