[发明专利]基于自编码器的手指静脉防伪鉴别方法及系统

权利要求书

1.一种基于自编码器的手指静脉防伪鉴别方法，其特征在于，包括：

采集手指静脉图像；

基于预设规则获取所述手指静脉图像的真假图像，并对所述真假图像进行标注；

基于所述静脉图像构建训练集合、验证集合和测试集合，其中各个集合中真静脉图像和假静脉图像数量相同；

基于所述标注后的所述真假图像进行构建和训练稀疏自编码器；

获取所述稀疏自编码器的权重和偏置；

基于预设softmax分类器和所述稀疏自编码器构建BP神经网络；

基于所述权重初始化所述BP神经网络；

基于所述标注后的所述真假图像训练所述BP神经网络；

获取所述BP神经网络的隐含层所输出的特征；

将所述隐含层所输出的特征作为输入的所述真假图像的深度特征；

将所述深度特征分别输入到对应的预设随机森林分类器中进行训练；

获取所述随机森林分类器的输出结果；

将所述随机森林分类器的输出结果进行最小错误率贝叶斯决策融合，获取每幅所述真假图像的概率；

基于所述概率判断所述手指静脉图像的真假。

2.根据权利要求1所述的方法，其特征在于，所述的稀疏自编码器满足：

将原始数据x＝{x₁，x₂，…，x_n}通过线性函数和sigmoid激活函数，映射到隐含层得到编码结果y＝{y₁，y₂，…，y_m}，即：

其中，f是sigmoid激活函数，然后将编码结果y映射到重构层得到解码结果z＝{z₁，z₂，…，z_n}，z的维度与原始数据x的维度一致，即：

其中，y为编码后的数据，即原始数据的特征表达，z为解码后的数据，w₁、w₂、b₁、b₂分别为输入层到隐含层、隐含层到重构层的权重及偏置；

构造代价损失函数J(w，b)；

所述代价损失函数J(w，b)满足：当神经元的输出接近于1的时候判定它被激活，当神经元的输出接近于0的时候判定它被抑制，使得神经元大部分时间都是被抑制的限制称作稀疏性限制，通常是在隐含层神经元的数量大于输入层神经元数量时使用；

首先计算隐含层第i个神经元的平均活跃度：

其中，N为样本个数，ρ_i为编码层的第i个神经元的平均激活度；

其次，令ρ_i＝ρ，使得隐含层第i个神经元的平均活跃度接近ρ，其中ρ是稀疏性参数，通常是一个接近于0的较小值；

然后，为了实现上述的限制，需要加入一个惩罚项：

KL(ρ||ρ_i)是一个以ρ为均值和一个以ρ_i为均值的两个伯努利随机变量之间的相对熵；

最后构造代价损失函数J(w，b)，其中w＝{w₁，w₂}，b＝{b₁，b₂}，

其中为重构误差项，为正则项，用来防止过拟合，为稀疏惩罚项，λ、μ为正则项与稀疏惩罚项的权重系数，N为样本个数，m为编码层的神经元个数；

通过梯度下降算法优化代价损失函数及参数w，b，

其中，x(k)，z(k)为第k个原始数据和重构数据，w^k，b^k分别表示第k个数据的权重与偏执，α表示学习率。