CN114973308A - 弹性权重固化和多元相似损失的手指静脉识别方法及系统 - Google Patents
弹性权重固化和多元相似损失的手指静脉识别方法及系统 Download PDFInfo
- Publication number
- CN114973308A CN114973308A CN202210119714.9A CN202210119714A CN114973308A CN 114973308 A CN114973308 A CN 114973308A CN 202210119714 A CN202210119714 A CN 202210119714A CN 114973308 A CN114973308 A CN 114973308A
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- module
- information
- finger
- 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
Images
Classifications
-
- 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
Abstract
提出了一种基于弹性权重固化和多元相似性损失算法的手指静脉识别方法及系统,通过数据采集获取待识别用户的手指静脉图像;其次,针对接收到的原始静脉图像信息进行预处理,并提取出图像的感兴趣区域;随后,结合弹性权重固化和多元相似性损失训练卷积神经网络,得到训练后的卷积神经网络参数;最后,采用训练好的卷积神经网络提取出待识别用户手指的静脉图像特征信息,并进一步对获取的待识别用户的手指静脉图像特征信息进行识别处理,达到识别出手指静脉信息对应身份信息的目的。本发明能够有效地提取手指静脉特征,提高了对噪声的冗余性和模型泛化能力,明显改善手指静脉识别系统的识别精度。
Description
技术领域
本发明涉及生物特征识别技术领域,特别是一种基于弹性权重固化和多元相似性损失的手指静脉识别方法及系统。
背景技术
手指静脉识别是生物识别技术的一种,它利用手指掌侧浅静脉进行身份识别。作为一种新兴的生物识别方法,指静脉生物特征识别技术具备安全性、活体识别性、稳定性、防伪性和非接触性。
现有技术中,在手指静脉识别过程中,传统的手指静脉图像识别方法受到多种因素的影响,存在手指静脉图像获取困难、静脉图像易受到噪声干扰、指静脉特征缺乏特异性的问题。因此,目前基于手工特征的方法很难有效地提取到指静脉纹路信息,导致认证系统的识别性能有限。特别的在实际运用中,指静脉识别系统往往会需要对全新的指静脉数据样本进行识别,如何提升基于深度学习的指静脉模型的泛化能力,或者在保留已有训练成果的基础上,学习新的指静脉特征是亟待解决的问题。
发明内容
本发明提出一种基于弹性权重固化和多元相似性损失的手指静脉识别方法及系统,提升基于深度学习的指静脉模型的泛化能力,在保留已有训练成果的基础上,自学习提高识别精度和识别效率。
一种基于弹性权重固化和多元相似性损失的手指静脉识别方法包括以下步骤:
步骤一、获取待识别用户的手指静脉的原始图像;
步骤二、基于所述原始图像进行预处理得到图像数据,图像数据预处理包括灰度化、边缘提取、图像增强和归一化操作;
步骤三、所述图像数据输入卷积神经网络中提取图像数据的特征信息,其中,所述卷积神经网络通过弹性权重固化损失和多元相似性损失进行训练;
步骤四、所述特征信息与存储手指静脉特征数据库中的身份信息比对以识别用户身份信息。
所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法中,所述步骤二中,所述边缘提取包括获取所述原始图像中手指边缘区域,并提取手指静脉感兴趣区域图像;所述图像增强包括通过对所述原始图像进行曝光、滤波、对比度增强以增强原始图像中的手指静脉信息的图像数据;其中,滤波包括高斯滤波和中值滤波,所述归一化包括像素归一化和尺寸归一化。
所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法中,所述高斯滤波为:Gσ=I*G,式中,G表示灰度图像,Gσ表示经过高斯低通降噪后的图像,I表示使用的二维高斯核,同时满足 其中,σ表示标准差,x和y分别表示图像的横纵坐标;
所述中值滤波为:Gm(x,y)=Med[G(x-k,y-l)],(k,l∈W),
式中,G(x,y)表示灰度图像,Gm(x,y)表示经过中值滤波降噪后的图像,Med表示选择矩阵的中值,x和y分别表示图像的横纵坐标,k和l分别表示选取的坐标范围,为所选择的中值滤波矩阵的横纵坐标范围;
所述像素归一化为对所述手指静脉感兴趣区域图像进行像素归一化处理,
式中,Z(x,y)为每个像素点归一化后的灰度值,g(x,y)表示原图像的灰度值;所述尺寸归一化为对像素归一化后的图像尺寸进行归一化处理。
所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法中,所述卷积神经网络通过弹性权重固化损失和多元相似性损失对网络提取特征能力的准确性进行训练,同时针对训练好的卷积神经网络,利用其处理接收到的手指静脉图像,并将提取到的特征信息作为深度特征存入数据库中;所述数据库用于存储已有用户手指静脉提取出的深度特征信息。
所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法中,所述步骤四中,所述特征信息与存储手指静脉特征数据库中的身份信息比对采用余弦距离,计算待识别用户指静脉图像的特征信息和数据库中用户的指静脉图像的深度特征信息间的距离,进行特征匹配,从而得到待识别用户的身份信息。
一种用于实施所述识别方法的识别系统包括:
图像采集模块,其朝向并获取待识别用户的手指静脉图像;
图像预处理模块,其连接所述图像采集模块以预处理所述原始图像得到图像数据;
图像特征提取模块,其连接所述图像预处理模块,所述图像特征提取模块连接并访问卷积神经网络以提取所述图像数据的特征信息;
图像训练模块,其连接并训练所述卷积神经网络,图像训练模块包括弹性权重固化损失模和多元相似性损失模块;
图像识别模块,其连接所述图像特征提取模块以识别用户身份信息。
所述的识别系统中,所述图像预处理模块包括灰度化单元、图像感兴趣提取单元、图像增强单元和归一化单元;其中,所述图像感兴趣提取单元对灰度化后的图像数据利用图像梯度差异进行边缘检测获取图像中手指边缘区域。
所述的识别系统中,所述图像增强单元包括曝光模块、滤波模块和对比度增强模块以对手指静脉图像信息进行增强;所述归一化单元包括用于对手指静脉图像信息进行像素归一化处理的像素归一化单元和用于对像素归一化后的图像尺寸进行归一化处理的尺寸归一化单元。
所述的识别系统中,所述图像训练模块读取原始图像并输入至图像预处理模块进行图像预处理,并获取经过预处理后的手指静脉图像中感兴趣区域图像,随后输入卷积神经网络,利用弹性权重固化损失函数和多元相似性损失函数进行深度特征提取能力的训练。
所述的识别系统中,所述图像识别模块与图像训练模块存储在数据库中的用户手指静脉图像特征信息进行特征比对,将相似度大于预定阈值的特征数据作为用户的特征信息,读取特征信息对应的身份信息,从而实现身份信息的比对识别。
有益效果:本发明提出了一种基于弹性权重固化和多元相似性损失的手指静脉识别方法及系统,通过提出的系统实现手指静脉识别方法,大幅度提高指静脉识别系统的识别能力和泛化能力。针对采集到的手指静脉图像,在进行图像特征提取时涉及到的卷积神经网络,通过弹性权重固化损失和多元相似性损失指导卷积神经网络的训练,提高了对指静脉的特征提取能力和泛化能力。
附图说明
图1是本发明的基于弹性权重固化和多元相似性损失的指静脉识别系统的架构示意图;
图2是本发明的基于弹性权重固化和多元相似性损失的指静脉识别方法流程示意图;
图3是本发明基于弹性权重固化和多元相似性损失的指静脉识别方法的训练流程图,其中,T为训练中子任务数,当子任务数T=1时,卷积神经网络在多元相似性损失指导下训练,当子任务数T>1时,卷积神经网络在弹性权重固化损失和多元相似性损失联合指导下训练。
具体实施方式
利用手指掌侧浅静脉进行身份识别,在具有安全性、活体识别性、稳定性、防伪性、非接触性有点的同时,还具有以下缺陷:
静脉图像易受到噪声干扰进而影响到图像中与静脉特征相关的分布;
针对不同条件下采集的不同质量的指静脉图像,难以选择合适的人工设计特征;
指静脉样本的稀缺致使当前基于深度学习的指静脉识别算法泛化能力不足,训练好的模型在面对新注册的指静脉图像时的表现不佳。
因此,目前基于手工特征的方法很难有效地提取到指静脉纹路信息,导致认证系统的识别性能有限。同时,当前对于深度学习在指静脉识别方面的应用也存在极大的局限性,常常只能应用于训练好的指静脉样本类别的识别及作为图像处理工具使用。在实际运用中,指静脉识别系统往往会需要对全新的指静脉数据样本进行识别,如何提升基于深度学习的指静脉模型的泛化能力,或者在保留已有训练成果的基础上,学习新的指静脉特征是亟待解决的问题。本发明通过一种基于弹性权重固化和多元相似性损失的手指静脉识别方法及系统,实现手指静脉识别用户身份的目的。
下面通过实施例,并结合附图1至图3对本方案做进一步具体说明。所描述的实施例是本发明的部分实施例,而不是全部实施例。基于本发明的实施例,本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,本发明提供的一种基于弹性权重固化和多元相似性损失的手指静脉识别系统,该系统包括图像采集模块、图像预处理模块、图像特征提取模块、图像训练模块和图像识别模块;其中,图像采集模块用于采集用户的手指静脉原始图像;图像预处理模块用于对所述用户的手指静脉原始图像进行预处理;图像特征提取模块用于提取预处理后的手指静脉原始图像的特征信息;图像训练模块根据待训练用户的手指静脉原始图像进行训练,得到训练参数;图像识别模块根据提取到的待识别用户的指静脉特征,识别待识别用户的身份信息。
如图3所示,图像预处理模块包括依次连接的灰度化单元、ROI单元,图像增强单元,以及归一化单元,其中,灰度化单元用于对用户指静脉原始图像进行灰度化;ROI单元使用图像梯度差异进行边缘检测获取图像中手指边缘区域,以确定手指图像位置,即提取手指静脉感兴趣区域图像;图像增强单元,采用图像均衡曝光、高斯滤波、中值滤波、和限制对比度增强方法,用以增强原始图像中的指静脉信息;所述述归一化单元,采用MAX-MIN方法对所提取的指静脉感兴趣区域图像进行像素归一化处理,处理后每个像素点的像素在[0,1]范围;并采用双线性插值法对像素归一化后图像信息的图像尺寸进行归一化处理,处理后的图像尺寸大小相同,从而方便下一步处理。其中,处理后的图像尺寸优选为224×224×3。
图像特征提取模块采用基于弹性权重固化和多元相似性损失函数训练好的卷积神经网络进行指静脉深度特征提取。
图像训练模块为卷积神经网络模型,其包括:用于获取所有用户的手指静脉图像信息的图像获取单元;对所述所有用户的手指静脉图像信息进行图像预处理的图像预处理单元,获取预处理后的ROI图像;对所述预处理后待识别图像信息输入卷积神经网络进行训练的训练单元,训练函数为弹性权重固化损失和多元相似性损失函数,得到训练后的卷积神经网络的网络参数。
其中,卷积神经网络包括输入层、卷积层、最大池化层、批归一化层,全连接层和输出层,损失函数为弹性权重固化损失和多元相似性损失函数。
图像识别模块,采用余弦距离计算识别用户指静脉图像的深度特征和数据库中用户的指静脉图像深度特征间的距离,进行特征匹配,得到待识别用户的身份信息。
另一实施例中,如图2所示,本发明实施例中提供了一种基于弹性权重固化和多元相似性损失的指静脉识别方法,具体包括以下步骤:
步骤一、通过指静脉信息采集设备获取待识别用户的手指静脉原始图像;
步骤二、接收待识别用户的手指静脉图像,并进行图像数据预处理;该步骤具体处理的方式为:首先对图像进行灰度化;使用图像梯度差异进行边缘检测获取图像中手指边缘区域,以确定手指图像位置,即提取手指静脉感兴趣区域(ROI);采用图像均衡曝光、高斯滤波、中值滤波、和限制对比度增强方法,增强原始图像中的指静脉信息;采用MAX-MIN方法对所提取的指静脉感兴趣区域图像进行像素归一化处理,处理后每个像素点的像素在[0,1]范围;并采用双线性插值法对像素归一化后图像信息的图像尺寸进行归一化处理,处理后的图像尺寸大小相同,获得最终图像。
其中,在图像进行灰度化的过程采用符合人眼特性的灰度化方法,令:
Gray=0.299R+0.587G+0.114B
式中,R、G、B为原始彩色输入图像的三通道值,Gray表示灰度化的图像。
其中,进行边缘检测获取图像中手指边缘区域,以确定手指图像位置,即提取手指静脉感兴趣区域,采用边缘梯度差异。在本实施例中,由于图像横轴像素点和纵轴像素点个数分别为120和280,手指外部为弱背景,即像素值接近0,因此横向上0至60像素点选取梯度平均递增最快点为ROI横向起始点,60至120像素点搜寻梯度平均递减最快点为ROI横向终止点,纵向上0至140像素点选取梯度平均递增最快点为ROI纵向起始点,140至280像素点搜寻梯度平均递减最快点为ROI横向终止点。
其中,对所述图像信息进行均衡曝光处理的过程中,采用限制对比度自适应直方图均衡化,具体为:首先,考虑一幅感兴趣区域图像,设定阈值,若直方图某个灰度级超过该阈值,则对之进行裁剪,并将超出阈值的部分平均分配到其余灰度级,使得感兴趣区域图像更为平缓。其次,将图像分块并计算每块图像的直方图,对每一个像素点找到其邻近的四个窗口,分别计算四个窗口直方图对该像素点的映射值,最后采用双线性插值得到该像素点的最终映射值。
其中,滤波降噪进一步为对所述灰度化图像信息采用高斯低通滤波和中值滤波来实现,高斯低通滤波为令:
Gσ=I*Gray
中值滤波为令:
Gm(x,y)=Med[G(x-k,y-l)],(k,l∈W)
式中,G(x,y)表示灰度图像,Gm(x,y)表示经过中值滤波降噪后的图像,Med表示选择矩阵的中值,x和y分别表示图像的横纵坐标,k和l分别表示选取的坐标范围,W为所选择的中值滤波矩阵的横纵坐标范围。
其中,像素灰度值归一化,将每一个像素点的灰度值归一化为0到1之间,归一化方法为MAX-MIN方法,归一化公式如下:
式中,Z(x,y)为每个像素点归一化后的灰度值,g(x,y)表示原图像的灰度值。其中,采用双线性插值法进行尺度归一化处理,遍历图像信息上的每一个像素点,在x,y方向上进行插值和调整进行尺度归一化处理,本实施例中图像尺寸大小归一化为224×224×3。
步骤三、提取图像数据的特征信息;该步骤首先接收步骤二中经过图像预处理后的手指静脉图像;其次,将接收到的手指静脉图像中的感兴趣区域输入至卷积神经网络中,进行手指静脉图像的深度特征信息提取。
具体为选取指静脉感兴趣区域图像作为训练图像,将训练图像分为T个子任务,依次输入至基于弹性权重固化和多元相似性损失的卷积神经网络中训练,卷积神经网络的输入为指静脉图像,输出为图像的图像深度特征值和标签值。当子任务数T=1时,卷积神经网络在多元相似性损失指导下训练,当子任务数T>1时,卷积神经网络在弹性权重固化损失和多元相似性损失联合指导下训练。其中,卷积神经网络由输入层,卷积层,最大池化层,全连接层,批归一化层和输出层组成,采用弹性权重固化损失和多元相似性损失相结合作为训练指标,训练卷积神经网络,得到卷积神经网络的网络权重,完成训练后,选取卷积神经网络模型处理输入图像并得到深度特征。采用多元相似性函数指导神经网络训练提取特征向量,使同一类的指静脉特征在特征空间内更靠近;同时使不同类的指静脉特征在特征空间内更远离,达到在小样本指静脉数据的基础上提升指静脉深度学习识别模型的识别效果;采用弹性权重固化损失在训练中保留具有代表性的网络权重,增强卷积神经网络的泛化能力。
在本发明的具体实施例中,假设模型参数θ与训练数据X之间的相关性可以用后验分布P(θ|X)来表示。假设有两个独立任务t-1和t,它们的训练数据分别为Xt-1和Xt,贝叶斯规则给出它们的后验概率的对数值为,
log P(θ|X)=logP(Xt|θ)+logP(θ|Xt-1)-logP(Xt)
其中,后验概率P(θ|Xt-1)可以用来表示先前任务的信息,是数据Xt-1的后验分布,logP(Xt|θ)是数据Xt的似然分布,即训练任务t的损失函数,logP(Xt)是一个常数项。这种变形把问题分解成为两部分:最大化当前任务t的对数似然分布和先前任务t-1的后验概率分布。采用拉普拉斯估计来对该后验分布进行估计。拉普拉斯方法中,假设待估计分布P(θ)在处取得最大值,且在最值附近平滑并呈现较好的峰状特性,则可以用一个均值向量精度矩阵Λ为其最值点的Hassian矩阵的高斯分布来近似。使用拉普拉斯方法来估计P(θ|Xt-1),其均值θt-1=argmaxθlogP(θ|Xt-1)通过在数据Xt-1上的极大似然估计获得,其中,argmax代表的是取最大值的自变数,θ的上标对应为第t-1个任务;Hassian矩阵可由对角Fisher矩阵表示,这里采用Fisher矩阵来简化Hessian矩阵的计算,最终得到理论上的目标函数,
由于上述公式中第一项为当前训练任务的损失函数,第三项为常数项,那么弹性权重固化方法也可以表示为损失函数的形式,
在本发明的具体实施例中,对于样本xi,不同类样本对{xi,xj}被选中需要满足条件:
同样的,同类样本对{xi,xk}被选中需要满足条件:
其中,α,β和λ是超参数。得到多元相似性损失如下:
其中m是样本总数,Sil1为同类样本对{xi,xl1}的相似度,Sil2为同类样本对{xi,xl2}的相似度。
在本发明的具体实施例中,所提出的结合弹性权重固化损失与多元相似性损失的总损失函数为,
L=Lc+λLinc
其中,Lc代表用于特征提取的相似性损失函数,作用是指导卷积神经网络的特征提取能力,使得样本间类内距离大于类间距离,使得同一类样本的特征在特征空间里的分布更为紧凑;Linc代表弹性权重固化损失函数,能够让有限的模型尽可能多的信息,必须让模型选择性的保留或者删除知识,式中,λ是平衡两个损失函数的系数。弹性权重固化方法选择对模型参数在新任务和旧任务间的差异进行二次惩罚,试图减缓与先前任务有关的参数的学习。
本实施例中,所使用的卷积神经网络由残差网络模块和有效通道注意力残差模块组成。其中,一个残差网络模块,由依次连接的3×3卷积、批归一化层、Relu激活函数、3×3卷积、批归一化层和Relu激活函数组成。相似的,一个有效通道注意力残差模块,由依次连接的3×3卷积、批归一化层、Relu激活函数、3×3卷积、批归一化层、有效通道注意力模块组成。有效通道注意力模块包括输入层,全局平均池化层,一维卷积层,sigmoid激活函数,输出层。
具体模型构建如下:
1、输入层,输入层大小即为指静脉图像大小,224×224×3;
2、卷积模块,包含卷积核大小为7×7,步长为2,64个特征图的卷积层和核大小为3×3,步长为2,64个特征图的最大池化层,输出为112×112×64;
3、卷积模块,包含两层卷积核大小为3×3,64个特征图的卷积层和一个有效通道注意力模块,输出为56×56×64;
4、卷积模块,包含两层卷积核大小为3×3,128个特征图的卷积层和一个有效通道注意力模块,输出为28×28×128;
5、卷积模块,包含两层卷积核大小为3×3,256个特征图的卷积层和一个有效通道注意力模块,输出为14×14×256;
6、卷积模块,包含两层卷积核大小为3×3,512个特征图的卷积层和一个有效通道注意力模块,输出为7×7×512;
7、全局平均池化层,输出为1×512;
8、全连接层,输出为1×512。
表1:采用的卷积神经网络模型
步骤四、识别用户身份信息,该步骤读取存储手指静脉特征数据库中对应的已有身份信息,并将接收步骤三提取出的手指静脉图像特征信息,将两者进行特征信息比对,进一步获得待识别用户的身份信息。其中特征信息的比对采用余弦距离,具体计算待识别用户指静脉图像的深度特征和数据库中用户的指静脉图像深度特征间的距离,进行特征匹配,从而得到待识别用户的身份信息。
为了证明该方法的优越性,本实施例比较了传统纹理特征提取方法:基于VGG16卷积神经网络的方法、基于中心损失的卷积神经网络的方法,基于softmax损失的卷积神经网络方法的性能。其中基于中心损失和基于softmax损失方法所用的卷积神经网络均与表一相同。在自有数据集、USM数据集、SDU数据集和HKPU数据集上进行实验,实验中依次采用四种数据集进行混合实验,研究所提出方法在大数据条件下的识别能力,结果如表2所示。
表2.等误率对比
在USM指静脉数据库上,基于共有492类指静脉图像,每类采集12个样本。基于VGG16卷积神经网络识别结果等误率为4.07%,在同一卷积神经网络结构下,使用基于softmax损失函数识别结果等误率为0.36%,使用本实施例提取特征识别等误率为0.18%。在SDU指静脉数据库上,基于共有636类指静脉图像,每类采集6个样本。基于VGG16卷积神经网络识别结果等误率为2.18%,在同一卷积神经网络结构下,使用基于softmax损失函数识别结果等误率为3.54%,使用本实施例提取特征识别等误率为1.80%。在HKPU指静脉数据库上,基于共有210类指静脉图像,每类采集12个样本。基于VGG16卷积神经网络识别结果等误率为2.16%,在同一卷积神经网络结构下,使用基于softmax损失函数识别结果等误率为1.33%,使用本实施例提取特征识别等误率为0.38%。本实例方法中提取的特征更能表达指静脉根本信息。所以使用本实例方法提取指静脉图像特征更加有效。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种基于弹性权重固化和多元相似性损失的手指静脉识别方法,其特征在于,包括以下步骤:
步骤一、获取待识别用户的手指静脉的原始图像;
步骤二、基于所述原始图像进行预处理得到图像数据,图像数据预处理包括灰度化、边缘提取、图像增强和归一化操作;
步骤三、所述图像数据输入卷积神经网络中提取图像数据的特征信息,其中,所述卷积神经网络通过弹性权重固化损失和多元相似性损失进行训练;
步骤四、所述特征信息与存储手指静脉特征数据库中的身份信息比对以识别用户身份信息。
2.根据权利要求1所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法,其特征在于,优选的,所述步骤二中,所述边缘提取包括获取所述原始图像中手指边缘区域,并提取手指静脉感兴趣区域图像;所述图像增强包括通过对所述原始图像进行曝光、滤波、对比度增强以增强原始图像中的手指静脉信息的图像数据;其中,滤波包括高斯滤波和中值滤波,所述归一化包括像素归一化和尺寸归一化。
3.根据权利要求2所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法,其特征在于,所述高斯滤波为:Gσ=I*G,式中,G表示灰度图像,Gσ表示经过高斯低通降噪后的图像,I表示使用的二维高斯核,同时满足其中,σ表示标准差,x和y分别表示图像的横纵坐标;
所述中值滤波为:Gm(x,y)=Med[G(x-k,y-l)],(k,l∈W);
式中,G(x,y)表示灰度图像,Gm(x,y)表示经过中值滤波降噪后的图像,Med表示选择矩阵的中值,x和y分别表示图像的横纵坐标,k和l分别表示选取的坐标范围,W为所选择的中值滤波矩阵的横纵坐标范围;
所述像素归一化为对所述手指静脉感兴趣区域图像进行像素归一化处理,
式中,Z(x,y)为每个像素点归一化后的灰度值,g(x,y)表示原图像的灰度值;所述尺寸归一化为对像素归一化后的图像尺寸进行归一化处理。
4.根据权利要求1所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法,其特征在于,所述卷积神经网络通过弹性权重固化损失和多元相似性损失对网络提取特征能力的准确性进行训练,同时针对训练好的卷积神经网络,利用其处理接收到的手指静脉图像,并将提取到的特征信息作为深度特征存入数据库中;所述数据库用于存储已有用户手指静脉提取出的深度特征信息。
5.根据权利要求4所述的一种基于弹性权重固化和多元相似性损失的手指静脉识别方法,其特征在于,所述步骤四中,所述特征信息与存储手指静脉特征数据库中的身份信息比对采用余弦距离,计算待识别用户指静脉图像的特征信息和数据库中用户的指静脉图像的深度特征信息间的距离,进行特征匹配,从而得到待识别用户的身份信息。
6.一种用于实施权利要求1-5中任一项所述识别方法的识别系统,其特征在于,包括:
图像采集模块,其朝向并获取待识别用户的手指静脉图像;
图像预处理模块,其连接所述图像采集模块以预处理所述原始图像得到图像数据;
图像特征提取模块,其连接所述图像预处理模块,所述图像特征提取模块连接并访问卷积神经网络以提取所述图像数据的特征信息;
图像训练模块,其连接并训练所述卷积神经网络,图像训练模块包括弹性权重固化损失模和多元相似性损失模块;
图像识别模块,其连接所述图像特征提取模块以识别用户身份信息。
7.根据权利要求6所述的识别系统,其特征在于,所述图像预处理模块包括灰度化单元、图像感兴趣提取单元、图像增强单元和归一化单元;其中,所述图像感兴趣提取单元对灰度化后的图像数据利用图像梯度差异进行边缘检测获取图像中手指边缘区域。
8.根据权利要求7所述的识别系统,其特征在于,所述图像增强单元包括曝光模块、滤波模块和对比度增强模块以对手指静脉图像信息进行增强;所述归一化单元包括用于对手指静脉图像信息进行像素归一化处理的像素归一化单元和用于对像素归一化后的图像尺寸进行归一化处理的尺寸归一化单元。
9.根据权利要求6所述的识别系统,其特征在于,所述图像训练模块读取原始图像并输入至图像预处理模块进行图像预处理,并获取经过预处理后的手指静脉图像中感兴趣区域图像,随后输入卷积神经网络,利用弹性权重固化损失函数和多元相似性损失函数进行深度特征提取能力的训练。
10.根据权利要求6所述的识别系统,其特征在于,所述图像识别模块与图像训练模块存储在数据库中的用户手指静脉图像特征信息进行特征比对,将相似度大于预定阈值的特征数据作为用户的特征信息,读取特征信息对应的身份信息,从而实现身份信息的比对识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119714.9A CN114973308A (zh) | 2022-02-08 | 2022-02-08 | 弹性权重固化和多元相似损失的手指静脉识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119714.9A CN114973308A (zh) | 2022-02-08 | 2022-02-08 | 弹性权重固化和多元相似损失的手指静脉识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114973308A true CN114973308A (zh) | 2022-08-30 |
Family
ID=82975631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210119714.9A Pending CN114973308A (zh) | 2022-02-08 | 2022-02-08 | 弹性权重固化和多元相似损失的手指静脉识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973308A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058727A (zh) * | 2023-07-18 | 2023-11-14 | 广州脉泽科技有限公司 | 一种基于图像增强的手部静脉图像识别方法及装置 |
CN117496201A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市五轮科技股份有限公司 | 一种用于电子烟、雾化器和电池杆的识别方法 |
-
2022
- 2022-02-08 CN CN202210119714.9A patent/CN114973308A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058727A (zh) * | 2023-07-18 | 2023-11-14 | 广州脉泽科技有限公司 | 一种基于图像增强的手部静脉图像识别方法及装置 |
CN117058727B (zh) * | 2023-07-18 | 2024-04-02 | 广州脉泽科技有限公司 | 一种基于图像增强的手部静脉图像识别方法及装置 |
CN117496201A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市五轮科技股份有限公司 | 一种用于电子烟、雾化器和电池杆的识别方法 |
CN117496201B (zh) * | 2023-12-29 | 2024-04-05 | 深圳市五轮科技股份有限公司 | 一种用于电子烟、雾化器和电池杆的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN114973308A (zh) | 弹性权重固化和多元相似损失的手指静脉识别方法及系统 | |
JP7130905B2 (ja) | フィードフォワード畳み込みニューラルネットワークを使用した高速且つ堅牢な皮膚紋理の印のマニューシャの抽出 | |
CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
Trabelsi et al. | Hand vein recognition system with circular difference and statistical directional patterns based on an artificial neural network | |
Hilal et al. | Hough transform and active contour for enhanced iris segmentation | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
Stojanović et al. | Latent overlapped fingerprint separation: a review | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN108710836B (zh) | 一种基于级联特征提取的唇部检测及读取方法 | |
CN105488460A (zh) | 基于生理特征的图像处理方法 | |
Achban et al. | Wrist hand vein recognition using local line binary pattern (LLBP) | |
CN114973307A (zh) | 生成对抗和余弦三元损失函数的指静脉识别方法及系统 | |
Kumari et al. | An experimental study of feature reduction using PCA in multi-biometric systems based on feature level fusion | |
Madhusudhan et al. | An intelligent deep learning LSTM-DM tool for finger vein recognition model USING DSAE classifier | |
CN108564031A (zh) | 基于多模态融合的单幅近红外手掌图像识别方法 | |
Angadi et al. | Iris recognition: a symbolic data modeling approach using Savitzky-Golay filter energy features | |
Hariprasath et al. | Bimodal biometric pattern recognition system based on fusion of iris and palmprint using multi-resolution approach | |
Punyani et al. | Iris recognition system using morphology and sequential addition based grouping | |
Mansour | Iris recognition using gauss laplace filter | |
CN105426853A (zh) | 基于图像的人体特征识别方法 | |
CN110674681A (zh) | 基于注意力机制的身份验证方法和装置 |
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 |