CN113420690A - 基于感兴趣区域的静脉识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种基于感兴趣区域的静脉识别方法、装置、设备及存储介质，属于人工智能技术领域，通过获取待识别图像，对待识别图像进行边缘检测，获取待识别图像的边缘轮廓，对待识别图像进行二值化，并对二值化后的待识别图像进行编码，生成待识别图像的掩膜矩阵，基于边缘轮廓和掩膜矩阵，确定待识别图像中的目标对象，基于预设的采样尺度对目标对象进行感兴趣区域提取，得到第一感兴趣区域图像,将第一感兴趣区域图像导入预先训练好的静脉识别模型，得到待识别图像的静脉识别结果。此外，本申请还涉及区块链技术，待识别图像可存储于区块链中。本申请通过静脉识别模型对感兴趣区域图像进行识别，得到静脉识别结果，提高了静脉识别准确率。

Description

基于感兴趣区域的静脉识别方法、装置、设备及存储介质

技术领域

本申请属于人工智能技术领域，具体涉及一种基于感兴趣区域的静脉识别方法、装置、设备及存储介质。

背景技术

静脉识别，生物识别的一种。静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。

手指静脉识别是通过近红外摄像头采集得到的人体手指静脉图像作为生物特征的识别方式，具有以下的特点及优势：1)活体识别，安全性高；2)内部特征提取，稳定性好；3)非侵入性和非接触式，便于推广。因此，手指静脉识别技术具有更广泛的发展空间和应用前景。

目前，静脉识别通常是采用提取静脉脉络和比对静脉脉络的方式来实现，但静脉脉络提取和比对过程中容易出现缺失必要特征信息的情况，使得识别准确率较低。且在手指静脉图像采集过程中，由于图像采集设备自身背景的影响，以及被采集手指可以随意放置，这会导致同一手指在水平或者垂直方向上存在较大的偏移。而现有的指静脉识别模型在进行指静脉识别时，并没有考虑到上述因素的影响，从而导致指静脉识别过程中出现缺失必要特征信息的情况，严重影响指静脉识别的准确率。

发明内容

本申请实施例的目的在于提出一种基于感兴趣区域的静脉识别方法、装置、计算机设备及存储介质，以解决现有的指静脉识别方案存在的缺失必要特征信息和指静脉识别准确率较低的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于感兴趣区域的静脉识别方法，采用了如下所述的技术方案：

基于感兴趣区域的静脉识别方法，包括：

接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像；

对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓；

对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵；

基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象；

基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像；

将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

进一步地，所述对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓的步骤，具体包括：

获取预设的Sobel边缘检测算子，其中，Sobel边缘检测算子包括横向矩阵和纵向矩阵；

利用所述横向矩阵对所述待识别图像进行进行卷积计算，得到横向亮度差分值；

利用所述纵向矩阵对所述待识别图像进行进行卷积计算，得到纵向亮度差分值；

基于所述横向亮度差分值和所述纵向亮度差分值，生成所述待识别图像中目标对象的边缘轮廓矩阵；

基于所述边缘轮廓矩阵，得到所述待识别图像中目标对象的边缘轮廓。

进一步地，所述基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象的步骤，具体包括：

将所述掩膜矩阵与所述待识别图像进行乘积运算，得到所述待识别图像的初始目标对象矩阵；

基于所述边缘轮廓矩阵对所述初始目标对象矩阵进行调节，得到所述待识别图像的目标对象矩阵；

基于所述待识别图像的目标对象矩阵，确定所述待识别图像中的目标对象。

进一步地，所述基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像的步骤，具体包括：

对所述待识别图像进行预处理；

将预处理后的所述待识别图像输入到特征提取网络，并基于所述采样尺度对所述待识别图像中的目标对象进行特征提取，得到所述目标对象的尺度特征；

将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域；

基于所述候选区域对所述待识别图像进行分割，得到所述第一感兴趣区域图像。

进一步地，所述将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域的步骤，具体包括：

基于所述目标对象的尺度特征，生成所述待识别图像的初始区域；

对所述待识别图像进行检测，得到预先标注的标准区域；

计算所述初始区域和所述标准区域的交并比，并基于所述交并比对所述初始区域进行调节，得到所述待识别图像的候选区域。

进一步地，所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤，具体包括:

将所述第一感兴趣区域图像导入所述静脉识别模型，并对所述第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像；

对所述归一化的第一感兴趣区域图像进行卷积运算，得到特征图；

对所述特征图进行融合，得到融合特征图；

计算所述融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为所述待识别图像的静脉识别结果。

进一步地，在所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤之前，还包括：

获取用于训练所述静脉识别模型的训练样本集和验证数据集；

对所述训练样本集中的训练样本依次进行进行感兴趣区域提取，得到第二感兴趣区域图像；

将所述第二感兴趣区域图像输入到预设的初始识别模型，并获取所述初始识别模型的初始识别结果；

构建所述初始识别模型的损失函数，通过所述损失函数计算所述初始识别结果与预设标准结果的误差，得到识别误差，并使用反向传播算法传递所述识别误差；

将识别误差与预设阈值进行比较，若识别误差大于预设阈值，则对初始识别模型进行迭代更新，直到识别误差小于或等于预设阈值为止；

将识别误差小于或等于预设阈值的初始识别模型作为训练完成的静脉识别模型，输出训练完成的静脉识别模型，并通过所述验证数据集对训练完成的所述静脉识别模型进行验证。

为了解决上述技术问题，本申请实施例还提供一种基于感兴趣区域的静脉识别装置，采用了如下所述的技术方案：

基于感兴趣区域的静脉识别装置，包括：

图像获取模块，用于接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像；

边缘检测模块，用于对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓；

图像编码模块，用于对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵；

目标确认模块，用于基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象；

第一区域提取模块，用于基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像；

静脉识别模块，用于将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述所述的基于感兴趣区域的静脉识别方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于感兴趣区域的静脉识别方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请公开了一种基于感兴趣区域的静脉识别方法、装置、设备及存储介质，属于人工智能技术领域，本申请通过待识别图像的边缘轮廓和待识别图像的掩膜矩阵确定待识别图像中的目标对象，然后依据不同的采样尺度对目标对象进行感兴趣区域提取，得到不同尺寸的感兴趣区域图像，将不同尺寸的感兴趣区域图像输入到预先训练好的静脉识别模型，通过静脉识别模型先对不同尺寸的感兴趣区域图像的特征进行特征融合，然后通过识别融合特征得到待识别图像的静脉识别结果。本申请不需要直接提取静脉脉络和比对静脉脉络，无需脉络标签，极大的降低了过程性不必要的特征损失，提高了指静脉识别的准确率。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请可以应用于其中的示例性系统架构图；

图2示出了根据本申请的基于感兴趣区域的静脉识别方法的一个实施例的流程图；

图3示出了根据本申请的基于感兴趣区域的静脉识别装置的一个实施例的结构示意图；

图4示出了根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于感兴趣区域的静脉识别方法一般由服务器执行，相应地，基于感兴趣区域的静脉识别装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

静脉识别是生物识别的一种，静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。静脉比对时，实时采取静脉图，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。

在本申请具体的实施例中，基于感兴趣区域的静脉识别方法具体应用于手指图像静脉识别，目前指静脉识别通常是采用提取指静脉脉络和比对指静脉脉络的方式来实现，但静脉脉络提取和比对过程中容易出现缺失必要特征信息的情况，而且通过比对指静脉脉络需要手工标注的指标准特征图，而手工标注的指静脉脉络连续性差、脉络特征缺失严重，即手工标注的指静脉脉络不准确，最终使得静脉识别准确率较低。

针对现有的指静脉识别方案存在的上述缺陷，本申请公开的一种基于感兴趣区域的静脉识别方法、装置、设备及存储介质，通过对待识别图像进行感兴趣区域提取，以及通过静脉识别模型对感兴趣区域进行处理，获得待识别图像的静脉识别结果，不再进行脉络提取和处理，以减少了脉络特征损失，同时通过多尺度区域特征提取感兴趣区域特征，并在静脉识别模型对多尺度特征进行融合和识别，通过将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

继续参考图2，示出了根据本申请的基于感兴趣区域的静脉识别的方法的一个实施例的流程图。所述的基于感兴趣区域的静脉识别方法，包括以下步骤：

S201，接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像。

具体的，服务器在接收到用户上传的静脉识别指令后，获取与静脉识别指令对应的待识别图像。在本申请一种具体的实施例中，静脉识别指令可以是指静脉识别指令，基于指静脉识别指令对用户上传的带有手指图像的CCD照片进行指静脉识别，获得CCD照片中的指静脉信息。

在本实施例中，基于感兴趣区域的静脉识别方法方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收静脉识别指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

S202，对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓。

具体的，服务器可以基于预设的Sobel边缘检测算子对待识别图像进行边缘检测，获取待识别图像中目标对象的边缘轮廓。其中，Sobel边缘检测算子(Sobel operator，索贝尔算子)是图像处理中的算子之一，主要用于边缘检测，Sobel是一离散型差分算子，用来运算图像亮度函数的梯度之近似值，在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。

在本申请一种具体的实施例中，待识别图像上的目标对象可以是手指，先通过Sobel边缘检测算子初步对待识别图像上的手指边缘轮廓进行检测，以便后续分离待识别图像的前景和后景，以及方便后续进行感兴趣区域提取。

S203，对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵。

具体的，服务器对待识别图像进行二值化，得到待识别图像的二值化图像，并对二值化后的待识别图像进行编码，生成待识别图像的掩膜矩阵mask。其中，掩膜矩阵mask是由0和1组成的一个二进制图像矩阵，当在某一功能中应用掩模时，1值区域表示需要被处理，0值区域表示不需要被处理，通过指定的数据值、数据范围、有限或无限值、感兴趣区和注释文件来定义图像掩模，也可以应用上述选项的任意组合作为输入来建立掩模矩阵mask。

在本申请一种具体的实施例中，由于采集到的待识别图像的手指区域与背景区域灰度分布存在较大差异，因此对待识别图像进行二值化后，可以获得一个由0和1组成的一个二进制图像矩阵，其中，1值区域表示手指区域，0值区域表示背景区域，以此大致确定手指在待识别图像中的位置。

S204，基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象。

具体的，服务器将掩膜矩阵和以矩阵形式的待识别图像进行乘积运算，得到待识别图像的初始目标对象矩阵，并通过目标对象的边缘轮廓对初始目标对象矩阵，以进一步确定目标对象在待识别图像中的位置。

在本申请一种具体的实施例中，待识别图像可以转化为矩阵形式进行表示，通过掩膜矩阵和以矩阵形式的待识别图像进行乘积运算，得到待识别图像的初始目标对象矩阵，通过初始目标对象矩阵可以大致确定手指区域的位置范围，然后通过手指区域的边缘轮廓对初始目标对象矩阵进行调整，例如，将初始目标对象矩阵中处于手指区域的边缘轮廓内的元素值由0调整为1，将初始目标对象矩阵中处于手指区域的边缘轮廓外的元素值由1调整为0，以此进一步确定手指区域在待识别图像中的位置范围。

S205，基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像。

具体的，在上述步骤中确定待识别图像中的目标对象后，服务器将待识别图像导入到感兴趣区域提取网络中，在感兴趣区域提取网络基于预设的采样尺度对目标对象进行感兴趣区域提取，得到第一感兴趣区域图像，通过对待识别图像进行感兴趣区域提取，以及通过静脉识别模型对感兴趣区域进行处理，获得待识别图像的静脉识别结果，不再进行脉络提取和处理，以减少了脉络特征损失。

其中，感兴趣区域提取网络基于特征提取网络和区域生成网络构建，特征提取网络可以采用DenseNet-161网络结构进行搭建，区域生成网络构建可以采用RPN网络结构进行搭建。预设的采样尺度可以根据实际需求进行预测，例如64*64、128*128等等，通过预设的多个采样尺度，最终可以获得具有多个尺度区域特征的感兴趣区域图像，即多张尺度不同的第一感兴趣区域图像，然后静脉识别模型对多尺度特征进行融合和识别，将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

S206，将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

具体的，服务器将多张尺度不同的第一感兴趣区域图像分别导入静脉识别模型，并通过静脉识别模型的输入层对多张尺度不同的第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像，使得第一感兴趣区域图像尺度大小一致。例如，将所有第一感兴趣区域图像的尺寸变为224*224*64。然后通过静脉识别模型的卷积层对归一化的第一感兴趣区域图像进行卷积运算，得到特征图，通过静脉识别模型的全连接层对特征图进行融合，得到融合特征图，通过静脉识别模型的输出层计算融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为待识别图像的静脉识别结果，通过静脉识别模型对多尺度特征进行融合和识别，将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

在上述实施例中，本申请通过通过对待识别图像进行感兴趣区域提取，以及通过静脉识别模型对感兴趣区域进行处理，获得待识别图像的静脉识别结果，不再进行脉络提取和处理，以减少了脉络特征损失，同时通过多尺度区域特征提取感兴趣区域特征，并在静脉识别模型对多尺度特征进行融合和识别，通过将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

进一步地，所述对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓的步骤，具体包括：

获取预设的Sobel边缘检测算子，其中，Sobel边缘检测算子包括横向矩阵和纵向矩阵；

利用所述横向矩阵对所述待识别图像进行进行卷积计算，得到横向亮度差分值；

利用所述纵向矩阵对所述待识别图像进行进行卷积计算，得到纵向亮度差分值；

基于所述横向亮度差分值和所述纵向亮度差分值，生成所述待识别图像中目标对象的边缘轮廓矩阵；

基于所述边缘轮廓矩阵，得到所述待识别图像中目标对象的边缘轮廓。

其中，Sobel边缘检测算子包含两组3X3的矩阵，分别为横向矩阵和纵向矩阵，将横向矩阵和纵向矩阵分别与图像作平面卷积，即可分别得出横向及纵向的亮度差分值。由于待识别图像的手指区域与背景区域灰度分布存在较大差异，在目标对象的边缘轮廓附近亮度差分值差异较大，因此可以根据获得的亮度差分值确定目标对象的边缘轮廓。

具体的，服务器获取预设的Sobel边缘检测算子，其中，Sobel边缘检测算子包括横向矩阵和纵向矩阵，利用横向矩阵对待识别图像进行进行卷积计算，得到横向亮度差分值，利用纵向矩阵对待识别图像进行进行卷积计算，得到纵向亮度差分值，基于横向亮度差分值和纵向亮度差分值，生成待识别图像中目标对象的边缘轮廓矩阵，基于边缘轮廓矩阵，得到待识别图像中目标对象的边缘轮廓。

在上述实施例中，通过预设的Sobel边缘检测算子可以快速检测目标对象的边缘轮廓，以便后续分离待识别图像的前景和后景，以及方便后续进行感兴趣区域图像提取。

进一步地，所述基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象的步骤，具体包括：

将所述掩膜矩阵与所述待识别图像进行乘积运算，得到所述待识别图像的初始目标对象矩阵；

基于所述边缘轮廓矩阵对所述初始目标对象矩阵进行调节，得到所述待识别图像的目标对象矩阵；

基于所述待识别图像的目标对象矩阵，确定所述待识别图像中的目标对象。

具体的，服务器将待识别图像可以转化为矩阵形式进行表示，通过掩膜矩阵和以矩阵形式的待识别图像进行乘积运算，得到待识别图像的初始目标对象矩阵，通过初始目标对象矩阵可以大致确定手指区域的位置范围。然后服务器通过目标对象的边缘轮廓矩阵对初始目标对象矩阵进行调整，得到待识别图像的目标对象矩阵，最后基于待识别图像的目标对象矩阵，确定待识别图像中的目标对象。例如，将初始目标对象矩阵中处于手指区域的边缘轮廓内的元素值由0调整为1，将初始目标对象矩阵中处于手指区域的边缘轮廓外的元素值由1调整为0，以此进一步确定手指区域在待识别图像中的位置范围。

在上述实施例中，通过边缘轮廓和掩膜矩阵确定待识别图像中的目标对象所处的区域范围，以便后续在目标对象所处的区域范围中获得感兴趣区域图像。

进一步地，所述基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像的步骤，具体包括：

对所述待识别图像进行预处理；

将预处理后的所述待识别图像输入到特征提取网络，并基于所述采样尺度对所述待识别图像中的目标对象进行特征提取，得到所述目标对象的尺度特征；

将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域；

基于所述候选区域对所述待识别图像进行分割，得到所述第一感兴趣区域图像。

具体的，服务器对待识别图像进行预处理，预处理包括图像尺寸调节，如服务器将待识别图像的尺寸调整为1024*1024*3，服务器将调整后的待识别图像导入到感兴趣区域提取网络中，在感兴趣区域提取网络基于预设的采样尺度对目标对象进行感兴趣区域提取，得到多个第一感兴趣区域图像。其中，预设的采样尺度可以根据实际需求进行预测，例如64*64、128*128等等，通过预设的多个采样尺度，最终可以获得具有多个尺度区域特征的感兴趣区域图像，即多张尺度不同的第一感兴趣区域图像，然后静脉识别模型对多尺度特征进行融合和识别，将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

其中，感兴趣区域提取网络基于特征提取网络和区域生成网络构建，特征提取网络可以采用DenseNet-161网络结构进行搭建，利用DenseNet-161网络中的FPN(FeaturePyramid Networks，特征金字塔)并基于来预设的采样尺度提取目标对象的尺度特征。区域生成网络构建可以采用RPN网络结构进行搭建，RPN网络基于目标对象的尺度特征在待识别图像生成候选区域，并对候选区域的边界进行调整和修正，以获得更加精确的感兴趣区域。

在上述实施例中，通过构建感兴趣区域提取网络来获取感兴趣区域图像，其中，DenseNet-161网络结构的特征提取网络可以快速提取到不同尺度的尺度特征，RPN网络结构的区域生成网络可以依据不同尺度的尺度特征快速生成候选区域，并且能够对生成的候选区域进行调节。

进一步地，所述将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域的步骤，具体包括：

基于所述目标对象的尺度特征，生成所述待识别图像的初始区域；

对所述待识别图像进行检测，得到预先标注的标准区域；

计算所述初始区域和所述标准区域的交并比，并基于所述交并比对所述初始区域进行调节，得到所述待识别图像的候选区域。

具体的，RPN网络结构的区域生成网络可以依据不同尺度的尺度特征快速生成对应的初始区域，通过对待识别图像进行检测，得到预先标注的标准区域，其中，标准区域可以根据预设的采样尺度提前进行区域标记，以获得带有标准区域标记的待识别图像。服务器通过计算初始区域和标准区域的交并比IoU，并基于交并比IoU对初始区域进行调节，得到待识别图像的候选区域。

其中，IoU(Intersection over Union，交并比)是目标检测中使用的一个概念，是预测边框与真实边框的交叠率，即它们的交集与并集的比值，最理想情况是完全重叠，即比值为1。IoU计算的计算公式如下：

其中，G表示真实边框，P表示预测边框，G∩P表示真实边框与预测边框的交集，G∪P表示真实边框与预测边框的并集。

在本申请一种具体的实施例中，可以将计算得到的交并比IoU与预设交并阈值作比较，根据比对结果调整预测边框，例如计算得到的交并比IoU为0.6，预设交并阈值为0.8，可以通过对预测边框进行平移变换来调整预测边框的位置，直至交并比IoU大于交并阈值为止，如将预测边框在待识别图像上向上或向下平移5个像素。

在上述实施例中，通过区域生成网络依据不同尺度的尺度特征快速生成对应的初始区域，并通过计算通过计算初始区域和标准区域的交并比IoU，以及根据交并比IoU对初始区域进行调节，得到待识别图像的候选区域。

进一步地，所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤，具体包括:

将所述第一感兴趣区域图像导入所述静脉识别模型，并对所述第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像；

对所述归一化的第一感兴趣区域图像进行卷积运算，得到特征图；

对所述特征图进行融合，得到融合特征图；

计算所述融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为所述待识别图像的静脉识别结果。

其中，静脉识别模型可以基于VGGNet-16网络模型进行搭建，VGGNet由牛津大学计算机视觉组合和Google DeepMind公司研究员一起研发的深度卷积神经网络。它探索了卷积神经网络的深度和其性能之间的关系，通过反复的堆叠3*3的小型卷积核和2*2的最大池化层，成功的构建了16～19层深的卷积神经网络。VGGNet获得了ILSVRC 2014年比赛的亚军和定位项目的冠军，在top5上的错误率为7.5％。目前为止，VGGNet依然被用来提取图像的特征。

具体的，服务器将多张尺度不同的第一感兴趣区域图像分别导入静脉识别模型，并通过静脉识别模型的输入层对多张尺度不同的第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像，使得第一感兴趣区域图像尺度大小一致。例如，将所有第一感兴趣区域图像的尺寸变为224*224*64。然后通过静脉识别模型的卷积层对归一化的第一感兴趣区域图像进行卷积运算，得到特征图，通过静脉识别模型的全连接层对特征图进行融合，得到融合特征图，通过静脉识别模型的输出层计算融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为待识别图像的静脉识别结果，通过静脉识别模型对多尺度特征进行融合和识别，将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

需要说明的是，静脉识别模型包括输入层、13个卷积层、13个激活函数(Relu)层、5个池化层、3个全连接层和输出层。其中，在第一个卷积层中，使用了64个大小为3X3的滤波器，因此卷积层中特征图的大小为224X224X64，其中，224和224分别是特征图的高度和宽度。它们的计算基于(输出高度(或宽度)＝(输入高度(或宽度)过滤器高度(或宽度)+2填充数)/步幅数+1)。例如，输入高度、过滤器高度、填充数和步幅数分别为224、3、1和1，则输出高度变为224(＝(224-3+2x1)/1+1)。需要说明的是，在第二个卷积层中，3X3滤波器的数量为128个，在第三个卷积层中，3X3滤波器的数量为256个，以此类推。

Relu函数的处理速度通常比非线性激活函数快，Relu函数可以减少梯度消失问题，当在反向传播中使用双曲正切或sigmoid函数进行训练时，可能会发生梯度消失这种情况，而Relu函数可以减少这种情况的发生。激活函数(Relu)层可以表示如下：

y＝max(0,x)

其中，x和y分别是Relu函数的输入和输出值。

卷积层与Relu层的数量相同，且卷积层与Relu层为交互设置，即第一个卷积层与第一个Relu层连接，第一个Relu层与第二个卷积层连接，以此类推。Relu层均采用3x3的滤波器结构，保持224x224x64的特征图大小，通过Relu层连接到每个卷积层的后面，以保持卷积层输出的特征图大小不变。

在池化层中，输入特征图大小为224x224x64，过滤器大小为2x2，步幅数为2x2。这里，步幅数为2x2表示最大2x2的池化滤波器，其中池化滤波器在水平和垂直方向上移动两个像素，由于过滤器移动没有重叠区域，因此特征图大小减小到1/4(包括水平方向的1/2和垂直方向的1/2)，因此，经过一个池化层后的特征图大小变为112x112x64个像素。

输入224×224×3的特征图经过13个卷积层、13个Relu层和5个池化层后，最终得到7×7×512的特征图，然后通过了3个全连接层对上述13个Relu层输出的特征图进行融合，获得融合特征图，其中，3个全连接层的输出节点数分别为4096、4096、2。最后通过输出层计算融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为待识别图像的静脉识别结果。

在上述实施例中，通过静脉识别模型对多尺度特征进行融合和识别，将多尺度特征的语义信息与位置信息进行融合，降低了特征信息损失，提高了静脉识别精度。

进一步地，在所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤之前，还包括：

获取用于训练所述静脉识别模型的训练样本集和验证数据集；

对所述训练样本集中的训练样本依次进行进行感兴趣区域提取，得到第二感兴趣区域图像；

将所述第二感兴趣区域图像输入到预设的初始识别模型，并获取所述初始识别模型的初始识别结果；

构建所述初始识别模型的损失函数，通过所述损失函数计算所述初始识别结果与预设标准结果的误差，得到识别误差，并使用反向传播算法传递所述识别误差；

将识别误差与预设阈值进行比较，若识别误差大于预设阈值，则对初始识别模型进行迭代更新，直到识别误差小于或等于预设阈值为止；

将识别误差小于或等于预设阈值的初始识别模型作为训练完成的静脉识别模型，输出训练完成的静脉识别模型，并通过所述验证数据集对训练完成的所述静脉识别模型进行验证。

其中，反向传播算法，即误差反向传播算法(Backpropagation algorithm，BP算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。

具体的，服务器获取用于训练静脉识别模型的训练样本集和验证数据集，对训练样本集中的训练样本依次进行进行感兴趣区域提取，得到第二感兴趣区域图像，训练样本的感兴趣区域提取过程与上述待识别图像的目标对象的感兴趣区域提取过程一致，在此不再赘述，服务器将第二感兴趣区域图像输入到预设的初始识别模型，并获取初始识别模型的初始识别结果，构建初始识别模型的损失函数，通过损失函数计算初始识别结果与预设标准结果的误差，得到识别误差，并使用反向传播算法传递识别误差，将识别误差与预设阈值进行比较，若识别误差大于预设阈值，则对初始识别模型进行迭代更新，直到识别误差小于或等于预设阈值为止，将识别误差小于或等于预设阈值的初始识别模型作为训练完成的静脉识别模型，输出训练完成的静脉识别模型，并通过验证数据集对训练完成的静脉识别模型进行验证。

在上述实施例中，通过获取的训练样本集来对初始识别模型进行模型训练，并通过误差计算和反向传播算法对初始识别模型进行迭代更新，得到参数收敛的静脉识别模型，通过获取的验证数据集对训练完成的静脉识别模型进行验证，以保证静脉识别模型的识别精度。

在上述实施例中，本申请公开了一种基于感兴趣区域的静脉识别方法，属于人工智能技术领域，本申请通过待识别图像的边缘轮廓和待识别图像的掩膜矩阵确定待识别图像中的目标对象，然后依据不同的采样尺度对目标对象进行感兴趣区域提取，得到不同尺寸的感兴趣区域图像，将不同尺寸的感兴趣区域图像输入到预先训练好的静脉识别模型，通过静脉识别模型先对不同尺寸的感兴趣区域图像的特征进行特征融合，然后通过识别融合特征得到待识别图像的静脉识别结果。本申请不需要直接提取静脉脉络和比对静脉脉络，无需脉络标签，极大的降低了过程性不必要的特征损失，提高了指静脉识别的准确率。

需要强调的是，为进一步保证上述待识别图像的私密和安全性，上述待识别图像还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于感兴趣区域的静脉识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于感兴趣区域的静脉识别装置包括：

图像获取模块301，用于接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像；

边缘检测模块302，用于对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓；

图像编码模块303，用于对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵；

目标确认模块304，用于基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象；

第一区域提取模块305，用于基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像；

静脉识别模块306，用于将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

进一步地，所述边缘检测模块302具体包括：

算子获取单元，用于获取预设的Sobel边缘检测算子，其中，Sobel边缘检测算子包括横向矩阵和纵向矩阵；

横向卷积单元，用于利用所述横向矩阵对所述待识别图像进行进行卷积计算，得到横向亮度差分值；

纵向卷积单元，用于利用所述纵向矩阵对所述待识别图像进行进行卷积计算，得到纵向亮度差分值；

轮廓矩阵生成单元，用于基于所述横向亮度差分值和所述纵向亮度差分值，生成所述待识别图像的边缘轮廓矩阵；

边缘轮廓生成单元，用于基于所述边缘轮廓矩阵，得到所述待识别图像的边缘轮廓。

进一步地，所述目标确认模块304具体包括：

乘积运算单元，用于将所述掩膜矩阵与所述待识别图像进行乘积运算，得到所述待识别图像的初始目标对象矩阵；

矩阵调节单元，用于基于所述边缘轮廓矩阵对所述初始目标对象矩阵进行调节，得到所述待识别图像的目标对象矩阵；

目标确认单元，用于基于所述待识别图像的目标对象矩阵，确定所述待识别图像中的目标对象。

进一步地，所述第一区域提取模块305具体包括：

图像预处理单元，用于对所述待识别图像进行预处理；

尺度特征获取单元，用于将预处理后的所述待识别图像输入到特征提取网络，并基于所述采样尺度对所述待识别图像中的目标对象进行特征提取，得到所述目标对象的尺度特征；

候选区域生成单元，用于将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域；

区域提取单元，用于基于所述候选区域对所述待识别图像进行分割，得到所述第一感兴趣区域图像。

进一步地，所述候选区域生成单元具体包括：

初始区域生成子单元，用于基于所述目标对象的尺度特征，生成所述待识别图像的初始区域；

标准区域获取子单元，用于对所述待识别图像进行检测，得到预先标注的标准区域；

候选区域生成子单元，用于计算所述初始区域和所述标准区域的交并比，并基于所述交并比对所述初始区域进行调节，得到所述待识别图像的候选区域。

进一步地，所述静脉识别模块306具体包括:

归一化处理单元，用于将所述第一感兴趣区域图像导入所述静脉识别模型，并对所述第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像；

卷积运算单元，用于对所述归一化的第一感兴趣区域图像进行卷积运算，得到特征图；

特征融合单元，用于对所述特征图进行融合，得到融合特征图；

静脉识别单元，用于计算所述融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为所述待识别图像的静脉识别结果。

进一步地，所述基于感兴趣区域的静脉识别装置还包括：

数据集获取模块，用于获取用于训练所述静脉识别模型的训练样本集和验证数据集；

第二区域提取模块模块，用于对所述训练样本集中的训练样本依次进行进行感兴趣区域提取，得到第二感兴趣区域图像；

模型训练模块，用于将所述第二感兴趣区域图像输入到预设的初始识别模型，并获取所述初始识别模型的初始识别结果；

误差计算模块，用于构建所述初始识别模型的损失函数，通过所述损失函数计算所述初始识别结果与预设标准结果的误差，得到识别误差，并使用反向传播算法传递所述识别误差；

模型迭代模块，用于将识别误差与预设阈值进行比较，若识别误差大于预设阈值，则对初始识别模型进行迭代更新，直到识别误差小于或等于预设阈值为止；

模型验证模块，用于将识别误差小于或等于预设阈值的初始识别模型作为训练完成的静脉识别模型，输出训练完成的静脉识别模型，并通过所述验证数据集对训练完成的所述静脉识别模型进行验证。

在上述实施例中，本申请公开了一种基于感兴趣区域的静脉识别装置，属于人工智能技术领域，本申请通过待识别图像的边缘轮廓和待识别图像的掩膜矩阵确定待识别图像中的目标对象，然后依据不同的采样尺度对目标对象进行感兴趣区域提取，得到不同尺寸的感兴趣区域图像，将不同尺寸的感兴趣区域图像输入到预先训练好的静脉识别模型，通过静脉识别模型先对不同尺寸的感兴趣区域图像的特征进行特征融合，然后通过识别融合特征得到待识别图像的静脉识别结果。本申请不需要直接提取静脉脉络和比对静脉脉络，无需脉络标签，极大的降低了过程性不必要的特征损失，提高了指静脉识别的准确率。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于感兴趣区域的静脉识别方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于感兴趣区域的静脉识别方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请公开了一种设备，属于人工智能技术领域，本申请通过待识别图像的边缘轮廓和待识别图像的掩膜矩阵确定待识别图像中的目标对象，然后依据不同的采样尺度对目标对象进行感兴趣区域提取，得到不同尺寸的感兴趣区域图像，将不同尺寸的感兴趣区域图像输入到预先训练好的静脉识别模型，通过静脉识别模型先对不同尺寸的感兴趣区域图像的特征进行特征融合，然后通过识别融合特征得到待识别图像的静脉识别结果。本申请不需要直接提取静脉脉络和比对静脉脉络，无需脉络标签，极大的降低了过程性不必要的特征损失，提高了指静脉识别的准确率。

本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于感兴趣区域的静脉识别方法的步骤。

本申请公开了一种存储介质，属于人工智能技术领域，本申请通过待识别图像的边缘轮廓和待识别图像的掩膜矩阵确定待识别图像中的目标对象，然后依据不同的采样尺度对目标对象进行感兴趣区域提取，得到不同尺寸的感兴趣区域图像，将不同尺寸的感兴趣区域图像输入到预先训练好的静脉识别模型，通过静脉识别模型先对不同尺寸的感兴趣区域图像的特征进行特征融合，然后通过识别融合特征得到待识别图像的静脉识别结果。本申请不需要直接提取静脉脉络和比对静脉脉络，无需脉络标签，极大的降低了过程性不必要的特征损失，提高了指静脉识别的准确率。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.基于感兴趣区域的静脉识别方法，其特征在于，包括：

接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像；

对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓；

对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵；

基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象；

基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像；

将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

2.如权利要求1所述的基于感兴趣区域的静脉识别方法，其特征在于，所述对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓的步骤，具体包括：

获取预设的Sobel边缘检测算子，其中，Sobel边缘检测算子包括横向矩阵和纵向矩阵；

利用所述横向矩阵对所述待识别图像进行进行卷积计算，得到横向亮度差分值；

利用所述纵向矩阵对所述待识别图像进行进行卷积计算，得到纵向亮度差分值；

基于所述横向亮度差分值和所述纵向亮度差分值，生成所述待识别图像中目标对象的边缘轮廓矩阵；

基于所述边缘轮廓矩阵，得到所述待识别图像中目标对象的边缘轮廓。

3.如权利要求2所述的基于感兴趣区域的静脉识别方法，其特征在于，所述基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象的步骤，具体包括：

将所述掩膜矩阵与所述待识别图像进行乘积运算，得到所述待识别图像的初始目标对象矩阵；

基于所述边缘轮廓矩阵对所述初始目标对象矩阵进行调节，得到所述待识别图像的目标对象矩阵；

基于所述待识别图像的目标对象矩阵，确定所述待识别图像中的目标对象。

4.如权利要求1所述的基于感兴趣区域的静脉识别方法，其特征在于，所述基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像的步骤，具体包括：

对所述待识别图像进行预处理；

将预处理后的所述待识别图像输入到特征提取网络，并基于所述采样尺度对所述待识别图像中的目标对象进行特征提取，得到所述目标对象的尺度特征；

将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域；

基于所述候选区域对所述待识别图像进行分割，得到所述第一感兴趣区域图像。

5.如权利要求4所述的基于感兴趣区域的静脉识别方法，其特征在于，所述将所述目标对象的尺度特征输入区域生成网络，以在所述待识别图像生成候选区域的步骤，具体包括：

基于所述目标对象的尺度特征，生成所述待识别图像的初始区域；

对所述待识别图像进行检测，得到预先标注的标准区域；

计算所述初始区域和所述标准区域的交并比，并基于所述交并比对所述初始区域进行调节，得到所述待识别图像的候选区域。

6.如权利要求1至5任意一项所述的基于感兴趣区域的静脉识别方法，其特征在于，所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤，具体包括:

将所述第一感兴趣区域图像导入所述静脉识别模型，并对所述第一感兴趣区域图像进行归一化处理，得到归一化的第一感兴趣区域图像；

对所述归一化的第一感兴趣区域图像进行卷积运算，得到特征图；

对所述特征图进行融合，得到融合特征图；

计算所述融合特征图与预先设置的标准特征图之间的相似度，输出相似度最大的识别结果作为所述待识别图像的静脉识别结果。

7.如权利要求6所述的基于感兴趣区域的静脉识别方法，其特征在于，在所述将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果的步骤之前，还包括：

获取用于训练所述静脉识别模型的训练样本集和验证数据集；

对所述训练样本集中的训练样本依次进行进行感兴趣区域提取，得到第二感兴趣区域图像；

将所述第二感兴趣区域图像输入到预设的初始识别模型，并获取所述初始识别模型的初始识别结果；

构建所述初始识别模型的损失函数，通过所述损失函数计算所述初始识别结果与预设标准结果的误差，得到识别误差，并使用反向传播算法传递所述识别误差；

将识别误差与预设阈值进行比较，若识别误差大于预设阈值，则对初始识别模型进行迭代更新，直到识别误差小于或等于预设阈值为止；

将识别误差小于或等于预设阈值的初始识别模型作为训练完成的静脉识别模型，输出训练完成的静脉识别模型，并通过所述验证数据集对训练完成的所述静脉识别模型进行验证。

8.基于感兴趣区域的静脉识别装置，其特征在于，包括：

图像获取模块，用于接收静脉识别指令，获取与所述静脉识别指令对应的待识别图像；

边缘检测模块，用于对所述待识别图像进行边缘检测，获取所述待识别图像中目标对象的边缘轮廓；

图像编码模块，用于对所述待识别图像进行二值化，并对二值化后的所述待识别图像进行编码，生成所述待识别图像的掩膜矩阵；

目标确认模块，用于基于所述边缘轮廓和所述掩膜矩阵，确定所述待识别图像中的目标对象；

第一区域提取模块，用于基于预设的采样尺度对所述目标对象进行感兴趣区域提取，得到第一感兴趣区域图像；

静脉识别模块，用于将所述第一感兴趣区域图像导入预先训练好的静脉识别模型，得到所述待识别图像的静脉识别结果。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于感兴趣区域的静脉识别方法的步骤。

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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于感兴趣区域的静脉识别方法的步骤。

Images