[发明专利]一种基于卷积神经网络的手掌静脉认证方法

说明书

本发明公开了一种基于卷积神经网络的手掌静脉认证方法，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，S2、用户注册图像输入到卷积网络模型生成特征向量，S3、输入待识别图像，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。本发明通过改进的模型，大幅度压缩模型规模，并提供了多种数据集联合训练的方法以解决身份认证应用中样本规模小的缺点，在特征认证阶段采用了多层感知机计算其比对识别的相似概率值，多层感知机的参数可在线训练和自动更新，提高认证速度和精度。

技术领域

本发明涉及静脉识别技术领域，尤其涉及一种基于卷积神经网络的手掌静脉认证方法。

背景技术

随着技术的发展，生物特征识别技术越来越普及，已经正在逐步取代传统的密码等身份认证方式，给人们带来了极大的便利。传统的指纹识别已经应用到了安防、门禁、金融等各个领域。静脉识别技术由于其天然的防伪性也逐渐受到研究者及商业公司的关注。掌静脉分布于皮肤表面下，属于手掌活体的内部生理特征，具有很高的安全性、唯一性和防伪性强等特点。

手掌静脉相比于手指静脉和手背静更具有应用优势，如：(1)手掌静脉拥有更丰富的静脉纹路信息，其纹路结构更加复杂，更具有唯一性；(2)手掌静脉的采集更容易、更友好，无需固定手掌位置，光源设计更加容易可靠。目前的静脉识别算法主要是基于特征点和基于纹理特征来进行比对，其中特征点主要是指静脉纹路中的一些显著的关键点，具有很强的辨识度，如端点、分叉点、交点等。对于这些特征点的提取普遍做法是采用SIFT、SURF等方法，这些方法一般在特征点数量较多时效果很好，但耗时也高，不适合在嵌入式设备中应用。此外，基于纹理特征的方法目前也较为普遍，如LBP特征、HOG特征等，这些方法对图像清晰度不再敏感，但其表达能力也很有限，不能应对多变的实际应用场景。

卷积神经网络是近年来兴起的用于图像处理领域的一项新技术，其在图像分类、语义分割、目标检测等领域的突破性进展使各种图像应用产品性能得到了大幅度提高。对于基于大数据的应用，卷积神经网络通过预先的学习可以获得各种图像中的高层抽象特征，这些特征的分辨能力极强，即使图像中的微小差别也能分辨出来。目前在身份认证类的应用，如在指纹、静脉等方面都是小样本小范围内的应用，很难通过预训练得到一个较好的识别模型。

为解决上述问题，本发明提出基于通道分组卷积神经网络的手掌静脉认证方法，对传统的卷积神经网络进行改进，采用多层感知机用于特征比对，相较于传统的距离比对方式准确率更高，在保持认证精度的同时也大幅度减少计算量。

发明内容

本发明之目的在于克服现有卷积神经网络的缺点，提供一种基于卷积神经网络的手掌静脉认证方法。

为实现上述目的，本发明采用了如下技术方案：

一种基于卷积神经网络的手掌静脉认证方法，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。

优选的，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：