[发明专利]基于区块链的指静脉身份识别方法及系统

权利要求书

1.一种基于区块链的指静脉身份识别方法，其特征在于，所述方法包括：

S1、第一节点接收指静脉原始图像，标记处理后生成指静脉图像和指静脉序列，并向各第二节点进行广播；

S2、第二节点在接收到第一节点的广播后立即开始对所述指静脉图像和指静脉序列进行计算处理；所述计算处理步骤至少包括：对所述指静脉图像的纹理表示和空间依赖性进行模拟以生成特征向量；根据所述特征向量，通过概率支持向量机模型计算每个像素点到所述指静脉图像的概率，生成增强指静脉图像；对增强指静脉图像进行编码并匹配，以生成匹配结果；

S3、若第二节点在执行S2后未接收到其他第二节点的区块广播，则将匹配结果附加时间戳进行广播；若第二节点在执行S2过程中接收到其他第二节点的区块广播，则立即停止计算处理；

S4、第一节点在接收各所述第二节点的广播区块，判断是否出现时间戳相同的不同种类区块；若是，则生成临时区块分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，同时将指定时长内区块长度较短的分叉链所对应的区块确定为无效区块；否则，直接将该区块加入区块主链；

所述方法还包括，在加入区块主链的区块上写入节点工作值，并对区块的哈希值进行更新，所述节点工作值作为区块链代币可在节点之间进行转入与转出；

所述指静脉图像的生成过程包括：

分别通过重复线性跟踪法、最大曲率点法、均值曲率法、不同曲率法、区域生长法、宽线检测器法和高波滤波法对指静脉原始图像进行二值化处理，生成7张指静脉二值图像；

计算7张指静脉二值图像的均值，生成指静脉均值图像；对指静脉均值图像的每个像素点进行标记，若像素点值为1，则将该像素点标记为静脉像素点，若像素点值为0，则将该像素点标记为背景像素点；

所述指静脉序列的生成过程包括：

随机选择一个标记后的像素点作为当前像素点c₀，沿着给定方向θ_i确定k-1个邻近像素点形成像素点集合

构建k个中心点在c₀的且尺寸为s×s的图像块，并基于所述图像块构建块序列

根据块序列构建标签序列I个标签序列组成指静脉序列；

其中，

对所述指静脉图像的纹理表示和空间依赖性进行模拟以生成特征向量，具体包括：

将指每个静脉序列输入至卷积神经网络中，生成指静脉图像的纹理深度；该卷积神经网络包括：

1个输入层；3个卷积层，卷积层中以修正线性公式y＝max(0,x)作为隐层神经元的激活函数；2个最大池化层，通过池化操作提取局部特征；和1个全连接层，随机丢弃一半的隐层单元；

将所述纹理深度以固定长度的矢量的形式输出至长短期记忆网络中，分类网络层进行均值计算后生成预测分布，分类网络函数归一化处理后生成对应分数集合；

将六个分数集合组合为六维特征向量v＝[v₁,v₂,v₃,v₄,v₅,v₆]；

通过概率支持向量机模型计算每个像素点到所述指静脉图像的概率，生成增强指静脉图像，具体包括：

通过概率支持向量机模型中的公式计算每个像素点到所述指静脉图像的概率值，以生成增强指静脉图像；

其中，ε(v)是二分类支持向量机的输出，v是六维特征向量，w和γ是概率支持向量机的训练参数；

通过卷积神经网络生成的特征序列映射到隐藏状态来模拟空间依赖性，输出层使用分类网络函数，然后通过长短期记忆网络对分类网络函数层的输出进行均值计算，从而计算预测分布；给定x_t、h_t-1和C_t-1，则长短期记忆网络在t位置的更新方式如下：

i_t＝σ(W_xix_t+W_hix_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfx_t-1+b_f)

o_t＝σ(W_xox_t+W_hox_t-1+b_o)

g_t＝tanh(W_xcx_t+W_hcx_t-1+b_c)

c_t＝f_t*c_t-1it*g_t

h_t＝o_t*tanh(c_t)

其中，i_t表示在位置t的输入门，f_t表示在位置t的忘记门，o_t表示在位置t的输出门，g_t表示在位置t的输入调制门，c_t表示在位置t的存储单元，h_t表示在位置t的隐层单元σ是sigmoid函数，tanh是双曲正切tanh函数，定义如下：

类网络函数归一化的公式如下：

其中，z_n为长短期记忆网络隐层状态线性组合输出；

对增强指静脉图像进行编码并匹配，以生成匹配结果，具体包括：

假设训练集中有N个类，每个类提供M个样本，将第n类中的第m个增强图像x_m,n，其中m＝1,2,...,M，n＝1,2,...,N；

通过二值公式b_m,n＝0.5×(sgn(x_m,n-T)+1)计算增强图像x_m,n的二值图像b_m,n，即可将所有的训练样本都映射到汉明空间，其中，sgn＝1或者sgn＝-1，T为参数；

同类二值图像匹配产生类内分数，不同类二值图像匹配产生类间分数，共生成a₁＝N×C^M个真匹配分数和a₂＝N×(N-1)×M×M/2个假匹配分数

通过优化公式对二值图像b_m,n进行优化，u₁(T)-u₂(T)分别为Ω₁和Ω₂的均值，D₁(T)和D₂(T)为Ω₁和Ω₂方差；

将所有增强图像转换为0到255之间的灰度图像，通过优化公式可以计算出256个不同的J(T)值，其中T＝1,2，···，256，最终得到编码指静脉图像；

将通过公式计算出注册编码指静脉图像的扩展图像，其中，Q为注册编码指静脉图像，B为待识别编码指静脉图像，为Q的高度和宽度分别扩展到2E+I和2H+J后的结果；

Q与B的匹配距离通过如下公式进行计算：

然后通过计算结果生成匹配结果；其中，d(Q,B)表示矩阵Q与矩阵B在扩展区域内不同空间变化的最小重叠量，在水平和垂直方向上平移距离e和h产生的矩阵，Φ(V)为是矩阵V中值为-1的个数，U为值为-1且大小为I×J的矩阵，Hamdistance(Q,B)表示矩阵Q与矩阵B之间汉明距离。

2.一种基于区块链的指静脉身份识别系统，其特征在于，包括：

至少一个第一节点，所述第一节点包括：

预处理模块，用于接收指静脉原始图像，标记处理后生成指静脉图像和指静脉序列，并向各第二节点进行广播；

判断模块，用于接收各所述第二节点的广播区块，判断是否出现时间戳相同的不同种类区块；

第一生成模块，用于在判断模块结果为是时，生成临时区块分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，同时将指定时长内区块长度较短的分叉链所对应的区块确定为无效区块；以及在在判断模块结果为否时，直接将该区块加入区块主链；

至少一个第二节点，所述第二节点包括：

计算单元，用于接收到第一节点的广播后立即开始对所述指静脉图像和指静脉序列进行计算处理；

所述计算单元包括：

模拟模块，用于对所述指静脉图像的纹理表示和空间依赖性进行模拟以生成特征向量；

第二生成模块，用于根据所述特征向量，通过概率支持向量机模型计算每个像素点到所述指静脉图像的概率，生成增强指静脉图像；

匹配模块，用于对增强指静脉图像进行编码并匹配，以生成匹配结果；

处理机制反应模块，在当第二节点在匹配模块执行完成后未接收到其他第二节点的区块广播，则将匹配结果附加时间戳进行广播；以及在当第二节点在匹配模块未执行完成时接收到其他第二节点的区块广播，则立即停止计算处理；

全部节点相互连接形成区块链计算系统，节点通过计算生成的区块加入到区块主链上并同步至全部节点，无效的临时区块分叉链进行区块湮灭。