[发明专利]一种分叉掌纹识别方法及装置

说明书

本发明公开了一种分叉掌纹识别方法及装置，属于提取识别技术领域；一种分叉掌纹识别方法包括：采集掌纹图像；从采集的掌纹图像中提取分叉和非分叉区域信息；使用深度卷积神经网络对区域信息进行特征信息提取；将特征信息进行分类训练，形成分类器模型；基于分类器模型，来进行待检测掌纹的分叉掌纹分类识别；一种分叉掌纹识别装置，包括图像预处理装置、掌纹图像训练装置和掌纹图像识别装置；本发明使用Inception‑ResNet‑v2深度卷积神经网络模型实现了多层表示对数据之间的复杂关系建模，可以有效利用复杂的非线性函数和复合函数来学习分布和分层的特征表示，以达到提取分叉掌纹的有效特征，提高分叉掌纹识别的正确率和精度。

技术领域

本发明属于提取识别技术领域，尤其涉及一种基于深度卷积神经网络的分叉掌纹识别方法及装置。

背景技术

中医学的手掌诊病是将手掌的特征与中国传统医学相结合的一种医学辅助诊断方法，通过观察手掌的颜色、形状、纹理等特征对病人进行疾病诊断。计算机等现代信息技术与掌纹诊病相结合是一个崭新的研究领域。研究发现肠胃不适患者都普遍存在着分叉掌纹的现象，目前，医生往往根据临床经验判断分叉掌纹的存在，由于医生自身的经验和疲劳等原因，导致不同的医生对分叉掌纹的判断会有不同，医生诊断会受一些主观因素的干扰，这将对诊断的结果产生不利影响。因此，利用现代信息技术开发一个能够对分叉掌纹图像进行客观分析，并给出量化识别结果的辅助诊断系统对于提高医生的诊断效果是十分必要的。

现有的主要掌纹识别技术包括：基于多分辨率分析的掌纹识别技术、基于模糊方向能量的掌纹识别技术、基于掌纹线结构的掌纹识别技术、基于图像的代数特征的掌纹识别技术、基于图像相位及方向特征的掌纹识别技术等。其中，基于掌纹线结构的掌纹识别技术，由于掌纹线的结构特征显著，稳定，受光照、噪声等因素的影响相对较小，具有足够的区分信息，所以相对于其他现有的主要掌纹识别技术，具有一定的优势。

现有基于掌纹线结构的掌纹识别技术主要包括两种：1）用模板来进行掌纹线的提取，然后对每条掌纹线用若干条直线段来近似，再通过匹配这些直线段来进行掌纹匹配；2）用阈值的方法来获得掌纹线图像，然后通过对掌纹线图像的重采样使掌纹线上的点只剩下300 个左右，最后用这些点的位置和方向来进行匹配。这两种基于掌纹线结构的掌纹识别技术丢失了很多可用于区分掌纹的细节结构信息，影响识别精度。而专门对于分叉掌纹的识别技术要求的精细和准确度更高。

Inception-ResNet-v2是一个在 ILSVRC 图像分类基准上取得顶尖准确率的卷积神经网络，它是早期发布Inception V3 模型的变体，模型中使用残差连接，它允许模型中进行 shortcut，因此能成功的训练更深的神经网络从而产生更好的性能。Inception-ResNet-v2网络里面重复的残差块被压缩，里面的 Inception 块被简化，比先前的Inception V3 包含更少的并行塔（parallel towers），另外，Inception-ResNet-v2模型相比于 Inception V3 大约只需要两倍的存储和计算能力。但还未应用在分叉掌纹的识别技术中。另外，还有对于基于结构特征的方法、基于子空间的PCA、LDA的算法，和基于纹理特征的LBP方法等。基于纹理特征的方法处理过程简单，应用广泛，但LBP 算法对各种光照、噪声等有害变化极其敏感，同时也无法完整地提取一些重要的掌纹局部区域的特征信息。

在实际中，特征选取的好坏直接决定了识别准确率的高低，有些图像的特征不好表达，操作起来也相对复杂。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的分叉掌纹识别方法及装置。本发明依据深度卷积神经网络可以自主进行特征学习和识别的特点提出一种基于Keras深度学习框架的分叉掌纹识别方法及装置。通过 Inception-ResNet-v2深度卷积神经网络模型导出特征向量，并将它们合并成一条特征向量进行训练建模，以此建立分类器对掌纹图像进行识别。该方法与传统的神经网络分类进行比对，提高了分叉掌纹识别的准确率。