[发明专利]一种基于余弦中心损失的指静脉识别方法及系统

权利要求书

1.一种基于余弦中心损失的指静脉识别方法，其特征在于，包括如下步骤：

S100：获取待识别用户的指静脉原始图像；

S200：将所述指静脉原始图像进行预处理，并提取经过预处理的指静脉图像的ROI图像；

S300：通过基于余弦中心损失的卷积神经网络算法对所述ROI图像进行识别处理，以识别待识别用户的身份信息。

2.根据权利要求1的指静脉识别方法，其特征在于，步骤S300进一步包括如下步骤：

S310：将预处理后的指静脉ROI图像输入卷积神经网络，以余弦中心损失和softmax损失相结合得到的损失函数指导训练，得到训练后的卷积神经网络的网络权重参数；

S320：采用训练后的卷积神经网络处理所述指静脉ROI图像，以识别待识别用户的身份信息。

3.根据权利要求2所述的方法，其特征在于，所述步骤S310中的训练方法具体为：

选取所述指静脉ROI图像作为训练图像，将训练图像输入至所述基于余弦中心损失的卷积神经网络中训练，训练过程中，卷积神经网络的输入为训练图像，输出为训练图像的标签值；卷积神经网络由输入层，卷积层，最大池化层，全连接层和输出层组成，采用余弦中心损失和softmax损失相结合得到的损失函数作为训练指标，训练卷积神经网络，得到卷积神经网络的网络权重参数，完成训练后，通过卷积神经网络模型处理输入图像并得到输入图像的分类结果。

4.根据权利要求3所述的方法，其特征在于，假设卷积神经网络提取到的特征值为x_i(即第y_i类指静脉图像的第i个样本)，卷积神经网络的权重为W，偏置为b(其中第i层的权重和偏置分别为W_i和b_i)，指静脉图像种类为N，批训练样本总数为n，则所述softmax损失函数如公司(4)所示：

假设样本中心向量为c，为第y_i类指静脉图像，样本特征向量为f,f_i表示第i个样本的特征向量，为简化计算，将表示正则化后的向量v，余弦中心损失如公式(5)所示：

其中θ_i为第i个样本的中心向量与特征向量的夹角，其计算公式为(6)

。

5.根据权利要求4所述的方法，其特征在于，余弦中心损失计算公式中，采用两个向量间的夹角来代替余弦值，作为优化目标，对于样本i，其余弦损失表示如公式(7)所示：

其中夹角θ_i的范围为[0，π]。

6.根据权利要求4或5所述的方法，其特征在于，中心向量的更新策略如公式(10)所示：

当y_i＝j时δ(y_i＝j)＝1，否则δ(y_i＝j)＝0。

7.根据权利要求4或5所述的方法，其特征在于，总的损失函数为余弦中心损失与softmax损失的和，如公式(11)所示：

L＝L_s+λL_ac (11)

λ的取值范围为任意实数。

8.一种基于余弦中心损失的指静脉识别系统，其特征在于，包括依次连接的图像采集模块、图像预处理模块、图像识别模块和图像训练模块；

所述图像采集模块用于采集用户的指静脉原始图像；

所述图像预处理模块用于对所述用户的指静脉原始图像进行预处理；

所述图像识别模块用于识别用户的身份信息；

所述图像训练模块根据待训练用户的指静脉原始图像进行训练，得到训练参数。