CN114998950B - 一种基于深度学习的静脉加密与识别方法 - Google Patents
一种基于深度学习的静脉加密与识别方法 Download PDFInfo
- Publication number
- CN114998950B CN114998950B CN202210914435.1A CN202210914435A CN114998950B CN 114998950 B CN114998950 B CN 114998950B CN 202210914435 A CN202210914435 A CN 202210914435A CN 114998950 B CN114998950 B CN 114998950B
- Authority
- CN
- China
- Prior art keywords
- vein
- user
- features
- feature
- registered
- 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.)
- Active
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
- G06V40/14—Vascular patterns
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Abstract
一种基于深度学习的静脉加密与识别方法,步骤为:1)采集不同用户的静脉图像,提取每一用户的静脉特征;2)训练与所需编码位数相同个数的分类超平面模型,所述分类超平面模型可以将所述静脉特征进行加密得到静脉特征编码;3)获取待注册用户的静脉特征和静脉特征编码存储在注册特征库中;4)采集待识别用户的静脉图像,利用静脉特征编码进行粗匹配,利用静脉特征进行细匹配,判断待识别用户是否对应到注册特征库中的某一用户。本发明有效提高了静脉特征的安全性,同时提高了静脉识别的速度。
Description
技术领域
本发明属于信息安全领域中的生物特征加密与识别技术,具体涉及一种基于深度学习的静脉加密与识别方法。
背景技术
近年来,随着信息技术的发展,信息安全和身份认证受到极大重视,采用生物识别进行身份认证相比传统密码、口令、IC卡等认证方式,具有不会丢失、随身携带、不会被仿冒盗用等特点,基于此,采用生物识别进行身份认证已逐渐成为身份认证主流的方式。静脉识别技术作为一种天然的体内特征活体识别技术,利用静脉血液中脱氧血色素吸收特定近红外线的这一特性,通过近红外线照射手指、手掌或手背等,用相应波长的红外相机摄取手指、手掌或手背内部的静脉分布图,伪造和篡改极为困难,相比其它生物识别技术,静脉识别技术具有高度防伪、高度准确、特性稳定和使用方便的特点,因此被广泛推广应用。然而随着其广泛推广与应用也带来了对个人隐私泄漏和其他一些安全性的担心,因此如何在提高静脉特征的安全性的基础上进行静脉识别成为了亟待解决的问题。
发明内容
本发明的目的在于提供一种基于深度学习的静脉加密与识别方法,可以在有效提高静脉特征的安全性的基础上进行静脉识别。为了达到目的,本发明提供的技术方案为,一种基于深度学习的静脉加密与识别方法,包括:
1)构建训练集:采集不同用户的静脉图像,提取每一用户的静脉特征;
2)训练与所需编码位数相同个数的分类超平面模型,所述分类超平面模型可以将所述静脉特征进行加密得到静脉特征编码,所述静脉特征编码和静脉特征一一对应;
3)采集待注册用户的静脉图像,提取待注册用户的静脉特征,采用分类超平面模型将待注册用户的静脉特征进行加密得到待注册用户的静脉特征编码,将待注册用户的静脉特征和静脉特征编码存储在注册特征库中;
4)采集待识别用户的静脉图像,提取待识别用户的静脉特征,采用分类超平面模型将待识别用户的静脉特征进行加密得到待识别用户的静脉特征编码,将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配,将待识别用户的静脉特征与注册特征库中的静脉特征进行细匹配,判断待识别用户是否对应到注册特征库中的某一用户。
优选地,所述步骤1)包括:
1.1)分别采集不同用户的多张静脉图像,分别提取每张静脉图像的静脉特征;
1.2)将同一用户的静脉特征进行融合,融合后的特征为该用户的静脉特征。
优选地,所述静脉特征为512维特征向量,所述将同一用户的静脉特征进行融合为将同一用户的每张静脉图像的512维特征向量在各个维度上求取平均值。
优选地,步骤2)包括:
2.1)计算不同用户间的距离,并将所述距离从大到小排列;
2.2)选取距离最大的两个用户的静脉特征,训练分类超平面模型,训练后的分类超平面模型可以将所述两个用户的静脉特征赋予0或1的编码;
2.3)根据步骤2.1)中距离大小排序,重复步骤2.2),求出所需编码位数相同个数的分类超平面模型。
优选地,步骤2.1)中所述计算不同用户间的距离为计算不同用户静脉特征间的欧式距离、余弦距离。
优选地,所述训练分类超平面模型包括:使用梯度下降法进行对分类超平面模型进行多步训练。
优选地,在对分类超平面模型进行的每一步训练中加入自适应学习率,包括:求取两个用户静脉特征的中点,将所述中点带入初始分类超平面模型求出值记为n;在每一步训练后,将所述中点带入训练后的分类超平面模型求出值记为m,并以m/n的绝对值乘以本步训练的学习率作为下一步训练的学习率。
优选地,步骤4)中将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配,包括:设定编码位数阈值;分别计算待识别用户的静脉特征编码与注册特征库中每一静脉特征编码的相同位数,若所述相同位数大于等于编码位数阈值,则注册特征库中对应的用户为粗匹配用户。
优选地,步骤4)中将待识别用户的静脉特征与粗匹配用户的静脉特征进行细匹配,包括:设定距离阈值;计算待识别用户的静脉特征与每一粗匹配用户的静脉特征的余弦距离,若最小余弦距离小于距离阈值,则细匹配通过,该用户属于注册特征库中的用户,反之细匹配失败,该用户不属于注册特征库中的用户。
优选地,所述静脉图像为指静脉图像、掌静脉图像、面部静脉图像或指背静脉图像。
本发明通过训练分类超平面模型,可以将用户的静脉特征进行编码进行加密,有效提高了静脉特征的安全性;本发明通过静脉特征编码进行粗匹配,通过静脉特征进行细匹配,有效提高了静脉识别的速度。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的一种基于深度学习的静脉加密与识别方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
参照附图1所示,本发明涉及一种基于深度学习的静脉加密与识别方法,步骤为:1)构建训练集,采集不同用户的静脉图像,提取每一用户的静脉特征,具体步骤:
1.1)分别采集不同用户的多张静脉图像,分别提取每张静脉图像的静脉特征,其中,静脉特征为512维特征向量;
1.2)将同一用户的每张静脉图像的512维特征向量在各个维度上求取平均值,作为该用户的融合后的静脉特征。
本实施例中,将采集的不同用户的多张静脉图像,输入到静脉识别模型中,并使用损失函数对其进行训练,训练后的静脉识别模型可以提取静脉图像的512维特征向量。此外,本实施采集的静脉图像可以为指静脉图像、掌静脉图像、面部静脉图像或指背静脉图像等,只要保证采集的是同类型的静脉图像即可,在此不做限制。
2)依据步骤1)中的静脉特征训练与所需编码位数相同个数的分类超平面模型,分类超平面模型可以将静脉特征进行加密得到静脉特征编码,静脉特征编码和静脉特征一一对应,具体步骤为:
2.1)计算不同用户静脉特征间的距离,并将距离从大到小排列,其中,上述距离可以为欧式距离、余弦距离等,在此不做限制;
本实施例中,将同一用户的每张静脉图像的512维特征向量在各个维度上求取平均值,作为该用户的融合后的静脉特征,计算不同用户静脉特征间的距离为计算融合后的静脉特征间的距离。而不采用分别求取用户每张静脉图像的静脉特征与其它用户每张静脉图像的静脉特征的差值,然后求取平均值作为不同用户静脉特征的距离,可以大大减少计算量,提高运行速度。
2.2)选取距离最大的两个用户的静脉特征,训练分类超平面模型,训练后的分类超平面模型可以将两个用户的静脉特征赋予0或1的编码;本实施例中,使用梯度下降法对分类超平面模型进行多步训练,在对分类超平面模型进行的每一步训练中加入自适应学习率,包括:求取两个用户静脉特征的中点,将中点带入初始分类超平面模型求出值记为n;在每一步训练后,将中点带入训练后的分类超平面模型求出值记为m,并以m/n的绝对值乘以本步训练的学习率作为下一步训练的学习率。
2.3)根据步骤2.1)中距离大小排序,重复步骤2.2),求出所需编码位数相同个数的分类超平面模型。
本实施例中,分类超平面模型为可以为CART模型、SVM模型或深度神经网络模型等,在此不做限制。本实施例中,首先将不同用户间的距离从大到小排序,然后首先选取距离最大的两个用户的静脉特征训练第一个分类超平面模型,然后距离次之的两个用户的静脉特征训练第二个分类超平面模型,依次类推,训练出所需编码位数相同个数的分类超平面模型。因分类超平面模型的目的是为了让静脉特征进来的区分开来,按照距离大小训练,可以有效的将静脉特征快速的分开。在对分类超平面模型训练过程中,如果学习率太小,则收敛速度较慢;如果学习率太大,则有可能会出现不稳定的情况,本实施例中,通过加入自适应学习率,根据每步的训练情况进行自适应调整,在能保证收敛速度的同时不会影响稳定性。
3)采集待注册用户的静脉图像,提取待注册用户的静脉特征,采用分类超平面模型将待注册用户的静脉特征进行加密得到待注册用户的静脉特征编码,将待注册用户的静脉特征和静脉特征编码存储在注册特征库中。
本实施例中,除了存储静脉特征,并将静脉特征进行加密编码,即使被他人获取也难以进行破解,有效提高了静脉特征的安全性。
4)采集待识别用户的静脉图像,提取待识别用户的静脉特征,采用分类超平面模型将待识别用户的静脉特征进行加密得到待识别用户的静脉特征编码,将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配,将待识别用户的静脉特征与注册特征库中的静脉特征进行细匹配,判断待识别用户是否对应到注册特征库中的某一用户;其中,粗匹配包括:设定编码位数阈值;分别计算待识别用户的静脉特征编码与注册特征库中每一静脉特征编码的相同位数,若相同位数大于等于编码位数阈值,则注册特征库中对应的用户为粗匹配用户。细匹配,包括:设定距离阈值;计算待识别用户的静脉特征与每一粗匹配用户的静脉特征的余弦距离,若最小余弦距离小于距离阈值,则细匹配通过,该用户属于注册特征库中的用户,反之细匹配失败,该用户不属于注册特征库中的用户。
本实施例中,通过静脉特征编码确定粗匹配用户,然后用粗匹配用户的静脉特征进行细匹配。因静脉特征编码是0和1的二值编码,通过计算不同位数即可筛选出粗匹配用户,计算不同位数运算量小,内存消耗低,可以有效提高静脉识别速度。
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 (9)
1.一种基于深度学习的静脉加密与识别方法,其特征在于,步骤为:
1)构建训练集:采集不同用户的静脉图像,提取每一用户的静脉特征;
2)训练与所需编码位数相同个数的分类超平面模型,所述分类超平面模型用于将所述静脉特征进行加密得到静脉特征编码,所述静脉特征编码和静脉特征一一对应,所述训练与所需编码位数相同个数的分类超平面模型,包括:
2.1)计算不同用户间的距离,并将所述距离从大到小排列;
2.2)选取距离最大的两个用户的静脉特征,训练分类超平面模型,训练后的分类超平面模型用于将所述两个用户的静脉特征赋予0或1的编码;
2.3)根据步骤2.1)中距离大小排序,重复步骤2.2),求出所需编码位数相同个数的分类超平面模型;
3)采集待注册用户的静脉图像,提取待注册用户的静脉特征,采用分类超平面模型将待注册用户的静脉特征进行加密得到待注册用户的静脉特征编码,将待注册用户的静脉特征和静脉特征编码存储在注册特征库中;
4)采集待识别用户的静脉图像,提取待识别用户的静脉特征,采用分类超平面模型将待识别用户的静脉特征进行加密得到待识别用户的静脉特征编码,将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配,将待识别用户的静脉特征与注册特征库中的静脉特征进行细匹配,判断待识别用户是否对应到注册特征库中的某一用户。
2.根据权利要求1所述的基于深度学习的静脉加密与识别方法,其特征在于,步骤1)包括:
1.1)分别采集不同用户的多张静脉图像,分别提取每张静脉图像的静脉特征;
1.2)将同一用户的静脉特征进行融合,融合后的特征为该用户的静脉特征。
3.根据权利要求2所述的基于深度学习的静脉加密与识别方法,其特征在于,所述静脉特征为512维特征向量,所述将同一用户的静脉特征进行融合为将同一用户的每张静脉图像的512维特征向量在各个维度上求取平均值。
4.根据权利要求1所述的基于深度学习的静脉加密与识别方法,其特征在于,步骤2.1)中所述计算不同用户间的距离为计算不同用户静脉特征间的欧式距离、余弦距离。
5.根据权利要求4所述的基于深度学习的静脉加密与识别方法,其特征在于,所述训练分类超平面模型包括:使用梯度下降法对分类超平面模型进行多步训练。
6.根据权利要求5所述的基于深度学习的静脉加密与识别方法,其特征在于,在对分类超平面模型进行的每一步训练中加入自适应学习率,包括:求取两个用户静脉特征的中点,将所述中点带入初始分类超平面模型求出值记为n;在每一步训练后,将所述中点带入训练后的分类超平面模型求出值记为m,并以m/n的绝对值乘以本步训练的学习率作为下一步训练的学习率。
7.根据权利要求1所述的基于深度学习的静脉加密与识别方法,其特征在于,步骤4)中将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配,包括:设定编码位数阈值;分别计算待识别用户的静脉特征编码与注册特征库中每一静脉特征编码的相同位数,若所述相同位数大于等于编码位数阈值,则注册特征库中对应的用户为粗匹配用户。
8.根据权利要求7所述的基于深度学习的静脉加密与识别方法,其特征在于,步骤4)中将待识别用户的静脉特征与粗匹配用户的静脉特征进行细匹配,包括:设定距离阈值;计算待识别用户的静脉特征与每一粗匹配用户的静脉特征的余弦距离,若最小余弦距离小于距离阈值,则细匹配通过,该用户属于注册特征库中的用户,反之细匹配失败,该用户不属于注册特征库中的用户。
9.根据权利要求1所述的基于深度学习的静脉加密与识别方法,其特征在于,所述静脉图像为指静脉图像、掌静脉图像、面部静脉图像或指背静脉图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914435.1A CN114998950B (zh) | 2022-08-01 | 2022-08-01 | 一种基于深度学习的静脉加密与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914435.1A CN114998950B (zh) | 2022-08-01 | 2022-08-01 | 一种基于深度学习的静脉加密与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998950A CN114998950A (zh) | 2022-09-02 |
CN114998950B true CN114998950B (zh) | 2022-11-22 |
Family
ID=83022564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914435.1A Active CN114998950B (zh) | 2022-08-01 | 2022-08-01 | 一种基于深度学习的静脉加密与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998950B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477622A (zh) * | 2009-01-15 | 2009-07-08 | 山东大学 | 手指静脉识别系统 |
CH712399A2 (fr) * | 2016-04-27 | 2017-10-31 | Bron Christophe | Système d'identification biométrique basé sur les réseaux veineux et des codages uniques et non falsifiables de structures arborescentes et procédé associé. |
CN107145829B (zh) * | 2017-04-07 | 2020-05-22 | 电子科技大学 | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 |
CN107273844A (zh) * | 2017-06-12 | 2017-10-20 | 成都芯软科技股份公司 | 掌静脉识别匹配方法及装置 |
CN110147732A (zh) * | 2019-04-16 | 2019-08-20 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN110543822A (zh) * | 2019-07-29 | 2019-12-06 | 浙江理工大学 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
CN110717469B (zh) * | 2019-10-16 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种基于相关性语义特征学习的手指静脉识别方法及系统 |
CN112507804A (zh) * | 2020-11-17 | 2021-03-16 | 南京航空航天大学 | 一种基于手部图像的身份识别方法 |
CN114067372A (zh) * | 2021-10-28 | 2022-02-18 | 安徽澄小光智能科技有限公司 | 一种基于深度相关特征学习的指静脉识别方法 |
-
2022
- 2022-08-01 CN CN202210914435.1A patent/CN114998950B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114998950A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghayoumi | A review of multimodal biometric systems: Fusion methods and their applications | |
Kumar et al. | Personal identification using multibiometrics rank-level fusion | |
Nandakumar | Integration of multiple cues in biometric systems | |
Elhoseny et al. | Multimodal biometric personal identification and verification | |
Radha et al. | Rank level fusion using fingerprint and iris biometrics | |
CN107944356A (zh) | 综合多类型特征的层次主题模型掌纹图像识别的身份认证方法 | |
CN103246880B (zh) | 基于多阶局部显著模式特征统计的人脸识别方法 | |
Mai et al. | Binary feature fusion for discriminative and secure multi-biometric cryptosystems | |
Kumar et al. | An improved biometric fusion system of fingerprint and face using whale optimization | |
Shawkat et al. | The new hand geometry system and automatic identification | |
Deriche | Trends and challenges in mono and multi biometrics | |
Awalkar et al. | A multi-modal and multi-algorithmic biometric system combining iris and face | |
Liu et al. | Random local region descriptor (RLRD): A new method for fixed-length feature representation of fingerprint image and its application to template protection | |
Sabareeswari et al. | Identification of a person using multimodal biometric system | |
Sudhakar et al. | Deep learning for multi-instance biometric privacy | |
CN114998950B (zh) | 一种基于深度学习的静脉加密与识别方法 | |
US11762969B1 (en) | Systems and methods for facilitating biometric recognition | |
Sharma et al. | Encryption of text using fingerprints as input to various algorithms | |
Tao et al. | Hybrid fusion for biometrics: Combining score-level and decision-level fusion | |
Stragapede et al. | Mobile passive authentication through touchscreen and background sensor data | |
Kulkarni | Fingerprint feature extraction and classification by learning the characteristics of fingerprint patterns | |
Liu et al. | Palmprint based multidimensional fuzzy vault scheme | |
Gandhe et al. | Human identilication using fusion of iris, signature and gait recognition | |
Mai et al. | Fusing binary templates for multi-biometric cryptosystems | |
Smorawa et al. | Biometric systems based on palm vein patterns |
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 |