WO2020211339A1 - 指静脉识别方法、装置、计算机设备及存储介质 - Google Patents
指静脉识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- WO2020211339A1 WO2020211339A1 PCT/CN2019/116472 CN2019116472W WO2020211339A1 WO 2020211339 A1 WO2020211339 A1 WO 2020211339A1 CN 2019116472 W CN2019116472 W CN 2019116472W WO 2020211339 A1 WO2020211339 A1 WO 2020211339A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- finger vein
- training
- feature vector
- sample
- neural network
- Prior art date
Links
Images
Classifications
-
- 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
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Abstract
一种指静脉识别方法、装置、计算机设备及存储介质,涉及人工智能领域。该指静脉识别方法包括:获取待识别指静脉图像和待比对指静脉图像(S10);将待识别指静脉图像和待比对指静脉图像输入到指静脉识别模型中,其中,指静脉识别模型是采用孪生神经网络训练得到的(S20);通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量(S30);根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指(S40)。采用该指静脉识别方法能够准确地进行指静脉图像识别。
Description
本申请以2019年4月16日提交的申请号为201910304095.9,名称为“指静脉识别方法、装置、计算机设备及存储介质”的中国发明专利申请为基础,并要求其优先权。
本申请涉及人工智能领域,尤其涉及一种指静脉识别方法、装置、计算机设备及存储介质。
指静脉识别技术是利用近红外线穿透手指后所得的静脉纹路影像来进行个人识别的生物识别技术。在各种生物识别技术中,因指静脉识别技术是利用外部看不到的生物内部特征进行识别的技术,所以具有较高的防伪性。然而,目前指静脉识别的识别准确率仍普遍较低。
【发明内容】
有鉴于此,本申请实施例提供了一种指静脉识别方法、装置、计算机设备及存储介质,用以解决目前指静脉识别的识别准确率较低的问题。
第一方面,本申请实施例提供了一种指静脉识别方法,包括:
获取待识别指静脉图像和待比对指静脉图像;
将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;
通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;
根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
第二方面,本申请实施例提供了一种指静脉识别装置,包括:
第一获取模块,用于获取待识别指静脉图像和待比对指静脉图像;
输入模块,用于将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;
第二获取模块,用于通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;
判断模块,用于根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述指静脉识别方法的步骤。
第四方面,本申请实施例提供了一种计算机非易失性可读存储介质,包括: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上述指静脉识别方法的步骤。
在本申请实施例中,首先获取待识别指静脉图像和待比对指静脉图像,以采用待比对指静脉图像作为参考,判断待识别指静脉图像是否与待比对指静脉图像是来自同一根手指;然后将待识别指静脉图像和待比对指静脉图像输入到采用孪生神经系统训练得到的指静脉识别模型,通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量,采用孪生神经系统训练得到的指静脉识别模型能够一次便提取得到第一特征向量和第二特征向量,并能够突出待识别指静脉图像和待比对指静脉图像之间的差异,有 助于提高指静脉识别模型的准确率;最后根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指,通过特征之间的差异对进行判断,得到精确的指静脉识别结果。
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其它的附图。
图1是本申请一实施例中指静脉识别方法的一流程图;
图2是本申请一实施例中指静脉识别装置的一示意图;
图3是本申请一实施例中计算机设备的一示意图。
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,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。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它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中指静脉识别方法的一流程图。该指静脉识别方法可应用在指静脉识别系统中,在判断任意两张指静脉图像是否来自同一根手指时可采用该指静脉识别系统实现。该指静脉识别系统具体可应用在计算机设备上,其中,该计算机设备是可与用户进行人机交互的设备,包括但不限于电脑、智能手机和平板等设备。如图1所示,该指静脉识别方法包括如下步骤:
S10:获取待识别指静脉图像和待比对指静脉图像。
本方案可以对任意两张指静脉图像进行识别,判断进行识别的两张指静脉图像是否来自同一根手指,与需要预先录入指静脉图像的特征向量方法不同,本方案可以直接对现场获取的指静脉图像进行识别。其中,待识别指静脉图像和待比对指静脉图像是相对的概念,在指静脉识别过程中作为参考的指静脉图像为待比对指静脉图像,而另一张进行指静脉识别的指静脉图像为待识别指静脉图像,待识别指静脉图像和待比对指静脉图像可以根据需求进行转换,如将待识别指静脉图像作为参考的指静脉图像时,该待识别指静脉图像转换为待比对指静脉图像,而原先的待比对指静脉图像则转换为待识别指静脉图像。可以理解地,待比对指静脉图像对应的手指标识可以是已知的也可以是未知的,其中,手指标识是指唯一区别手指的标识,当待比对指静脉图像对应的手指标识是已知的,且待识别指静脉图像和待比对指静脉图像来自同一根手指时,则可以确定待识别指静脉图像 对应的手指标识,当待比对指静脉图像对应的手指标识是未知的,且待识别指静脉图像和待比对指静脉图像来自同一根手指时,虽然无法确定待识别指静脉图像或待比对指静脉图像的手指标识,但仍可以确定待识别指静脉图像和待比对指静脉图像来自同一根手指,对应于相同的手指标识。
在一实施例中,获取待识别指静脉图像和待比对指静脉图像,以采用待比对指静脉图像作为参考,判断待识别指静脉图像是否与待比对指静脉图像是来自同一根手指。
S20:将待识别指静脉图像和待比对指静脉图像输入到指静脉识别模型中,其中,指静脉识别模型是采用孪生神经网络训练得到的。
其中,孪生神经网络是一类包括两个或两个以上相同子神经网络的神经网络,其子神经网络具有相同的网络参数。
具体地,指静脉识别模型是能够判断两张不同的指静脉图像是否来自同一根手指的模型,采用孪生神经网络预先训练得到,其中,该孪生神经网络具体包括两个相同的子神经网络,该子神经网络具体为卷积神经网络,也即是说,孪生神经网络包括两个相同的卷积神经网络,卷积神经网络对于提取图像特征有较好的效果,能够提高指静脉识别模型的识别准确率。
在一实施例中,将待识别指静脉图像和待比对指静脉图像输入到指静脉识别模型中,可以看作是将待识别指静脉图像和待比对指静脉图像分别输入到两个相同的子神经网络中,能够同时对输入的待识别指静脉图像和待比对指静脉图像进行处理,且互不干扰。
进一步地,在步骤S20之前,即在将待识别指静脉图像和待比对指静脉图像输入到指静脉识别模型中之前,还包括:
S21:获取指静脉训练样本。
在一实施例中,训练指静脉识别模型需获取指静脉训练样本。该指静脉训练样本包括来自不同手指的指静脉图像,同时也包括来自相同手指的指静脉图像, 对于来自同一根手指的指静脉图像将预先做好相同的手指标识。通过获取指静脉训练样本,可以根据预先做好的手指标识训练指静脉识别模型,以使训练得到的指静脉识别模型能够识别相同的手指标识的指静脉图像。
S22:将指静脉训练样本输入到孪生神经网络中进行训练,得到训练过程中产生的损失值。
其中,输入的指静脉训练样本分为训练集、验证集和测试集,且测试集、验证集和训练集相互之间不重叠,这样能够有效提高模型的泛化能力,保证指静脉识别模型的实用性,使得指静脉识别模型能够对任意两张不同的指静脉图像进行识别,判断是否来自同一根手指。可以理解地,在实际场景下进行指静脉识别的待识别指静脉图像和待比对指静脉图像一般都是指静脉训练样本中没出现过的。
在一实施例中,将指静脉训练样本输入到孪生神经网络中进行训练,将根据预设的损失函数来衡量训练过程中产生的损失,并用具体的损失值进行表示。
S23:根据损失值更新孪生神经网络的网络参数,得到指静脉识别模型。
在一实施例中,在模型训练过程中将根据损失值不断对模型进行更新,得到指静脉识别模型。具体地,孪生神经网络中的子神经网络将同步进行更新,子神经网络之间的网络参数仍相同。
指静脉识别模型基于孪生神经网络训练得到,保留了孪生神经网络原有的网络结构,能够对任意两张指静脉图像进行识别,并不局限于指静脉训练样本中的指静脉图像,支持在实际生活中的任意场景进行指静脉识别,这是其他单一通道的神经网络所不能做到的。
步骤S21-S23中,提供了一种训练得到指静脉识别模型的具体实施方式,通过采用孪生神经网络的网络结构为基础、预先对指静脉图像做关于类别的标记以及遵循开集标准,使得测试集、验证集和训练集相互之间不重叠等处理对指静脉识别进行训练,使得训练得到的指静脉识别模型具有较强的泛化能力,能够识别任意场景下不同指静脉图像的识别,准确判断进行识别的指静脉图像是否来自同 一根手指。
进一步地,在步骤S22中,将指静脉训练样本输入到孪生神经网络中进行训练,得到训练过程中产生的损失值,具体包括:
S221:以三元组为单位将指静脉训练样本输入到孪生神经网络中进行训练,其中,一个三元组包括一个参考样本、一个同类样本和一个异类样本,参考样本为在指静脉训练样本中随机选择的指静脉训练样本,同类样本为所属的用户与参考样本所属的用户相同的指静脉训练样本,异类样本为所属的用户与参考样本所属的用户不相同的指静脉训练样本。
其中,采用三元组为单位的方式表示指静脉训练样本进行模型训练能够更进一步表征指静脉训练样本之间的相似程度,能够扩大类间的距离,减少类内的距离,使得模型训练时能够进一步区分同类样本和异类样本。可以理解地,模型训练过程中能够让同类样本之间的距离更接近,异类样本的距离更远,采用该三元组为单位的训练方式能够提高指静脉识别模型的区分能力,有助于提高指静脉识别模型进行识别的准确程度。
S222:计算参考样本、同类样本和异类样本在孪生神经网络中输出的特征向量。
其中,孪生神经网络包括两个相同的卷积神经网络,该两个卷积神经网络在模型更新过程中互不干扰。孪生神经网络输出的特征向量代表的是训练过程的输出结果,该输出结果与实际期望(如输出结果为同一类,实际期望为不是同一类)可能存在一定的损失,因此,需要对该输出的特征向量进行分析,根据该输出的特征向量调整孪生神经网络,以使指静脉识别模型的准确率更高。
S223:基于特征向量,采用三元组损失函数计算得到训练过程中产生的损失值,其中,三元组损失函数为
i表示三元组组数,N表示三元组的总组数,
表示L2范数取平方,
表示第i组三元组的参考样本在孪生神经网络中输出的特征向量,
表示第i 组三元组的同类样本在孪生神经网络中输出的特征向量,
表示第i组三元组的异类样本在孪生神经网络中输出的特征向量,α表示间隔阈值,+表示[……]内的值大于0时,取大于0的值为损失值,小于0时,损失值取作0。
在一实施例中,三元组损失函数为
其中,α表示参考样本与同类样本之间的距离和参考样本与异类样本之间的距离的一个最小间隔阈值。该三元组损失函数描述了类间距离(异类样本之间的距离)和类内距离(同类样本之间的距离)在训练时产生的损失,可以根据该损失对孪生神经网络进行调整,以使训练样本的类间距离更大,类内距离更小,进一步提高指静脉识别模型的识别效果。
步骤S221-S223中,提供了计算训练过程中产生的损失值的具体实施方式,通过采用三元组为单位的方式设立三元组损失函数,该三元组损失函数在计算损失值时能够扩大类间的距离,减少类内的距离,对于关于指静脉识别有较好的效果,使得模型训练时能够进一步区分同类样本和异类样本,能够较准确地描述模型训练过程中产生的损失。采用该三元组损失函数得到的损失值进行模型更新得到的指静脉识别模型具备较强的关于指静脉图像的区分能力,能够准确判断进行识别的指静脉图像是否来自同一根手指。
进一步地,在步骤S23中,根据损失值更新孪生神经网络的网络参数,得到指静脉识别模型,具体包括:
S231:根据损失值,采用反向传播算法更新孪生神经网络的网络参数。
其中,反向传播算法(Back propagation algorithm,简称BP算法)是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,能够快速、准确地更新深度学习中的网络参数。
在一实施例中,根据损失值,采用反向传播算法逐层返回对孪生神经网络中各个卷积神经网络每一层的网络参数进行更改,以使更改后的网络参数所代表的映射能力,能够更准确地对输入的特征向量进行映射,输出更能代表指静脉图像 特征的特征向量,使得训练得到的指静脉识别模型能够对待识别指静脉图像和待比对指静脉图像做出准确的识别。
S232:当网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新网络参数,得到指静脉识别模型。
步骤S231-S232中,提供了一种根据损失值更新孪生神经网络的网络参数,得到指静脉识别模型的具体实施方式,通过采用反向传播算法,能够提高指静脉识别模型训练的效率;以及根据网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时及时停止更新网络参数,能够有效提高指静脉识别模型的识别准确率。
S30:通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量。
在一实施例中,指静脉识别模型是基于孪生神经网络训练得到的,能够同时提取待识别指静脉图像相关的第一特征向量和待比对指静脉图像相关的第二特征向量,且提取过程中互不干扰,无需重复特征提取的过程,能够在实际场景下快速进行指静脉识别。
S40:根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指。
可以理解地,指静脉识别模型是一个从提取特征到输出识别结果的一体化的模型,在指静脉识别模型中将根据提取的第一特征向量和第二特征向量判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指。
进一步地,在步骤S40中,根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指,具体包括:
S41:计算第一特征向量和第二特征向量之间的度量距离。
其中,度量距离是指度量两个特征向量之间紧密程度的距离。具体地,度量距离可以是欧式距离、余弦距离或马氏距离等度量距离。本实施中,具体采用的 是欧式距离,欧式距离能够体现几何距离上的紧密程度,对于衡量图像的相似程度有较高的准确率。
S42:若度量距离在预设的度量距离范围内,则确定待识别指静脉图像和待比对指静脉图像取自同一根手指。
当度量距离采用的是欧式距离,且欧式距离在预设的度量距离范围内时,那么可以认为待识别指静脉图像和待比对指静脉图像在误差允许的范围内是相同的,可以准确地确定待识别指静脉图像和待比对指静脉图像取自同一根手指。
步骤S41-S42提供了判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指的具体实施方式,从度量距离的角度出发评估待识别指静脉图像和待比对指静脉图像的相似程度,能够得到准确的识别结果。
在本申请实施例中,首先获取待识别指静脉图像和待比对指静脉图像,以采用待比对指静脉图像作为参考,判断待识别指静脉图像是否与待比对指静脉图像是来自同一根手指;然后将待识别指静脉图像和待比对指静脉图像输入到采用孪生神经系统训练得到的指静脉识别模型,通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量,采用孪生神经系统训练得到的指静脉识别模型能够一次便提取得到第一特征向量和第二特征向量,并能够突出待识别指静脉图像和待比对指静脉图像之间的差异,有助于提高指静脉识别模型的准确率;最后根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指,通过特征之间的差异对进行判断,得到精确的指静脉识别结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于实施例中所提供的指静脉识别方法,本申请实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图2示出与实施例中指静脉识别方法一一对应的指静脉识别装置的原理框图。如图2所示,该指静脉识别装置包括第一获取模块10、输入模块20、第二获取模块30和判断模块40。其中,第一获取模块10、输入模块20、第二获取模块30和判断模块40的实现功能与实施例中指静脉识别方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
第一获取模块10,用于获取待识别指静脉图像和待比对指静脉图像。
输入模块20,用于将待识别指静脉图像和待比对指静脉图像输入到指静脉识别模型中,其中,指静脉识别模型是采用孪生神经网络训练得到的。
第二获取模块30,用于通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量。
判断模块40,用于根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指。
可选地,指静脉识别装置还包括第一获取单元、第二获取单元和第三获取单元。
第一获取单元,用于获取指静脉训练样本。
第二获取单元,用于将指静脉训练样本输入到孪生神经网络中进行训练,得到训练过程中产生的损失值。
第三获取单元,用于根据损失值更新孪生神经网络的网络参数,得到指静脉识别模型。
可选地,第二获取单元包括输入子单元、计算子单元和第一获取子单元。
输入子单元,用于以三元组为单位将指静脉训练样本输入到孪生神经网络中进行训练,其中,一个三元组包括一个参考样本、一个同类样本和一个异类样本,参考样本为在指静脉训练样本中随机选择的指静脉训练样本,同类样本为所属的用户与参考样本所属的用户相同的指静脉训练样本,异类样本为所属的用户与参考样本所属的用户不相同的指静脉训练样本。
计算子单元,用于计算参考样本、同类样本和异类样本在孪生神经网络中输出的特征向量。
第一获取子单元,用于基于特征向量,采用三元组损失函数计算得到训练过程中产生的损失值,其中,三元组损失函数为
i表示三元组组数,N表示三元组的总组数,
表示L2范数取平方,
表示第i组三元组的参考样本在孪生神经网络中输出的特征向量,
表示第i组三元组的同类样本在孪生神经网络中输出的特征向量,
表示第i组三元组的异类样本在孪生神经网络中输出的特征向量,α表示间隔阈值,+表示[……]内的值大于0时,取大于0的值为损失值,小于0时,损失值取作0。
可选地,第三获取单元包括更新子单元和指第二获取子单元。
更新子单元,用于根据损失值,采用反向传播算法更新孪生神经网络的网络参数。
第二获取子单元,用于当网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新网络参数,得到指静脉识别模型。
可选地,判断模块40包括度量距离计算单元和确定单元。
度量距离计算单元,用于计算第一特征向量和第二特征向量之间的度量距离。
确定单元,用于若度量距离在预设的度量距离范围内,则确定待识别指静脉图像和待比对指静脉图像取自同一根手指。
在本申请实施例中,首先获取待识别指静脉图像和待比对指静脉图像,以采用待比对指静脉图像作为参考,判断待识别指静脉图像是否与待比对指静脉图像是来自同一根手指;然后将待识别指静脉图像和待比对指静脉图像输入到采用孪生神经系统训练得到的指静脉识别模型,通过指静脉识别模型提取与待识别指静脉图像相关的第一特征向量和与待比对指静脉图像相关的第二特征向量,采用孪 生神经系统训练得到的指静脉识别模型能够一次便提取得到第一特征向量和第二特征向量,并能够突出待识别指静脉图像和待比对指静脉图像之间的差异,有助于提高指静脉识别模型的准确率;最后根据第一特征向量和第二特征向量进行指静脉识别,判断待识别指静脉图像和待比对指静脉图像是否来自同一根手指,通过特征之间的差异对进行判断,得到精确的指静脉识别结果。
本实施例提供一计算机非易失性可读存储介质,该计算机非易失性可读存储介质上存储有计算机可读指令,该计算机可读指令被处理器执行时实现实施例中指静脉识别方法,为避免重复,此处不一一赘述。或者,该计算机可读指令被处理器执行时实现实施例中指静脉识别装置中各模块/单元的功能,为避免重复,此处不一一赘述。
图3是本申请一实施例提供的计算机设备的示意图。如图3所示,该实施例的计算机设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机可读指令53,该计算机可读指令53被处理器51执行时实现实施例中的指静脉识别方法,为避免重复,此处不一一赘述。或者,该计算机可读指令53被处理器51执行时实现实施例中指静脉识别装置中各模型/单元的功能,为避免重复,此处不一一赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (20)
- 一种指静脉识别方法,其特征在于,所述方法包括:获取待识别指静脉图像和待比对指静脉图像;将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
- 根据权利要求1所述的方法,其特征在于,在所述将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中之前,还包括:获取指静脉训练样本;将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值;根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型。
- 根据权利要求2所述的方法,其特征在于,所述将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值,包括:以三元组为单位将所述指静脉训练样本输入到所述孪生神经网络中进行训练,其中,一个所述三元组包括一个参考样本、一个同类样本和一个异类样本,所述参考样本为在所述指静脉训练样本中随机选择的指静脉训练样本,所述同类样本为所属的用户与所述参考样本所属的用户相同的指静脉训练样本,所述异类样本为所属的用户与所述参考样本所属的用户不相同的指静脉训练样本;计算所述参考样本、所述同类样本和所述异类样本在所述孪生神经网络中输出的特征向量;
- 根据权利要求2所述的方法,其特征在于,所述根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型,包括:根据所述损失值,采用反向传播算法更新所述孪生神经网络的网络参数;当所述网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新所述网络参数,得到所述指静脉识别模型。
- 根据权利要求1至4任意一项所述的方法,其特征在于,所述根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指,包括:计算所述第一特征向量和所述第二特征向量之间的度量距离;若所述度量距离在预设的度量距离范围内,则确定所述待识别指静脉图像和所述待比对指静脉图像取自同一根手指。
- 一种指静脉识别装置,其特征在于,所述装置包括:第一获取模块,用于获取待识别指静脉图像和待比对指静脉图像;输入模块,用于将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;第二获取模块,用于通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;判断模块,用于根据所述第一特征向量和所述第二特征向量进行指静脉识 别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
- 根据权利要求6所述的装置,其特征在于,所述装置还包括:第一获取单元,用于获取指静脉训练样本;第二获取单元,用于将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值;第三获取单元,用于根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型。
- 根据权利要求7所述的装置,其特征在于,所述第二获取单元,包括:输入子单元,用于以三元组为单位将所述指静脉训练样本输入到所述孪生神经网络中进行训练,其中,一个所述三元组包括一个参考样本、一个同类样本和一个异类样本,所述参考样本为在所述指静脉训练样本中随机选择的指静脉训练样本,所述同类样本为所属的用户与所述参考样本所属的用户相同的指静脉训练样本,所述异类样本为所属的用户与所述参考样本所属的用户不相同的指静脉训练样本;计算子单元,用于计算所述参考样本、所述同类样本和所述异类样本在所述孪生神经网络中输出的特征向量;
- 根据权利要求7所述的装置,其特征在于,所述第三获取单元,包括:更新子单元,用于根据所述损失值,采用反向传播算法更新所述孪生神经网络的网络参数;第二获取子单元,用于当所述网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新所述网络参数,得到所述指静脉识别模型。
- 根据权利要求6-9任意一项所述的装置,其特征在于,所述判断模块,包括:计算所述第一特征向量和所述第二特征向量之间的度量距离;若所述度量距离在预设的度量距离范围内,则确定所述待识别指静脉图像和所述待比对指静脉图像取自同一根手指。
- 一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如下步骤:获取待识别指静脉图像和待比对指静脉图像;将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
- 根据权利要求11所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令还实现如下步骤:在所述将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中之前,获取指静脉训练样本;将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值;根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型。
- 根据权利要求12所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令实现将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值时,包括如下步骤:以三元组为单位将所述指静脉训练样本输入到所述孪生神经网络中进行训练,其中,一个所述三元组包括一个参考样本、一个同类样本和一个异类样本,所述参考样本为在所述指静脉训练样本中随机选择的指静脉训练样本,所述同类样本为所属的用户与所述参考样本所属的用户相同的指静脉训练样本,所述异类样本为所属的用户与所述参考样本所属的用户不相同的指静脉训练样本;计算所述参考样本、所述同类样本和所述异类样本在所述孪生神经网络中输出的特征向量;
- 根据权利要求12所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令实现根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型时,包括如下步骤:根据所述损失值,采用反向传播算法更新所述孪生神经网络的网络参数;当所述网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新所述网络参数,得到所述指静脉识别模型。
- 根据权利要求11-14任意一项所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令实现根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指时,包括如下步骤:计算所述第一特征向量和所述第二特征向量之间的度量距离;若所述度量距离在预设的度量距离范围内,则确定所述待识别指静脉图像和所述待比对指静脉图像取自同一根手指。
- 一种计算机非易失性可读存储介质,所述计算机非易失性可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如下步骤:获取待识别指静脉图像和待比对指静脉图像;将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中,其中,所述指静脉识别模型是采用孪生神经网络训练得到的;通过所述指静脉识别模型提取与所述待识别指静脉图像相关的第一特征向量和与所述待比对指静脉图像相关的第二特征向量;根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指。
- 根据权利要求16所述的计算机非易失性可读存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器还实现如下步骤:在所述将所述待识别指静脉图像和所述待比对指静脉图像输入到指静脉识别模型中之前,获取指静脉训练样本;将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值;根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模 型。
- 根据权利要求17所述的计算机非易失性可读存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行实现将所述指静脉训练样本输入到所述孪生神经网络中进行训练,得到训练过程中产生的损失值时,包括如下步骤:以三元组为单位将所述指静脉训练样本输入到所述孪生神经网络中进行训练,其中,一个所述三元组包括一个参考样本、一个同类样本和一个异类样本,所述参考样本为在所述指静脉训练样本中随机选择的指静脉训练样本,所述同类样本为所属的用户与所述参考样本所属的用户相同的指静脉训练样本,所述异类样本为所属的用户与所述参考样本所属的用户不相同的指静脉训练样本;计算所述参考样本、所述同类样本和所述异类样本在所述孪生神经网络中输出的特征向量;
- 根据权利要求17所述的计算机非易失性可读存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行实现根据所述损失值更新所述孪生神经网络的网络参数,得到所述指静脉识别模型时,包括如下步骤:根据所述损失值,采用反向传播算法更新所述孪生神经网络的网络参数;当所述网络参数的变化值均小于停止迭代阈值或达到训练迭代次数时,停止更新所述网络参数,得到所述指静脉识别模型。
- 根据权利要求16-19任意一项所述的计算机非易失性可读存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行实现根据所述第一特征向量和所述第二特征向量进行指静脉识别,判断所述待识别指静脉图像和所述待比对指静脉图像是否来自同一根手指时,包括如下步骤:计算所述第一特征向量和所述第二特征向量之间的度量距离;若所述度量距离在预设的度量距离范围内,则确定所述待识别指静脉图像和所述待比对指静脉图像取自同一根手指。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910304095.9A CN110147732A (zh) | 2019-04-16 | 2019-04-16 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN201910304095.9 | 2019-04-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020211339A1 true WO2020211339A1 (zh) | 2020-10-22 |
Family
ID=67589800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2019/116472 WO2020211339A1 (zh) | 2019-04-16 | 2019-11-08 | 指静脉识别方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110147732A (zh) |
WO (1) | WO2020211339A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379779A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 堆叠宽度学习系统的边缘计算方法、装置、介质和设备 |
CN113792632A (zh) * | 2021-09-02 | 2021-12-14 | 广州广电运通金融电子股份有限公司 | 基于多方合作的指静脉识别方法、系统和存储介质 |
CN114170687A (zh) * | 2021-12-08 | 2022-03-11 | 山东大学 | 基于指导信息的人体骨架动作早期识别方法及系统 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114998950A (zh) * | 2022-08-01 | 2022-09-02 | 北京圣点云信息技术有限公司 | 一种基于深度学习的静脉加密与识别方法 |
CN116543330A (zh) * | 2023-04-13 | 2023-08-04 | 北京京东乾石科技有限公司 | 农作物信息存储方法、装置、电子设备和计算机可读介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110516745B (zh) * | 2019-08-28 | 2022-05-24 | 北京达佳互联信息技术有限公司 | 图像识别模型的训练方法、装置及电子设备 |
CN111008550A (zh) * | 2019-09-06 | 2020-04-14 | 上海芯灵科技有限公司 | 基于Multiple loss损失函数的指静脉验证身份的识别方法 |
CN111079785A (zh) * | 2019-11-11 | 2020-04-28 | 深圳云天励飞技术有限公司 | 一种图像识别方法、装置及终端设备 |
CN111166070A (zh) * | 2019-12-17 | 2020-05-19 | 五邑大学 | 一种基于指静脉认证的医疗储物柜及其管理方法 |
CN112200156B (zh) * | 2020-11-30 | 2021-04-30 | 四川圣点世纪科技有限公司 | 基于聚类辅助的静脉识别模型训练方法及装置 |
CN112200159B (zh) * | 2020-12-01 | 2021-02-19 | 四川圣点世纪科技有限公司 | 一种基于改进残差网络的非接触式掌静脉识别方法 |
CN116188256A (zh) * | 2021-11-25 | 2023-05-30 | 北京字跳网络技术有限公司 | 超分图像处理方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120057011A1 (en) * | 2010-09-03 | 2012-03-08 | Shi-Jinn Horng | Finger vein recognition system and method |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897390B (zh) * | 2017-01-24 | 2019-10-15 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN107392114A (zh) * | 2017-06-29 | 2017-11-24 | 广州智慧城市发展研究院 | 一种基于神经网络模型的手指静脉识别方法及系统 |
CN107967442A (zh) * | 2017-09-30 | 2018-04-27 | 广州智慧城市发展研究院 | 一种基于无监督学习和深层网络的指静脉识别方法及系统 |
CN108009520B (zh) * | 2017-12-21 | 2020-09-01 | 西安格威西联科技有限公司 | 基于卷积变分自编码器网络的手指静脉识别方法及系统 |
CN109376602A (zh) * | 2018-09-21 | 2019-02-22 | 厦门中控智慧信息技术有限公司 | 一种指静脉识别方法、装置及终端设备 |
-
2019
- 2019-04-16 CN CN201910304095.9A patent/CN110147732A/zh active Pending
- 2019-11-08 WO PCT/CN2019/116472 patent/WO2020211339A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120057011A1 (en) * | 2010-09-03 | 2012-03-08 | Shi-Jinn Horng | Finger vein recognition system and method |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
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 |
Non-Patent Citations (2)
Title |
---|
DAI, QINGHUA ET AL.: "Finger vein recognition based on Siamese convolutional neural network", ELECTRONIC MEASUREMENT TECHNOLOGY, vol. 41, no. 24, 31 December 2018 (2018-12-31), DOI: 20200119193831X * |
SCHROFF, FLORIAN ET AL.: "FaceNet: A Unified Embedding for Face Recognition and Clustering", COMPUTER SCIENCE, 12 March 2015 (2015-03-12), XP055531522, DOI: 20200119194224A * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379779A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 堆叠宽度学习系统的边缘计算方法、装置、介质和设备 |
CN113379779B (zh) * | 2021-06-07 | 2023-04-07 | 华南理工大学 | 堆叠宽度学习系统的边缘计算方法、装置、介质和设备 |
CN113792632A (zh) * | 2021-09-02 | 2021-12-14 | 广州广电运通金融电子股份有限公司 | 基于多方合作的指静脉识别方法、系统和存储介质 |
CN114170687A (zh) * | 2021-12-08 | 2022-03-11 | 山东大学 | 基于指导信息的人体骨架动作早期识别方法及系统 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114399763B (zh) * | 2021-12-17 | 2024-04-16 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114998950A (zh) * | 2022-08-01 | 2022-09-02 | 北京圣点云信息技术有限公司 | 一种基于深度学习的静脉加密与识别方法 |
CN116543330A (zh) * | 2023-04-13 | 2023-08-04 | 北京京东乾石科技有限公司 | 农作物信息存储方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110147732A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020211339A1 (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
WO2019119505A1 (zh) | 人脸识别的方法和装置、计算机装置及存储介质 | |
WO2018001384A1 (zh) | 数据处理、数据识别方法和装置、计算机设备 | |
US8705816B1 (en) | Face recognition with discriminative face alignment | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
US20180293246A1 (en) | Video retrieval methods and apparatuses | |
KR20160029655A (ko) | 식별 장치 및 식별 장치의 제어 방법 | |
CN111126482A (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
US11514315B2 (en) | Deep neural network training method and apparatus, and computer device | |
CN107871107A (zh) | 人脸认证方法和装置 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
WO2022001106A1 (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN111401219B (zh) | 一种手掌关键点检测方法和装置 | |
CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
CN111062424A (zh) | 小样本食品图像识别模型训练方法及食品图像识别方法 | |
CN107886062A (zh) | 图像处理方法、系统及服务器 | |
CN108492301A (zh) | 一种场景分割方法、终端及存储介质 | |
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
CN109118420A (zh) | 水印识别模型建立及识别方法、装置、介质及电子设备 | |
WO2020199498A1 (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN110717407A (zh) | 基于唇语密码的人脸识别方法、装置及存储介质 | |
WO2015131710A1 (zh) | 人眼定位方法及装置 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19924821 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19924821 Country of ref document: EP Kind code of ref document: A1 |