CN112036383A - 一种基于手静脉的身份识别方法及装置 - Google Patents

一种基于手静脉的身份识别方法及装置 Download PDF

Info

Publication number
CN112036383A
CN112036383A CN202011213027.0A CN202011213027A CN112036383A CN 112036383 A CN112036383 A CN 112036383A CN 202011213027 A CN202011213027 A CN 202011213027A CN 112036383 A CN112036383 A CN 112036383A
Authority
CN
China
Prior art keywords
image
hand vein
hand
vein
point
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
CN202011213027.0A
Other languages
English (en)
Other versions
CN112036383B (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
Beijing Shengdian Cloud Information 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 Beijing Shengdian Cloud Information Technology Co ltd filed Critical Beijing Shengdian Cloud Information Technology Co ltd
Priority to CN202011213027.0A priority Critical patent/CN112036383B/zh
Publication of CN112036383A publication Critical patent/CN112036383A/zh
Application granted granted Critical
Publication of CN112036383B publication Critical patent/CN112036383B/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
    • 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
    • G06V10/20—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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于手静脉的身份识别方法及装置，该方法包括以下步骤：1）采集五指张开的手部图像；2）将手部静脉图像分割出来；3）计算手部边缘轮廓上各个点曲率，找出五个手指的指尖和四个两指间的凹点；4）确定手的朝向并矫正，对手部静脉图像进行裁剪；5）对手部静脉图像进行扩充增强，对识别模型进行训练；6）注册阶段，将经过处理的图像输入识别模型中，提取图像特征，将其存入数据库；7）识别阶段，将经过处理的图像输入到识别模型中，提取图像特征，与注册的图像特征进行比对，完成识别。本发明相对于掌静脉和指静脉识别，对整个手部静脉进行识别，准确性高，通过语义分割和方向矫正有效地对图像进行规范化，提高识别的鲁棒性。

Description

一种基于手静脉的身份识别方法及装置
技术领域
本发明属于信息安全领域中的生物识别技术领域，尤其涉及一种基于手静脉的身份识别方法及装置。
背景技术
近年来，随着信息技术的发展，静脉识别技术取得了很大的进展，相对于人脸识别技术来讲，静脉识别具有体内特征、不可复制、安全级别高、个体差异大等优点。目前，静脉识别技术已用于金融、军工等领域，给人们的生活带来了极大的便利。现有的静脉识别算法，主要是指静脉识别和掌静脉识别。
如专利号为CN105975905A公开的一种手指静脉快速识别方法，通过对指静脉一特征点集中的特征点与从另一特征点集的邻近该特征点的区域搜取的特征点进行匹配的方法，可以快速准确的识别身份。专利号为CN203224925U公开的基于掌静脉的集中式门禁认证系统，将采集到的掌静脉信息与对应的身份认证码信息进行绑定，将其作为身份特征信息，比对效率较高。专利号为CN106228151A公开的指掌静脉融合特征识别方法，提取四个手指区域和一个手掌区域的静脉纹路特征进行匹配，融合五个区域的匹配结果鉴别使用者身份，可以实现可靠的身份认证。
然而，相对于单一的掌静脉和指静脉识别，手部静脉包含有更多的特征信息，如果能够通过手部静脉进行身份识别，可以有效地提升身份识别方法的准确性。但目前将整个手部静脉图像直接作为身份特征信息的算法还少有研究。另外，现有的手静脉和掌静脉图像依靠固定的采集设备，其对手指和手掌的放置具有较高的要求，不当的放置方式所采集的图像很容易影响识别算法的性能。
发明内容
本发明所要解决的技术问题提供一种基于手静脉的身份识别方法及装置，以解决单一的掌静脉或指静脉识别准确性不高，不当的放置方式所采集的图像很容易影响识别算法的性能等问题。
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种基于手静脉的身份识别方法，其包括以下步骤：
1）利用红外摄像头采集若干张五指张开的手部图像；
2）利用全卷积网络FCN将手部图像中的手部静脉图像分割出来；
3）根据手部静脉图像计算手部边缘轮廓上各个点的曲率，并根据曲率找出五个手指的指尖和四个两指间的凹点；
4）利用中指指尖和中指两边的凹点确定手的朝向，对手部静脉图像的方向进行矫正，并通过外接矩阵对手部静脉图像进行裁剪；
5）对裁剪出来的手部静脉图像进行扩充增强，并将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练；
6）注册阶段，将经过步骤2）~4）处理后的手部静脉注册图像输入到训练好的识别模型中，提取手部静脉注册图像的图像特征，将其存入数据库；
7）识别阶段，将经过步骤2）~4）处理后的手部静脉验证图像输入到训练好的识别模型中，提取手部静脉验证图像的图像特征，将手部静脉验证图像的图像特征与数据库中手部静脉注册图像的图像特征进行比对，判断该手部静脉验证图像是否对应其中一张手部静脉注册图像。
优选地，所述的步骤1）采集到的手部图像是单通道的手部静脉灰度图；所述步骤2）中，首先将单通道的手部静脉灰度图转成三通道的手部静脉图像，对手部静脉图像进行人工打标，然后输入到全卷积网络FCN中对模型进行训练，使用训练好的全卷积网络FCN将手部静脉图像分割出来。
优选地，所述的步骤3）中计算手部边缘轮廓上各个点的曲率的具体方法是：选取 边缘轮廓点
Figure 167622DEST_PATH_IMAGE001
，通过计算
Figure 445282DEST_PATH_IMAGE002
和
Figure 490598DEST_PATH_IMAGE003
两个向量的内积来确定曲 率，内积越小，则该点的曲率越大，其中，
Figure 10441DEST_PATH_IMAGE004
和
Figure 559234DEST_PATH_IMAGE005
分别表示边缘轮廓点
Figure 273374DEST_PATH_IMAGE001
两侧 相隔k个像素的边界点。
优选地，所述的步骤3）中找出五个手指的指尖和四个两指间的凹点的具体方法是：首先找出曲率最大的边缘点将其标为目标点；然后设置距离阈值，按照曲率大小依次将其它边缘点与现有的所有目标点依次对比，若该边缘点与现有所有目标点的距离都大于设定的距离阈值，则将其加入目标点，否则舍弃；依次比对直到找出9个目标点停止，则该9个目标点就是五个手指的指尖和四个两指间的凹点。
优选地，所述的步骤3）中找到9个目标点后，还需要判断9个目标点属于指尖还是 凹点，判断方式是通过计算该目标点
Figure 540408DEST_PATH_IMAGE006
的
Figure 473729DEST_PATH_IMAGE007
和
Figure 267241DEST_PATH_IMAGE008
两个向量的向量积来确定，若向量积的值大于0，则该点为指尖，若向量积的值小于0，则该 点为两指间的凹点，其中，
Figure 526184DEST_PATH_IMAGE009
和
Figure 641033DEST_PATH_IMAGE010
分别表示边缘轮廓点
Figure 643624DEST_PATH_IMAGE006
两侧相隔k个 像素的边界点。
优选地，所述的步骤4）中利用中指指尖和中指两边的凹点确定手的朝向的具体方法是：将中指两边的凹点连线取中点，经过中点和中指指尖作直线，该直线方向为手掌方向；对手部静脉图像的方向进行矫正后，手掌方向呈竖直方向。
优选地，所述的步骤5）中，对裁剪出来的手部静脉图像进行扩充增强是随机对裁剪出来的手部静脉图像进行平移、旋转、放缩、裁剪、左右翻转，随机改变手部静脉图像的亮度、对比度和饱和度，随机加上高斯噪声，随机将裁剪出来的手部静脉图像中的某一块设置为黑色，将随机增强后的手部静脉图像加入数据集进行扩充。
优选地，所述的步骤5）中的识别模型为IResNet50，对该识别模型的最后一层FC层设置为1024维；该识别模型选用的损失函数为CosFace Loss，并在该损失函数的基础上，对每类样本点到其类别中心的距离进行约束改进，其公式为：
Figure 167009DEST_PATH_IMAGE011
式中，L为损失函数，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的角度，a为所设置的间隔大小，λ为人工所设置的平衡系数，xi为样本i所提取的特征，cyi为样本i所对应的类别yi的中心。
该识别模型的损失函数与原损失函数CosFace Loss相比，新增项为
Figure 455908DEST_PATH_IMAGE012
，其目的是对每类样本点到其类别中心的距离进行约束，缩小类内距离。
优选地，所述的步骤7）中将验证图像的图像特征与注册图像的图像特征进行比对的具体方式是：设置余弦距离阈值，计算验证图像的图像特征与注册图像的图像特征的余弦距离，若两者之间的余弦距离大于余弦距离阈值，则该验证图像属于该注册图像的类别，若两者之间的余弦距离小于余弦距离阈值，则该验证图像不属于注册图像的类别。
本发明还涉及一种基于手静脉的身份识别装置，其包括：
采集模块，其利用红外摄像头采集若干张五指张开的手部图像；
分割模块，其利用全卷积网络FCN将手部图像中的手部静脉图像分割出来；
指尖及凹点寻找模块，其根据手部静脉图像计算手部边缘轮廓上各个点的曲率，并根据曲率找出五个手指的指尖和四个两指间的凹点；
矫正裁剪模块，其利用中指指尖和中指两边的凹点确定手的朝向，对手部静脉图像的方向进行矫正，并通过外接矩阵对手部静脉图像进行裁剪；
训练模块，其对裁剪出来的手部静脉图像进行扩充增强，并将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练；
注册模块，在注册阶段，注册模块将处理后的注册图像输入到训练好的识别模型中，提取注册图像的图像特征，将其存入数据库；
识别模块，在识别阶段，识别模块将处理后的验证图像输入到训练好的识别模型中，提取验证图像的图像特征，将验证图像的图像特征与数据库中注册图像的图像特征进行比对，判断该验证图像是否对应其中一张注册图像。
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.本发明涉及的基于手静脉的身份识别方法，将整个手部静脉作为身份识别的特征，不再区分指静脉和掌静脉，相对于掌静脉和指静脉识别，手部静脉包含有更多的特征信息，可以有效地提升身份识别方法的准确率。
2.本发明涉及的基于手静脉的身份识别方法针对手部静脉识别，先用语义分割算法FCN将手部静脉图像分割出来，再通过计算边缘曲率的方式确定指尖和两指间的凹点，通过这些点对手部静脉图像的方向进行矫正，再通过外接矩阵将其裁剪出来，这可以有效的规范手部静脉图像，提升手部静脉图像的质量。
3.本发明涉及的基于手静脉的身份识别方法针对规范的手部静脉图像，对其训练数据集进行相应的扩充增强，对卷积神经网络IResNet50进行改进，并选用合适的损失函数对其进行训练，使模型可以高效地学习到相应的特征，提高对手部静脉的表达能力，提升身份识别方法的鲁棒性。
附图说明
图1为本发明一种基于手静脉的身份识别方法的流程图；
图2为本发明采集的手部静脉图像；
图3为本发明通过曲率确定指尖和两指尖凹点的手部静脉图像；
图4为本发明通过指尖与两指间凹点确定的手部方向；
图5为本发明经过矫正裁剪后的图像；
图6为本发明随机将图像中的某一块置为黑色的手部静脉图像；
图7为本发明基于手静脉的身份识别装置的原理框图。
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。
实施例1
参照附图1所示，基于手静脉的身份识别方法包括以下步骤：
1）使用红外摄像头采集1000只手的50张手部静脉图像，该图像要求五指张开，采集到的手部图像是单通道的手部静脉灰度图，如图2所示。
2）将单通道的手部静脉灰度图转成三通道的手部静脉图像，对手部静脉图像进行人工打标，然后输入到全卷积网络FCN中对模型进行训练，使用训练好的全卷积网络FCN将手部静脉图像分割出来。
3）根据手部静脉图像计算手部边缘轮廓上各个点的曲率，其具体方法是：选取边 缘轮廓点
Figure 697534DEST_PATH_IMAGE001
，通过计算
Figure 637635DEST_PATH_IMAGE002
和
Figure 343423DEST_PATH_IMAGE003
两个向量的内积来确定曲 率，内积越小，则该点的曲率越大，其中，
Figure 944169DEST_PATH_IMAGE004
和
Figure 33610DEST_PATH_IMAGE005
分别表示边缘轮廓点
Figure 378003DEST_PATH_IMAGE001
两侧 相隔k个像素的边界点。本实施例中，将k设定为20；
根据曲率找出五个手指的指尖和四个两指间的凹点，其具体方法是：首先找出曲率最大的边缘点将其标为目标点；然后设置距离阈值，按照曲率大小依次将其它边缘点与现有的所有目标点依次对比，若该边缘点与现有所有目标点的距离都大于设定的距离阈值，则将其加入目标点，否则舍弃，本实施例中距离阈值设为20；重复上述依次比对直到找出9个目标点停止，则该9个目标点就是五个手指的指尖和四个两指间的凹点，如图3所示；
找到9个目标点后，还需要判断9个目标点属于指尖还是凹点，判断方式是通过计算该 目标点
Figure 875981DEST_PATH_IMAGE006
的
Figure 506682DEST_PATH_IMAGE007
和
Figure 722900DEST_PATH_IMAGE008
两个向量的向量积来确定， 若向量积的值大于0，则该点为指尖，若向量积的值小于0，则该点为两指间的凹点，其中，
Figure 231504DEST_PATH_IMAGE009
和
Figure 583988DEST_PATH_IMAGE010
分别表示边缘轮廓点
Figure 260957DEST_PATH_IMAGE006
两侧相隔k个像素的边界点。
4）利用中指指尖和中指两边的凹点确定手的朝向，其具体方法是：将中指两边的凹点连线取中点，经过中点和中指指尖作直线，该直线方向为手掌方向，如图4所示；
对手部静脉图像的方向进行矫正，矫正后，手掌方向呈竖直方向，并通过外接矩阵对手部静脉图像进行裁剪，如图5所示。
5）将经过上述步骤处理好的手部静脉图像按照不同的手以7：1：2的比例分为训练集，验证集和测试集；
对裁剪出来的手部静脉图像进行扩充增强，即设置一定的概率随机对训练集进行扩充增强，本实施例中按50%的概率随机对图像进行平移、旋转、放缩、裁剪、左右翻转等操作，其中，偏移量设置为图像的±10%以内，旋转角度设置为±5°以内，放缩比例设置在±10%以内，裁剪比例设置在±10%以内，并按50%的概率随机改变图像的亮度、对比度、饱和度和加上标准差在0～1之间的高斯噪声，随机加上面积占比10%的黑块，将随机增强后的图像加入训练集中进行扩充，其中，随机加上黑块的图像如图6所示；
将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练，本实施例中，识别模型为IResNet50，并且对该识别模型的最后一层FC层设置为1024维；该识别模型选用的损失函数为CosFace Loss，并对该损失函数进行改进，即在该损失函数的基础上，对每类样本点到其类别中心的距离进行约束，其公式为：
Figure 823525DEST_PATH_IMAGE013
式中，L为损失函数，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的角度，a为所设置的间隔大小，λ为人工所设置的平衡系数，xi为样本i所提取的特征，cyi为样本i所对应的类别yi的中心。
该识别模型的损失函数与原损失函数CosFace Loss相比，新增项为
Figure 509722DEST_PATH_IMAGE014
，其目的是对每类样本点到其类别中心的距离进行约束，缩小类内距 离。
6）注册阶段，将经过步骤2）~4）处理后的手部静脉注册图像输入到训练好的识别模型中，提取手部静脉注册图像的图像特征，将其存入数据库。
7）识别阶段，将经过步骤2）~4）处理后的手部静脉验证图像输入到训练好的识别模型中，提取手部静脉验证图像的图像特征，将手部静脉验证图像的图像特征与数据库中手部静脉注册图像的图像特征进行比对，判断该手部静脉验证图像是否对应其中一张手部静脉注册图像，其具体方式是：设置余弦距离阈值，计算验证图像的图像特征与注册图像的图像特征的余弦距离，若两者之间的余弦距离大于余弦距离阈值，则该验证图像属于该注册图像的类别，若两者之间的余弦距离小于余弦距离阈值，则该验证图像不属于注册图像的类别。
对比例1
本实施例也涉及一种基于手静脉的身份识别方法，与实施例1不同的是：
1、去掉了步骤3）寻找指尖和四个两指间的凹点的步骤；
2、去掉了步骤4）中“对手部静脉图像的方向进行矫正”的步骤，保留了步骤4）中“通过外接矩阵对手部静脉图像进行裁剪”的步骤。
3、去掉步骤5）中对训练图片进行扩充增强时“随机将裁剪出来的手部静脉图像中的某一块设置为黑色”的步骤。
4、步骤5）中对识别模型IResNet50中的损失函数不做约束改进，即采用原损失函数CosFace Loss。
其它步骤与实施例1相同。
测试例
设定相似度阈值，设定相似度阈值的方法是：将实施例1的验证集不同手之间的静脉图像两两输入到训练好的模型中对提取到的特征进行对比计算其余弦距离，选取最大余弦距离即0误识下的距离为阈值，在本实施例中，阈值为0.35；
使用测试集对识别模型进行测试，将实施例1的测试集中相同手之间的静脉图像两两输入到训练好的模型中对提取到的特征进行对比计算其余弦距离，记余弦距离大于阈值的比例为通过率，在本实施例中，通过率为99.41%；将测试集中不同手之间的静脉图像两两输入到训练好的模型中对提取到的特征进行对比计算其余弦距离，记余弦相似度大于阈值的比例为误识率，在本实施例中，误识率为0.27%；
为了验证本发明的有效性和优越性，按以上步骤重复实验两次，并与对比例1的身份识别方法进行对比，分别在相同阈值下计算其准确率和误识率，所得的实验结果如表1所示：
Figure 716712DEST_PATH_IMAGE015
由实验结果可知，在相同的数据集下，本发明所采用的手部静脉识别方法在保持较高的通过率下，保持了较低的误识率；与对比识别方法相比，本发明所采用的方法通过对手部静脉图像的矫正，可以纠正硬件设备采集手部静脉图像时所造成的偏差，有效地保证了手部静脉图像在输入识别模型时的质量，通过对训练图像的扩充增强、模型的修改以及损失函数的改进，有效地提升了身份识别方法的鲁棒性。
实施例2
参照附图7所示，本实施例涉及一种基于手静脉的身份识别装置，其包括：
采集模块，其利用红外摄像头采集若干张五指张开的手部图像；采集模块用于实现实施例1步骤1）的功能。
分割模块，其利用全卷积网络FCN将手部图像中的手部静脉图像分割出来；分割模块用于实现实施例1步骤2）的功能。
指尖及凹点寻找模块，其根据手部静脉图像计算手部边缘轮廓上各个点的曲率，并根据曲率找出五个手指的指尖和四个两指间的凹点；指尖及凹点寻找模块用于实现实施例1步骤3）的功能。
矫正裁剪模块，其利用中指指尖和中指两边的凹点确定手的朝向，对手部静脉图像的方向进行矫正，并通过外接矩阵对手部静脉图像进行裁剪；矫正裁剪模块用于实现实施例1步骤4）的功能。
训练模块，其对裁剪出来的手部静脉图像进行扩充增强，并将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练；训练模块用于实现实施例1步骤5）的功能。
注册模块，在注册阶段，注册模块将处理后的注册图像输入到训练好的识别模型中，提取注册图像的图像特征，将其存入数据库；注册模块用于实现实施例1步骤6）的功能。
识别模块，在识别阶段，识别模块将处理后的验证图像输入到训练好的识别模型中，提取验证图像的图像特征，将验证图像的图像特征与数据库中注册图像的图像特征进行比对，判断该验证图像是否对应其中一张注册图像；识别模块用于实现实施例1步骤7）的功能。
显然，本实施例的身份识别装置可以作为上述实施例1的身份识别方法的执行主体，因此能够实现该身份识别方法所实现的功能。由于原理相同，本文不再赘述。
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 (10)

1.一种基于手静脉的身份识别方法，其特征在于：其包括以下步骤：
1）利用红外摄像头采集若干张五指张开的手部图像；
2）利用全卷积网络FCN将手部图像中的手部静脉图像分割出来；
3）根据手部静脉图像计算手部边缘轮廓上各个点的曲率，并根据曲率找出五个手指的指尖和四个两指间的凹点；
4）利用中指指尖和中指两边的凹点确定手的朝向，对手部静脉图像的方向进行矫正，并通过外接矩阵对手部静脉图像进行裁剪；
5）对裁剪出来的手部静脉图像进行扩充增强，并将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练；
6）注册阶段，将经过步骤2）~4）处理后的手部静脉注册图像输入到训练好的识别模型中，提取手部静脉注册图像的图像特征，将其存入数据库；
7）识别阶段，将经过步骤2）~4）处理后的手部静脉验证图像输入到训练好的识别模型中，提取手部静脉验证图像的图像特征，将手部静脉验证图像的图像特征与数据库中手部静脉注册图像的图像特征进行比对，判断该手部静脉验证图像是否对应其中一张手部静脉注册图像。
2.根据权利要求1所述的基于手静脉的身份识别方法，其特征在于：所述的步骤1）采集到的手部图像是单通道的手部静脉灰度图；所述步骤2）中，首先将单通道的手部静脉灰度图转成三通道的手部静脉图像，对手部静脉图像进行人工打标，然后输入到全卷积网络FCN中对模型进行训练，使用训练好的全卷积网络FCN将手部静脉图像分割出来。
3.根据权利要求1所述的基于手静脉的身份识别方法，其特征在于：所述的步骤3）中计 算手部边缘轮廓上各个点的曲率的具体方法是：选取边缘轮廓点
Figure 42109DEST_PATH_IMAGE001
，通过计算
Figure 305600DEST_PATH_IMAGE002
和
Figure 889028DEST_PATH_IMAGE003
两个向量的内积来确定曲率，内积越小，则该点的曲 率越大，其中，
Figure 968105DEST_PATH_IMAGE004
和
Figure 953378DEST_PATH_IMAGE005
分别表示边缘轮廓点
Figure 184508DEST_PATH_IMAGE001
两侧相隔k个像素的边界点。
4.根据权利要求3所述的基于手静脉的身份识别方法，其特征在于：所述的步骤3）中找出五个手指的指尖和四个两指间的凹点的具体方法是：首先找出曲率最大的边缘点将其标为目标点；然后设置距离阈值，按照曲率大小依次将其它边缘点与现有的所有目标点依次对比，若该边缘点与现有所有目标点的距离都大于设定的距离阈值，则将其加入目标点，否则舍弃；依次比对直到找出9个目标点停止，则该9个目标点就是五个手指的指尖和四个两指间的凹点。
5.根据权利要求4所述的基于手静脉的身份识别方法，其特征在于：所述的步骤3）中找 到9个目标点后，还需要判断9个目标点属于指尖还是凹点，判断方式是通过计算该目标点
Figure 255233DEST_PATH_IMAGE006
的
Figure 934738DEST_PATH_IMAGE007
和
Figure 774518DEST_PATH_IMAGE008
两个向量的向量积来确定，若向量积的值 大于0，则该点为指尖，若向量积的值小于0，则该点为两指间的凹点，其中，
Figure 583074DEST_PATH_IMAGE009
和
Figure 875515DEST_PATH_IMAGE010
分别表示边缘轮廓点
Figure 732613DEST_PATH_IMAGE006
两侧相隔k个像素的边界点。
6.根据权利要求1所述的基于手静脉的身份识别方法，其特征在于：所述的步骤4）中利用中指指尖和中指两边的凹点确定手的朝向的具体方法是：将中指两边的凹点连线取中点，经过中点和中指指尖作直线，该直线方向为手掌方向；对手部静脉图像的方向进行矫正后，手掌方向呈竖直方向。
7.根据权利要求1所述的基于手静脉的身份识别方法，其特征在于：所述的步骤5）中，对裁剪出来的手部静脉图像进行扩充增强是随机对裁剪出来的手部静脉图像进行平移、旋转、放缩、裁剪、左右翻转，随机改变手部静脉图像的亮度、对比度和饱和度，随机加上高斯噪声，随机将裁剪出来的手部静脉图像中的某一块设置为黑色，将随机增强后的手部静脉图像加入数据集进行扩充。
8.根据权利要求7所述的基于手静脉的身份识别方法，其特征在于：所述的步骤5）中的识别模型为IResNet50，对该识别模型的最后一层FC层设置为1024维；该识别模型选用的损失函数为CosFace Loss，并在该损失函数的基础上，对每类样本点到其类别中心的距离进行约束改进，其公式为：
Figure DEST_PATH_IMAGE011
式中，L为损失函数，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的角度，a为所设置的间隔大小，λ为人工所设置的平衡系数，xi为样本i所提取的特征，cyi为样本i所对应的类别yi的中心。
9.根据权利要求1所述的基于手静脉的身份识别方法，其特征在于：所述的步骤7）中将验证图像的图像特征与注册图像的图像特征进行比对的具体方式是：设置余弦距离阈值，计算验证图像的图像特征与注册图像的图像特征的余弦距离，若两者之间的余弦距离大于余弦距离阈值，则该验证图像属于该注册图像的类别，若两者之间的余弦距离小于余弦距离阈值，则该验证图像不属于注册图像的类别。
10.一种基于手静脉的身份识别装置，其特征在于：其包括：
采集模块，其利用红外摄像头采集若干张五指张开的手部图像；
分割模块，其利用全卷积网络FCN将手部图像中的手部静脉图像分割出来；
指尖及凹点寻找模块，其根据手部静脉图像计算手部边缘轮廓上各个点的曲率，并根据曲率找出五个手指的指尖和四个两指间的凹点；
矫正裁剪模块，其利用中指指尖和中指两边的凹点确定手的朝向，对手部静脉图像的方向进行矫正，并通过外接矩阵对手部静脉图像进行裁剪；
训练模块，其对裁剪出来的手部静脉图像进行扩充增强，并将扩充增强后的手部静脉图像输入到识别模型中对识别模型进行训练；
注册模块，在注册阶段，注册模块将处理后的注册图像输入到训练好的识别模型中，提取注册图像的图像特征，将其存入数据库；
识别模块，在识别阶段，识别模块将处理后的验证图像输入到训练好的识别模型中，提取验证图像的图像特征，将验证图像的图像特征与数据库中注册图像的图像特征进行比对，判断该验证图像是否对应其中一张注册图像。
CN202011213027.0A 2020-11-04 2020-11-04 一种基于手静脉的身份识别方法及装置 Active CN112036383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011213027.0A CN112036383B (zh) 2020-11-04 2020-11-04 一种基于手静脉的身份识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011213027.0A CN112036383B (zh) 2020-11-04 2020-11-04 一种基于手静脉的身份识别方法及装置

Publications (2)

Publication Number Publication Date
CN112036383A true CN112036383A (zh) 2020-12-04
CN112036383B CN112036383B (zh) 2021-02-19

Family

ID=73573158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011213027.0A Active CN112036383B (zh) 2020-11-04 2020-11-04 一种基于手静脉的身份识别方法及装置

Country Status (1)

Country Link
CN (1) CN112036383B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801066A (zh) * 2021-04-12 2021-05-14 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
CN112861783A (zh) * 2021-03-08 2021-05-28 北京华捷艾米科技有限公司 一种手部检测方法及系统
CN113076927A (zh) * 2021-04-25 2021-07-06 华南理工大学 基于多源域迁移的指静脉识别方法及系统
CN113936307A (zh) * 2021-12-17 2022-01-14 北京圣点云信息技术有限公司 一种基于薄膜传感器的静脉图像识别方法及装置
CN114511885A (zh) * 2022-02-10 2022-05-17 支付宝(杭州)信息技术有限公司 手掌感兴趣区域提取系统和方法
CN114612941A (zh) * 2022-05-11 2022-06-10 四川圣点世纪科技有限公司 一种基于掌静脉特征的多模式身份认证方法、装置及系统
CN114821682A (zh) * 2022-06-30 2022-07-29 广州脉泽科技有限公司 一种基于深度学习算法的多样本混合掌静脉识别方法
TWI802123B (zh) * 2021-12-02 2023-05-11 財團法人工業技術研究院 3d靜脈圖譜的辨識方法及其識別裝置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
US20180300571A1 (en) * 2015-10-10 2018-10-18 Xiamen Zkteco Information Technology Co., Ltd. Finger vein identification method and device
CN109815869A (zh) * 2019-01-16 2019-05-28 浙江理工大学 一种基于fcn全卷积网络的指静脉识别方法
CN110097006A (zh) * 2019-04-30 2019-08-06 河海大学常州校区 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933389A (zh) * 2014-03-18 2015-09-23 北京思而得科技有限公司 一种基于指静脉的身份识别装置及方法
US20180300571A1 (en) * 2015-10-10 2018-10-18 Xiamen Zkteco Information Technology Co., Ltd. Finger vein identification method and device
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
CN109815869A (zh) * 2019-01-16 2019-05-28 浙江理工大学 一种基于fcn全卷积网络的指静脉识别方法
CN110097006A (zh) * 2019-04-30 2019-08-06 河海大学常州校区 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861783A (zh) * 2021-03-08 2021-05-28 北京华捷艾米科技有限公司 一种手部检测方法及系统
CN112801066A (zh) * 2021-04-12 2021-05-14 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
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
CN113076927A (zh) * 2021-04-25 2021-07-06 华南理工大学 基于多源域迁移的指静脉识别方法及系统
CN113076927B (zh) * 2021-04-25 2023-02-14 华南理工大学 基于多源域迁移的指静脉识别方法及系统
TWI802123B (zh) * 2021-12-02 2023-05-11 財團法人工業技術研究院 3d靜脈圖譜的辨識方法及其識別裝置
CN113936307A (zh) * 2021-12-17 2022-01-14 北京圣点云信息技术有限公司 一种基于薄膜传感器的静脉图像识别方法及装置
CN114511885A (zh) * 2022-02-10 2022-05-17 支付宝(杭州)信息技术有限公司 手掌感兴趣区域提取系统和方法
CN114511885B (zh) * 2022-02-10 2024-05-10 支付宝(杭州)信息技术有限公司 手掌感兴趣区域提取系统和方法
CN114612941A (zh) * 2022-05-11 2022-06-10 四川圣点世纪科技有限公司 一种基于掌静脉特征的多模式身份认证方法、装置及系统
CN114821682A (zh) * 2022-06-30 2022-07-29 广州脉泽科技有限公司 一种基于深度学习算法的多样本混合掌静脉识别方法

Also Published As

Publication number Publication date
CN112036383B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112036383B (zh) 一种基于手静脉的身份识别方法及装置
CN111401257B (zh) 一种基于余弦损失在非约束条件下的人脸识别方法
CN111339990B (zh) 一种基于人脸特征动态更新的人脸识别系统和方法
CN109214360B (zh) 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用
US8655029B2 (en) Hash-based face recognition system
Senior A combination fingerprint classifier
CN104463250B (zh) 一种基于达芬奇技术的手语识别翻译方法
WO2010092952A1 (ja) パターン認識装置
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
Hambalık Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluation
US20150347804A1 (en) Method and system for estimating fingerprint pose
CN106372624B (zh) 人脸识别方法及系统
CN114359998B (zh) 一种人脸口罩佩戴状态下的识别方法
CN109711384A (zh) 一种基于深度卷积神经网络的人脸识别方法
CN111444817B (zh) 一种人物图像识别方法、装置、电子设备和存储介质
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN111339932A (zh) 一种掌纹图像预处理方法和系统
CN112949523A (zh) 从身份证影像图片中提取关键信息的方法与系统
CN116363712B (zh) 一种基于模态信息度评估策略的掌纹掌静脉识别方法
CN110826384A (zh) 增强虹膜识别精度的系统和方法
CN113269136B (zh) 一种基于triplet loss的离线签名验证方法
CN111382703B (zh) 一种基于二次筛选与分数融合的指静脉识别方法
KAMIL et al. An Improved Iris Segmentation using Pupil Candidate Bank for Non-Cooperative Iris Recognition
Huang et al. Statistical learning of evaluation function for ASM/AAM image alignment

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
TR01 Transfer of patent right

Effective date of registration: 20210422

Address after: 030032 room 0906, 9 / F, block C, clean control innovation base, No. 529, South Central Street, Taiyuan Xuefu Park, comprehensive reform demonstration zone, Taiyuan City, Shanxi Province

Patentee after: Holy Point Century Technology Co.,Ltd.

Address before: 2 / F, No.17, Paradise Street, Yanqi Economic Development Zone, Huairou District, Beijing

Patentee before: Beijing ShengDian cloud Information Technology Co.,Ltd.

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An identification method and device based on hand vein

Effective date of registration: 20220607

Granted publication date: 20210219

Pledgee: Sub branch directly under Shanxi Branch of China Postal Savings Bank Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2022140000022

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230621

Granted publication date: 20210219

Pledgee: Sub branch directly under Shanxi Branch of China Postal Savings Bank Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2022140000022

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and Device for Identity Recognition Based on Hand Vein

Effective date of registration: 20230626

Granted publication date: 20210219

Pledgee: Sub branch directly under Shanxi Branch of China Postal Savings Bank Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2023980045525