[发明专利]一种分叉掌纹识别方法及装置

权利要求书

1.一种分叉掌纹识别方法，其特征在于，包括：

a)采集掌纹图像；

b)从采集的掌纹图像中提取分叉区域信息和非分叉区域信息；

c)使用深度卷积神经网络对分叉和非分叉区域信息进行特征信息提取；

d)将特征信息进行分类训练，形成分类器模型；

e)基于分类器模型，来进行待检测掌纹的分叉掌纹分类识别；

在提取分叉区域信息和非分叉区域信息之前对采集的掌纹图像进行去噪和增强；在对掌纹图像进行中值滤波去噪以后，采用高频强调滤波和直方图均衡化相结合的方法对图像进行增强，使得图像在增强的同时既保留低频部分又增加图像的对比度；

对掌纹图像进行去噪和增强：

其步骤如下：

(1)、对含有噪声图像进行三层小波变换，获得低频与高频小波系数；

(2)、对低频小波系数映射到[0,255]，所用公式为：

其中floor(x)不超过x的最大整数，max表示取其最大数，min表示取其最小数，表示低频小波系数，表示其映射值，对其映射值进行均衡化处理；

(3)、将低频均衡化处理后的小波系数再逆运算返回原低频数值范围；

(4)、对高频小波系数进行阈值化处理，设是噪声的标准方差，该值需要预先估计，其估计值为:

其中，是图像小波分解后第一层(最高分辨率)水平方向和垂直方向高频子带HH

小波系数，则小波阈值λ为：

其中，N是信号长度，小波系数的处理为：

(5)、对处理好的低频与高频小波系数进行小波反变换获得增强去噪图像。

2.根据权利要求1所述的一种分叉掌纹识别方法，其特征在于所述的深度卷积神经网络使用Inception-ResNet-v2深度卷积神经网络模型。

3.根据权利要求1所述的一种分叉掌纹识别方法，其特征在于所述的分类训练采用全连接神经网络进行。

4.根据权利要求1所述的一种分叉掌纹识别方法，其特征在于所述的待检测掌纹的分叉掌纹分类识别是将待检测的掌纹图像区域分成许多子块，利用训练好的分类器模型，实现对待检测分叉掌纹的分类识别。

5.一种分叉掌纹识别装置，包括图像预处理装置，其特征在于，还包括：

掌纹图像训练装置，用于形成掌纹的分类器模型；

掌纹图像识别装置，用于基于分类器模型，来进行待检测掌纹的分叉掌纹分类识别；

所述的掌纹图像训练装置包括：深度网络训练模块，用于提取分叉和非分叉区域信息的层级特征，获取多维度特征描述，实现在特征提取；

所述的掌纹图像训练装置包括：分类器形成模块，用于将特征信息输入全连接神经网络进行分类训练；

使用深度卷积神经网络对手工提取的区域进行特征提取：使用Inception-ResNet-v2深度卷积神经网络模型特征提取，提取目标的层级特征，获取目标多维度特征描述；并依靠卷积神经网络的自我学习能力，自主解决特征选择问题，实现特征提取；其步骤如下:

(1)、加载模块及定义函数：加载相应的库及Inception-ResNet-v2模型；

定义计算培训目录的文件个数的函数，如表1所示

表1获得directory目录文件个数函数

(2)、数据准备

数据放在不同的文件夹下，即把样本图像文件按照料含有分叉和不含有分叉的分别放在不同的文件夹下，并把这两个文件夹放在程序运行目录的培训目录train目录下；

(3)、使用预训练的Inception-ResNet-v2深度卷积神经网络模型提取特征；

全连接神经网络分类器设计：将上一步产生的特征向量作为全连接神经网络的输入进行分类训练，输入层的结点个数2048，输出层的结点个数为2；其步骤如下：

(1)、在(0，1)范围随机定权值和偏差初始值；

(2)、输入培训数据的特征向量值X，通过以下公式得到输出值O；

(3)、根据输出值O和真实值T，计算输出层的误差，再将误差逆向传播到隐层神经元，然后根据神经元的误差来对连接权值w和b进行调整优化，直到训练达到很小的误差值或者迭代到一定的次数；

(4)、获得优化的连接权值w和bias，得到训练好的分类器。