CN113298055A - 静脉识别方法、装置、设备及计算机可读存储介质 - Google Patents
静脉识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113298055A CN113298055A CN202110847420.3A CN202110847420A CN113298055A CN 113298055 A CN113298055 A CN 113298055A CN 202110847420 A CN202110847420 A CN 202110847420A CN 113298055 A CN113298055 A CN 113298055A
- Authority
- CN
- China
- Prior art keywords
- vein
- image
- similarity
- ith
- vein image
- 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 341
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 25
- 239000008280 blood Substances 0.000 claims description 25
- 210000004369 blood Anatomy 0.000 claims description 25
- 229910052760 oxygen Inorganic materials 0.000 claims description 25
- 239000001301 oxygen Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了一种静脉识别方法、装置、设备及计算机可读存储介质,所述方法包括:S1:获取多个人员的人员标识和原始静脉图像,并令i=1;S2:利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像;S3:将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,S4:当所述第i相似度小于预设相似度时,执行S5;当所述第i相似度不小于所述预设相似度时,执行S6;S5:使i的值加1,重复执行S2~S4;S6:获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。本申请得到的识别结果准确性较高,可以满足用户的实际需求。
Description
技术领域
本申请涉及生物认证技术领域,尤其涉及静脉识别方法、装置、设备及计算机可读存储介质。
背景技术
生物认证技术主要是指通过人类生物特征进行身份认证的一种技术,具体地,通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合,利用人体固有的生理特性,如指纹、人脸、静脉、声音、虹膜等来进行个人身份的鉴定。
静脉识别技术是将皮肤下的静脉血管作为身份特征进行身份识别的技术。由于人体静脉血管隐藏于皮肤之下,不易伪造,因此静脉特征识别技术是一种可靠性很高的身份识别技术,具有很好的应用前景。
然而现有的静脉识别手段识别准确性较差,亟需一种识别准确性较高的静脉识别方法。
发明内容
本申请的目的在于提供一种静脉识别方法、装置、设备及计算机可读存储介质,识别结果准确性较高,可以满足用户的实际需求。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种静脉识别方法,所述方法包括:S1:获取多个人员的人员标识和原始静脉图像,并令i=1;S2:利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个;S3:将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像;S4:当所述第i相似度小于预设相似度时,执行S5;当所述第i相似度不小于所述预设相似度时,执行S6;S5:使i的值加1,重复执行S2~S4;S6:获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
该技术方案的有益效果在于,可以获取多个人员的人员标识和原始静脉图像,利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,利用深度卷积神经网络获取第i目标静脉图像与其原始静脉图像的相似度,一方面,当第i相似度小于预设相似度时,第i目标静脉图像与其原始静脉图像相差较大,难以根据第i目标静脉图像识别出目标人员,此时,可以使i的值加1,重新拍摄第i目标静脉图像,直到第i目标静脉图像与其原始静脉图像的相似度不小于预设相似度;另一方面,当第i相似度不小于预设相似度时,第i目标静脉图像与其原始静脉图像相差较小,可以根据第i目标静脉图像识别出目标人员,将第i目标静脉图像的原始静脉图像对应的人员标识作为第i目标静脉图像的识别结果。
综上所述,只有第i目标静脉图像与其原始静脉图像的相似度不小于预设相似度时,才将第i目标静脉图像的原始静脉图像对应的人员标识作为第i目标静脉图像的识别结果,利用该方法得到的识别结果准确性较高,可以满足用户的实际需求。
在一些可选的实施例中,所述S6还包括:当i大于1时,将所述第i目标静脉图像及其原始静脉图像对应的人员标识存储至待训练样本库;所述方法还包括:利用所述待训练样本库对所述深度卷积神经网络进行迁移学习,得到迁移模型。该技术方案的有益效果在于,一方面,可以利用待训练样本库对深度卷积神经网络进行迁移学习,使得到的迁移模型具备根据静脉识别的能力;另一方面,随着训练样本库中训练数据的不断增多,得到的迁移模型的拟合效果会不断加强,对于静脉成像效果较差的不易识别人员也能有不错的识别效果,适用范围广。
在一些可选的实施例中,所述S3之前,所述方法还包括:当i大于1时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。该技术方案的有益效果在于,可以对第i目标静脉图像进行图像增强处理,更新后的第i目标静脉图像质量较高,便于提取出静脉特征,从而改善静脉识别效果。
在一些可选的实施例中,所述S3之前,所述方法还包括:获取所述目标人员的血氧浓度;当所述目标人员的血氧浓度小于预设血氧浓度时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。该技术方案的有益效果在于,一方面,当目标人员的血氧浓度小于预设血氧浓度时,目标人员的静脉图像清晰度较低,可以对第i目标静脉图像进行图像增强处理,改善静脉识别效果;另一方面,只有目标人员的血氧浓度小于预设血氧浓度时,才对第i目标静脉图像进行图像增强处理,而不是对每个人员的第i目标静脉图像都进行图像增强处理,这种方式可以有针对性的对静脉图像进行图像增强处理,减少数据处理的压力。
在一些可选的实施例中,所述S5还包括:提示所述目标人员调整静脉的位置和/或姿态。该技术方案的有益效果在于,目标人员静脉的摆放位置和姿态对静脉识别效果有一定影响,可以提示目标人员调整静脉的位置和/或姿态,从而拍摄出较为清晰完整且角度适宜的静脉图像。
在一些可选的实施例中,所述S5还包括:调整所述静脉采集设备的位置和/或姿态,以使所述静脉采集设备拍摄所述目标人员的静脉正面。该技术方案的有益效果在于,可以调整静脉采集设备的位置和/或姿态,使静脉采集设备拍摄目标人员的静脉正面,而无需目标人员调整静脉的位置和/或姿态,这种方式可以省去目标人员的调整操作,提升目标人员的使用体验。
在一些可选的实施例中,所述静脉包括掌静脉和/或指静脉。该技术方案的有益效果在于,相比于身体其他部位的静脉图像,掌静脉和指静脉的静脉图像容易采集,给目标人员造成的心理压力较小,目标人员的抗拒心理较轻。
第二方面,本申请提供了一种静脉识别装置,所述装置包括:数据获取模块,用于获取多个人员的人员标识和原始静脉图像,并令i=1;图像获取模块,用于利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个;相似度获取模块,用于将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像;相似度检测模块,用于当所述第i相似度小于预设相似度时,调用重复执行模块;当所述第i相似度不小于所述预设相似度时,调用识别结果模块;重复执行模块,用于使i的值加1,重复调用所述图像获取模块、所述相似度获取模块和所述相似度检测模块;识别结果模块,用于获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
在一些可选的实施例中,所述识别结果模块还用于:当i大于1时,将所述第i目标静脉图像及其原始静脉图像对应的人员标识存储至待训练样本库;所述装置还包括:模型获取模块,用于利用所述待训练样本库对所述深度卷积神经网络进行迁移学习,得到迁移模型。
在一些可选的实施例中,所述装置还包括:第一更新模块,用于当i大于1时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
在一些可选的实施例中,所述装置还包括:血氧获取模块,用于获取所述目标人员的血氧浓度;第二更新模块,用于当所述目标人员的血氧浓度小于预设血氧浓度时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
在一些可选的实施例中,所述重复执行模块还用于:提示所述目标人员调整静脉的位置和/或姿态。
在一些可选的实施例中,所述重复执行模块还用于:调整所述静脉采集设备的位置和/或姿态,以使所述静脉采集设备拍摄所述目标人员的静脉正面。
在一些可选的实施例中,所述静脉包括掌静脉和/或指静脉。
第三方面,本申请提供了一种静脉识别设备,所述静脉识别设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
第四方面,本申请提供了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,所述计算机程序被处理器执行时实现上述任一项方法的步骤。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种静脉识别方法的流程示意图;
图2是本申请实施例提供的一种静脉识别方法的部分流程示意图;
图3是本申请实施例提供的另一种静脉识别方法的流程示意图;
图4是本申请实施例提供的再一种静脉识别方法的流程示意图;
图5是本申请实施例提供的一种静脉识别装置的结构示意图;
图6是本申请实施例提供的一种静脉识别装置的部分结构示意图;
图7是本申请实施例提供的另一种静脉识别装置的结构示意图;
图8是本申请实施例提供的再一种静脉识别装置的结构示意图;
图9是本申请实施例提供的一种静脉识别设备的结构示意图;
图10是本申请实施例提供的一种用于实现静脉识别方法的程序产品的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
参见图1,本申请实施例提供了一种静脉识别方法,所述方法包括步骤S1~S6。
S1:获取多个人员的人员标识和原始静脉图像,并令i=1。
其中,人员标识可以是字母、数字、中文和特殊符号中的一种或者组合,例如是A_01。
多个人员的人员标识和原始静脉图像可以通过外部设备导入,多个人员的人员标识也可以人工手动录入,多个人员的原始静脉图像还可以利用静脉采集设备采集得到。
在一些实施方式中,所述静脉包括掌静脉和/或指静脉。
原始静脉图像可以包括原始掌静脉图像和/或原始指静脉图像。
一般而言,原始静脉图像清晰度较高且静脉特征信息较为完整,可以根据原始静脉图像识别出对应的人员。
S2:利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个。
相比于身体其他部位的静脉图像,掌静脉和指静脉的静脉图像容易采集,给目标人员造成的心理压力较小,目标人员的抗拒心理较轻。
S3:将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像。
S4:当所述第i相似度小于预设相似度时,执行S5;当所述第i相似度不小于所述预设相似度时,执行S6。预设相似度可以是预先设定的相似度,例如是80%、85%或者90%。
S5:使i的值加1,重复执行S2~S4。
S6:获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
在一具体应用中,存在小王、小张和小李三位人员的原始静脉图像,小王、小张和小李的人员标识分别为001、002、003,预设相似度为90%。
其中,小王为目标人员,对小王的静脉进行拍摄,得到第1目标静脉图像,第1目标静脉图像与小王的原始静脉图像的相似度最高,为88%,小于预设相似度,重新对小王的静脉进行拍摄,得到第2目标静脉图像,第2目标静脉图像与小王的原始静脉图像的相似度最高,为92%,大于预设相似度,将小王的原始静脉图像对应的人员标识001作为第2目标静脉图像的识别结果。
由此,可以获取多个人员的人员标识和原始静脉图像,利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,利用深度卷积神经网络获取第i目标静脉图像与其原始静脉图像的相似度,一方面,当第i相似度小于预设相似度时,第i目标静脉图像与其原始静脉图像相差较大,难以根据第i目标静脉图像识别出目标人员,此时,可以使i的值加1,重新拍摄第i目标静脉图像,直到第i目标静脉图像与其原始静脉图像的相似度不小于预设相似度;另一方面,当第i相似度不小于预设相似度时,第i目标静脉图像与其原始静脉图像相差较小,可以根据第i目标静脉图像识别出目标人员,将第i目标静脉图像的原始静脉图像对应的人员标识作为第i目标静脉图像的识别结果。
综上所述,只有第i目标静脉图像与其原始静脉图像的相似度不小于预设相似度时,才将第i目标静脉图像的原始静脉图像对应的人员标识作为第i目标静脉图像的识别结果,利用该方法得到的识别结果准确性较高,可以满足用户的实际需求。
参见图2,在一些实施方式中,所述S6还可以包括:当i大于1时,将所述第i目标静脉图像及其原始静脉图像对应的人员标识存储至待训练样本库。
所述方法还可以包括S7。
S7:利用所述待训练样本库对所述深度卷积神经网络进行迁移学习,得到迁移模型。
在一些实施方式中,所述方法还可以包括:将待识别人员的原始静脉图像输入所述迁移模型,得到待识别人员的人员标识。
由此,一方面,可以利用待训练样本库对深度卷积神经网络进行迁移学习,使得到的迁移模型具备根据静脉识别的能力;另一方面,随着训练样本库中训练数据的不断增多,得到的迁移模型的拟合效果会不断加强,对于静脉成像效果较差的不易识别人员也能有不错的识别效果,适用范围广。
参见图3,在一些实施方式中,所述S3之前,所述方法还可以包括S8。
S8:当i大于1时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
其中,对所述第i目标静脉图像进行图像增强处理的方法可以采用现有技术,例如专利CN111145114A公开的一种图像增强方法,或者专利CN103971330B公开的一种图像增强方法,或者专利CN111047543A公开的一种图像增强方法。
由此,可以对第i目标静脉图像进行图像增强处理,更新后的第i目标静脉图像质量较高,便于提取出静脉特征,从而改善静脉识别效果。
参见图4,在一些实施方式中,所述S3之前,所述方法还可以包括S9~S10。
S9:获取所述目标人员的血氧浓度。
S10:当所述目标人员的血氧浓度小于预设血氧浓度时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
由此,一方面,当目标人员的血氧浓度小于预设血氧浓度时,目标人员的静脉图像清晰度较低,可以对第i目标静脉图像进行图像增强处理,改善静脉识别效果;另一方面,只有目标人员的血氧浓度小于预设血氧浓度时,才对第i目标静脉图像进行图像增强处理,而不是对每个人员的第i目标静脉图像都进行图像增强处理,这种方式可以有针对性的对静脉图像进行图像增强处理,减少数据处理的压力。
在一些实施方式中,所述S5还可以包括:提示所述目标人员调整静脉的位置和/或姿态。
由此,目标人员静脉的摆放位置和姿态对静脉识别效果有一定影响,可以提示目标人员调整静脉的位置和/或姿态,从而拍摄出较为清晰完整且角度适宜的静脉图像。
在一些实施方式中,所述S5还可以包括:调整所述静脉采集设备的位置和/或姿态,以使所述静脉采集设备拍摄所述目标人员的静脉正面。
由此,可以调整静脉采集设备的位置和/或姿态,使静脉采集设备拍摄目标人员的静脉正面,而无需目标人员调整静脉的位置和/或姿态,这种方式可以省去目标人员的调整操作,提升目标人员的使用体验。
参见图5,本申请实施例还提供了一种静脉识别装置,其具体实现方式与上述静脉识别方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
所述装置包括:数据获取模块101,用于获取多个人员的人员标识和原始静脉图像,并令i=1;图像获取模块102,用于利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个;相似度获取模块103,用于将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像;相似度检测模块104,用于当所述第i相似度小于预设相似度时,调用重复执行模块;当所述第i相似度不小于所述预设相似度时,调用识别结果模块;重复执行模块105,用于使i的值加1,重复调用所述图像获取模块、所述相似度获取模块和所述相似度检测模块;识别结果模块106,用于获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
参见图6,在一些实施方式中,所述识别结果模块106还可以用于:当i大于1时,将所述第i目标静脉图像及其原始静脉图像对应的人员标识存储至待训练样本库;所述装置还可以包括:模型获取模块107,用于利用所述待训练样本库对所述深度卷积神经网络进行迁移学习,得到迁移模型。
参见图7,在一些实施方式中,所述装置还可以包括:第一更新模块108,用于当i大于1时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
参见图8,在一些实施方式中,所述装置还可以包括:血氧获取模块109,用于获取所述目标人员的血氧浓度;第二更新模块110,用于当所述目标人员的血氧浓度小于预设血氧浓度时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
在一些实施方式中,所述重复执行模块105还可以用于:提示所述目标人员调整静脉的位置和/或姿态。
在一些实施方式中,所述重复执行模块105还可以用于:调整所述静脉采集设备的位置和/或姿态,以使所述静脉采集设备拍摄所述目标人员的静脉正面。
在一些实施方式中,所述静脉可以包括掌静脉和/或指静脉。
参见图9,本申请实施例还提供了一种静脉识别设备200,静脉识别设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
在一些实施方式中,静脉识别设备200可以与静脉采集设备集成为一体。
其中,静脉采集设备可以包括图像传感器和LED。LED用于发射红外光,使图像传感器能够拍摄得到静脉图像。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220执行本申请实施例中静脉识别方法的步骤,其具体实现方式与上述静脉识别方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
总线230可以为表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
静脉识别设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该静脉识别设备200交互的设备通信,和/或与使得该静脉识别设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,静脉识别设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与静脉识别设备200的其它模块通信。应当明白,尽管图中未示出,可以结合静脉识别设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本申请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用于存储计算机程序,所述计算机程序被执行时实现本申请实施例中静脉识别方法的步骤,其具体实现方式与上述静脉识别方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
图10示出了本实施例提供的用于实现上述静脉识别方法的程序产品300,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品300不限于此,在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种静脉识别方法,其特征在于,所述方法包括:
S1:获取多个人员的人员标识和原始静脉图像,并令i=1;
S2:利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个;
S3:将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像;
S4:当所述第i相似度小于预设相似度时,执行S5;当所述第i相似度不小于所述预设相似度时,执行S6;
S5:使i的值加1,重复执行S2~S4;
S6:获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
2.根据权利要求1所述的静脉识别方法,其特征在于,所述S6还包括:
当i大于1时,将所述第i目标静脉图像及其原始静脉图像对应的人员标识存储至待训练样本库;
所述方法还包括:
利用所述待训练样本库对所述深度卷积神经网络进行迁移学习,得到迁移模型。
3.根据权利要求1所述的静脉识别方法,其特征在于,所述S3之前,所述方法还包括:
当i大于1时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
4.根据权利要求1所述的静脉识别方法,其特征在于,所述S3之前,所述方法还包括:
获取所述目标人员的血氧浓度;
当所述目标人员的血氧浓度小于预设血氧浓度时,对所述第i目标静脉图像进行图像增强处理,并使用处理后的图像更新所述第i目标静脉图像。
5.根据权利要求1所述的静脉识别方法,其特征在于,所述S5还包括:
提示所述目标人员调整静脉的位置和/或姿态。
6.根据权利要求1所述的静脉识别方法,其特征在于,所述S5还包括:
调整所述静脉采集设备的位置和/或姿态,以使所述静脉采集设备拍摄所述目标人员的静脉正面。
7.根据权利要求1所述的静脉识别方法,其特征在于,所述静脉包括掌静脉和/或指静脉。
8.一种静脉识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取多个人员的人员标识和原始静脉图像,并令i=1;
图像获取模块,用于利用静脉采集设备拍摄目标人员的静脉,得到第i目标静脉图像,所述目标人员是所述多个人员的其中一个;
相似度获取模块,用于将所述第i目标静脉图像输入深度卷积神经网络,得到所述第i目标静脉图像与其原始静脉图像的相似度,记为第i相似度,所述第i目标静脉图像的原始静脉图像是指所述多个人员的原始静脉图像中与所述第i目标静脉图像的相似度最高的一个原始静脉图像;
相似度检测模块,用于当所述第i相似度小于预设相似度时,调用重复执行模块;当所述第i相似度不小于所述预设相似度时,调用识别结果模块;
重复执行模块,用于使i的值加1,重复调用所述图像获取模块、所述相似度获取模块和所述相似度检测模块;
识别结果模块,用于获取所述第i目标静脉图像的原始静脉图像对应的人员标识作为所述第i目标静脉图像的识别结果。
9.一种静脉识别设备,其特征在于,所述静脉识别设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。
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程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847420.3A CN113298055A (zh) | 2021-07-27 | 2021-07-27 | 静脉识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847420.3A CN113298055A (zh) | 2021-07-27 | 2021-07-27 | 静脉识别方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298055A true CN113298055A (zh) | 2021-08-24 |
Family
ID=77331039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847420.3A Pending CN113298055A (zh) | 2021-07-27 | 2021-07-27 | 静脉识别方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298055A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107111762A (zh) * | 2017-03-20 | 2017-08-29 | 深圳市汇顶科技股份有限公司 | 指纹识别方法和装置 |
CN110088799A (zh) * | 2016-11-09 | 2019-08-02 | 三星电子株式会社 | 图像处理设备和图像处理方法 |
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
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 |
CN111639558A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 |
CN111723802A (zh) * | 2020-06-30 | 2020-09-29 | 北京来也网络科技有限公司 | 一种基于ai的二维码识别方法、装置、设备和介质 |
CN112036211A (zh) * | 2019-06-03 | 2020-12-04 | Oppo广东移动通信有限公司 | 终端解锁方法、装置、电子设备和存储介质 |
CN112287861A (zh) * | 2020-11-05 | 2021-01-29 | 山东交通学院 | 基于夜间环境感知的道路信息增强与驾驶预警方法 |
-
2021
- 2021-07-27 CN CN202110847420.3A patent/CN113298055A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110088799A (zh) * | 2016-11-09 | 2019-08-02 | 三星电子株式会社 | 图像处理设备和图像处理方法 |
CN107111762A (zh) * | 2017-03-20 | 2017-08-29 | 深圳市汇顶科技股份有限公司 | 指纹识别方法和装置 |
CN112036211A (zh) * | 2019-06-03 | 2020-12-04 | Oppo广东移动通信有限公司 | 终端解锁方法、装置、电子设备和存储介质 |
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
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 |
CN111639558A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 |
CN111723802A (zh) * | 2020-06-30 | 2020-09-29 | 北京来也网络科技有限公司 | 一种基于ai的二维码识别方法、装置、设备和介质 |
CN112287861A (zh) * | 2020-11-05 | 2021-01-29 | 山东交通学院 | 基于夜间环境感知的道路信息增强与驾驶预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3477519B1 (en) | Identity authentication method, terminal device, and computer-readable storage medium | |
US11641352B2 (en) | Apparatus, method and computer program product for biometric recognition | |
US10769423B2 (en) | Method, system and terminal for identity authentication, and computer readable storage medium | |
US10970374B2 (en) | User identification and authentication with neuromuscular signatures | |
Jiang et al. | Enhancing IoT security via cancelable HD-sEMG-based biometric authentication password, encoded by gesture | |
Alsaadi | Study on most popular behavioral biometrics, advantages, disadvantages and recent applications: A review | |
CN108429619A (zh) | 身份认证方法和系统 | |
EP3693966A1 (en) | System and method for continuous privacy-preserved audio collection | |
CN111241883B (zh) | 防止远程被测人员作弊的方法和装置 | |
JP2018504960A (ja) | 人体特徴データの処理方法及び装置 | |
Traore et al. | State of the art and perspectives on traditional and emerging biometrics: A survey | |
Tran et al. | Anti-aliasing convolution neural network of finger vein recognition for virtual reality (VR) human–robot equipment of metaverse | |
CN110364178A (zh) | 一种语音处理方法、装置、存储介质和电子设备 | |
CN111368814A (zh) | 一种身份识别方法及系统 | |
Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
CN110545386B (zh) | 用于拍摄图像的方法和设备 | |
CN113298055A (zh) | 静脉识别方法、装置、设备及计算机可读存储介质 | |
CN109409322B (zh) | 活体检测方法、装置及人脸识别方法和人脸检测系统 | |
CN108664956B (zh) | 人体静脉生物特征信息采集过程中的活体识别方法及装置 | |
Dignan et al. | An AI-based approach for improved sign language recognition using multiple videos | |
CN110781724A (zh) | 一种人脸识别神经网络、方法、装置、设备及存储介质 | |
Chen et al. | An Identity Authentication Method Based on Multi-modal Feature Fusion | |
CN114469139A (zh) | 脑电信号识别模型训练、脑电信号识别方法、装置及介质 | |
CN112949575A (zh) | 情绪识别模型的生成、情绪识别方法、装置、设备及介质 | |
Genovese et al. | Advanced biometric technologies: emerging scenarios and research trends |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |