[发明专利]一种基于深度学习和Wasserstein距离度量的指静脉识别方法

说明书

本发明公开了一种基于深度学习和Wasserstein距离度量的指静脉识别方法，使用双侧红外照射采集指静脉图像；对图像进行预处理；使用拉伸的Sobel算子进行边缘检测、根据边缘求出手指的中线、最小二乘法线性拟合图像中线以及仿射变换进行方向矫正；基于矫正后的边缘，进行感兴趣区域(ROI)提取；采用训练好的Resnet卷积神经网络对ROI图像进行提取特征，将提取的特征编码作为待注册/识别的指静脉特征；利用公开数据集和采集的数据集构建指静脉图像数据库，将待识别的特征编码采用能保留空间特征的Wasserstein距离度量在指静脉数据库中进行一一检索识别。在本发明实施例中，深度学习可以获得更有表征能力的特征编码，并且Wasserstein距离度量匹配识别效率更快，更准确。

技术领域

本发明涉及生物特征识别技术、图像识别、深度学习领域，距离度量，尤其涉及一种基于Resnet卷积神经网络和Wasserstein距离度量的指静脉识别方法。

背景技术

基于生物特征的身份认证技术的研究和应用日益广泛；当前社会对于搞安全和更友好的身份认证的需求使得对生物识别技术提出了更高的要求；而指静脉具有活体性和唯一性，不会产生特征重复的情况并且允许非接触式的识别，因此成为生物识别领域内较受关注的一类。

目前的指静脉识别方法大多为基于领域内知识，涉及图像处理、滤波等；当采集设备的成像质量较低，人为的设计提取特征算法来表征静脉特征难度较大，从而会影响后续特征匹配以及识别；部分学者提出基于传统的神经网络实现指静脉身份识别，也有新的研究提出基于强化学习算法优化卷积神经网络的静脉识别方法。然而在指静脉识别中还有大量关键性问题需要解决；

目前亟待解决的问题有：识别成功率依赖于指静脉图像成像质量，人为提取静脉特征容易受预处理时的伪静脉的影响，或者提取的特征太大，在存储时占用硬件资源，同时距离度量算法不能从空间分布，以及距离两个方面同时考虑等。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习和Wasserstein距离度量的指静脉识别方法，使用Resnet网络提取更深层的指静脉特征，同时大大减少特征的维度，使存储特征消耗的资源更少，最后使用 Wasserstein度量。从空间和距离两个方面度量特征编码之间的相似度，从而提升识别的效率和精度。

为了解决上述技术问题，本发明提供了一种基于深度学习和Wasserstein距离度量的指静脉识别方法，所述指静脉识别方法包括：

S1、连接指静脉的红外采集设备，进行图像采集；

S2、通过高斯滤波，中值滤波对图像进行去噪操作；

S3、利用拉伸的Sobel算子对预处理后的图像进行边缘检测，得到感兴趣区域(ROI图像)；

S4、使用Resnet卷积神经网络提取处理后的ROI图像的特征编码；

S5、采用Wasserstein距离度量的相似度作为最后检索识别的结果。

上述方法中，可选地：所述步骤S1，其包括：

S11、通过USB数据线连接PC机与指静脉的红外采集设备，扫描并连通 PC机和指静脉采集设备；

S12、指静脉红外采集设备采集手指静脉的近红外图像，将指静脉图像保存成本地的图像；

S13、指静脉图像中，记手指指尖的方向为x轴正方向，指关节方向为y轴方向。

上述方法中，可选地：所述步骤S2，其包括：

S21、利用对比度受限的自适应直方图均衡化对指静脉图像进行初步的图像增强，增加静脉与背景的对比度；

S22、利用高斯滤波和中值滤波对增强后的图像进行滤波减少噪声对图像的影响。