[发明专利]一种基于卷积神经网络的手掌静脉认证方法

权利要求书

1.一种基于卷积神经网络的手掌静脉认证方法，其特征在于，该基于卷积神经网络的手掌静脉认证方法具体步骤如下：

S1、根据训练样本集图像，对卷积神经网络进行训练，获得一种基于通道分组的卷积网络模型；

S2、用户注册图像输入到卷积网络模型生成特征向量，并作为模板存储到模板存储模块；

S3、输入待识别图像，经卷积网络模型特征提取生成待识别特征向量；

S4、待识别特征向量与模板存储模块中的模板特征向量进行比对识别；

S5、比对结果获得的概率值取最大值，最大概率值大于一定阈值，则认证成功，否则认证失败。

2.根据权利要求1所述的一种基于卷积神经网络的手掌静脉认证方法，其特征在于，步骤S1中的卷积网络模型包含多个卷积层、非线性层、全连接层、SoftMax分类层及多层感知机，具体如下：

卷积网络模型中的卷积层分为通道分组卷积层和通道融合卷积层，通道分组卷积层指对输入特征的每个特征平面使用5×5大小的卷积核进行分组单独卷积，通道融合卷积层指对所述通道分组卷积层的输出特征的各个通道使用1×1大小的卷积核进行通道统合；

卷积网络模型使用了平均降采样技术，允许输入任意大小的图像，在卷积层最后输出的特征平面平均分为8×8等份，对每一份中的像素取最大值作为该份的输出值，经过平均降采样后任意大小的输入图像最后都输出为8×8维的向量；

多层感知机分为三层，第一层和第二层为特征提取层，最后一层为分类层，该网络的参数需要在用户注册时训练，其最后一层的神经元数目也随着注册的用户数变化。

3.根据权利要求1所述的一种基于卷积神经网络的手掌静脉认证方法，其特征在于，步骤S1中的训练样本集采用多种静脉图像混合训练的方法，包括手掌静脉图像、手指静脉图像和手背静脉图像，这三种图像均为在近红外光下拍摄采集所得，具有类似的纹路特征，可以使训练样本集图像数据获得扩充，其中包含了VERA-Palmvein 100个类别、FINGER VEINUSM 192个类别等公共数据库和自采集得到的静脉图像数据。

4.根据权利要求2所述的一种基于卷积神经网络的手掌静脉认证方法，其特征在于，步骤S1中的训练样本集还采用了一系列的数据增广策略，使训练样本呈现多样性，具体如下：

对训练样本集图像进行灰度变换，模拟各种亮度下的图像效果；

对训练样本集图像进行随机位置裁剪；

对训练样本集图像进行随机角度旋转；

对训练样本集图像进行随机比例尺寸压缩、放大。

5.根据权利要求1所述的一种基于卷积神经网络的手掌静脉认证方法，其特征在于，步骤S1中的对卷积神经网络进行训练，包括以下步骤：

训练时，卷积神经网络中加入全连接层和SoftMax分类层，以分类任务来训练卷积层的权重参数；

卷积网络预先在ImageNet数据集上进行训练，然后利用预训练参数在训练样本集中的手掌静脉数据库、手指静脉数据库、手背静脉数据库中进行训练和权重参数微调；

通过在不同的数据集上训练分类任务，使得卷积层学习得到提取静脉纹路特征的能力。